Áp dụng các phương pháp dựa trên alhn để giải bài toán phân bố công suất tối ưu giữa các nhà máy có nhiều loại nhiên liệu

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ TẤN QUANG ÁP DỤNG CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN ĐỂ GIẢI BÀI TOÁN PHÂN BỐ CƠNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY CĨ NHIỀU LOẠI NHIÊN LIỆU Chuyên ngành: Thiết bị, Mạng Nhà máy điện LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 07 năm 2010 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ ñược bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HOÀ XÃ HỘI CHỦ NGHIÃ VIỆT NAM KHOA ĐIỆN - ĐIỆN TỬ Độc Lập - Tự Do - Hạnh Phúc -oOo Tp HCM, ngày tháng năm 2010 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Lê Tấn Quang Phái: nam Ngày, tháng, năm sinh: 11/06/1981 Nơi sinh: Tp.HCM Chuyên ngành: Thiết bị, Mạng Nhà máy ñiện MSHV: 01808316 1- TÊN ĐỀ TÀI: ÁP DỤNG CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN ĐỂ GIẢI BÀI TOÁN PHÂN BỐ CƠNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY CĨ NHIỀU LOẠI NHIÊN LIỆU 2- NHIỆM VỤ LUẬN VĂN: ỨNG DỤNG PHẦN MỀM MATLAB ĐỂ LẬP TRÌNH CÁC PHƯƠNG PHÁP DỰA TRÊN MẠNG NORON HOPFIELD, ĐỂ GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY NHIỆT ĐIỆN ĐA NHIÊN LIỆU LỰA CHỌN LOẠI NHIÊN LIỆU TỐI ƯU NHẤT TỪ CÁC NHIÊN LIỆU SẴN CÓ SAO CHO TỔNG CHI PHÍ PHÁT ĐIỆN LÀ NHỎ NHẤT 3- NGÀY GIAO NHIỆM VỤ : 4- NGÀY HOÀN THÀNH NHIỆM VỤ : 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : TS VÕ NGỌC ĐIỀU Nội dung ñề cương Luận văn thạc sĩ ñã ñược Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) CHỦ NHIỆM BỘ MÔN KHOA QL CHUYÊN NGÀNH QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) (Họ tên chữ ký) Lời Cảm Ơn Em xin chân thành cảm ơn thầy Võ Ngọc Điều tận tình giúp ñỡ hướng dẫn em học tập suốt trình thực luận văn, ý kiến quí báu thầy giúp em học tập khắc phục nhiều thiếu sót để hồn thành luận văn Chân thành cảm ơn q thầy (cơ) Khoa Điện – Điện Tử Trường Đại học Bách Khoa Tp Hồ Chí Minh tận tình truyền đạt kiến thức cho em suốt khóa học trường Cảm ơn bạn bè ñã chia sẻ, trao ñổi kiến thức học tập trình thực luận văn Cảm ơn gia đình người thân u ln tạo điều kiện, động viên, giúp đỡ chỗ tựa vững giúp em an tâm học tập vượt qua khó khăn thời gian qua Tp Hồ Chí Minh, tháng 07 năm 2010 Học viên thực LÊ TẤN QUANG TÓM TẮT LUẬN VĂN Luận văn ñưa bốn phương pháp ñể giải tốn phân bố cơng suất kinh tế tổ máy, tổ máy có hàm chi phí gồm nhiều ñoạn bậc hai ứng với loại nhiên liệu khác Cả bốn phương pháp ñều dựa mạng noron Hopfield: EALHN (Enhanced Augmented Lagrange Hopfield Network), curve fitting & ALHN, dị tìm trực tiếp, hàm trung bình & ALHN Q trình giải tốn gồm hai giai đoạn Giai ñoạn một, xác ñịnh loại nhiên liệu thích hợp ñược sử dụng ñể phát ñiện phương pháp: dị tìm đốn (heuristic search), hàm chi phí tương đương (curve fitting), dị tìm trực tiếp, hàm chi phí trung bình Giai đoạn hai, ALHN ứng dụng để giải tốn phân bố cơng suất tối ưu từ loại nhiên liệu ñã chọn Bốn phương pháp ñược kiểm nghiệm bốn hệ thống thử nghiệm (10 , 30, 60 100 tổ máy) với nhu cầu phụ tải khác so sánh với phương pháp khác: HNUM [2], HNN [3], AHNN [5], ELANN [4], IEP [10], MPSO [11], thuật tốn gen mã hóa thực (RCGA) [8], HRCGA [8]… Các kết cho thấy bốn phương pháp hiệu nhanh cho việc giải tốn phân bố cơng suất kinh tế tồ máy có hàm chi phí gồm nhiều ñoạn bậc hai MỤC LỤC Trang Các chữ viết tắt ký hiệu dùng luận văn i Hình bảng biểu luận văn iv Lời nói đầu xii Chương GIỚI THIỆU CHUNG 1.1 Ý nghĩa ñề tài 1.2 Mục tiêu nghiên cứu 1.3 Phạm vi nghiên cứu 1.4 Phương pháp luận nghiên cứu Chương TỔNG QUAN BÀI TỐN PHÂN BỐ KINH TẾ CĨ NHIỀU LOẠI NHIÊN LIỆU VÀ CÁC PHƯƠNG PHÁP GIẢI 2.1 HNN (Hopfield Neural Network) 2.2 ELANN (Enhanced Lagrangian Artificial Neural Network) 2.3 DP (Dynamic Programming) 2.4 GA (Genetic Algorithm) 2.5 IGA (Improved Genetic Algorithm) 2.6 EP (Evolutionary Programming) 2.7 PSO (Particle Swarm Optimization) 2.8 ETQ (Evolutionary programming, Tabu search and Quadratic programming) 2.9 DE (Differential Evolution) Chương TỔNG QUAN MẠNG HOPFOELD 3.1 Tổng quan mạng noron Hopfield 11 3.2 ALHN giải toán tối ưu tổng quát 15 Chương THÀNH LẬP BÀI TOÁN 26 Chương CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN 5.1 Phương pháp Heuristic & ALHN (EALHN) 28 5.2 Phương pháp Curve fitting & ALHN 34 5.3 Phương pháp dị tìm trực tiếp 42 5.4 Phương pháp hàm chi phí trung bình & ALHN 44 Chương KẾT QUẢ TÍNH TỐN 6.1 Áp dụng bốn phương pháp ñề xuất cho toán ED 47 6.2 Nhận xét chung 94 Chương KẾT LUẬN 96 TÀI LIỆU THAM KHẢO 98 LÝ LỊCH TRÍCH NGANG 102 CÁC CHỮ VIẾT TẮT DÙNG TRONG LUẬN VĂN ED : Economic Dispatch ELD : Economic Load Dispatch EDPQ : Economic Dispatch with Piecewise Quadratic cost function PQCF : Piecewise Quadratic Cost Function MAED : Multi Area ED CEED : Combined enviromental ED HNUM : Hierarchical approach based the numerical method HNN : Hopfield Neural Network ALHN : Augmented Lagrange Hopfield Network EALHN : Enhanced Augmented Lagrange Hopfield Network AHNN : Adaptive Hopfield Neural Network ELANN : Enhanced Lagrangian Artificial Neural Network MHNN : Modified Hopfield Neural Network DP : Dynamic Programming EP : Evolutionary Programming IEP : Improved Evolutionary Programming IFEP : Improved Fast Evolutionary Programming CEP : Conventional Evolutionary Programming FEP : Fast Evolutionary Programming ETQ : Evolutionary Programming, Tabu search and Quadratic programming DE : Differential Evolution PSO : Particle Swarm Optimization MPSO : Modified Particle Swarm Optimization GA : Genetic Algorithm CGA : Conventional Genetic Algorithm IGA_AMUM: Improved Genetic Algorithm _Adaptive Multiplier Updating Method RCGA : Real Coded Genetic Algorithm HRCGA : Hybrid Real Coded Genetic Algorithm i CÁC KÝ HIỆU DÙNG TRONG LUẬN VĂN […] : Tài liệu tham khảo (…) : biểu thức toán học aik , bik , cik : hệ số chi phí cho tổ máy i với nhiên liệu loại k Bij , Boi , Boo : hệ số phương trình tổn hao truyền tải Errmax : ñộ lệch cực ñại mạng noron i : số tổ máy phát k : số loại nhiên liệu M ik : số ưu tiên cho tổ máy i với loại nhiên liệu k ($/MWh) N : số tổ máy sẵn sàng Nmax : số vịng lặp tối đa n : số vòng lặp mạng noron PD : tổng nhu cầu phụ tải hệ thống (MW) PL : tổng tổn hao mạng (MW) Pi : công suất phát tổ máy i (MW) Pi ( 0) : công suất phát tổ máy i bỏ qua tổn hao (MW) Pik(avg ) : công suất phát trung bình tổ máy i với nhiên liệu k (MW) Pi , Pi max : giới hạn công suất tổ máy i (MW) PFi : hệ số tham gia tổ máy i Ri" : đạo hàm cấp hai hàm chi phí tổ máy i Ui : ñầu vào noron liên tục i tương ứng với ñầu Vi Uλ : ñầu vào noron nhân tử tương ứng với ñầu Vλ Vi : ñầu noron liên tục i biểu diễn cho công suất phát Pi Vλ : ñầu noron nhân tử biểu diễn cho nhân tử Lagrange λ Vi ( 0) : giá trị ban ñầu Vi Vλ( ) : giá trị ban ñầu Vλ w1 : trọng số Pikmax số ưu tiên Mik w2 : trọng số M ik số ưu tiên trung bình tổng hợp xik ii xik : số ưu tiên tổng hợp dựa số ưu tiên Mik chi phí gia tăng trung bình λikavg σ : hệ số góc hàm hình chữ S noron liên tục ε : sai số lớn mạng noron αi : kích cỡ bước cập nhật noron liên tục αλ : kích cỡ bước cập nhật noron nhân tử β : hệ số phạt kết hợp với cân công suất λ : nhân tử Lagrange kết hợp với cân công suất λikavg : chi phí gia tăng trung bình nhiên liệu k tổ máy i iii CHƯƠNG KẾT QUẢ TÍNH TỐN = 2.6278e-005, max = 1.9764, current = 2.6278e-005 1.8 1.6 Iteration errors 1.4 1.2 0.8 0.6 0.4 0.2 0 10 10 10 Number of iterations = 792 10 Hình 6.71: Đồ thị thể sai số vòng lặp noron liên tục noron nhân trường hợp PD = 2700 MW áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) = 9.9326e-005, max = 14.1431, current = 9.9326e-005 15 Maximum error 10 0 100 200 300 400 500 600 Total number of iterations = 792 700 800 Hình 6.72: Đồ thị thể sai số lớn ứng với vòng lặp cân công suất, noron liên tục noron nhân trường hợp PD = 2700 MW áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 88 CHƯƠNG KẾT QUẢ TÍNH TỐN Bảng 6.6: Kết phân bố công suất ứng với trường hợp phụ tải khác áp dụng phương pháp EALHN cho hệ thống 10 tổ máy 2400 MW Tổ máy Pi (MW) 2500 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 189.7402 1 206.5192 2 202.3427 206.4572 3 253.8953 1 265.7391 1 233.0456 3 235.9531 3 241.8298 1 258.0177 1 233.0456 3 235.9531 3 253.2751 1 268.8635 1 233.0456 3 235.9531 3 320.3830 331.4875 10 239.3972 1 255.0563 1 2600 MW Tổ máy Pi (MW) 2700 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 216.5443 2 218.2501 2 210.9057 211.6626 3 278.5441 1 280.7228 1 239.0967 3 239.6315 3 275.5194 1 278.4973 1 239.0967 3 239.6315 3 285.7169 1 288.5845 1 239.0967 3 239.6315 3 343.4932 428.5213 3 10 271.9863 1 274.8669 1 89 CHƯƠNG KẾT QUẢ TÍNH TỐN Bảng 6.7: Kết phân bố công suất ứng với trường hợp phụ tải khác áp dụng phương pháp curve fitting & ALHN cho hệ thống 10 tổ máy 2400 MW Tổ máy Pi (MW) 2500 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 187.0333 1 194.3354 1 202.0107 206.6858 3 254.3660 1 267.6114 1 232.9981 3 236.3335 3 243.0058 1 260.8886 1 232.9981 3 236.3335 3 253.8985 1 271.0542 1 232.9981 3 236.3335 3 319.0710 331.5124 10 241.6205 1 258.9118 1 2600 MW Tổ máy Pi (MW) 2700 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 210.9625 2 219.4102 2 207.3799 211.3791 3 269.5824 1 280.9544 1 236.8295 3 239.6930 3 263.5539 1 278.9355 1 236.8295 3 239.6930 3 273.6056 1 288.2908 1 236.8295 3 239.6930 3 402.9288 3 425.4782 3 10 261.4984 1 276.4729 1 90 CHƯƠNG KẾT QUẢ TÍNH TỐN Bảng 6.8: Kết phân bố công suất ứng với trường hợp phụ tải khác áp dụng phương pháp dị tìm trực tiếp cho hệ thống 10 tổ máy 2400 MW Tổ máy Pi (MW) 2500 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 189.7404 1 206.5189 2 202.3426 206.4572 3 253.8954 1 265.7393 1 233.0455 3 235.9531 3 241.8299 1 258.0179 1 233.0455 3 235.9531 3 253.2752 1 268.8637 1 233.0455 3 235.9531 3 320.3830 331.4876 10 239.3971 1 255.0564 1 2600 MW Tổ máy Pi (MW) 2700 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 216.5432 2 218.2512 2 210.9057 211.6631 3 278.5443 1 280.7246 1 239.0966 3 239.6319 3 275.5199 1 278.4999 1 239.0966 3 239.6318 3 285.7173 1 288.5870 1 239.0966 3 239.6319 3 343.4933 428.5094 3 10 271.9867 1 274.8693 1 91 CHƯƠNG KẾT QUẢ TÍNH TỐN Bảng 6.9: Kết phân bố công suất ứng với trường hợp phụ tải khác áp dụng phương pháp hàm chi phí trung bình & ALHN cho hệ thống 10 tổ máy 2400 MW Tổ máy Pi (MW) 2500 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 187.0333 1 208.0982 2 202.0107 205.9931 3 254.3660 1 265.6454 1 232.9981 3 235.8387 3 243.0058 1 258.2308 1 232.9981 3 235.8387 3 253.8985 1 268.5083 1 232.9981 3 235.8387 3 319.0710 329.6734 10 241.6205 1 256.3347 1 2600 MW Tổ máy Pi (MW) 2700 MW Nhiên Đoạn liệu Pi (MW) Nhiên Đoạn liệu 210.9625 2 219.4102 2 207.3799 211.3791 3 269.5824 1 280.9544 1 236.8295 3 239.6930 3 263.5539 1 278.9355 1 236.8295 3 239.6930 3 273.6056 1 288.2908 1 236.8295 3 239.6930 3 402.9288 3 425.4782 3 10 261.4984 1 276.4729 1 92 CHƯƠNG KẾT QUẢ TÍNH TỐN 6.1.2 Trường hợp 2: hệ thống lớn Các phương pháp ñưa ñược thử nghiệm hệ thống lớn với nhu cầu phụ tải thay ñổi dựa hệ thống 10 tổ máy trường hợp việc nhân số tổ máy lên ñiều chỉnh nhu cầu phụ tải cách tỉ lệ Trường hợp hệ thống có 30, 60 100 tổ máy Kết ñược so sánh với CGA [20] IGA_AMUM [20] bảng 6.10 Bảng 6.10: So sánh chi phí nhiên liệu thời gian xử lý trường hợp tổng nhu cầu phụ tải (N/10)*2700 MW Phương pháp CGA [20] IGA_AMUM [20] EALHN Curve fitting & ALHN Dị tìm trực tiếp Hàm trung bình & ALHN Số tổ máy Chi phí Thời gian xử lý (N) ($/h) (s) 30 1,873.691 263.64 60 3,748.761 517.88 100 6,251.469 873.70 30 1,872.047 80.47 60 3,744.722 157.19 100 6,242.787 275.67 30 1,871.463 0.063 60 3,742.926 0.078 100 6,238.210 0.094 30 1,871.463 3.3 60 3,742.925 6.4 100 6,238,210 10.58 30 1,871.427 0.266 60 3,742.855 0.25 100 6,238.092 0.313 30 1,871.463 0.1 60 3.74292594 0.15 100 6,238.210 0.17 Từ bảng 6.10 cho thấy bốn phương pháp ñề xuất ñều cho kết gần chi phí thấp CGA [20], IGA_AMUM [20] chi phí thời gian tính tốn 93 CHƯƠNG KẾT QUẢ TÍNH TỐN 6.2 NHẬN XÉT CHUNG: Phương pháp EALHN cho kết tốt HNUM [2], ELANN [4], IEP [10] tất trường hợp ngoại trừ HNUM trường hợp 2600 MW Phương pháp cho kết tốt HNN [3] cho trường hợp 2400 MW 2700 MW, AHNN [5] cho trường hợp 2700 MW Tổng chi phí phương pháp gần với phương pháp khác trường hợp lại Chú ý ràng buộc cân công suất HNUM [2] HNN [3] khơng thỏa Phương pháp curve fitting & ALHN cho kết tốt HNUM [2], HNN [2], IEP [10] trường hợp 2400 MW, HNUM [2] trường hợp 2500 MW, HNUM [2], HNN [3], AHNN [5], ELANN [4], IEP [10] trường hợp 2700 MW Tổng chi phí phương pháp cao khơng nhiều so với phương pháp khác trường hợp cịn lại Phương pháp dị tìm trực tiếp cho kết tốt HNUM [2], ELANN [4], IEP [10] tất trường hợp ngoại trừ HNUM trường hợp 2600 MW Phương pháp cho kết tốt HNN [3] cho trường hợp 2400 MW 2700 MW, AHNN [5] cho trường hợp 2700 MW Tổng chi phí phương pháp gần với phương pháp khác trường hợp cịn lại Phương pháp hàm trung bình & ALHN cho kết tốt HNUM [2], HNN [2], IEP [10] trường hợp 2400 MW, HNUM [2], ELANN [4], IEP [10], CEP [9], FEP [9], IFEP [9] trường hợp 2500 MW, HNUM [2], HNN [3], AHNN [5], ELANN [4], IEP [10] trường hợp 2700 MW Tổng chi phí phương pháp xấp xỉ với phương pháp khác trường hợp lại Đối với hệ thống lớn (30 tổ máy, 60 tổ máy, 100 tổ máy) bốn phương pháp có tổng chi phí thời gian tính tốn thấp phương pháp CGA [20], IGA_AMUM [20] Về mặt thời gian xử lý khơng thể so sánh cách trực tiếp phương pháp ngơn ngữ lập trình máy tính khác Tuy nhiên, so sánh thời gian xử lý ñể hiệu phương pháp ñược so sánh Thời gian xử lý phương pháp HNUM [2], HNN [3], AHNN [5], ELANN [4], ETQ [13] 94 CHƯƠNG KẾT QUẢ TÍNH TỐN tương ứng loại máy tính VAX 11/780, IBM PC-386, Compaq 90 MHz, 133 MHz Pentium PC, and 600 MHz Pentium III PC with 128 MB RAM Máy tính dùng cho RCGA HRCGA [8] Pentium III PC 500 MHz Khơng có báo cáo thời gian xử lý từ MPSO [11] computer dùng EP [9] Phần cứng dùng phương pháp đề xuất nhanh Thời gian xử lý từ HNN [3] AHNN [5] ñối với tất trường hợp khoảng 60 s s Tuy nhiên, ñã thể bảng 1, 2, 3, thời gian xử lý ba phương pháp ñề xuất nhanh nhiều so với phương pháp khác 95 KẾT LUẬN CHƯƠNG KẾT LUẬN Trong luận văn này, bốn phương pháp (EALHN, xây dựng đặc tuyến tương đương & ALHN, dị tìm trực tiếp, hàm chi phí trung bình & ALHN) thực cách ñơn giản hiệu cho việc giải toán phân bố kinh tế với hàm chi phí bậc hai theo đoạn: Phương pháp EALHN: Đầu tiên dùng thuật tốn dị tìm ñoán cho việc xác ñịnh loại nhiên liệu dựa số ưu tiên tổng hợp chi phí phát trung bình chi phí gia tăng trung bình tổ máy Sau ALHN áp dụng để giải phân bố kinh tế sau Phương pháp ñã ñược thử nghiệm so sánh với nhiều phương pháp khác cho thấy hiệu tổng chi phí thời gian tính tốn Phương pháp xây dựng ñặc tuyến tương ñương & ALHN (curve fitting & ALHN): từ đặc tuyến chi phí tổ máy, gồm nhiều ñoạn bậc hai liên kết với nhau, xây dựng tương đương thành đoạn bậc hai, sau ALHN áp dụng để giải sơ tốn ED Dựa vào cơng suất đầu đó, chọn lựa nhiên liệu thích hợp (với 10% biên) để chọn lại hệ số chi phí cho thích hợp, giải lại ALHN lần cuối tìm kết Tổng chi phí phương pháp cao khơng nhiều so với phương pháp khác Phương pháp dò tìm trực tiếp: chọn ngẫu nhiên đầu noron liên tục thể công suất phát tổ máy, từ ñây chọn ñược ñoạn nhiên liệu thích hợp cho vân hành, ALHN áp dụng ñể giải phân bố kinh tế sau Phương pháp ñã ñược thử nghiệm so sánh với nhiều phương pháp khác cho thấy hiệu tổng chi phí thời gian tính tốn Phương pháp hàm chi phí trung bình & ALHN: từ đặc tuyến chi phí tổ máy, gồm nhiều đoạn bậc hai liên kết với nhau, xây dựng thành hàm bậc hai với hệ số trung bình hệ số đoạn nhiên liệu, sau ALHN áp dụng để giải sơ tốn ED Dựa vào cơng suất đầu đó, chọn lựa nhiên liệu thích hợp để chọn lại hệ số chi phí 96 KẾT LUẬN CHƯƠNG cho thích hợp, giải lại ALHN lần cuối tìm kết Tổng chi phí phương pháp gần với phương pháp khác, thời gian tính tốn ngắn Trong bốn phương pháp ñề xuất luận văn, EALHN dị tìm trực tiếp cho kết tổng chi phí thời gian tính tốn hiệu Điều cho thấy khả thành công hai phương pháp ñược áp dụng vào toán phi tuyến phức tạp vận hành hệ thống ñiện Từ kết tích cực ñạt ñược áp dụng bốn phương pháp dựa ALHN, ñã cho thấy tính khả thi áp dụng phương pháp dựa ALHN vào toán ED khác, chẳng hạn: MAED, POZ, CEED, phân bố dịng cơng suất tối ưu mạng điện, phân bố cơng suất tối ưu ña mục tiêu … 97 TÀI LIỆU THAM KHẢO TÀI LIỆU THAM KHẢO [1] Shoults, R R and Mead, M M 1984 Optimal estimation of piece-wise linear incremental cost curves for EDC IEEE Trans.Power Apparatus and Systems PAS-103(6): 1432-1438 [2] Lin, C E and Viviani, G L 1984 Hierarchical economic dispatch for piecewise quadratic cost functions IEEE Trans.Power Apparatus and Systems, PAS-103(6): 1170-1175 [3] Park, J H.; Kim, Y S.; Eom, I K.; and Lee, K Y 1993 Economic load dispatch for piecewise quadratic cost function using Hopfield neural network IEEE Trans Power Systems, 8(3): 1030-1038 [4] Lee, S C and Kim, Y H 2002 An enhanced Lagrangian neural network for the ELD problems with piecewise quadratic cost functions and nonlinear constraints Electric Power Systems Research 60: 167–177 [5] Lee, K Y.; Sode-Yome, A.; and Park, J H 1998 Adaptive Hopfield neural networks for economic load dispatch IEEE Trans Power Systems 13(2): 519526 [6] Lee, K Y.; Nuroglu, F M.; and Sode-Yome, A 2000 Real power optimization with load flow using adaptive Hopfield neural network”, Engineering Intelligent Systems 8(1): 53-58 [7] Won J.-R and Park, Y.-M 2003 Economic dispatch solutions with piecewise quadratic cost functions using improved genetic algorithm Elect Power and Energy Systems 25: 355-361 [8] Baskar, S.; Subbaraj P.; and Rao, M.V.C 2003 Hybrid real coded genetic algorithm solution to economic dispatch problem Computers and Electrical Engineering 29: 407-419 [9] Jayabarathi, T.; Jayaprakash, K.; Jeyakumar, D N.; and Raghunathan,T 2005 Evolutionary programming techniques for different kinds of economic dispatch problems Electric Power Systems Research 73: 169-176 [10] Park, Y M.; Wong, J R.; and Park, J B 1998 A new approach to economic load dispatch based on improved evolutionary programming 98 TÀI LIỆU THAM KHẢO Eng Intell Syst Elect Eng Commun 6(2): 103-110 [11] Park, J.-B.; Lee, K.-S.; and Lee, K W 2005 A particle swarm optimization for economic dispatch with nonsmooth cost function IEEE Trans Power Systems, 12(1): 34-42 [12] Eberhart, R C and Shi, Y 1998 Comparison between genetic algorithms and particle swarm optimization Proc.IEEE Int Conf Evol Comput [13] Lin, W.-M.; Cheng, F.-S.; and Tsay, M.-T 2001 Nonconvex economic dispatch by integrated artificial intelligence,” IEEE Trans Power Systems 16(2): 307-311 [14] Lee, F N and Breipohl, A M 1993 Reserve constrained economic dispatch with prohibited operating zones IEEE Trans Power Systems 8(1): 246-254 [15] Van den Berg, J and Bioch, J C 1993 Constrained optimization with a continuous Hopfield-Lagrange model Technical report EUR-CS-93-10, Erasmus University Rotterdam, Comp Sc Dept., Faculty of Economics [16] Park, J H.; Kim, Y S.; Eom, I K.; and Lee, K Y 1993 Economic load dispatch for piecewise quadratic cost function using Hopfield neural network IEEE Trans Power Systems, 8(3): 1030 -1038 [17] Kumarappan N and Mohan, M R 2003 Fuel restricted short term economic dispatch using evolutionary programming for utility system Electrical Power and Energy Systems 25: 821-827 [18] Saadat, H 1991 Power system analysis McGraw-Hill [19] Lee, K W.; Park, Y M and Ortiz, J L 1985 A united approach to optimal real and reactive power dispatch IEEE Trans.Power Apparatus and Systems, PAS-104(5): 1147-1153 [20] C.L Chiang and C.T Su, Adaptive-improved genetic algorithm for the economic dispatch of units with multiple fuel options, Cybernetics and Systems: Αn International Journal 36(7) (2005), pp 687-704 [21] Shoults RR, Chakravarty RK, Lowther P Quasi-static economic dispatch using dynamic programming with an improved zoom feature Electr Pow Syst Res 1996;39 (3):215–22 99 TÀI LIỆU THAM KHẢO [22] Liang ZX, Glover JD A zoom feature for a dynamic programming solution to economic dispatch including transmission losses IEEE Trans Power Syst 1992;7 (2):544–50 [23] Goldberg DE Genetic algorithms in search, optimization and machine learning Reading, MA: Addison-Wesley; 1989 [24] Park YM, Won JR Economic dispatch solution using improved multi-stage genetic algorithm Korea–UK Joint Symposium on Power System Control, Operation, Planning and Protection, Seoul; 1994 [25] Park YM, Park JB, Won JR A hybrid GA/DP approach to optimal long-term generation expansion planning Electr Power Energy Syst 1998;20(4):295–303 [26] Park JB, Park YM, Won JR, Lee KY An improved genetic algorithm for generation expansion planning IEEE Trans Power Syst 2000; 15(3):916–22 [27] R Storn, K.V Price, Differential evolution a simple and efficient heuristic for global optimization over continuous spaces, J Global Optim 11 (4) (1997) 341– 359 [28] K.V Price, R.M Storn, J.A Lampinen, Differential Evolution: A Practical Approach to Global Optimization, Springer, Berlin, Heidelberg, 2005 [29] T Takahama, S Sakai, Constrained optimization by the epsilon constrained differential evolution with gradient-based mutation and feasible elites, in: Proceedings of the 2006 IEEE Congress on Evolutionary Computation, 2006, pp 308–315 [30] V.L Huang, A.K Qin, P.N Suganthan, Self-adaptive differential evolution algorithm for constrained real-parameter optimization, in: Proceedings of the 2006 IEEE Congress on Evolutionary Computation, 2006, pp 324–331 [31] E Mezura-Montes, J Velazquez-Reyes, C.A.C Coello, Modified differential evolution for constrained optimization, in: Proceedings of the 2006 IEEE Congress on Evolutionary Computation, 2006, pp 332–339 [32] M.F Tasgetiren, P.N Suganthan, A multi-populated differential evolution algorithm for solving constrained optimization problem, in: Proceedings of the 2006 IEEE Congress on Evolutionary Computation, 2006, pp 340–347 100 TÀI LIỆU THAM KHẢO [33] N Noman, H Iba, A new generation alternation model for differential evolution, in: Genetic and Evolutionary Computation Conference (GECCO 2006), July, 2006, pp 1265–1272 [34] J Vesterstrom, R Thomsen, A comparative study of differential evolution, particle swarm optimization, and evolutionary algorithms on numerical benchmark problems, Congr Evol Comput (2004) 1980–1987 [35] R.E Perez-Guerrero, R.J Cedenio-Maldonado, Economic power dispatch with non-smooth cost functions using differential evolution, in: Proceedings of the 37th Annual North American Power Symposium, October, 2005, pp 183–190 [36] L Dos, S Coelho, V.C Mariani, Combining of chaotic differential evolution and quadratic programming for economic dispatch optimization with valve-point effect, IEEE Trans Power Syst 21 (2) (2006) 989–996 [37] J.-P Chiou, Variable scaling hybrid differential evolution for large-scale economic dispatch problems, Elect Power Syst Res 77 (3/4) (2007) 212–218 101 LÝ LỊCH TRÍCH NGANG Họ tên: Lê Tấn Quang Ngày, tháng, năm sinh: 11/06/1981 Nơi sinh: Tp Hồ Chí Minh Địa liên lạc: F10/20 Ấp 6, Tổ 10, Hương Lộ 80, Xã Vĩnh Lộc A, Huyện Bình Chánh, Tp Hồ chí Minh Q TRÌNH ĐÀO TẠO Từ năm 2001 – 2006: Học ñại học trường Đại học Tơn Đức Thắng Từ năm 2008 đến nay: Học cao học trường Đại học Bách Khoa Tp Hồ Chí Minh Q TRÌNH CƠNG TÁC Từ năm 2006 đến nay: Công tác Khoa Điện – Điện Tử thuộc trường Đại học Tơn Đức Thắng, địa chỉ: 98 Ngơ Tất Tố, Phường 19, Quận Bình Thạnh, Tp Hồ Chí Minh 102 ... Nhà máy ñiện MSHV: 01808316 1- TÊN ĐỀ TÀI: ÁP DỤNG CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN ĐỂ GIẢI BÀI TỐN PHÂN BỐ CƠNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY CÓ NHIỀU LOẠI NHIÊN LIỆU 2- NHIỆM VỤ LUẬN VĂN: ỨNG DỤNG... MATLAB ĐỂ LẬP TRÌNH CÁC PHƯƠNG PHÁP DỰA TRÊN MẠNG NORON HOPFIELD, ĐỂ GIẢI BÀI TỐN PHÂN BỐ CƠNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY NHIỆT ĐIỆN ĐA NHIÊN LIỆU LỰA CHỌN LOẠI NHIÊN LIỆU TỐI ƯU NHẤT TỪ CÁC NHIÊN... hai, ALHN ứng dụng để giải tốn phân bố cơng suất tối ưu từ loại nhiên liệu chọn CHƯƠNG TỔNG QUAN BÀI TỐN ED CĨ NHIỀU LOẠI NHIÊN LIỆU… CHƯƠNG : TỔNG QUAN BÀI TỐN PHÂN BỐ KINH TẾ CĨ NHIỀU LOẠI NHIÊN