NGUYEN MINH HAI
PHAN BO TOI UU CONG SUAT
TRONG HE THONG DIEN CO RANG BUOC AN NINH SU DUNG PHUONG PHAP PSO LAI
Chuyén nganh : KY THUAT DIEN
Mã số : 60520202
LUẬN VĂN THẠC SĨ
Trang 2Cán bộ hướng dẫn khoa học: PGS TS VÕ NGỌC ĐIỀU
Cán bộ chấm nhận xét 1: TS LÊ KỶ
Cán bộ chấm nhận xét 2: TS DƯƠNG THANH LONG
Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 06 tháng 01 năm 2018
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
1 Chủ tịch : PGS TS PHAN THỊ THANH BÌNH
2 Thư ký : TS HUỲNH QUANG MINH
3 Ủy viên, phản biện 1: TS LÊ KỶ
4 Ủy viên, phản biện 2: TS DƯƠNG THANH LONG
5 Ủy viên : PGS TS HUYNH CHAU DUY
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 (nều có)
CHỦ TỊCH HỘI ĐỎNG TRƯỞNG KHOA ĐIỆN - ĐIỆN TỬ
Trang 3
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên : NGUYÊN MINH HẢI MSHV : 1570866
Ngày, tháng, năm sinh : 20/11/1981 Nơi sinh : Thừa Thiên Huế
Chuyên ngành : Kỹ thuật điện Mãsố : 60520202
I TEN DE TAI
PHAN BO TOI UU CONG SUAT TRONG HE THONG ĐIỆN CÓ RÀNG
BUOC AN NINH SU DUNG PHUONG PHAP PSO LAI
NHIEM VU VA NOI DUNG
— Nghién ctru thuat toan Partical Swarm Optimization (PSO)
— Nghiên cứu bài toán phân bố tối ưu cơng suất có ràng buộc an ninh
— Đề xuất thuật toán PSO lai để giải bài toán phân bố tối ưu công suất có ràng buộc an ninh
— Ứng dụng thuật toán PSO lai để giải bài toán phân bố tối ưu công suất có ràng buộc an ninh trên hệ thống điện IEEE 30 nút
H NGÀY GIAO NHIỆM VỤ : 10/7/2017
HI.NGÀY HOÀN THÀNH NHIỆM VỤ : 03/12/2017
IV CÁN BỘ HƯỚNG DÂN : PGS TS VO NGOC DIEU
Tp HCM, ngay 22 thang 01 nam 2018
CAN BO HUONG DAN CHU NHIEM BO MON DAO TAO
Trang 4LOI CAM ON
Trước tiên, tôi xin tỏ lòng biết ơn sâu sắc đến thây PGS TS Võ Ngọc Điều, người Thây đã giúp đỡ, cung cấp tài liệu và tận tình hướng dẫn tơi hồn thành luận văn
`
này
Chân thành cảm ơn tất cả quý Thầy, Cô đã giảng dạy, trang bị cho tôi những kiến thức rất bổ ích và quý báu trong suốt quá trình học tập tại trường cũng như nghiên CỨu Sau này
Chân thành cảm ơn Gia đình đã luôn bên cạnh và tạo mọi điều kiện thuận lợi cho tôi trong học tập và công tác
Chân thành cảm ơn các đồng nghiệp tại Cơ quan công tác đã ủng hộ, tạo điều kiện đề tôi học tập tốt trong suốt thời gian vừa qua
Cảm ơn tất cả bạn bè đã động viên và hỗ trợ cho tôi rất nhiều trong quá trình học tập, công tác cũng như trong suốt thời gian thực hiện luận văn
Cảm ơn các bạn học viên Cao học khóa 2015, ngành Kỹ thuật điện, trường Đại học Bách Khoa - ĐHQG TP HCM, những người ln giành tình cảm sâu sắc, luôn bên cạnh, động viên và khuyến khích tơi vượt qua những khó khăn trong suốt quá trình
thực hiện luận văn này
Tp Hồ Chí Minh, ngày 22 tháng 01 năm 2018 Người thực hiện
Trang 5TOM TAT LUAN VAN
Luận văn áp dụng phương phap Partical Swarm Optimization (PSO) lai để giải bai tốn phân bố cơng suất tối ưu có ràng buộc an ninh (Security Constraint Optimal Power Flow - SCOPF) voi viéc tinh toán trên hệ thong dién IEEE 30 ntt
Phương pháp PSO lai là phương pháp mới sử dụng ưu điểm của phương pháp PSO và phương pháp DE (Differential Evolution) Phương pháp PSO lai đề xuất cách giải bài toán SCOPF với hàm chỉ phí bậc 2 và chỉ phí nhiên liệu có hiệu ứng điểm van Cách tiếp cận đề xuất là kết hợp thông tin nhận được riêng biệt của DE và thông tin bộ nhớ trích ra từ PSO để tạo ra giải pháp đầy hứa hẹn Với ý tưởng thực
hiện cùng lúc cả PSO lẫn thuật toán DE cho từng vòng lặp Đầu tiên, thuật toán
PSO sẽ được thực hiện trước để tìm ra những cá thê tối ưu, sau đó qua trình đột
biến sẽ được thực hiện ngay trên những cá thẻ tối ưu đó
Bài tốn phân bố cơng suất tối ưu có ràng buộc an ninh là bài toán tối ưu tổng chỉ phí của máy phát, thỏa các ràng buộc đăng thức và ràng buộc bất đăng thức của trang thái bình thường và trạng thái sự cố Luận văn trình bày ứng dụng của thuật
toán PSO lai vào hệ thống điện IEEE 30 nút Phương pháp giải này thê hiện tính linh hoạt và khả năng ứng dụng thuật toán PSO để giải quyết những vẫn đề được
mơ hình hóa dưới dạng bài toán tối ưu có ràng buộc, kết quả tính tốn được kiểm tra so sánh với những thuật tốn khác được trình bày trong các bài báo trước đây Kết quả chính mà nghiên cứu đạt được là ứng dụng kỹ thuật tính tốn tiến hóa mà
điển hình là thuật toán PSO lai vào giải quyết bài toán tối ưu phức tạp trong hệ
Trang 6LỜI CAM ĐOAN
Tôi xIn cam đoan Luận văn là cơng trình nghiên cứu của riêng tôi Các kêt quả nêu trong Luận văn chưa được công bô trong bât kỳ cơng trình nào khác Các sơ liệu,
ví dụ và trích dẫn trong Luận văn đảm bảo tính chính xac, tin cậy và trung thực Tôi xin chân thành cảm on
NGƯỜI CAM ĐOAN
Trang 79097) 09 NN ii TOM TAT LUAN VAN icccccccccccccccsecscscsccsesscscsesscsessesssssessesesussesessesessesesessesecsssessseenenes iii LOT CAM DOAN wooiicccccccccccsccccscsscscsccssestesesssscssssscsessssscsessesssssssessesssssesvesesessessessessees iv
MUC LUC 7e V
DANH MỤC CÁC BẢNG St T111 gH T1 1111 101 101011 g1 111111 1c gưệu vii DANH MỤC CÁC HÌNH - (G9 TH TT TH TH TH gác ngu ix
9 :170 14) l y0 X
CHƯƠNG 1: GIỚI THIỆU CHUNG - G Sk + E1 9 c3 Set 1 1.1 GIGI THIEU TONG QUAT uoieccccccccccccescsscsscssssessessesescssesssssssssesescssesseeseens 1 1.2 MUC TIEU CUA DE TAL oieccccccccccccsescssesscssssessessssescssessssssssssesesssesseeseees 2 1.3 TÂM QUAN TRỌNG CỦA ĐẺ TÀII . ¿6-56 2S tt S221 2E111x 1121 1e crk 2 1.4 PHẠM VINGHIÊN CỨU (¿S6 kê ềEk S1 E111 11111 11111111 1111 2 cty gưêu 2 1.5 NỘI DUNG LUẬN VĂN . :©ccSe St cà HS 12111111111 111010 11g ngờ 3 CHƯƠNG 2: TÔNG QUAN - 5-5 2c St SH 1221111211 1100121011021 0 gu de ưu 4 2.1 BÀI TOÁN PHAN BO CONG SUẤT TƠI ƯU CĨ RÀNG BUỘC AN NINH 4 2.2 MOT SO KHAO SAT VE PHAN BO CONG SUAT TOI UU CO RANG
09 9.00) 000Ẽ57 11
2.3 CAC PHUONG PHAP GIAI BAI TOAN PHAN BO TOI UU CONG SUAT TRONG HE THONG DIEN (c1 1E 111 1 1 1101 HH1 HH gi ngư 13 CHUONG 3: BAI TOAN PHAN BO CONG SUAT TOI ƯU CÓ RÀNG BUỘC AN NINED ooeecccccsccccsscssessessesssssesesesscssussessesssssessesessessussesscssssscsucsessessnssesscsessssuseessssssescssesessesensa 19
CN 9 \eu:(0/.v0)i600W ri tdŸẲỶ 19 KV N:7.\0\97.)ÃEHdaiiiidaŸẦ 20
CHƯƠNG 4: GIỚI THIỆU VẺ PHƯƠNG PHÁP PSO .- 5 5S cv eEered 24 4.1 Ci90):0020diiididdiiidd 24
4.2 BIEU THUC CG BAN CUA THUẬT TOÁN PSO - 2c ccccccccrsreở 25
Trang 84.4 PHUGONG PHAP PSO CAI TIEN uocecccccccsccesccsccscssescescsscssessessssssseesessssesssesssssees 32 4.5 PHƯƠNG PHÁP P§O LAI ĐẼ XUẤTT Sẻ Sk‡Sk St SE E111 13 111 1e 36 CHƯƠNG 5: KẾT QUÁ TÍNH TOÁN - 2 6S SE E1 E2 1113 1111 11111 1e 1x6 43 5.1 HỆ THỐNG ĐIỆN IEEE 30 NÚT 2 56 ke St + E9 E1 v13 151111111131 1 cte 43 5.2 KẾT QUẢ - ¿St k1 11 1 111 E1 TỰ TH HH Hà HH HH HH gu ưu 45 5.3 KẾT LUẬN c1 TH TH TH nh Tà Hà TH Tà HT Tà TH HH H0 0á 1g ty 55 CHƯƠNG 6: TÔNG KÉT VÀ HƯỚNG PHÁT TRIÊN ĐÈ TÀI : 57
SN (9/6426) 1n 57
6.2 HƯỚNG PHÁT TRIÊN CỦA ĐÈ TÀI 2-6-5652 S*‡E* 222tr 58 6.3 LỜI KÊẾT (c1 1111111111111 T1 TT Tà Tà TH Tà TH Tà HT T101 01 0g ty 58 CƠNG TRÌNH KHOA HỌC CƠNG BĨ - HTH nga ng ướ 60 TAT LIEU THAM KHẢO 5-52 SE E9E2E19E10112212E15 3 111111 x11 1x tr 73
Trang 9DANH MỤC CÁC BÁẢNG
Bảng 5.1: Kết quả thực hiện bởi HPSO-DE trong trường hợp bình thường với hàm chi phí nhiên liệu bậc 22 - - G5 c3 91 9v vn ng nh 46 Bảng 5.2: Kết quả so sánh trong trường hợp bình thường với hàm chỉ phí
nhiên liệu bậc 2 - - - co HT 47
Bảng 5.3: Kết quả thực hiện trong trường hợp bình thường với tải có hiệu ứng
i8 0n 48
Bang 5.4: Kết quả thực hiện trong trường hợp sự cô 5 đường dây với hàm chỉ phí nhiên liệu bậc 2 c1 9110 T1 TH ng ng TH ng te 49 Bảng 5.5: Kết quả so sánh trong trường hợp sự cỗ 5 đường dây với hàm chi phí nhiên liệu bậc 22 L2 + ST TH TH HH nh 50 Bảng 5.6: Kết quả thực hiện trong trường hợp sự cô 9 đường dây với hàm chỉ I16:111-:8)15ì8,./ An g 51 Bảng 5.7: Kết quả so sánh trong trường hợp sự cô 9 đường dây với hàm chi phí nhiên liệu bậc 2 c1 9110 T1 TH ng ng TH ng te 52 Bảng 5.8: Kết quả tốt nhất của SCOPF trong trường hợp sự cố 5 đường dây với tải có hiệu ứng điềm VaH 5c 001103300010 1119133 1119 10v v1 ng ng 53
Bảng 5.9: Kết quả thực hiện trong trường hợp sự cô 9 đường dây với tải có
hiệu ứng điỂm Van . - 5c thề E9 E19 gàng 54
Bảng A.1: Thông số đường dây .- ¿-: cà ch kg ghe 79 Bang A.2: Giới hạn truyền tải của các đường dây - cc-ccccccccerreceee 80 Bảng A.3: Thông sỐ tải . - ch S112 th TH HH HH HH TH go 81 Bang A.4: Thong sé cac hé s6 chi phi may phat c.ccccccccscesssscsssssssessssessscsseens 82 Bảng A.5: Thông số các hệ số chỉ phí máy phát với valve công suất 83
Trang 10Bang A.7: Kết quả tối ưu thực hiện bởi PSO, DE và HPSO-DE với hàm chi
phí nhiên liệu ĐậC 2 LLQQQQ nh nọ nọ cọ ng pc cv vớ
Bảng A.8: Kết quả tối ưu thực hiện bởi PSO, DE và HPSO-DE với tải có hiệu
Trang 11DANH MUC CAC HINH
Hình 3.1: Đường cong chỉ phí bậc 2 của tƠ máy . ¿-cc 5c ccxtcitsrkrrerrees Hình 3.2: Đường cong chỉ phí bậc 2 với thành phần sin . .- + 55555: Hình 4.1: Bầy chim trong tự nhiên ¿5:6 z tk teErkerketrrtitrrkrrrtreeo Hình 5.1: Sơ đồ đơn tuyến hệ thống điện IEEE 30 nút . .- 5-5555: Hình 5.2: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp bình thường với tải có hiệu ứng điÊm Van . - 55G - ng nh
Hình 5.3: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cố
5 đường dây với hàm chi phí nhiên liệu bậc 2 (c2 sssss Hình 5.4: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cỗ 9 đường dây với hàm chi phí nhiên liệu bậc 2 c3 Hình 5.5: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cỗ 5 đường dây với tải có hiệu Ứng điêm Van - - c 2n ng ng ngư
Hình 5.6: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cố
Trang 12ACO AM DE EP ES FATPSO GA HPSO-DE IEEE IP IPM IPSO NR OPF PFLOW PSC - OPF PSO QP RPD SA SADE - ALM SCOPF TS
Ant Colony Optimization Ant Manners
Differential Evolution Evolutionary Programming Evolution Strategies
Fuzzy Adaptive Turbulent PSO Genetic Algorithm
Hybrid Particle Swarm Optimization and Differential Evolution
Institute of Electrical and Electronic Engineering Integer Programming
Interior Point Method
Improve Partical Swarm Optimization Newton-Raphson
Optimal Power Flow Point of Collapse Program
Preventive Security Constraint OPF Particle Swarm Optimization Quadratic Programming Reactive Power Dispatch Simulated Annealing
Self-adaptive differential evolution with augmented Lagrange multiplier
Security Constraint Optimal Power Flow
Trang 131.1 GIỚI THIỆU TÓNG QUÁT
Trong tình hình thế giới hiện nay đang phải đối mặt với nhiều vấn đề khó khăn của xã hội, nào là vấn đề thiếu lương thực, y tế, khủng hoảng năng lượng (đặc biệt là năng lượng điện) do sự gia tăng dân số quá nhanh, từ đó hệ thống điện cũng liên tục được mở rộng Như chúng ta biết, năng lượng điện gần như không thê dự trữ được, do đó bài tốn sử dụng năng lượng điện như thế nào để tiết kiệm nhất và hiệu quả nhất nhằm đảm bảo cung cấp điện tin cậy cho quá trình sản xuất của xã
hội đã trở thành vấn đề nóng bỏng mà các nhà khoa học đã, đang và sẽ tiếp tục
nghiên cứu để tìm ra phương pháp tối ưu nhất để giải quyết bài toán này
Kinh nghiệm vận hành hệ thống điện cho thay tại một thời điểm trên hệ thống có những đường dây bị quá tải trong khi các đường dây khác non tải và ngược lạt
Nếu có những biện pháp điều chỉnh thông số hệ thống điện thích hợp thì có thể
làm thay đổi trào lưu phân bố công suất và làm giảm quá tải cho một số đường dây
mà không cần phải cải tạo, nâng cấp hệ thống điện Việc sử dụng hiệu quả và tỗi
ưu các nguôn cung câp là một van dé ma các nhà nghiên cứu rât quan tâm
Vì vậy người ta đặt ra bài tốn phân bố cơng suất tôi ưu (OPF) [1], [2] để nâng cao
khả năng tận dụng hệ thống điện hiện có Đây là bài toán mà ngành điện lực phải
tìm cách giải quyết từ rất lâu, đã dùng nhiều thuật tốn cơ điển và trí tuệ nhân tạo nhu Differential Evolution, Ant Manners, Ant Colony Optimization, Genetic Algorithm, Tabu Search, Simulated Annealing, Harmony Search, Firefly Algorithm
Trong sự phát triển của trí tuệ nhân tạo, gần day trong lĩnh vực công nghệ thông
tin xuất hiện thuật toán PSO, đây là thuật tốn có nhiều ưu điểm và đã được ứng
dụng rộng rãi trong rất nhiều lĩnh vực, một trong những lĩnh vực ứng dụng của
PSO là hệ thống điện Một số nhà khoa học trên thế giới đã triển khai đưa thuật
Trang 14tìm kiếm trước Mặt dù phương pháp PSO có tuổi đời còn rất trẻ, mới chỉ được đề xuất lần đầu tiên vào năm 1995 bởi James Kenedy và Russel C.Eberhart [3], [4]
nhưng phương pháp PSO đã có những đóng góp to lớn cho khoa học bởi tính hội tụ ưu việt của phương pháp, như: thuật toán đơn giản, dễ thực hiện, chương trình
chạy nhanh hơn và kết quả chính xác hơn các phương pháp khác 1.2 MỤC TIỂU CỦA ĐÈ TÀI
Bài toán phân bố công suất tôi ưu (OPF) đã có lịch sử phát triển từ rất lâu, nó có ý nghĩa vơ cùng quan trọng trong quy hoạch và điều khiến hệ thống điện Tuy nhiên cho đên nay nhiêu vân đề liên quan đến bài toán OPF vẫn còn đang trong quá trình
4
“tạ JAS nghiên cứu và hoàn thiện, chẳng hạn như sự đảm bảo tính hội tụ đến lời giải tơi ưu đối với bài tốn OPF không lỗi dạng tổng quát cũng như độ tin cậy của thuật toán mà các phương pháp cô điển và hiện tại chưa giải quyết được Bài toán phân bố tôi ưu công suất trong hệ thơng điện có ràng buộc an ninh (SCOPF) là sự kết hợp hoàn hảo trong việc giải quyết những van dé trai ngược như: tối đa lợi nhuận, vận hành an toàn và tăng cường an ninh
Vì thế chỉ có thuật tốn dựa trên trí thơng minh nhân tạo và tiến hóa, mà điển hình là phương pháp PSO mới phù hợp với các loại bài toán này và loại bỏ được các vẫn đề trái ngược trên
1.3 TAM QUAN TRONG CUA DE TAI
Hiện chưa có luận văn, cơng trình nghiên cứu trong nước về việc áp dụng phương pháp PSO lai vào bài toán phân bố tối ưu công suất trong hệ thống điện có ràng buộc an ninh (SCOPF), điều này cho thấy tầm quan trọng của nó trong việc tìm ra
một lời giải tốt nhất, tối ưu nhất 1.4 PHAM VI NGHIEN CUU
Trang 15Chuong 2: Chương 3: Chương 4: Chương 5:
Chương 6:
trọng và phạm vi nghiên cứu của đề tài
Giới thiệu tổng quan về bài toán SCOPE và các phương pháp đã được áp dụng để giải quyết bài toán
Thành lập bài toán SCOPPE dưới dạng toán học
Giới thiệu phương pháp PSO lai và áp dụng phương pháp vào bài tốn SCOPF trong hệ thơng điện
Mô phỏng ứng dụng phương pháp PSO lai vào bài toán SCOPF trong
mạng điện IEEE 30 nút Kết quả được so sánh với các bài báo khác
dé thay duoc tinh ưu việt của phương pháp PSO lai
Trang 16NINH
2.1.1 Tổng quan về bài tốn phân bố cơng suất tối ưu (Optimal Power Flow) Một trong những yêu cầu quan trọng nhất trong vận hành hệ thống điện (HTĐ) là đám bảo tính kinh tế trong việc sản xuất, truyền tải, phân phối và sử dụng điện năng Để thực hiện yêu cầu đó cần dam bao cho HTD làm việc với chỉ phí thấp nhất, muốn vậy cần phải giảm đến mức tối thiểu chỉ phí nhiên liệu và tốn thất điện nang
- Giam chi phí nhiên liệu: Sử dụng hiệu quả nguồn nước của các nhà máy thủy điện, phối hợp sử dụng nguồn nước của nhà máy thủy điện với sử dụng các nhà máy nhiệt điện và phối hợp giữa các nhà máy nhiệt điện với nhau, sao cho chỉ phí sản xuât điện năng là nhỏ nhât
-_ Giảm tổn thất điện năng: Giảm tốn thất điện năng có ý nghĩa rất lớn trong vận
hành HTĐ Giảm tốn thất điện năng bao gồm thiết lập chế độ sử dụng điện, lựa
chọn cơ cấu thiết bị vận hành hợp lý và phân bố công suất tối ưu giữa các phần tu trong HTD
Trong đó bài tốn phân bố công suất tối ưu (OPF) là bài tốn có ý nghĩa quan trọng trong vận hành HTĐ Do tính chất đặc thù điện năng gần như không thể lưu
trữ được và trào lưu công suất trên các đường dây truyền tải liên tục thay đổi theo
thời gian Chẳng hạn như tại một thời điểm nào đó trong hệ thống điện có những đường đây bị quá tải trong khi các đường dây khác lại non tải và ngược lại Vì thé việc sử dụng hiệu quả và tối ưu các nguồn cung cấp nhằm thay đổi trào lưu công
suất mà không làm quá tải, đồng thời vẫn đảm bảo được việc cung cấp điện tin cậy
cua HTD
OPF được sử dụng rộng rãi trong vận hành và quy hoạch HTĐ Modul OPF là
dòng tải thông minh, sử dụng các kỹ thuật để tự động điều chỉnh sự thiết lập điều
Trang 17tác dụng (Economic Dispatch Problem - EDP) [3] và điều phối công suất phản kháng Mục tiêu chính của bài tốn EDP là xác định kế hoạch phát công suất để cực tiểu hóa tơng chỉ phí vận hành hệ thống mà không vi phạm bất cứ ràng buộc
vận hành nào của hệ thống như quá tải đường dây hay độ sai lệch điện áp nút
Trong khi đó mục tiêu của điều phối công suất phản kháng là để nâng cao ổn định điện áp và giám tổn thất công suất truyền tải trong HTĐ mà thỏa mãn tất cả các ràng buộc vận hành
Mục tiêu cơ bản của bài toán OPF là cực tiểu tổng chỉ phí nhiên liệu máy phát trong khi vẫn đảm bảo độ an toàn hệ thống Từ quan điểm của bài toán OPF, sự
duy trì độ an tồn hệ thống địi hỏi mỗi thiết bị trong HTĐ phải được giữ hoạt
động trong giới hạn cho phép để đảm bảo hệ thống hoạt động an toàn và ơn định Nó bao gồm giới hạn công suất đầu ra máy phát trong khoảng lớn nhất và nhỏ nhất, dòng công suất lớn nhất trên đường dây truyền tải và máy biến áp (MBA) cũng như giữ điện áp mỗi nút trong khoảng giới hạn an toàn
Mục tiêu thứ hai của bài toán OPF là để xác định dữ liệu chi phí biên của hệ thống
Lời giải bài toán OPF tuy khó hơn nhưng vẫn có nhiều thuận lợi hơn so với bài
toán điều phối kinh tế cô điển trong hệ thống điện Bài tốn OPF có khả năng thực
hiện các chức năng điều khiến cần thiết trong khi bài toán điều phối kinh tế (ED)
chỉ điều khiển công suất ngõ ra máy phát Bài tốn OPF cịn có khả năng giám sát sự an toàn của hệ thống, bao gồm quá tải đường dây và vẫn đề điện áp thấp, điện áp cao
Trang 18thiệu ở đây mà điển hình là phương pháp PSO mới phù hợp với loại bài toán OPF phức tạp này và loại trừ bỏ được các vẫn đề khó khăn trên
Cơ sở phát triển của bài toán OPE:
Bài toán phân bố công suất tối ưu trong HTĐ ban đầu chỉ với mong muốn tối thiểu chỉ phí vận hành nguồn phát và tải cho trước (bài toán điều độ kinh tế truyền thống - Economic Dispatch)
Hon 25 nam trước, nhà khoa học Carpentier đã đề xuất mô hình quy hoạch phi tuyến tổng quát bài toán điều độ kinh tế bao hàm các ràng buộc về điện áp, công suất và các điều kiện ràng buộc vận hành khác [5] Từ đó các phương pháp mới ra đời để giải quyết bài toán OPF như ngày nay
Bài toán OPF chuẩn có thể được viết dưới dạng sau:
Min F(x,u) (2.1)
Phụ thuộc vào: g(x,u) =0 (2.2)
h(x,u) <0 (2.3)
Trong đó:
F(+x,u) là hàm mục tiêu
x là vector các biến phụ thuộc, bao gồm: công suất tác dụng nút chuẩn Ps;, điện áp nút tải Ý;, công suất phản kháng ngõ ra máy phát Ó¿ và công suất trên đường dây truyền tải S;
là vector các biến độc lập, bao gồm: điện áp máy phát Vẹ, công suất tác dụng ngõ ra máy phát P¿ trừ nút chuẩn P; và chỉ số chỉnh định MBA 7
ø(xw) là các ràng buộc đẳng thức và thay thế cho các phương trình dịng phân
bố tải
Trang 19cua bai toan phan bố công suất tối ưu thể hiện qua việc làm đơn giản hàm mục tiêu và đồng thời thỏa mãn các phương trình dịng phân bố tải (ràng buộc bằng nhau) mà không vi phạm các ràng buộc không bằng nhau
2.1.2 Các chức năng chính của an ninh hệ thống điện [6]
An ninh hệ thống điện có thể được chia thành ba chức năng chính được thực hiện trong trung tâm điều khiến vận hành:
-_ Hệ thống giám sát
-_ Phân tích sự cỗ
- Phân bố công suất tối ưu có ràng buộc an ninh Hệ thống giám sát:
- Hệ thông giám sát cung cấp cho người vận hành của hệ thống điện những thông
tin cập nhật phù hợp về các điều kiện của hệ thống điện Nói chung, nó là chức
năng quan trọng nhất của ba chức năng nêu trên Hệ thống đo đạc những giá trị từ xa và truyền về trung tâm xử lý, được gọi hệ thong do đạc từ xa, nó có thê theo dõi điện áp, dịng điện, dịng cơng suất và tình trạng của bộ đóng ngắt, và các thiết bị chuyển mạch trong mỗi trạm biến áp trên hệ thống mạng điện truyền tải
-_ Ngoài ra, các thông tin quan trọng như tần số, đầu ra máy phát và vị trí máy biến áp cũng được đo đạc từ xa Với rất nhiều thông tin đo đạc từ xa cùng một thời điểm, khơng có người vận hành nào có thể kiểm tra tất cả thông tin truyền
đến Vì vậy, máy tính thường được cài đặt tại các trung tâm xứ lý để thu thập
các dữ liệu từ xa, xử lý chúng, và đặt chúng trong cơ sở dữ liệu mà từ đó người
Trang 20mạch và biến áp chỉnh định từ xa Các hệ thống này thường được gọi là hệ
thông SCADA
Phân tích sự cơ:
- Phân tích sự cố (Contingency Analysis - CA) là một dạng “Phân tích an ninh” được áp dụng trong kiểm soát hệ thống điện Với mục đích phân tích hệ
thống điện để xác định các quá tải và các sự cỗ xảy ra Trong hệ thống điện, có nhiều vẫn đề có thê gây ra những sự cô nghiêm trọng trong khi thời gian không đủ để người vận hành có thể xử lý
- Phân tích sự cố là phân tích điều kiện bất thường trong hệ thống điện
Nó đặt tồn bộ hệ thống hoặc một phần hệ thống điện trong các điều kiện bắt
buộc Sự cỗ bất ngờ xảy ra có thể do dây truyền tải bất ngờ bị mắt điện (outage),
máy phát bị dừng hoặc đột ngột thay đổi, việc thay đổi các giá trị của tải Phân tích sự cô bất ngờ cung cấp các công cụ cho việc quản lý, thiết lập, phân tích, tơng hợp các báo cáo của sự cô bat ngờ và các vi phạm liên quan
Phân bố công suất có ràng buộc an ninh (Security Constraint Optimal
Power Flow — SCOPF):
- Phân bố cơng suất tối ưu có ràng buộc an ninh (SCOPE) là sự kết hợp của phân tích sự cố bất ngờ (contingnecy analysis) và phân bố công suất tối ưu (opimal
power flow - OPF) Nó là một loại đặc biệt của OPF khi các giá trị tối ưu của
hàm mục tiêu được tính tốn với trong các điều kiện ràng buộc, cả trong điều kiện hoạt động bình thường (cơ sở) và trong điều kiện xảy ra sự cố, chẳng hạn
khi bị ngắt điện hoặc thiết bị bị hỏng
- _ Những ràng buộc an ninh cho phép OPE xác định hoạt động của hệ thống điện
theo kiểu bảo vệ, nghĩa là SCOPFE tác động đề hệ thống vận hành theo kiểu nếu
Trang 21- Diéu dé toi wu (Optimal Dispatch): là trạng thái của hệ thông trước khi xảy ra
su co
- Sau khi xéy ra sw c6 (Post Contingency): \a trang thái của hệ thông sau khi có một sự cơ xây ra Chúng ta giả định rằng trạng thái này có vi phạm an ninh (dây truyền tải, máy biến áp, điện áp nút vượt quá giới hạn)
-_ Điều độ an ninh (Secure Dispafch): là trạng thái mà hệ thông khơng có sự cơ mất điện nhưng việc hiệu chỉnh các thông số vận hành có tính đến các vi phạm
an ninh
- Anninh sau su cé (Secure post-contingency): 1a trang thái của hệ thông khi sự cô được áp dụng với các trạng thái vận hành cơ sở và các sự điêu chỉnh
Ví dụ mình họa: Giả sử hệ thống điện với 2 máy phát, 1 tải và 2 dây truyền tải Bỏ qua tổn thất công suất, hệ thông đang vận hành trong điều độ kinh tế với các giá
trị cho trước sau: -_ Máy phát I: 500MW -_ Máy phát 2: 700MW
-_ Giới hạn tôi đa của dây truyền tải: 400MW
Ở trạng thái vận hành cơ sở, hệ thống hoạt động bình thường
500MW 250MW 200MW Unit 1 Unit 2 — 250MW OPTIMAL DISPATCH 1200MW
Trang 22— ————= 0MW 700MW _ Unit 1 Unit 2 ———— 500MW (OVERLOAD) |
POST CONTINGENCY STATE 1200MW
Giả sử trong ví dụ này chúng ta không muôn sự cô quá tải xảy ra Chúng ta sẽ điều chỉnh trạng thái với việc giảm công suất phát của máy phát 1 còn 400MW
400MW 200MW 800MW Unit 1 Unit 2 200MW SECURE DISPATCH 1200MW
Nêu một vài phân tích sự cơ được thực hiện, trạng thái sau sự cô
400MW QMW 800MW Unit 1 Unit 2 400MW | 1200MW SECURE POST CONTINGENCY STATE
Bằng việc điều chỉnh công suất phát tại máy phát 1 và 2, chúng ta đã ngăn chặn
được trạng thái vận hành sau sự cố với việc quá tải của dây truyền tải, thực chất
đây được gọi là “Sự hiệu chỉnh an ninh” Việc kiểm soát điều khiên vận hành trong
Trang 232.2 MOT SO KHAO SAT VE PHAN BO CONG SUAT TOI UU CO RANG BUOC AN NINH
2.2.1 Trạng thái ôn định
H W Dommel đã phác thảo một cuộc khảo sát cụ thể về các thuật tốn dịng tải
[71 nghiên cứu đầu tiên về dòng tải thuộc về J Carpentair (1962) Tất cả những phát triển trong các thuật toán phân bố công suất nghiên cứu về SCOPF đề khắc phục khi có bất kỳ trường hợp sự cô nào xảy ra bằng cách kiểm soát hệ thống vẫn trong giới hạn cho phép hoạt động - gọi là trạng thai ổn định [8], [9] Phương pháp trước đó về cơ bản là mơ hình dịng tải tuyến tính DC với nhiều xấp xỉ và chỉ sử dụng một mơ hình lũy tuyến cho hệ thong mat dién [10] Dau những năm 1960 với dé nghi cua Wells [11], va nam 1970 tac pham cua El-Hawary [12], Kaltenbach va
cộng sự [13] và Shen [14] là những người đầu tiên nghiên cứu về tối ưu hóa hệ
thống điện có ràng buộc an ninh Vào đầu năm 1973, Alsac đã đề xuất một phương pháp chính xác hơn đề kết hợp các ràng buộc trạng thái ôn định vào OPFE, với công suất phản kháng và ràng buộc điện áp trong trường hợp mất điện [15] OPF được giải quyết bằng cách sử đụng phương pháp "Dommel Tinney" và sau đó ràng buộc
an ninh được thêm vào các dòng AC và số nhân Lagrange, dé có được điều kiện
hoạt động tối ưu và được thử nghiệm trên mạng điện IEEE 30 nút
Mục đích phần bố công suất ti ưu có ràng buộc an ninh là một vấn đề hai chiều và tối ưu hóa xảy ra ở trao đổi giữa chỉ phát sinh và chỉ phí an tồn “Chỉ số an tồn thích hợp” được đề cập lần đầu tiên trong luận án tiến sĩ D D Menniti (1989) và sau đó được sử dụng rộng rãi trong nghiên cứu của ông về giai đoạn ôn định an
toàn bằng cách sử đụng nhận dạng mẫu [16] và mạng thần kinh [17] vào năm 1991 và 1995 Năm 1996, Mimniti cùng với Confroti va Sorrentino dé xuat phan phéi
Trang 242.2.2 Dynamic SCOPF
Ebrahim Vaahedi và cộng sự [19] (2001) là người tiên phong trong Dynamic SCOPF, ổn định điện áp với ràng buộc an ninh tĩnh, dịng cơng suất và điện áp
trong trạng thái bình thường và trạng thái sự cố Bài toán được thiết lập như ba
mức độ phân tích trong chương trình Interior/kỹ thuật phân tích Benders được sử
dụng để kiểm tra hệ thông điện Bắc Mỹ 1449 nút, 2511 mạch điện, 778 máy biến áp và 240 máy phát điện và hệ thống Brazil với 11 nút và 15 mạch điện và bằng
cách sử dụng dòng công suất liên tục (Continuation Power Flow) và chương trình điểm sụp đồ (Point of Collapse Program - PFLOW) Don Hur và cộng sự [20] (2001) đề xuất một thuật toán Novel với kết câu phân cấp, sử dụng kỹ thuật giá cơ sở với các mô hình từng khu vực như một đơn vị kinh tế Ở đây, chương trình tuyến tính đựa trên phương pháp tiếp cận được sử dụng bởi các tác giả với việc tối đa an ninh của hệ thống kết hợp với khả năng trao đổi của dây liên kết
2.2.3 Lựa chọn sự cố (Contingency selection)
Lizhi Wang [21] (2006) phát triển một kỹ thuật lựa chọn sự cố mới cho bài toán
SCOPF, kỹ thuật này đã được chứng minh là cung cấp lời giải tốt hơn là nguyên tắc chọn (N-K) truyền thống Một mơ hình dịng tải DC bảo tồn được sử dụng và sự cân bằng giữa yếu tố kinh tế và an toàn đã đạt được bằng cách dùng hàm tham
số tải Sự cân băng tốt nhất giữa lợi ích kinh tế, chi phí và rủi ro đã được xem xét
và phương pháp Integer Programming (IP) được sử dụng kể kiểm tra trên hệ thông 5 nút, 6 đường dây và trên hệ thống IEEE 30 nút sử dung Matlab™ va nén tảng CPLEX 9.0
Florin Capitanescu [22] (2007) giới thiệu hai kỹ thuật lựa chọn sự cỗ mới dựa trên
so sánh các giải pháp trung gian của phân bố công suất tối ưu với ràng buộc an ninh dy phong (Preventive Security Constraint OPF — PSC-OPF) trong phan tích sự cố Tác giả đã so sánh phương pháp đề nghị với các phương pháp cô điển như Individually Non-dominated Contingency (INDC), Non-dominated Contingency Group (NDCG), ca hai phương pháp đều dựa trên khái niệm “Ưu thế của ràng
Trang 25trước đây cho thấy chỉ có thể giữ trạng thái sự cố không chiếm ưu thế, với kết quả
thu được từ PSOPF, tất cả các sự cô được mô tả và loại bỏ khỏi hệ thống Phương
phap Interior Point (IP) duoc st dung trong cac thuật toán cơ sở Các thuật toán đã
được thử nghiệm trên hệ thống Nordic32 (với 60 nút) và hệ thống IEEE 118 nút
Tác giả chứng minh rằng phương pháp PSOPF đề xuất mạnh mẽ hơn và đây nhanh kết quả tối ưu hơn các phương pháp cô điển khác
2.2.4 Điều độ kinh tế với ràng buộc an ninh
Mohamed Aganagic và cộng sự [23] (1997) mô tả một thuật toán phần giải hai bậc sử dụng phiên bản phi tuyến của kỹ thuật phân giả Danttzig-Wolfe Điều độ kinh tế với ràng buộc an ninh sử dụng các hàm chỉ phí đơn vị phi tuyến Tác giả đã thuyết minh chỉ tiết của những đường cong dự trữ được cho kiểm chứng trên ba
trường hợp với tổng công suất tải là 3595MW Thuật toán để nghị gồm hai pha: pha thứ nhất đạt được lời giải khả thi chủ yếu bằng việc tối thiểu tổng các trường hợp khả thi, trong khi ở pha thứ hai, chi phí phát điện được tôi thiểu và được giải
quyết bằng phương pháp đơn hình sửa đổi (Revised simplex method)
2.2.5 Phan bố công suất tối ưu với ràng buộc sự cố (CCOPF)
Ramesh và cộng sự [24] (1997) đã phát triển một dạng suy biến của phân bố công suất tối ưu với ràng buộc sự cô (CCOPF) sử dụng logic mờ, trong đó sự tối thiểu chỉ phí vận hành của cả trường hợp cơ bản (trước sự cố) và trường hợp sự cô được
chấp nhận như là mục tiêu mờ Devaraj và cộng sự [25] (2005) mô tả thuật toán
phát sinh mã thực (RCGA) cho OPF đề nâng cao mục tiêu an toàn của đường dây bằng cách điều chỉnh độ trễ pha của các máy biến áp với việc thiết lập các chỉ số nghiêm ngặt (Severity Index — SI)
2.3 CAC PHUONG PHAP GIAI BAI TOAN PHAN BO TOI UU CÔNG SUAT TRONG HE THONG DIEN
2.3.1 Phương pháp EP (Evolutionary programming)
EP là một chiên lược tôi ưu sự cô nhân mạnh đên sự liên két hanh vi gitra b6 me va
Trang 26hai của hàm mục tiêu và những điều kiện ràng buộc của bài toán Ưu điểm quan trọng nhất của EP là nó chỉ sử dụng thông tin hàm mục tiêu và do đó khơng chịu
ảnh hưởng bởi bản chất của không gian tìm kiếm như độ trơn, độ lơi Thuật tốn
tơi ưu dựa trên EP xoay quanh ba quá trình: chọn lọc tự nhiên, đột biến và cạnh
tranh Tuỳ thuộc vào đặc tính của bài tốn tơi ưu, mỗi quả trình có thể được điều
chỉnh và định hình đề đạt được kết quả khả quan nhất
Báo cáo [26] trình bày một thuật toán hiệu quả và đáng tin cậy dựa trên EP cho phép giải bài tốn phân bố cơng suất tối ưu có ràng buộc an ninh (SCOPF) Phương pháp đề nghị để giải bài toán SCOPF nhắm đến điều kiện ràng buộc và giới hạn cân bằng năng lượng trên việc kiểm soát các biến số khác nhau gọi là sự
sản sinh năng lượng tích cực, lượng điện áp kiểm soát được, tụ điện shunt ngắt được và tỉ lệ biến áp, những giới hạn trên các biến phụ thuộc gọi là sự sản sinh
năng lượng phản ứng và lượng điện áp trên tải và giới hạn trên những dòng MVA như là các điều kiện ràng buộc không cân bằng trong trường hợp cơ bản cũng như
sự cố Một hệ thống IEEE 30 nút được dùng để nghiên cứu Kết quả SCOPF đạt
được bằng EP được so sánh với việc giải bài toán SCOPF truyền thống 2.3.2 _ Phương pháp AM (Ant Manners)
Bài báo [27] trình bày phương pháp tính tốn dựa trên hành vi của đàn kiến và cách thu nhận tin tức của chúng Phương pháp này được ứng dụng vào việc giải
bài toán phân bố công suất tối ưu để cực tiêu chi phí nhiên liệu máy phát với các
ràng buộc giới hạn công suất thực và công suất phản kháng máy phát, điện áp các nút, đầu phân áp, tụ bù và dòng công suất trên các đường dây Mơ hình lựa chọn để tính tốn là mạng điện IEEE 30 nút và kết quả được so sánh với các phương pháp EP, GA
2.3.3 Phương phap DE (Differential Evolution)
Bài báo [28] trình bày ứng dụng giải thuật DE vào việc giải bài toán phân bố công suất tối ưu DE là một thuật tốn tiến hóa được đề xuất bởi Storn and Price vào
Trang 27không tuyến tính với nhiều ràng buộc DE có ưu điểm hơn các phương pháp tiến
hóa khác đó là cấu trúc đơn giản, gọn, ít thơng số điều khiên, điểm hội tụ cao Hàm mục tiêu có dạng bậc hai dùng để tính tốn là cực tiểu chi phí nhiên liệu máy phát
với các ràng buộc giới hạn công suất thực và công suất phản kháng máy phát, điện áp các nút, đầu phân áp và dòng công suất trên các đường dây Phương pháp đề xuất được ứng dụng vào giải mạng điện IEEE 30 nút và kết quả được so sánh với các phương pháp: EP, TS, 5A
2.3.4 Phương pháp GA (Genetic Algorithm)
Bài báo [29] trình bày việc giải bài tốn phân bố cơng suất tối ưu trong mạng điện lớn sử dụng phương pháp giải thuật gen Thuật toán GA được phát minh bởi Holland vào đầu những năm 1970, là phương pháp tìm kiếm toàn cục sự cố mà
dựa theo sự đánh giá di truyền tự nhiên GA hoạt động trên quần thể của những lời
giải ứng viên giải mã chuỗi hữu hạn gợi là nhiễm sắc thể (NST) Thông thường các
kết quả này được biểu diễn dưới dạng chuỗi số nhị phân hoặc các ký hiệu mã hóa khác được gọi là NST Để thu được sự tối ưu, mỗi NST phải trao đôi thông tin
bằng cách sử dụng những toán tử mượn từ gen tự nhiên để làm ra lời giải tối ưu Hàm mục tiêu dùng để tính tốn là cực tiểu chỉ phí nhiên liệu máy phát với các ràng buộc công suất máy phát, điện áp các nút, tụ bù, đầu phân áp nằm trong giới hạn cho phép Thời gian tính tốn có thê giảm xuống bằng cách phân chia các ràng buộc tỗi ưu thành ràng buộc tích cực để thao tác trực tiếp bằng giải thuật GA, duy trì các ràng buộc thụ động trong giới hạn mềm sử dụng bài toán dịng cơng suất truyền thống Mang IEEE 30 nút được ứng dụng đề kiểm tra sự hiệu quả của giải thuật Kết quả được so sánh với các cách giải khác của giải thuật GA và phương pháp EP
Trang 28động (DP) Tuy nhiên, GA phụ thuộc nhiều vào hàm tương thích, nhạy với tỷ lệ
lai và đột biến, sơ đồ mã hóa các bít của nó, và độ dốc của đường cong khơng gian
đị tìm dẫn đến lời giải GA đã được cải tiến và kiểm chứng trong bài toán điều độ kinh tế hệ thống điện với nhiều dạng khác nhau cho thay két qua kha tốt
2.3.5 Phương pháp ACO (Ant Colony Optimization) [27]
Một trong những phương pháp tiến hóa dựa trên trí thơng minh nhân tạo được giới thiệu gần đây là phương pháp ACO, được đề xuất bởi Marco Dorigo năm 1992 ACO đưa ra cách tiếp cận mới mạnh mẽ và hiệu quả hơn cho những bài tốn tối ưu hóa phức tạp, thuật toán này tiêu biểu cho việc sử dụng mơ hình xác suất để tìm ra lời giải tối ưu Phương pháp này dựa trên cách cử xử của đàn kiến đi tìm thức ăn Trong khi tìm thức ăn các cá thể kiến tự động khởi tạo xung quanh khu vực tô của chúng các thói quen riêng Ngay khi có một cá thể kiến tìm được nguồn thức ăn, nó sẽ đánh giá chất lượng và số lượng thức ăn đó và mang về tổ số thức ăn tìm được Trong suốt quá trình quay về tơ cá thể kiến này sẽ để lại trên lối về loại pheromone do nó tiết ra Lượng pheromone dé lại có thể phụ thuộc vào chất lượng và số lượng thức ăn, lượng pheromone này sẽ dẫn các cá thể kiến khác tới nguồn thức ăn này Sự truyền đạt không trực tiếp này giữa các cá thể kiến qua chất pheromone để lại trên lối mòn cho phép chúng tìm được đường đi ngắn nhất giữa tô của chúng và nguồn thức ăn đó
Nói chung phương pháp ACO giải quyết bài toán tối ưu hóa bằng cách lặp lại 2
bước sau:
— Lời giải ứng viên được xây dựng dựa trên mô hình chất pheromone đặc trưng của loài kiến mà sự phân bố tần suất được thông số hóa qua khơng gian bài toán
Trang 292.3.6 Phuong phap TS (Tabu Search)
Phương pháp TS [30] là phương pháp tìm kiếm để tìm giải pháp tối ưu dựa trên bộ
nhớ linh động của máy tính Phương pháp ra đời nam 1986 boi Fred W Glover
Đầu tiên TS chọn kết hợp tất cả các hàm chỉ phí của các tổ máy Kết quả tính tốn
được mã hóa ở đạng thập phân và được lưu vào bộ nhớ máy tính Ưu điểm của TS
là thời gian tính tốn nhỏ Phương pháp này đã được chứng minh là giải quyết tốt bài toán điêu độ kinh tê với nhiêu ràng buộc khác nhau
Sự thuận lợi của thuật toán TS là việc nó sử dụng sự ghi nhớ uyễn chuyển của lịch sử tìm kiếm để ngăn ngừa dao động và tránh bị kẹt ở giả trị tối ưu cục bộ TS có
thể giải quyết được các bài tốn khơng lồi, không phẳng 2.3.7 Phương pháp SA (Simulated Annealing)
SA (Simulated Annealing) [31] là phương pháp được đề xuất bởi Kirt Patrick,
Gelatt và Vecchi năm 1983 SA đã được kiểm chứng trong một số bài tốn tối ưu
hóa và cho kết quả rất tốt SA là phương pháp dựa trên việc tìm kiếm cục bộ mỗi
bước di chuyển được chấp nhận nếu cải thiện được năng lượng hệ thống Một lời giải khác có thể chấp tùy theo tiêu chí tần suất mà sự phân bồ tần suất dựa trên quy
trình luyện kim và chúng được thu lại như hàm nhiệt độ của hệ thống
Chiến thuật SA khởi đầu với nhiệt độ cao đưa ra tần suất phân bố cao để chấp nhận VỚI các bước đi chuyển không được cải thiện Nhiệt độ và mức độ phân bô giảm bớt đáng kế như sự cải thiện của thuật toán về lời giải tối ưu
2.3.8 Phuong phap PSO (Particle Swarm Optimization)
Trang 30minh trên kỹ thuật phân tích sự cố và so sánh với phương pháp tìm kiém RTS (Reactive Tabu Search) và phương pháp liệt kê trên mô hình hệ thống điện với kết quả khả quan
Một thuật toán PSO cải tiến được trình bày trong luận văn này sẽ là một giải pháp tốt giúp giải quyết các vẫn đề khó khăn mà các phương pháp khác gặp phải và kết quả đạt được là rất tốt và triển vọng bởi:
— Thuật toán đơn giản và để thực hiện
Trang 31CHUONG 3: BAI TOAN PHAN BO CONG SUAT TOI UU
CO RANG BUOC AN NINH
Bài toán phân bố công suất t6i wu cé rang budc an ninh (SCOPF) 1a bai toán tối ưu phi tuyến và quy mô rất lớn với nhiều ràng buộc phức tạp Mục tiêu của bài toán SCOPF là tối thiểu tổng chi phí của các máy phát trong trường hợp bình thường và sự cô mà vần đáp ứng các ràng buộc khác nhau Trong luận văn này, các ràng buộc khác nhau được xem xét đó là cần băng công suât tại các nút, giới hạn công suât tác dụng và công suất phản kháng của máy phát, giới hạn điện áp tại nút máy phát và nút tải, giới hạn công suât phản kháng của các tụ bù, giới hạn của nâc phân áp máy biến áp và giới hạn truyền tải của đường dây truyền tải
3.1 CÁC THUẬT NGỮ đi, Đi, Ci ei, fi Gi, Bi No Ne Na Ng Ni N: No Ni Pa, Odi Pi, Ogi Oci
Hệ số chỉ phí nhiên liệu của máy phát thứ ¡
Hệ số chỉ phí nhiên liệu của máy phát thứ ¡ có ảnh hưởng của xét điểm van công suất
Dung dẫn và điện dẫn giữa nút / và nút j Số nút
Số tụ chuyên mạch
Số nút tải Số nút phát
Số đường dây truyền tải Số máy biến áp chỉnh định
Số đường dây truyền tải bị mất điện
Số nhiên liệu tại nhà máy điện
Trang 32Si, Sii Céng suat biéu kién tir nut i dén nut j và từ nút j dén nut i Si Công suất biểu kiến tối đa trên dây truyền tai / gitta nut i va j
Tk Biến áp chỉnh định tại nhánh k
Vai, Vii Độ lớn điện ap tai nut phat i va nut tai i
Vi, Oi Độ lớn điện áp và góc tai nut i
3.2 BÀI TOÁN
Bài tốn phân bố cơng suất tối ưu có ràng buộc an ninh với mục tiêu tối ưu tổng chỉ phí máy phát, thỏa mãn các ràng buộc đẳng thức và bất đẳng thức trong trường hợp bình thường và trường hợp sự cơ [33]
Mơ hình toán học của bài toán SCOPF theo công thức:
Min F(X, U) (3.1)
Thỏa man:
1 Các ràng buộc đẳng thức và bất đăng thức trong trường hợp bình thường:
s(⁄, U) =0 (3.2)
h(X, U)<0 (3.3)
2 Các ràng buộc đăng thức và bất đẳng thức trong trường hợp sự cố:
g(X°, U) =0 (3.4)
hŒ@`, 3) <0 (3.5)
Với # là hàm mục tiêu (hàm chi phí nhiên liệu của các máy phát), X là vector các biến điều khiến, U là vector các biến trạng thái, ø() là tập các ràng buộc đẳng thức, h() là tập các ràng buộc bất đăng thức và Š là tập các đường dây sự cố
Mơ hình chỉ tiết của bài toán theo công thức sau
Ne
Min F = >) F,(P,)
Trang 33Trong d6, ham chi phi nhiéu ligu Fi(/P,i) cd thé biéu dién mét trong cac dang sau: — Ham bac 2: F;(Pgi) = a; + DiPgi + C;P2, (3.7) 4 f i 5 h | m 7 F imix ft ite
Hình 3.1: Đường cong chỉ phí bậc 2 của t máy
— Một hàm sin được thêm vào hàm bậc 2 đại diện cho hiệu ứng tải điểm van:
F;(P„¡) = a; + bj Poi + c;P Si + le; X sin(; X (Pyimin — P„;))| (3.8)
WV fw Pee PP aay A FS Th) P (MW) " L
Hình 3.2: Đường cong chỉ phí bậc 2 với thành phần sin
Trong đó, P,; la cong suất ngõ ra của máy phát thứ ¡, Ps¿„„„ là công suất ngõ ra
tối thiểu của máy phát thứ ¡ và ø;, b;, c, e;, ƒ là hệ số chi phí nhiên liệu
Các ràng buộc đẳng thức và bất đẳng thức trong trường hợp bình thường và sự cố
Trang 34— Ràng buộc cân bằng công suất: Công suất tác dụng và công suất phản kháng phải cân bằng tại mỗi nút trong hệ thống
No
P„ — P„ =\V,I_LY, IIV, leos(ổ,— ổ,—8,),¡=1,2, ,N, — @.9)
j=l
Np
Oy — Qa ¬Y, À1, IV, lsin(ð, = ổ, =8,), í = 1,2, 4 Np (3.10) a
Trong đó, Q,; la công suất phản kháng ngõ ra của máy phát í, P„ và Ø„; là công suất tác dụng và công suất phản kháng yêu cầu tại nút i trong tng, Á; là số nút của hệ thống, IV;l⁄⁄đ; và IW/⁄⁄đ là điện áp tại nút ¡ và 7 tương ứng, lŸ;l⁄đ, là phần tử trong ma trận Y;„; liên quan đến nút ¡ và J
— Giới hạn công suất máy phát: Công suất tác dụng và công suất phản kháng ngõ
ra các máy phát được giới hạn bởi cận trên và cận dưới của nó
eimin Pg SP gi mae b= Lo Ng (3.11)
Ogi min < Qi < Opi max t= 1, Veg (3.12)
Trong đó, P;;„„„ là công suất tác dụng ngõ ra lớn nhất của may phat i, Qoi mins Op: max la cCOng suất phản kháng ngõ ra nhỏ nhất và lớn nhất của máy phát ¡, N, la số máy phát
— Giới hạn điện áp nút: Điện áp cả nút máy phát và nút tải phải nằm trong giới hạn trên và dưới của nó
Vậy mịn < V oi < V oimaxs t= 1, Ve (3.13)
Vizmin < Vi SV ima 1 = 1, .,Na (3.14)
Trong do, V,; la dién ap nut may phat i, V;; 1a dién ap nut tai i, Vo; max Va Veimin la điện áp lớn nhất và nhỏ nhất của nút máy phát ¡, W„„„ và W;;„„ là điện áp lớn
nhất và nhỏ nhất của nút tải 7, N; là số nút tải
Trang 35Qi min < Oni < Orci max: 1 = I, oe (3.15)
Trong đó, Q,; 1a dung lugng tu bù tại nut i, Q,; max Va Qcimin 1a dung lugng tu bu
lớn nhất và nhỏ nhất tại nút i, N, 1a sé ty bo
Giới hạn nắc phân áp máy biến áp: Nắc phân áp của các máy biến áp (MBA) được giới hạn bởi giới hạn trên và dưới của nó
Thy ST ST mae kK = 1, N; (3.16)
Trong đó, 7; la gia tri nắc phân áp MBA &, Ty min và T; „„„ là giá trị nhỏ nhất và lớn nhất của nắc phân áp MBA ¡ tương ứng, N, là số MBA
Giới hạn đường dây truyền tải: Công suất truyền tải trên đường dây được giới hạn bởi dung lượng của nó
S; < Sh max’ l = 1, wo WV (3.17)
Trong đó, Š, là cơng suất truyền tải trên đường dây J, Š;„„„ là khả năng truyền tải lớn nhất của đường dây ¡, N, là số đường dây
Trong bài toán này, vector của biến điều khiển bao gồm X = [Poo2 Py 3.02 Pew, Vo1rVeor2Ven, » Q 1>Q.92++ On L515 Ty, |
Voi P,; la nut can bằng trong hệ thống
(3.18)
Vector của biến trạng thái bao gồm
Trang 36CHUONG 4: GIOI THIEU VE PHUONG PHAP PSO 4.1 GIỚI THIỆU
Thuật toán PSO (Particle Swarm Optimization) - tối ưu bầy đàn (tạm dịch) là một trong những thuật toán xây dựng dựa trên khái niệm trí tuệ bầy đàn đề tìm kiếm lời giải cho các bài toán tối ưu hóa trên một khơng gian tìm kiếm nào đó PSO là một dạng của các thuật tốn tiến hóa qn thê đã được biết đến trước đây như giải thuật
đi truyền (GA) [29], thuật toán đàn kiến (ACO) [27] Tuy vậy PSO khác với GA ở
chỗ nó thiên về sử dụng sự tương tác giữa các cá thể trong một quần thể để khám phá khơng gian tìm kiếm PSO là kết quả của sự mơ hình hóa việc đàn chim bay đi
tìm kiếm thức ăn cho nên nó thường được xếp vào loại thuật tốn có sử dụng trí tuệ
bầy đàn PSO được giới thiệu vào nấm 1995 tại một hội nghị của IEEE boi James Kennedy và Russell C Eberhart Thuật toán có nhiều ứng dụng quan trọng trong tất cả các lĩnh vực mà ở đó địi hỏi phải giải quyết các bài tốn tối ưu hóa
Để hiểu rõ thuật toán PSO ta hãy xem một ví dụ đơn giản về quá trình tìm kiếm thức ăn của một đàn chim Không gian tìm kiếm thức ăn lúc này là toàn bộ không gian ba chiều mà chúng ta đang sinh sống Tại thời điểm bắt đầu tìm kiếm cả đàn bay theo một hướng nào đó, tuy nhiên sau một thời gian tìm kiếm một số cá thể trong đàn bắt đầu tìm ra được nơi có chứa thức ăn Tùy theo số lượng thức ăn vừa tìm kiếm, mà cá thể gửi tín hiệu đến các cá thể khác đang tìm kiếm ở vùng lân cận, tín hiệu này nhanh chóng lan truyền trên toàn quần thể Dựa vào thông tin nhận được mỗi cá thể sẽ điều chỉnh hướng bay và vận tốc theo hướng về nơi có nhiều thức ăn nhất Cơ chế truyền tin như vậy thường được xem như là một kiểu hình của
trí tuệ bầy đàn Cơ chế này giúp cả đàn chim tìm ra nơi có nhiều thức ăn nhất trên
không gian tìm kiếm vơ cùng rộng lớn Như vậy đàn chim đã dùng trí tuệ, kiến thức và kinh nghiệm của cả đàn để nhanh chóng tìm ra nơi chứa thức ăn Bây giờ chúng ta tìm hiểu làm cách nào mà một mơ hình trong sinh học như vậy có thê áp dụng trong tính tốn và sinh ra thuật toán PSO mà chúng ta từng nhắc đến Việc mơ hình hóa này thường được gọi là quá trình phỏng sinh học (bloInspired) mà
Trang 37dựng dựa trên việc mô hình hóa các q trình trong sinh học được gọi là thuật toán phỏng sinh hoc (bioinspired algorithms)
Hinh 4.1: Bay chim trong ty nhién
Hãy xét bài toán tối ưu của hàm s6 F trong không gian ø chiều Mỗi vị trí trong khơng gian là một điểm tọa độ ø chiều Hàm F 1a ham mục tiêu xác định trong
không gian ứ chiều và nhận 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 tốn tìm thức
ăn với bài tốn tìm cực tiểu của hàm theo cách như sau Giả sử rằng số lượng thức ăn tại một vị trí tỷ lệ nghịch với giá trị của hàm # tại vị trí đó Có nghĩa là ở một vi trí mà giá trị hàm # càng nhỏ thì số lượng thức ăn càng lớn Việc tìm vùng chứa
thức ăn nhiều nhất tương tự như việc tìm ra vùng chứa điểm cực tiểu của hàm #
trên khơng gian tìm kiếm
4.2 BIEU THUC CO BAN CUA THUAT TOAN PSO
Trang 38phương pháp này dựa trên sự mô phỏng xã hội của các động vật cấp thấp như cá, chim, Giống như những phương pháp tối ưu dựa trên mô hình dân cư khác như GA, PSO bắt đầu bằng một trường hợp sự cố của các cá thể của cộng đồng dân cư trong không gian tìm kiếm Tuy nhiên, không giống với các phương pháp tiến hóa khác, trong PSO khơng có sự kết nối giữa các phần tử di truyền trong quá trình tìm kiếm, thuật tốn PSO làm việc dựa trên ứng xử xã hội của các phần tử trong nhóm
Vì vậy, kết quả tối ưu toàn cục do sự hiệu chỉnh quỹ đạo của các cá thé sé dan đến
vị trí tốt nhất và phần tử tối ưu nhất trong nhóm sau mỗi lần bước tính Phương pháp PSO đang trở nên phổ biến vì tính đơn giản và khả năng hội tụ nhanh chóng đạt kết quả tốt Trong thuật toán Particle Swarm (tạm dịch là bầy nhóm), quỹ đạo của mỗi cá thể trong không gian tìm kiếm được hiệu chỉnh bằng cách thay đổi vận tốc của từng cá thể, thông qua kinh nghiệm bay của nó và kinh nghiệm bay của những cá thể khác trong khơng gian tìm kiếm Vector vị trí và vector vận tốc của
một cá thể thứ ¡ trong không gian d chiều [34]:
X¡ = (Xị, Xị, X;a) (4.1)
Vi = (Vit, Vịa, , Vịa) (4.2)
Thông qua cách đặt hàm định nghĩa, chúng ta sẽ tìm ra được giá trị phù hợp nhất
đạt được bởi một phần tử tại thời điểm t là Pbesf; = (pụ, Piz » Dig) Va C4 thé phu
hợp nhất tại thời điểm t là Gbest = (Dạ: Dgz, 0;z) Sau đó, vận tốc mới và vị trí mới của các cá thể được tính tốn bằng 2 biểu thức sau:
Vid = Via + €, X rand(1) X (Pia — Xia) + €2 X rand(2) X (Pea — Xia) (4.3)
Xia = Xia + Via (4.4)
Trong đó:
— €¡, C; là những hằng số gia tốc
— rand(1) va rand(2) là dạng tạo số sự cô trong đoạn [0,1]
Trang 39thanh phan “cognitive”, dai dién cho suy tinh nhan tao cua cac ca thé, chinh thanh
phan này sẽ hướng các cá thể đến vi trí tốt nhất của nó Thành phần thứ 3 được
xem là thành phần “xã hội”, nó đại diện cho hiệu ứng “colaborative” của các cá thé trong quá trình tìm kiếm lời giải tối ưu tồn cục, chính thành phần xã hội sẽ lôi kéo các cá thê hướng đến gia tri tối ưu toàn cục
Ban đầu các cá thể sẽ được tạo ra với một vị trí sự cố, sau đó các vận tốc sự cố được ấn định cho từng cá thể Sự phù hợp của các cá thể được ước lượng thông qua hàm mục tiêu Ở mỗi thời kỳ, vận tốc của từng cá thể được tính tốn thơng qua (4.3) và vị trí trong lần ước lượng tới được cập nhật bằng (4.4) Sau mỗi khoảng thời gian nếu các cá thê tìm ra vị trí tối ưu hơn vị trí trước thì vị trí của nó được lưu vào bộ nhớ Một cách khái quát, vận tốc lớn nhất (V„„„z) cho mỗi module của vector vận tốc của các cá thể được định nghĩa để điều khiển phạm vi của các cá thê trong không gian tìm kiếm cho người dùng tự định nghĩa
Một lý do khác mà PSO được thu hút sự quan tâm là do nó có rất ít biến điều khiến PSO vừa được sử dụng cho các cách tiếp cận mà có thể được sử dụng qua rất nhiều
các ứng dụng cũng như các ứng dụng cụ thê chú trọng vào các điêu kiện cụ thê
PSO có nhiều thuận lợi hơn so với các thuật toán tối ưu hóa thơng thường khác
[35], chang han nhu:
— PSO là thuật tốn tìm kiếm dựa trên quân thê Tính chất này đảm bảo PSO it bi kẹt ở giá trị cực tiểu địa phương
— PSO sir dụng thông tin hoàn trả (payoff) để hướng dẫn tìm kiếm trong khơng gian bài tốn Vì vậy, PSO dễ dàng thích ứng với các bài toán với hàm mục tiêu không khả vi Hơn nữa, tính chất này làm giảm bớt đi sự giả định và sự xap xi trong khi các phương pháp truyền thống khác không làm được
Trang 40— Khơng giống như thuật tốn GA hay thuật toán tự tìm kiếm lời giải khác PSO có sự uyễn chuyển để điều khiển sự cân bằng giữa sự thăm dò cục bộ và toàn cục trong khơng gian bài tốn Nét độc đáo này của PSO giúp nó vượt qua vẫn đề hội tụ hấp tấp và mở rộng khả năng tìm kiếm
- Khơng giỗng như các phương pháp truyền thống khác, chất lượng lời giải của PSO không phụ thuộc vào quân thể ban đầu Bắt đầu tại bất cứ nơi đâu trong
“to th Ae
4.3 MỘT SỐ CẢI TIẾN CỦA PSO 4.3.1 Kỹ thuật TVAC [36], [37]
Như đã phân tích ở trên, phương pháp PSO tìm kiếm giải pháp tối ưu được dựa trên
2 thành phần gia tốc Vì vậy, sự điều khiển thích hợp của 2 thành phần đó rất quan
trọng để tìm ra giải pháp tối ưu một cách chính xác và hiệu qua Kennedy và Eberhart đã mô tả rằng một giá trị tương đối cao của thành phần cognitive, so với thành phân social, sẽ tạo ra kết quả lạc lỗi của các cá thể trong khơng gian tìm kiếm Ngược lại, với giá trị tương đối cao của thành phần social sẽ dẫn các cá thể
đến lời giải cục bộ Do đó, họ đã đề nghị cách thiết lập cả 2 thành phần gia tốc như
biểu thức (4.3), khi đó giá trị trung bình của 2 thành phần sẽ thống nhất với nhau, vì vậy các cá thể chỉ cần bay một nửa thời gian tìm kiếm Kế từ đó, đề xuất này được sử dụng cho hâu hêt các nghiên cứu
Suganthan đã kiểm tra một phương pháp giảm tuyến tính của cả 2 hệ số gia tốc theo giời gian, nhưng kết quả cho thấy hệ số gia tốc được cho bởi biểu thức (4.3) vẫn cho giá trị tốt hơn Tuy nhiên, thông qua nghiên cứu của mình ơng ấy đã cho
thấy rằng hệ số gia tốc không nhất thiết phải lúc nào cũng băng biểu thức (4.3)