CHƯƠNG 2 : CƠ SỞ LÝ THUYẾT
2.4. Tổng quan về các phương pháp để tái cấu trúc để giảm tổn thất cho lướ
2.4.7. Phương pháp tìm kiếm TABU (Tabu Search Method TS)
Khái niệm đầu tiên về bảng tìm kiếm (Tabu search) được dùng trong trí tuệ nhân tạo. Khơng giống như một số giải thuật khác chẳng hạn như gen hay luyện kim, nó khơng liên quan đến những hiện tượng sinh học hay vật lý. Giải thuật bảng tìm kiếm được đề cập bởi Fred Glover đầu những năm 1980 và đã được ứng dụng rộng rãi trong nhiều lĩnh vực khoa học và kỹ thuật. Trong lĩnh vực hệ thống điện hiện đại dùng để giải quyết các vấn đề của bài toán tái cấu trúc lưới điện phân phối cực tiểu tổn thất trong các điều kiện vận hành bình thường, trong bài tốn tái cấu trúc.TS là phương pháp tối ưu sử dụng cho các bài toán tối ưu tổ hợp.
So sánh với giải thuật luyện kim và gen, TS khơng gian tìm kiếm và quản lý tích cực hơn. Giải thuật TS được khởi tạo với một cấu hình cơ bản, và nó sẽ trở thành cấu hình hiện tại. Tại mỗi bước lặp của giải thuật, một cấu trúc kề bên sẽ được định nghĩa cho cấu trúc hiện tại, mỗi bước di chuyển tiếp theo sẽ chọn ra cấu trúc tốt nhất liền kề.
Giải thuật tìm kiếm này đã và đang được áp dụng rộng rãi trong xử lý một số vấn đề của mạng điện và mang lại một số kết quả rất khả quan. Thuật tốn tìm kiếm Tabu được ứng dụng để tính tốn các phương án tối ưu và gần tối ưu đối với bài toán tái cấu trúc bởi các bước sau đây:
- Bước 1: nhập dữ liệu nhánh, tải và nút của một hệ thống phân phối bao gồm cả các điều kiện ràng buộc khi vận hành.
- Bước 2: lựa chọn một phương án ngẫu nhiên từ khơng gian tìm kiếm: S0 ϵ Ω. Các nghiệm này được thể hiện bởi số lượng khóa điện sẽ được mở trong suốt q trình tái cấu trúc.
- Bước 3: thiết lập kích thước của danh sách Tabu, số lần lặp lớn nhất và đặt chỉ số lần lặp m = 1.
- Bước 4: để phương án ban đầu thu được trong bước 2 là phương án hiện tại và phương án tốt nhất: Sbest = S0, và Scurrent = S0.
- Bước 5: chạy phân bố công suất để xác định tổn thất công suất, các điện áp nút và các dịng điện nhánh.
- Bước 6: tính tốn hàm mục tiêu và kiểm tra phương án hiện tại có thỏa mãn các điều kiện ràng buộc. Một hệ số phạt được thêm vào đối với sự vi phạm ràng buộc.
- Bước 7: tính mức độ mong muốn của Sbest: fbest = f(Sbest). Mức độ mong muốn là tổng của hàm mục tiêu và hàm phạt.
- Bước 8: tạo ra một hệ các phương án trong miền lân cận của phương án hiện tại Scurrent bằng cách thay đổi các khóa phải được mở ra. Hệ các phương án
này được ký hiệu là Sneighbor.
- Bước 9: tính tốn mức độ mong muốn cho mỗi phương án của Sneighbor, và
chọn ra một phương án có mức độ mong muốn cao nhất Sneighbor_best.
- Bước 10: kiểm tra xem thuộc tính của phương án thu được trong bước 9 có trong danh sách Tabu. Nếu có, đi tới bước 11, hoặc ngược lại Scurrent = Sneighbor_best và đi tới bước 12.
- Bước 11: chấp nhận Sneighbor_best nếu nó có mức độ mong muốn tốt hơn fbest và hệ Scurrent = Sneighbor_best, ngược lại chọn một phương án tốt kế tiếp mà khơng có trong danh sách Tabu để trở thành phương án hiện tại.
- Bước 12: cập nhật danh sách Tabu và đặt m = m + 1.
- Bước 13: lặp lại từ bước 8 tới bước 12 cho tới khi số lần lặp lớn nhất đạt. - Bước 14: lặp lại bước 5 và xuất ra phương án tối ưu.