Ứng dụng công nghệ a i trong bài toán đánh giá tải và đánh giá trạng thái trên lưới phân phối

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA o0o TRƯƠNG QUANG ĐĂNG KHOA ỨNG DỤNG CÔNG NGHỆ A.I TRONG BÀI TOÁN ĐÁNH GIÁ TẢI VÀ ĐÁNH GIÁ TRẠNG THÁI TRÊN LƯỚI PHÂN PHỐI CHUYÊN NGÀNH : MẠNG & HỆ THỐNG ĐIỆN MÃ SỐ NGÀNH : 2.06.07 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH 07 - 2004 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA o0o LỜI NHẬN XÉT NGƯỜI HƯỚNG DẪN LUẬN VĂN NHẬN XÉT: ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… NGƯỜI DUYỆT LUẬN VĂN NHẬN XÉT: ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… Lời cảm ơn, Người thực luận văn xin tỏ lòng biết ơn sâu sắc đến TS Phan Thị Thanh Bình, người cho đề tài vô thú vị dẫn dắt suốt trình hoàn thành luận văn Tôi xin cám ơn động viên, giúp đỡ q báu thầy cô môn Cung Cấp Điện, môn Hệ Thống Điện, bạn bè khoá 13, thành viên thân yêu gia đình giúp đỡ, động viên hoàn thành luận văn Trương Quang Đăng Khoa Mục lục Đặt vấn đề Chương Tổng quan đánh giá trạng thái hệ thống điện 1.1 Mơ hình thời gian thực (real-time modeling) Hệ Thống Điện 1.2 Tổng quan toán đánh giá trạng thái 1.2.1 Các phương pháp thuộc họ Weighted Least Squares(WLS) 1.2.1.1 Phương pháp truyền thống 12 12 Phương pháp Newton-Raphson 13 Phương pháp Fast Decoupled 14 Phương pháp Optimal Multiplier 15 1.2.1.2 Các phương pháp khắc phục tình trạng ill-conditioned 16 Phương pháp Orthogonal trasformation 17 Phương pháp Hybrid 17 Phươngpháp Normal equation with constrains 18 Phương pháp Hachtel’s augmented matrix 18 Phương pháp ANN (Artificial Neural Network) 19 1.2.2 Các phương pháp thuộc họ Least Absolute Value(LAV) 19 1.2.2 Bài toán đánh giá trạng thái dynamic state estimation 20 1.3 Kết luận 21 Chương 2: Đánh giá tải đánh giá trạng thái lưới phân phối 22 2.1 Tự động hoá Lưới phân phối 23 2.2 Đặc thù Lưới phân phối 23 2.3 Mô hình hoá Lưới phân phối 27 2.3.1 Mô hình 3pha 27 2.3.2 Các phương trình trạng thái 29 2.3.3 Ma trận Jacobi 31 2.3.4 Giải thuật Neuton-Rasphson 34 2.4 Đánh giá tải tập Mờ (Fuzzy Load Allocation) 36 2.4.1 Mô hình Fuzzy 36 2.4.2 Thuật toán Đánh giá tải 37 2.4.3 Kết minh hoạ 42 2.5 Đánh giá trạng thái Mờ (Fuzzy State Estimation) 44 2.5.1 Kỹ thuật lát cắt α-cut 44 2.5.2 Kếùt minh họa 45 2.7 Kết luận 51 Chương Ứng dụng Hopfield Neural Network vào toán đánh giá trạng thái Hệ thống điện 3.1 Tổng quan Neural Network 54 3.1.1 Đặc tính Neural Network 54 3.1.2 Các ứng dụng toán Đánh giá trạng thái 54 3.1.2.1 Counterpropagation network (CPN) 54 3.2.1.2 Functional Link Net (FLN) 56 3.1.2.3 Hopfield neural network (HNN) 57 3.2 Ứng dụng Hopfield neural network bái tốn Đánh giá trạng thái 57 3.2.1 Hopfield network model 57 3.2.2 Ứng dụng Hopfield network toán đánh giá trạng thái 60 3.4 Kết minh hoạ 63 3.5 Kết luận 65 Chương Ứng dụng Parallel Genetic Algorithm vào toán Đánh giá trạng thái 66 4.1 Tổng quan Giải thuật di truyeàn (Genetic Algorithm, GA) 66 4.2 Parallel Genetic Algorithm 66 4.2.1 Model modal 66 4.2.2 Fine-grained parallelsim 67 4.2.3 Coarse-grained parallelism 68 4.3 Giới thiệu GA Toolbox 69 4.4 Ứng dụng Parallel Genetic Algorithm vào toán state estimation 72 4.4.1 Coding operator 73 4.4.2 Fitness function 74 4.4.3 Selection operator 74 4.4.4 Crossover operator 74 4.4.5 Mutation operator 74 4.4.6 Reinsertion operator 74 4.4.7 Migrate 75 4.5 Keát minh hoạ 76 4.6 Kết luận 78 Kết luận chung 79 Phụ lục Mơ hình thời gian thực (real-time modeling) Hệ Thống Điện Phuï luïc Các phương pháp thuộc họ Least Absolute Value(LAV) Phuï luïc Bài tốn đánh giá trạng thái động Dynamic state estimation Phụ lục Mô hình miniSCADA cho lưới phân phối Phụ lục Mạng Neuron Phụ lục Số ngẫu nhiên Giải thuật di truyền Phụ lục Một số kết khảo sát lưới nút, nút, nút Phụ lục Tài liệu tham khảo ĐẶT VẤN ĐỀ Trong giai đoạn phát triển ngày nay, tính toán phân tích Hệ thống điện ngày trọng áp dụng thời gian thực, tức theo kịp diễn biến thực vận hành Hệ thống Cơ sở khả thi cho việc phát triển áp dụng xuất cuả Hệ thống điều khiển giám sát thu thập liệu SCADA (Supervisory Control And Data Acquisition) Như tên gọi nó, hệ thống bảo đảm việc thu thập xử lý liệu thời gian thực từ hệ thống, phục vụ cho khâu tính toán phân tích lấy định điều khiển Sau chịu trách nhiệm thi hành tự động có giám sát điều khiển Hệ thống Sự xuất phát triển SCADA gắn liền với phát triển công nghệ thông tin-máy tính điện tử-viễn thông Luận văn trình bày nội dung sở cuả Tính toán phân tích Hệ thống điện đại, chức thiếu SCADA Điện lực Đó toán ĐÁNH GIÁ TRẠNG THÁI TRONG HỆ THỐNG ĐIỆN – (State Estimation of Power System) Đánh giá trạng thái có lịch sử phát triển từ năm 1970 thu thành công Hệ thống truyền tải Từ khái niệm số báo hôm nay, toán mở hàng loạt công trình nghiên cứu Đặc biệt năm gần nghiên cứu Đánh giá trạng thái lưới phân phối bắt đầu thu hút ý nhiều nhóm nghiên cứu giới Những nghiên cứu lưới phân phối mở nhiều thử thách, khó khăn để giải vấn đề mang tính đặc thù cho lưới phân phối Cùng với trào lưu trên, Luận văn tập trung nghiên cứu giải toán theo hướng ứng dụng công nghệ trí tuệ nhân tạo đại Fuzzy, Neuron network, Giải thuật di truyền vào toán Đánh giá trạng thái lưới phân phối Lý thuyết fuzzy ứng dụng để biểu diễn thông tin không chắn, đo lường giả lưới phân phối Mạng Neuron ứng dụng để giúp cho toán Đánh giá trạng thái có khả học tính toán nhanh thời gian thực Giải thuật di truyền ứng dụng để khắc phục vấn đề số tính toán phương pháp truyền thống đưa lời giải tối ưu toàn cục Cấu trúc Luận văn: Chương 1: Tổng quan toán Đánh giá trạng thái; đúc kết công trình nghiên cứu toán Đánh giá trạng thái Chương 2: Giới thiệu vấn đề riêng cho việc áp dụng Đánh giá trạng thái vào lưới phân phối : Đặc thù lưới phân phối, Mô hình hoá lưới phân phối, Ứng dụng lý thuyến Mờ vào toán đánh giá tải Mờ (fuzzy load allocation) đánh giá trạng thái Mờ (fuzzy state estimation) lưới phân phối Chương 3: Ứng dụng mạng Hopfield Newron Network vào toán Đánh giá trạng thái Chương 4: Ứng dụng giải thuật di truyền (Genetic Algorithm) vào toán Đánh giá trạng thái Chương 5: Kết luận Luận văn giới thiệu toán lónh vực phân tích Hệ thống điện đại Những công nghệ tính toán áp dụng giúp cho toán đánh giá trạng thái mềm dẻo, linh hoạt, hiệu xác việc ứng dụng vào giới thực Chương Tổng quan đánh giá trạng thái hệ thống điện 1.1 Mơ hình thời gian thực (real-time modeling) Hệ Thống Điện 1.2 Tổng quan toán đánh giá trạng thái: 1.2.1 Các phương pháp thuộc họ Weighted Least Squares(WLS) 1.2.1.1 Phương pháp truyền thống Phương pháp Newton-Raphson Phương pháp Fast Decoupled Phương pháp Optimal Multiplier 1.2.1.2 Các phương pháp khắc phục tình trạng ill-conditioned Phương pháp Orthogonal trasformation Phương pháp Hybrid Phươngpháp Normal equation with constrains Phương pháp Hachtel’s augmented matrix Phương pháp ANN (Artificial Neural Network) 1.2.2 Các phương pháp thuộc họ Least Absolute Value (LAV) 1.2.2 Bài tốn đánh giá trạng thái dynamic state estimation 1.3 Kết luận Phụ lục 6: Số ngẫu nhiên Giải thuật di truyeàn nhiểm sắc thể, i=5 Cá thể O1 tạo từ đoạn nhiễm sắc thể đầu bố P1 thêm đoạn nhiễm sắc thể mẹ P2 Cá thể O2 tạo từ đoạn nhiễm sắc thể đầu mẹ P2 thêm đoạn nhiễm sắc thể bố P1 Kết hình 4.4: O1 = 1 0 0 O2 = 1 1 1 Hình Kết hệ O1 O2 sau crossover Trong trình crossover không cần thiết phải chép hết đoạn nhiễm sắc thể, GA đưa hệ số tỉ lệ Pc, GA lựa chọn phần quần thể chọn cho trình crossover theo hệ số Pc Để cho hệ có hệ số fitness tốt nhiều so với hệ bố mẹ, GA đưa trình đột biến (mutation) Quá trình mutation gây thay đổi phần chuỗi nhiễm sắc thể nhằm sinh hệ cháu có độ thích nghi nhiều so với hệ bố mẹ Trong chuỗi nhị phân biểu diễn cho chuỗi nhiễm thể, trình mutation tác động lên bit chuỗi cách lật trạng thái bit Ví dụ, q trình mutation tác động lên cá thể O1 thông qua bit thứ sau: Bit thứ tư lật từ trạng thái sang 1, lúc hệ O2m khác so với hệ bố mẹ Thông qua độ fitness hệ O2m thể độ tốt hay xấu so với hệ bố mẹ O2m = 1 1 1 Hình Thế hệ O2m sau mutation Quá trình crossover mutation giúp tạo hệ sau Tuy nhiên, nhiều hệ gốc ban đầu có đặc tính chưa phong phú chưa phù hợp nên cá thể chưa rải hết khơng gian nghiệm tốn (tương tự trường hợp thuật toán hill-climber, thệ hệ ban đầu sinh theo tính ngẫu nhiên nên hệ co cụm vùng khơng gian nghiệm) Từ đó, khó tìm lời giải tối ưu cho tốn Q trình mutation giúp giải vấn đề này, nhờ biến đổi ngẫu nhiên nhiều thành phần gen cá thể hệ trước để tạo cá thể hoàn toàn hệ sau Q trình mutation khơng tác động hết toàn quần thể mà cần tác động phần, điều hệ số Pm quy định 42 Phụ lục 6: Số ngẫu nhiên Giải thuật di truyền Thế hệ sau q trình chọn lựa lại làm hệ bố mẹ cho hệ Quá trình lặp lặp lại có cá thể đạt thỏa mãn hay giới hạn thời gian Các nguyên lý giải thuật genetic: Hàm mục tiêu hàm Fitness: Hàm mục tiêu hàm dùng để đánh giá độ tốt lời giải cá thể Hàm mục tiêu nhận vào tham số gen cá thể đưa số thực Tuỳ theo giá trị số thực mà ta biết độ tốt cá thể Ví dụ tốn tìm cực tiểu giá trị đầu hàm nhỏ tốt, đối tốn tìm cực đại giá trị đầu lớn tốt Hàm fitness sử dụng để chuyển giá trị hàm mục tiêu sang giá trị measure hay relative fitness theo biểu thức: F(x)=g(f(x)) với: f: hàm mục tiêu g: hàm biến đổi giá trị hàm mục tiêu sang giá trị không âm F: kết relative fitness Phép ánh xạ cần thiết hàm mục tiêu cực tiểu giới hạn hàm mục tiêu độ thích nghi cá thể Độ thích nghi cá thể tính theo độ thích nghi tiêu chuẩn biểu thức : F( x i ) = f (x i ) Nind ∑ f (x ) i i=1 với: Nind: kích thước quần thể Xi: giá trị phenotypic cá thể i Scaling: Giá trị fitness cá thể bảo đảm cho cá thể có khả khơng lựa chọn cho q trình tái cấu trúc Hàm biến đổi tuyến tính với độ lệch cộng với giá trị hàm mục tiêu thường chọn để tính giá trị fitness: F( x i ) = af ( x ) + b với: a: hệ số tỉ lệ dương q trình tìm giá trị cực đại, âm trình tìm giá trị cực tiểu hàm mục tiêu 43 Phụ lục 6: Số ngẫu nhiên Giải thuật di truyeàn b: độ lệch sử dụng nhằm bảo đảm cho giá trị fitness tính khơng âm Hai hệ số gọi linear scaling offsetting, hai hệ số định phần q trình hội tụ Khi xác định tính thích nghi cá thể ta quan tâm đến cá thể mà thơi, nghĩa q trình xếp hạng dựa theo độ tốt cá thể mà chưa quan tâm đến mối quan hệ cá thể quần thể xung quanh Như vậy, cá thể từ đầu có chất lượng kém, nghĩa có độ phânly xa so với cá thể khác có chất lượng tương đối đồng nhau, có xu hướng bị loại bỏ Mà cá thể này, số trường hợp tiềm tàng dẫn tới lời giải tốt Chính hạng, để cá thể có độ thích nghi thấp có hội phát triển, độ phân ly cá thể đưa Barker đề nghị giới hạn lại vùng tái sinh sản để khơng có sinh sản thừa hệ cháu, mà sinh thừa làm trình hội tụ chậm Ở đây, dựa vào hệ số thích nghi cá thể để xếp hạng cá thể quần thể Biến MAX dùng để xác định dộ dốc bias hay selective pressure mà phụ thuộc vào cá thể có độ thích nghi tốt hệ số thích nghi cá thể cịn lại tính theo quy ước: MIN=2-MAX INC=2(MAX-1)/Nind LOW=INC/2 với: MIN: giới hạn INC: độ lệch hệ số thích nghi hai cá thể liền kề LOW số lượng trình kiểm tra tối thiểu độ thích nghi cá thể Giá trị MAX thường chọn khoảng [1,1 2] Lúc hệ số thích nghi cá thể xác định sau: F( xi) = − MAX + 2(MAX − 1) xi − Nind − với: xi: bậc cá thể I quần thể Ranking Cách tính độ thích nghi tiêu chuẩn hiệu quần thể có độ tốt tương đối đồng cá thể Nếu lý đó, chọn hàm mục tiêu khơng tốt nên có cá thể có độ tốt cao ưu việt hẳn so 44 Phụ lục 6: Số ngẫu nhiên Giải thuật di truyền với cá thể cịn lại cá thể hệ sau bị hút phía phí cá thể đặc biệt Do làm giảm khả dẫn tới lời giải tốt cá thể tốt hệ chưa phải tốt tất hệ Phương pháp ranking loại bỏ tượng di truyền cục Phương pháp không tác động dựa tên giá trị độ lớn hàm mục tiêu mà dựa thứ tự cáthể quần thể sau xếp cá thể theo giá trị hàm mục tiêu Do phương pháp có tên độ thích nghi xếp hạng Phương pháp cho phép linh động đặt trọng số để xác định tập trung độ thích nghi lên cá thể có độ thích nghi cao, mà bảo đảm quy luật: cá thể có độ thích nghi cao xác suất lựa chọn cho trình tái sinh sản lớn Selection operator Khả chọn cho trình sinh sản tùy thuộc vào tính thích nghi cá thể Để xây dựng quần thể phải chọn lọc cá thể có độ thích nghi tốt để tham gia vào trình lai ghép, đột biến Sau xác định độ thích nghi cá thể trình chọn lọc tuân theo quy tắt : thích nghi cao xác suất lựa chọn cao cho trình sinh sản Quy tắt chọn lọc xén: Trong chọn lọc xén, thứ tự quần thể xắp xếp theo độ thích nghi Cá thể có độ thích nghi cao nằn cùng, cá thể có độ thích nghi thấp Sau phương pháp đưa tỉ lệ GGAP, giá trị GGAP xác định phần trăm cá thể tốt chọn lọc để tham gia vào trình tái sinh sản cá thể nằm ngưỡng xén không chọn Ngưỡng xén thiết số tất hệ tốn mà biến đổi tùy thuộc vào độ thích nghi chung quần thể mơi trường ví dụ bảng, ứng với giá trị xén GGAP=0,5 có cá thể 1,2,3 chọn: Chọn lọc theo bàn roulete: Trong phương pháp roulete cá thể xem tương ứng với cung tròn bàn roulete Cá thể có độ thích nghi lớn tương ứng với cung tròn roulete lớn Giả sử có bàn xoay roulete hình 4.6 Để tiến hành chọn lọc, cho bàn xoay hoạt động, mũi tên dừng lại vị trí cung trịn tương ứng cá thể có cung trịn chọn lọc Như lần bàn roulete hoạt động có cá thể chọn Rõ ràng cá thể có độ thích nghi cao cung trịn tương ứng lớn khả chọn cao Ví dụ có cá thể sau biến đổi hệ số fitness giá trị phần trăm hình 4.6 45 Phụ lục 6: Số ngẫu nhiên Giải thuật di truyền 30% 40% 20% 10% Hình Bàn quay Roulete Dựa vào bàn xoay roulete cá thể có hệ số fitness 40% có khả lựa chọn nhiều nhất, tiếp tới 30%, 20% cuối 10% Crossover operator Quá trình lai tạo trình quan trọng genetic, giống tự nhiên nhờ vào lai tạo mà hệ mang phần đặc tính bố mẹ Phương pháp lai tạo đơn giản lai tạo single-point, mô tả phần Phần giới thiệu số phương pháp lai tạo phức tạp Multi-point crossover: Lai ghép dạng tổng quát lai ghép single-point Trong lai ghép single-point thay chọn điểm lai ghép multi-point chọn nhiều điểm để lai ghép k1, k2…km Với m điểm lai ghép chia chuỗi nhiễm sắc thể bố P1 mẹ P2 làm m+1 đoạn Hai gen tạo cách ghép đoạn nhiễm sắc thể P1 P2 theo quy tắt : đoạn vị trí lẻ giữ nguyên, đoạn vị trí chẵn hốn chuyển với lai single-point Ví dụ có hai gen bố mẹ P1 P2: P1 = 1 0 0 P2 = 1 1 1 Hình Thế hệ bố mẹ P1 P2 multi-point crossover Thì gen O1 O2 tạo : O1 = 1 0 O2 = 1 0 0 Hình Thế hệ O1 O2 sau multi-point crossover Uniform crossover Lai ghép mặt nạ hình thức lai ghép tổng quát lai ghép Trong lai ghép mặt nạ, liên kết với hai cá thể bố mẹ mặt nạ Mask Mặt nạ thực chất chuỗi bit có chiều dài với P1 P2 mặt nạ 46 Phụ lục 6: Số ngẫu nhiên Giải thuật di truyeàn phát sinh cách ngẫu nhiên tiến hành lai ghép thừa kế hệ trước Giá trị bit chuỗi Mask định đoạn nhiễm sắc thể cá thể O1 O2 trích từ bố mẹ Lai tạo Mask thực theo quy tắt: P1 = 1 0 0 P2 = 1 1 1 Mask = 1 0 1 O1 = 1 0 0 O2 = 1 1 1 Hình Thế hệ bố mẹ P1, P2 hệ O1, O2 mask crossover - Giá trị bit thứ i Mask có giá trị nhiễm sắc thể thứ i bố P1 truyền cho O1 nhiễm sắc thể thứ i mẹ P2 truyền cho O2 - Giá trị bit thứ i Mask có giá trị nhiễm sắc thể thứ i bố P1 truyền cho O2 nhiễm sắc thể thứ i mẹ P2 truyền cho O1 Quy tắc tạo đường sinh: Đây phương pháp áp dụng kiểu liệu thực Trong tạo đường sinh, giá trị gen hệ sau chọn nằm khoảng giá trị gen hai cá thể bố mẹ Cụ thể, hai cá thể cha mẹ P1 P2 cá thể O3 thành phần nhiễm sắc thể thứ i gen O3 : O i = min(P1 , P2 ) + α P2 − P1 (4.14) Hệ số tỷ lệ, chọn ngẫu nhiên đoạn [0,1] gene Sở dĩ phương pháp có tên gọi đường sinh hệ cá thể cháu nằm đường thẳng nối cá thể bố mẹ Kiểu gen bố P1 mẹ P2 biểu diễn tương ứng với hai điểm P1 P2 mặt phẳng với thành phần ứng với trục x, thành phần thứ hai ứng với trục y Các cá thể cháu sinh nằm đoạn thẳng P1P2 Parents Potential offspring gene Hình Geometric effect line recombination Quy tắc tạo sinh thời: 47 Phụ lục 6: Số ngẫu nhiên Giải thuật di truyền Tạo sinh tức thời dạng mở rộng tạo đường sinh, đó, cách tạo cá thể tương tự phương páp đường sinh khác điểm phương pháp dùng dãy giá trị alpha để tạo cá thể gene Area of possible offspring Parents Potential offspring gene Hình Geometric effect of intermediate recombination Mutation operator Trong tiến hóa tự nhiên, đột biến trình thay đoạn nhiễm sắc thể đoạn khác nhằm tạo cấu trúc gen Trong giải thuật genetic, trình đột biến xảy ngẫu nhiên với xác suất thấp Đột biến đóng vai trị q trình tìm kiếm nhiễm sắc thể tốt bị trình lựa chọn hay lai tạo Giá trị xác suất đột biến Pm tỷ lệ nghịch với kích thước gen khơng phụ thuộc vào kích thước quần thể Qua nhiều q trình thực nghiệm lẫn tón học, người ta nhận xét rằng: để trình đột biến đạt hiệu cao xác suất đột biến nên chọn tỷ lệ nghịch với kích thước gen (NVAR) Kích thước gen lớn xác suất để đột biến nhỏ Một giá trị xác suất thường sử dụng Pm=1/NVAR, với NVAR kích thước gen nữa, nên chọn xác suât đột biến độc lập với kích thước quần thể (NIND) Nghĩa số lượng cá thể không ảnh hưởng tới khả đột biến cá thể quần thể Quy tắt đột biến nhị phân trinh bày treân Quy tắc đột biến giá trị thực Đột biến trị thực phức tạp nhiều so với trình đột biến nhị phân Có nhiều phương pháp kiểm chứng tính hiệu Nếu gọi A giá trị thành phần gen bị đột biến, giá trị A’ gen sau đột biến xác định theo công thức: Mutated variable=variable+MutM x range x MutOpt(2) x delta với: MutMx=+-1 với xác suất MutOpt(1) Range=0,5 x domain of variable 48 Phụ lục 6: Số ngẫu nhiên Giải thuật di truyền ⎧m−1 ⎪ α i −i delta = ⎨∑ i= ⎪⎩ with probabilit y / m m = 20 Reinsertion operator Quần thể tạo theo trình selection recombination cá thể quần thể cũ Nếu số cá thể tạo số lượng cá thể quần thể cũ GA đưa hệ số tỉ lệ thể cho khác biệt Để đảm bảo cho kích thước quần thể GA đưa số lượng cá thể cộng với số lượng cá thể gốc cũ vào quần thể Ví dụ, khơng có cá thể sử dụng hay có nhiều kích thước hệ cháu nhiều quần thể cũ trình insertion đưa để xác định xem có cá thể có quần thể lúc Điều quan trọng bật việc tạo nhiều hệ cháu có kích thước lớn hệ gốc, mà mức độ thích nghi hệ cháu so với hệ gốc Do phải có chọn lựa số lượng cá thể cũ cá thể cho việc hình thành quần thể 49 Phụ lục 7: Một số kết khảo sát Một số kết khảo sát lưới nút: 50 Phụ lục 7: Một số kết khảo sát 1.Giới thiệu 2-bus Power System: Số liệu lấy từ ví dụ số sách “Power system analysis”, John J.Grainger Cấu trúc lưới: BUS BUS LINE LINE BUS n Node number b Branch number LINE Hình The 2-bus Power System Bảng Thơng số lưới lưới 2-bus No Branch RPU XPU B1 0.000 0.250 B2 0.000 6.000 Bảng Thông số đo lường lưới 2-bus Base values Voltage Active Power Reactive Power σ Bus1 1.020 - 0.305 0.01 Bus2 0.920 Bran.12 - 0.598 - 0.015 Bran.21 - - 0.305 0.02 Meas 0.01 Kết mơ phỏng: 79 Phụ lục 7: Một số kết khảo sát Newton-Raphson: No Bus Absolute Voltage Angle phase 0.98426 0.9578 -0.1762 Absolute Voltage Angle phase Bus1 1.000483 Bus2 0.989171 -0.07475 No Bus Absolute Voltage Angle phase Bus1 0.98427 Bus2 0.94301 -0.1679 Absolute Voltage Angle phase Bus1 0.9842 Bus2 0.9429 -0.16792 Absolute Voltage Angle phase Bus1 0.9842 Bus2 0.94291 -0.16787 Bus1 Bus2 Hopfield Neural Network: No Bus Parallel Genetic Algorithm: lần thứ lần thứ No Bus lần thứ No Bus Giới thiệu IEEE 5-bus Power System: Cấu trúc lưới: Cấu trúc lưới thông số đo lường tham khảo tài liệu 80 Phụ lục 7: Một số kết khảo sát Cấu trúc lưới 5-bus có dạng hình BUS BUS BUS 3 LINE LINE LINE LINE LINE LINE BUS BUS LINE BUS n Node num ber b LINE Branch num ber Hình The IEEE 5-bus Power System Bảng Thông số đường dây lưới IEEE 5-bus No Branch RPU XPU B1 0.08 0.24 B2 0.02 0.05 B3 0.01 0.03 B4 0.06 0.18 B5 0.06 0.18 B6 0.08 0.24 B7 0.04 0.12 Có hai liệu đo lường: 11 đo lường bảng, 33 đo lường bảng 81 Phụ lục 7: Một số kết khảo sát Bảng Thơng số đo lường (11 meas.) lưới IEEE 5-bus Base values No bus Reactive σ Voltage Active Power 1.060 - - 0.01 0.981 -0.45 -0.15 0.01 0.977 -0.40 -0.05 0.01 0.966 -0.60 -0.10 0.01 0.999 - - 0.01 Power Bảng Thông số đo lường (33 meas.) lưới IEEE 5-bus Base values Meas Reactive σ Voltage Active Power Bus1 1.050 1.0244 0.9983 0.01 Bus2 0.981 -0.4277 -0.0910 0.01 Bus3 0.977 -0.3310 -0.0585 0.01 Bus4 0.966 -0.5973 -0.0938 0.01 Bus5 0.999 0.3848 -0.6053 0.01 Bran.12 - 0.3451 0.1960 0.01 Bran.15 - 0.6794 0.8023 0.01 Bran.23 - 0.1693 0.0747 0.01 Bran.25 - -0.2633 -0.0040 0.01 Bran.34 - 0.0558 0.0265 0.01 Bran.35 - -0.2178 -0.0113 0.01 Bran.45 - -0.5419 -0.0683 0.01 Bran.54 - 0.5546 0.1066 0.01 Bran.53 - 0.2218 0.0233 0.01 Bran.52 - 0.2676 0.0170 0.01 Bran.51 - -0.6593 -0.7522 0.01 Bran.43 - -0.0554 -0.0255 0.01 Power 82 Phuï luïc 7: Một số kết khảo sát Bran.32 - -0.1690 -0.0736 0.01 Bran.21 - -0.3336 -0.1617 0.01 Kết mô phỏng: Nếu sử dụng 11 đo lường bảng : Newton-Raphson No Bus Absolute Voltage Angle phase Bus1 1.0644 0.0000 Bus2 0.966441 -0.06451 Bus3 0.96141 -0.07004 Bus4 0.94799 -0.07785 Bus5 0.982094 -0.00856 No Bus Absolute Voltage Angle phase Bus1 1.034749 0.0000 Bus2 0.989157 -0.03132 Bus3 0.986894 -0.03386 Bus4 0.980688 -0.03684 Bus5 0.995894 -0.00452 No Bus Absolute Voltage Angle phase Bus1 0.911778 0.0000 Bus2 0.968172 -0.06019 Bus3 0.978589 -0.06212 Bus4 0.997213 -0.06711 Bus5 1.016828 -0.04611 No Bus Absolute Voltage Angle phase Bus1 1.0618 0.00000 Bus2 0.9893 -0.0655 Hopfield PGA - Parallel Genetic Algorithm: 83 Phụ lục 7: Một số kết khảo sát Bus3 0.9853 -0.07 Bus4 0.9734 -0.0778 Bus5 1.0109 -0.0168 Khi tăng số dư đo lường lên 33 đo lường kết phương pháp Newton-Raphson Hopfield neural network hội tụ sai lâm vào tình trạng cố hữu đặc trưng phương pháp WLS: ill-conditioned No Bus Absolute Voltage Angle phase Bus1 1.060378 0.00000 Bus2 0.989964 -0.06623 Bus3 0.986041 -0.07081 Bus4 0.975106 -0.07843 Bus5 1.009688 -0.01687 84 ... Gi? ?i thiệu vấn đề riêng cho việc áp dụng Đánh giá trạng th? ?i vào lư? ?i phân ph? ?i : Đặc thù lư? ?i phân ph? ?i, Mô hình hoá lư? ?i phân ph? ?i, Ứng dụng lý thuyến Mờ vào toán đánh giá t? ?i Mờ (fuzzy load allocation)... Value(LAV) 19 1.2.2 B? ?i toán đánh giá trạng th? ?i dynamic state estimation 20 1.3 Kết luận 21 Chương 2: Đánh giá t? ?i đánh giá trạng th? ?i lư? ?i phân ph? ?i 22 2.1 Tự động hoá Lư? ?i phân ph? ?i 23 2.2... Qalloc Cu? ?i cùng, ta có : • Một khoảng giá trị [Pmin, Pmax], [Qmin,Qmax] • Giá trị đánh giá: Palloc, Qalloc 40 Đánh giá t? ?i Đánh giá trạng th? ?i lư? ?i phân ph? ?i Giá trị Palloc, Qalloc thêm vào tập