Trong thời gian thực, quản lý tắt nghẽn thực sự là một bài toán tái phân bổ tối ưu. Hàm mục tiêu của nó có thể là giảm thiểu chi phí điều chỉnh hoặc giảm thiểu cắt giảm giao dịch song phương (bilateral transaction). Các nguồn phát và người tiêu dùng có thể gửi đường cong đấu thầu tuyến tính tăng hoặc giảm đến SO. Những
ràng buộc bao gồm tất cả các ràng buộc mạng, thêm các ràng buộc dự phòng và ràng buộc ổn định. Một OPF mở rộng có thể giải quyết bài toán này một cách hoàn hảo và tạo ra một mức giá tắt nghẽn tương ứng.
Trong TTĐ California, việc quản lý tắt nghẽn giữa các vùng (interzonal) được mô hình với một OPF DC với những ràng buộc tách biệt thị trường trong khi quản lý tắt nghẽn giữa các vùng được mô hình với một OPF AC xem xét các ràng buộc điện áp.
3.5.4 Đánh giá khả năng truyền tải khả dụng [11]
ATC là thước đo khả năng kết nối của các HTĐ với sự chuyển động tin cậy hoặc truyền công suất từ vùng này sang vung khác trên các đường dây truyền tải hoặc
đường đi giữa các vùng dưới những điều kiện hệ thống được định rõ. Có ít nhất 3 cách tiếp cận có thể cho việc tính toán TTC và ATC. Cách thứ nhất là dựa vào các yếu tố phân phối hoặc các yếu tố nhạy cảm được tính toán từ dòng chảy công suất DC. Phương pháp thứ 2 được gọi giải thuật dòng chảy công suất liên tục, mà lần theo đường cong giải pháp dòng chảy công suất, bắt đầu ở tải cơ sở, dẫn đến trạng thái giới hạn ổn định điện áp hoặc điểm tải tối đa của hệ thống. Cách thứ 3 là dựa vào các kỹ thuật OPF. Trong suốt quá trình phân tích này, tất cả các ràng buộc an toàn và các ràng buộc dự trữ được bao gồm. Các ràng buộc dự phòng sau biến cố
(Post-contingency) cũng có thểđược xem xét vào mô hình.
ATC có thể được đánh giá như là một bài toán tối ưu thực sự sử dụng một mạng lưới DC cùng với lập trình tuyến tính. Tuy nhiên, mức độ chính xác của mô hình có thể không đáng tin cậy, và vì điện áp và VARs thường xác định các giới hạn truyền MW, kết quả có thể lạc quan một cách nguy hiểm. Một dự án được tài trợ bởi EPRI*
đã đánh giá ATC dựa trên một bài toán OPF ràng buộc an toàn mô hình AC (SCOPF**).
3.5.5 Mua sắm dịch vụ phụ trợ[11]
Dịch vụ phụ trợ bao gồm dự trữ quay vòng (spinning), dự trữ không quay vòng (non-spinning), AGC, dự trữ thay thế, hỗ trợ điện áp và khởi động đen (black start).
Đối với SO, có 2 cách tiếp cận đối với dự trữ mua sắm. Cách thứ nhất là đồng thời mua dự trữ và năng lượng trong một phiên đấu giá kết hợp duy nhất và bồi thường
* EPRI: Electric Power Research Institute - Viện nghiên cứu năng lượng điện. ** SCOPF: Security Contrainted OPF – Ràng buộc an toàn OPF.
cho các đơn vị cung cấp dự trữ với chi phí cơ hội của họđược suy ra từ phiên đấu giá năng lượng. Cách tiếp cận thứ hai là thiết lập một cuộc đấu giá riêng cho việc mua dự trữ. Cả hai cách tiếp cận có thể được trình bày như những bài toán OPF. Trong cách tiếp cận đầu tiên yêu cầu dự trữ được coi là một ràng buộc trong khi trong cách tiếp cận thứ hai thì chi phí dự trữ là hàm mục tiêu.
3.5.6 Phân bổ quyền truyền tải tối ưu [11]
Phân bổ quyền truyền tải hoặc dự trữ khả năng truyền tải là rất quan trọng đối với
điện thương mại và quản lý tắt nghẽn. Tất cả các quyền truyền tải thương mại phải có khả năng thực hiện đồng thời (simultaneously). Thông thường, SO sẽ chạy một phiên đấu giá để phân bổ các quyền truyền tải. Các thành phần tham gia thị trường có thể đặt giá vào phiên đấu giá để mua hoặc bán các quyền truyền tải. Cuộc bán
đấu giá có thểđược thực hiện bằng một OPF sửa đổi. Các quyền truyền tải được coi như là một cặp bơm (injection) công suất vào và rút (withdrawal) công suất ra. Mục tiêu là để tối đa hóa doanh thu từ các quyền truyền tải trong khi vẫn giữ được hệ
thống trong các giới hạn khi tất cả các quyền truyền tải tồn tại đồng thời trong hệ
thống. Mô hình mạng DC thường được sử dụng ở đây, bởi vì đấu giá quyền truyền tải thường tổ chức lâu trước khi sự vận hành thời gian thực và chỉ có công suất thực là liên quan.
3.6 Đề xuất phương pháp “tối ưu dòng chảy công suất sử dụng giải thuật tối
ưu bầy đàn” ứng dụng cho TTĐ Việt Nam [20]
3.6.1Tổng quan
Giống như giải thuật tiến hóa, kỹ thuật tối ưu bầy đàn (PSO) nhưđã được trình bày trong mục 3.3.2.6, PSO tiến hành tìm kiếm bằng cách sử dụng một tập hợp các phần tử, tương ứng với các cá nhân. Mỗi một phần tử đại diện cho một giải pháp
ứng cử cho vấn đề kiểm soát. Trong một hệ thống PSO, các phần tử thay đổi vị trí của nó bằng cách bay xung quanh một không gian tìm kiếm đa chiều cho đến khi một vị trí tương đối không thay đổi đã gặp phải, hoặc cho đến khi các giới hạn tính toán bị vượt quá. Trong bối cảnh khoa học xã hội, hệ thống PSO kết hợp với một mô hình xã hội duy nhất (social-only model) và một mô hình nhận thức duy nhất (cognition-only model). Chỉ riêng thành phần xã hội cho thấy rằng các cá nhân bỏ
qua kinh nghiệm của mình và điều chỉnh hành vi của mình theo niềm tin thành công của các cá nhân trong miền lân cận. Mặt khác, chỉ thành phần nhận thức xử lý các
cá nhân như đang bị cô lập. Một phần tử thay đổi vị trí của nó bằng cách sử dụng các mô hình này.
3.6.2Giải thuật PSO
Các yếu tố cơ bản của kỹ thuật PSO được thể hiện ngắn gọn và được định nghĩa như sau:
Phần tử (Particle), X(t): Là một giải pháp ứng cử được đại diện bởi một vector m-chiều (dimension), trong đó m là số tham số tối ưu. Tại thời điểm t, phần tửXj(t) thứj có thểđược mô tả là Xj(t) = [xj,1(t),…,xj,m(t)], trong đó xs là các thông số tối ưu hóa và xj,k(t) là vị trí của phần tử thứj liên quan đến chiều thứk, tức là giá trị của thông số tối ưu thứk trong giải pháp ứng cử thứj.
Tập hợp (Population), pop(t): Là một tập hợp các phần tửn tại thời điểm t, tức là pop(t) = [X1(t),…,Xn(t)]T.
Đàn (Swarm): Là một tập hợp dường như vô tổ chức của việc di chuyển phần tử mà có xu hướng chụm lại với nhau (cluster) trong khi mỗi phần tử
dường nhưđang di chuyển theo một hướng ngẫu nhiên (random).
Vận tốc phần tử (Particle velocity), V(t): Là vận tốc của việc di chuyển các phần tử được biểu diễn bởi 1 vector m-chiều. Tại thời điểm t, vận tốc Vj(t)
của phần tử thứj có thểđược mô tả là Vj(t) = [vj,1(t),…,vj,m(t)], trong đó vj,k(t)
là thành phần vận tốc của phần tử thứjth liên quan đến chiều thứk.
Trọng lượng quán tính (Inertia weight), w(t): Là một tham số kiểm soát
được sử dụng để kiểm soát sự tác động của các vận tốc trước đó đến vận tốc hiện tại. Do đó, nó ảnh hưởng đến sự cân bằng (trade-off) giữa những khả
năng thăm dò địa phương và toàn cục của phần tử. Đối với giai đoạn đầu của quá trình tìm kiếm, trọng lượng quán tính lớn để tăng cường sự thăm dò toàn cục được đề nghị, trong khi các giai đoạn cuối trọng lượng quán tính giảm
đối với sự thăm dò địa phương tốt hơn.
Cá nhân tốt nhất (Individual best), X*(t): Khi một phần tử di chuyển qua không gian tìm kiếm, nó so sánh giá trị tương ứng (fitness value) của nó tại vị trí hiện tại với giá trị tương ứng tốt nhất (best fitness value) nó từng đạt
được bất cứ lúc nào cho đến thời điểm hiện tại. Vị trí tốt nhất đó được kết hợp với sự gặp phải tương ứng tốt nhất từ trước đến giờ thì được gọi là cá nhân tốt nhất, X*(t). Đối với mỗi một phần tử trong đàn, X*(t) có thểđược xác
định và cập nhật trong suốt thời gian tìm kiếm. Trong một bài toán cực tiểu với hàm mục tiêu J, cá nhân tốt nhất X*j(t)của phần từ thứj được xác định:
J(X*j(t)) ≤J(Xj(τ)), τ ≤ t. Đểđơn giản, giảđịnh rằng J*j =J(X*j(t)). Đối với phần tử thứj, cá nhân tốt nhất có thểđược biểu diễn: [ ( ),..., ( )] ) ( * , * 1 , * t x t x t Xj = j jm . (3.15)
Toàn cục tốt nhất (Global best), X**(t): Là vị trí tốt nhất trong số tất cả các vị trí cá nhân tốt nhất đạt được từ trước đến giờ. Do đó, toàn cục tốt nhất có thểđược xác định: J(X**(t)) ≤ J(X*j(t)), j = 1,…,n. Đểđơn giản, giả sử rằng
J** = J(X**(t)).
Tiêu chuẩn dừng (stopping criteria): Đây là những điều kiện mà quá trình tìm kiếm sẽ chấm dứt. Việc tìm kiếm sẽ chấm dứt nếu một trong các tiêu chí sau đây thỏa mãn: (a) số lần lặp lại kể từ khi thay đổi cuối cùng của giải pháp tốt nhất là lớn hơn một sốđược xác định trước đó hoặc (b) số lần lặp lại đạt
đến số cho phép tối đa.
Trong nghiên cứu này, PSO cơ bản được phát triển như sau:
Một quy trình tôi luyện đã được kết hợp để thực hiện việc tìm kiếm thống nhất trong các giai đoạn đầu và tìm kiếm rất địa phương trong các giai đoạn sau. Một hàm giảm (decrement function) cho việc giảm trọng lượng quán tính được cho là w(t) = αw(t-1), α là một hằng số giảm nhỏ hơn nhưng gần với 1, được đề xuất trong nghiên cứu này.
Tính khả thi kiểm tra quy trình của các vị trí phần tửđã được áp đặt sau khi cập nhật vị trí để ngăn chặn những phần tử từ bên ngoài bay vào không gian tìm kiếm khả thi.
Vận tốc phần tử trong chiều thứk bị giới hạn bởi một vài giá trị tối đa, vkmax. Giới hạn này tăng cường thăm dò địa phương của không gian bài toán và nó mô phỏng thực tế những sự thay đổi gia tăng của việc học của con người. Để đảm bảo vận tốc thống nhất thông qua tất cả các chiều, vận tốc tối đa trong chiều thứkđược đề xuất là:
N x
x
vkmax =( kmax − kmin)/ (3.16)
Trong giải thuật PSO, tập hợp có n phần tử và mỗi phần tử là một vector m-chiều, trong đó m là số lượng các thông số tối ưu. Kết hợp với sự sửa đổi ở trên, dòng chảy tính toán của kỹ thuật PSO có thểđược mô tả trong các bước sau:
Bước 1 (Khởi tạo - Initiation): Đặt thời gian đếm t = 0 và tạo những phần tử n
ngẫu nhiên, {Xj(0), j = 1,…,n}, trong đó Xj(0) = [xj,1(0),…,xj,m(0)]., xj,k(0) được tạo bằng cách chọn lựa ngẫu nhiên một giá trị với xác suất thống nhất trên không gian tìm kiếm[xkmin,xkmax] của thông số tối ưu thứk. Tương tự như vậy, tạo ra các vận tốc ban đầu ngẫu nhiên của tất cả các phần tử, {Vj(0), j = 1,…,n}, trong đó Vj(0) = [vj,1(0), …,vj,m(0)]. Vj,k(0)được tạo ra bằng cách chọn lựa ngẫu nhiên một giá trị với xác suất thống nhất [−vkmax,vkmax] trên chiều thứ k . Mỗi phần tử trong tập hợp ban
đầu được ước lượng sử dụng hàm mục tiêu, J. Đối với mỗi phần tử, thiết lập
) 0 ( ) 0 ( * j j X X = và J*j =Jj, j = 1,…,n. Tìm kiếm giá trị tốt nhất của hàm mục tiêu Jbest. Thiết lập phần tử liên quan với Jbest như là toàn cục tốt nhất, X**(0), với một hàm mục tiêu của J**. Thiết lập giá trị ban đầu của trọng lượng quán tính w(0).
Bước 2 (Cập nhật thời gian - Time updating): Cập nhật thời gian đếm t = t + 1
Bước 3 (Cập nhật trọng lượng – Weight updating): Cập nhật trọng lượng quán tính w(t) = αw(t-1).
Bước 4 (Cập nhật vận tốc - Velocity updating): Sử dụng toàn cục tốt nhất (global best) và cá nhân tốt nhất (individual best) của mỗi phần tử, vận tốc phần tử thứ j
chiều thứkđược cập nhật theo công thức sau:
)) 1 ( ) 1 ( ( )) 1 ( ) 1 ( ( ) 1 ( ) ( ) ( ** , , 2 2 , * , 1 1 , , t =wt v t− +c r x t− −x t− +c r x t− −x t− vjk jk jk jk jk jk (3.17)
Trong đó c1 và c2 là hằng số dương và r1 và r2 những số được phân bố đều ngẫu nhiên trong [0,1]. Điều đáng nói đến là kỳ thứ hai miêu tả một phần nhận thức của PSO trong đó phần tử thay đổi vận tốc của nó dựa trên tư duy và trí nhớ của mình. Kỳ thứ ba miêu tả cho một phần xã hội của PSO trong đó phần tử thay đổi vận tốc của nó dựa trên sự thích nghi xã hội-tâm lý (social-psychological) của sự nhận biết. Nếu một phần tử vi phạm các giới hạn vận tốc (velocity limits), thiết lập vận tốc của nó bằng với giới hạn.
Bước 5 (Cập nhật vị trí – Position updating): Dựa trên các vận tốc được cập nhật, mỗi phần tử thay đổi vị trí của nó theo công thức sau:
Nếu một phần tử vi phạm các giới hạn vị trí của nó trong bất kỳ chiều nào, thiết lập vị trí của nó ở giới hạn thích hợp.
Bước 6 (Cập nhật cá nhân tốt nhất - individual best updating): Mỗi phần tử được
ước lượng căn cứ vào vị trí cập nhật của nó. Nếu *
j j J
J < , j = 1,…,n, khi đó cập nhật cá nhân tốt nhất là X*j(t)= Xj(t) và J*j =Jj và đi đến bước 7, còn lại đi đến bước 7.
Bước 7 (Cập nhật toàn cục tốt nhất – global best updating): Tìm kiếm giá trị cực tiểu Jmin trong *
j
J , trong đó min là chỉ số của phần tử với hàm mục tiêu cực tiểu, tức là min ∈ {j; j = 1,…,n}. Nếu Jmin < J**, khi đó cập nhật toàn cục tốt nhất là X**(t) = Xmin(t) và J**= Jmin và đi đến bước 8; còn lại đi đến bước 8.
Bước 8 (Tiêu chuẩn dừng – Stopping criteria): Nếu một trong số tiêu chuẩn dừng thỏa mãn khi đó dừng lại; còn lại đi đến Bước 2.
3.6.3Kết quả giải thuật PSO
Để chứng minh tính hiệu quả của phương pháp đề xuất, các trường hợp khác nhau với các mục tiêu khác nhau như giảm thiểu chi phí nhiên liệu, cải thiện hồ sơ điện áp, tăng sựổn định điện áp được xem xét ở phần tiếp theo.
Để thực hiện giải thuật, thực hiện thử nghiệm trên HTĐ chuẩn IEEE 30 nút, dùng ngôn ngữ FORTRAN. Các giá trị khởi tạo như: Trọng lượng quán tính ban đầu w(0)
= 1.0, số vòng lặp trong mỗi chiều không gian N = 10, số phần tửn = 50, hằng số
giảm α = 0.98, c1 = c2 = 2, và việc tìm kiếm sẽ chấm dứt nếu (a) số vòng lặp kể từ
khi sự thay đổi cuối cùng của giải pháp tốt nhất lớn hơn 50; hoặc (b) số vòng lặp đạt 500 [20].
3.6.3.1Trường hợp 1: Giảm thiểu chi phí nhiên liệu
Trong trường hợp này, hàm mục tiêu J được xem là tổng chi phí nhiên liệu, có nghĩa là: ) / ($ 1 h f J NG i i ∑ = = (3.19)
Trong đó fi là chi phí nhiên liệu của nguồn phát thứi.
Đường cong chi phí nguồn phát được biểu diễn bởi hàm bậc hai sau:
2 i i i G G i i i a b P c P f = + + ($/h) (3.20)
Trong đó ai, bi, và ci là hệ số chi phí của nguồn phát thứi. Giá trị của các hệ số này
được cho trong bảng 3.5.
Thiết lập tối ưu của các biến kiểm soát được cho trong bảng 3.4. Ban đầu, tổng chi phí nhiên liệu là 901.88$. Tổng chi phí đạt được bởi kỹ thuật PSO đề suất là 800.41$. Điều đó cho thấy rằng tổng chi phí nhiên liệu giảm đáng kể (giảm 11.25%). Với các giới hạn tương tự biến kiểm soát, các điều kiện ban đầu, và dữ
liệu hệ thống khác, bài toán đã được giải quyết bằng cách sử dụng cách tiếp cận dựa trên Gradient [32] và được cải thiện dựa trên giải thuật GA [33] với chi phí nhiên liệu tối ưu tuần tự là 804.583$ và 800.805$. Rõ ràng là kỹ thuật PSO đề xuất tốt hơn các kỹ thuật Gradient và GA.
Bảng 3.4. Thiết lập tối ưu của các biến kiểm soát của PSO [20].
Min Max Ban đầu Trường hợp 1 Trường hợp 2 Trường hợp 3 P1 0.50 2.00 0.9921 1.7696 1.7368 1.7553 P2 0.20 0.80 0.8000 0.4890 0.4910 0.4798 P5 0.15 0.50 0.5000 0.2130 0.2181 0.2092 P8 0.10 0.35 0.2000 0.2119 0.2330 0.2450 P11 0.10 0.30 0.2000 0.1197 0.1388 0.1151 P13 0.12 0.40 0.2000 0.1200 0.1200 0.1200 V1 0.95 1.10 1.0500 1.0855 1.0142 1.0891 V2 0.95 1.10 1.0400 1.0653 1.0022 1.0693 V5 0.95 1.10 1.0100 1.0333 1.0170 1.0464 V8 0.95 1.10 1.0100 1.0386 1.0100 1.0465 V11 0.95 1.10 1.0500 1.0848 1.0506 1.0277