B ước 2 ước ước 2
KẾT LUẬN CHUNG
&.1 Tổng kết ựề tàị
đề tài ựã ựưa ra các những kiến thức về thuật toán di truyền, từ các khái niệm cơ bản nhất chung lý thuyết chung tới các phương pháp và các kỹ thuật áp dụng thuật toán này trong một số bài toán tiêu biểu của ngành Hệ thống ựiện. Tác giả ựã trình bày các phương thức giải bài toán ựiều ựộ tổ máy phát trong thị trường ựiện ựể minh hoạ cho sự ựa dạng của thuật giải tìm kiếm tối ưu: Thuật toán di truyền. Sự ựa dạng của thuật giải chắnh là sự linh hoạt trong việc xử lắ các dạng dữ liệu ựầu vào khác nhau ựể ựưa ra những mô hình tương tự nhau rối mới tiến hành tìm kiếm phương án tối ưụ Sự ựa dạng còn thể hiện ở sự dễ dàng thắch ứng trong việc kết hợp với các thuật toán, kỹ thuật giải toán khác ựể có thể tăng ựộ chắnh xác kết quả và thời gian tắnh toán.
&.2 Hướng phát triển của ựề tài
Sau khi ựề tài này kết thúc, tác giả của ựề tài dự ựịnh sẽ kết hợp cùng các ựồng nghiệp ựể phát triển tiếp theo 3 hướng chắnh như sau:
&.2.1 Hướng thứ nhất: Phát triển tiếp thuật toán di truyền ựể áp dụng cho các bài toán ựiển hình khác trong hệ thống ựiện như:
-Bài toán tắnh toán và phân tắch ựộ tin cậy của hệ thống ựiện -Bài toán phân bố và lựa chọn thiết bị bù tối ưu
-Bài toán tắnh toán và phân tắch sự cố trên lưới
-Bài toán phân bố công suất trong hệ thống ựiện hỗn hợp: nhiệt ựiện-thuỷ ựiện-Ầ -Xây dựng chiến lược chào giá tối ưu cho các nhà máy trong thị trường ựiện -Xác ựịnh giá cân bằng giờ tới cho thị trường ựiện phi ựiều tiết
-Bài toán qui hoạch và phát triển lưới, hệ thống ựiệnẦ
&.2.2 Hướng thứ 2: Tiếp tục tìm hiểu và áp dụng các thuật toán/phương pháp trắ tuệ nhân tạo khác ựể giải các bài toán trong hệ thống ựiện kể trên:
-Phương pháp mạng Nơron -Phương pháp mờ
-Phương pháp kinh nghiệm -Phương pháp pháp chuyên gia -Phương pháp ựàn kiến
-Ầ
&.2.3 Hướng thứ 3: đi sâu vào nghiên cứu việc kết hợp hai hay nhiều phương pháp kể trên với nhau ựể có thể ựáp ứng những yêu cầu về thời gian tắnh toán, ựộ chắnh xác của kết quả ngày càng ựược nâng cao ựối với các bài toán của hệ thống ựiện, ựặc biệt là các bài toán thời quan tới thời gian thực.
Tài liệu tham khảo
1. Nguyễn Trịnh Hoàng Anh (2007), Vận hành thị trường ựiện, Chuyên ựề môn học Vận hành kinh tế Hệ thống ựiện, Trường đại học điện lực.
2. Nguyễn Trịnh Hoàng Anh (2006), ỘThị trường ựiện-Các khái niệm cơ bảnỢ, Tạp chắ Năng lượng Việt Nam, Số 6/2006.
3. Nguyễn Trịnh Hoàng Anh (2006), ỘVận hành các nhà máy ựiện ựộc lập (IPP) trong thị trường ựiệnỢ, Hội nghị khoa học 2006, đại học điện lực.
4. Nguyen Trinh Hoang Anh, Le Anh Tuan (2007), ỘWind Power in Power Markets:
Opportunities and challengesỢ, Nordic Wind Power Conference _ NWPCỖ 2007
5. Nguyễn Trịnh Hoàng Anh (2006), ỘGiá biên bán buôn trong thị trường ựiệnỢ, Tạp chắ Năng lượng Việt Nam, Số 7/2006.
6. Nguyễn Trịnh Hoàng Anh (2006), Áp dụng thuật toán di truyền trong việc giải bài toán phân bố tối ưu công suất các nhà máy nhiệt ựiện, Kỷ yếu Hội nghị Khoa học 2006, Trường đại học điện lực.
7. Ạ Forsgren, P.Ẹ Gill, M.H. Wright, ỘInterior point methods for nonlinear
optimizationỢ, SIAM Review 44 (4), pp. 525Ờ597.
8. ẠH. Mantawy (2004), ỘA genetic algorithm solution to a new fuzzy unit
commitment modelỢ, Electric Power Systems Research, 72, pp. 171Ờ178.
9. Alicia Troncoso, JoseƠ C. Riquelme, JesuƠ s S. Aguilar-Ruiz, JesuƠ s M. Riquelme Santos (2006), ỘEvolutionary techniques applied to the optimal short-term
scheduling of the electrical energy productionỢ, European Journal of Operational Research.
10. Hồ Tú Bảo, Nhìn lại 25 năm phát triển ngành trắ tuệ nhân tạo, Báo khoa học, Viện Công nghệ thông tin và Viện Khoa học và Công nghệ tiên tiến Nhật Bản. 11. PGS.TS Trần Bách (2004), Lưới và hệ thống ựiện, Tập 1, 2, 3, NXB Khoa học & Kỹ
thuật, Hà Nộị
12. Bentley, P. J. (1996), Generic Evolutionary Design of Solid Objects using a Genetic Algorithm. Ph.D. Thesis, University of Huđersfield, Huđersfield, UK.
13. Christianse, W.R. and Palmer, ẠH. (1971), "A Technique for the Automated
Scheduling of the Maintenance of Generating Facilities", Proceedings of the International Conference on Power Industry Computer Applications (PICA),
ỤS.Ạ, pp. 319-327.
14. Christiaanse, W.R. (1973), "A Program for Calculating Optimal Maintenance
Schedules Recognising Constraints", Proceedings of the International Conference on Power Industry Computer Applications (PICA), ỤS.Ạ, pp. 230-
239.
15. D.Ẹ Goldberg (1989), Genetic Algorithms in Search, Optimisation and Machine Learning, Ađison-Wesley, Reading, MẠ
16. Dopazo, Ạ and Merrill, H.M. (1974), "Optimal Generator Maintenance Scheduling
Using Integer Programming" IEEE/PES Winter Meeting, New York.
17. Dowsland, K. Ạ (1995), ỘSimulated Annealing Solutions for Multi-Objective
Scheduling and TimetablingỢ, Applied Decision Technologies (ADT Ỗ95),
London, pp. 205-219.
18. D.L. Post, S.S. Coppinger, G.B. Sheble (1995), ỘApplication of auctions as a pricing
mechanism for the interchange of electric powerỢ, IEEE Trans. Power Syst. 10
19. Fonseca, C. M, & Fleming, P. J. (1995), ỘAn Overview of Evolutionary Algorithms
in Multiobjective OptimizationỢ Evolutionary Computation, 3:1, pp. 1-16.
20. Fonseca, C. M, & Fleming, P. J. (1995), ỘMultiobjective Genetic Algorithms Made
Easy: Selection, Sharing and Mating RestrictionỢ, Genetic Algorithms in Engineering Systems: Innovations and Applications, Sheffield, pp. 45-52. 21. J. Arrilaga, C.P. Arnold (1990), Computer Analysis of Power Systems, Wiley, New
York, .
22. Jun Zhu (2004), Analysis of Transmission System Faults in the Phase Domain, A
Master Thesis, Texas A&M Universitỵ
23. PGS. TS. đàm Xuân Hiệp, TS. Trương Huy Hoàng, Nguyễn Trịnh Hoàng Anh, Nguyễn Thị Như Vân (2006), Mô phỏng thị trường phát ựiện cạnh tranh, đề tài Bộ công nghiệp.
24. H.R. Outhred, R.J. Kaye (1996), ỘIncorporating network effects in a competitive
electricity industry: an Australian perspectiveỢ, Electricity Transmission Pricing and Technology, Kluwer, Dordrecht.
25. H. Yamashita, H. Yabe (2005), ỘQuadratic convegence of a primaldual interior
point method for degenerate nonlinear optimization problemsỢ, Computational Optimization and Applications 31 (2), pp. 123Ờ143.
26. H.Ỵ Benson, R.J. Vanderbei, D. Shannno (2002), ỘInterior-point methods for nonconvex nonlinear programming: Filter methods and merit functionsỢ,
Computational Optimization and Applications 23 (2), pp. 257Ờ272.
27. ỊG. Damousis, ẠG. Bakirtzis, P.S. Dokopoulos (2004), ỘA solution to the unit-
commitment problem using integer-coded genetic algorithmỢ, IEEE Transactions on Power Systems 19 (2), pp. 1165Ờ1172.
28. Goldberg, D. Ẹ (1989), Genetic Algorithms in Search, Optimization & Machine Learning. Ađison-Wesleỵ
29. Holland, J. H. (1992), ỘGenetic AlgorithmsỢ, Scientific American, pp. 66-72.
30. Horn, J. & Nafpliotis, N. (1993), ỘMultiobjective Optimisation Using the Niched
Pareto Genetic AlgorithmỢ Illinois Genetic Algorithms Laboratory (IlliGAL),
report nọ 93005.
31. Linkens, D. Ạ & Nyongesa, H. Ọ (1993), ỘA Distributed Genetic Algorithm for
Multivariable Fuzzy ControlỢ, IEE Colloquium on Genetic Algorithms for Control Systems Engineering, Digest Nọ 199/130, pp. 9/1 - 9/3.
32. Marett, R. & Wright, M. (1995), ỘThe Value of Distorting Subcosts When Using Neighbourhood Search Techniques for Multi-objective Combinatorial
ProblemsỢ, Applied Decision Technologies, London, pp. 189-202.
33. M.Ạ Abido (2003), ỘA novel multiobjective evolutionary algorithm for
environmental/economic power dispatchỢ, Electric Power Systems Research,
65, pp. 71_/81.
34. Michael Negnevitsky and Galina Kelareva, Genetic algorithms for maintenance scheduling in Power Systems, Tasmania 7001, Australia
35. M. ArgaƠez, R.Ạ Tapia (2001), ỘOn the global convergence of a modified augmented Lagrangian linesearch Interior-Point Newton method for nonlinear
programmingỢ, Journal of Optimization Theory and Applications 114 (1), pp.
1Ờ25.
36. M. Mitchell (1996), An Introduction to Genetic Algorithms, MIT Press, Cambridge,
37. M.Shahidehpour, M.Marwali (2000), Maintenance Scheduling in Restructured Power Systems, Kluwer Academic publishers, Norwell, Massachusetts
38. N. Pamudji, R.J. Kaye, H.R. Outhred (1995), ỘNetwork effects in a competitive electricity industry: No linear and linear nodal auction modelsỢ, Stockholm Power Tech Conferencẹ
39. P. Somasundaram, K. Kuppusamy, R.P. Kumudini Devi (2004), ỘEvolutionary
programming based securityconstrained optimal power flowỢ, Electric Power Systems Research, 72, pp. 137Ờ145.
40. R Gnanadass, Dr P Venkatesh, Prof T G Palanivelu, Prof K Manivannan, ỘEvolutionary Programming Solution of Economic Load Dispatch with
Combined Cycle Co-generation EffectỢ, IE (I) Journal.
41. R.H. Byrd, J. Nocedal, R.Ạ Waltz (2003), ỘFeasible interior methods using slacks
for nonlinear optimizationỢ, Computational Optimization and Applications 26
(1), pp. 35Ờ61.
42. Robert T. F. Ah King, Harry C. S. Rughooputh, Kalyanmoy Deb (2004),
Evolutionary Multi-Objective Environmental/Economic Dispatch: Stochastic vs. Deterministic Approaches, Indian Institute of Technology, Indiạ
43. Ryan, C. (1994), ỘPygmies and Civil ServantsỢ, Advances in Genetic Programming,
MIT Press.
44. R.W. Ferrero, S.M. Shahidehpour (1997), ỘOptimality conditions in power
transactions in deregulated power poolsỢ, Elect. Power Syst. Res. 42 pp. 209Ờ
214.
45. Schaffer, J. D., (1984), Some experiments in machine learning using vector evaluated genetic algorithms. PhD dissertation, Vanderbilt University,
Nashville, USẠ
46. Schaffer, J. D., (1985), ỘMultiple Objective Optimization with Vector Evaluated
Genetic AlgorithmsỢ, Genetic Algorithms and Their Applications: Proceedings of the First International Conference on Genetic Algorithms, pp. 93-100.
47. S.Ọ Orero, M.R. Irving (1996), ỘEconomic dispatch of generators with prohibited
operating zones: A genetic algorithm approachỢ, IEE Proc. Gener. Trans. Distrib. 143 pp. 529Ờ534.
48. Srinivas, N. & Deb, K., (1995), ỘMultiobjective Optimization Using Nondominated
Sorting in Genetic AlgorithmsỢ, Evolutionary Computation, 2:3, pp. 221-248.
49. Sun, Ỵ & Wang, Z., (1992), ỘInteractive Algorithm of Large Scale Multiobjective
0-1 Linear ProgrammingỢ, Sixth IFAC/IFORS/IMACS Symposium on Large Scale Systems, Theory and Applications, pp. 83-86.
50. Syswerda, G. & Palmucci, J., (1991), The Application of Genetic Algorithms to
Resource Scheduling. Genetic Algorithms: Proceedings of the Fourth International Conference, Morgan Kaufmann, pp. 502-508.
51. Nader Amin Aziz Samaan (2004), Reliability Assessment of Electric Power Systems Using Genetic Algorithms, Doctor of Philosophy in Electrical Engineering,
Texas A&M Universitỵ
52. T. Numnonda, ỤD. Annakkage (1999), ỘOptimal power dispatch in multinode
electricity market using genetic algorithmỢ, Electric Power Systems Research
49, pp. 211Ờ220.
53. T.T. Maifeld, G.B. Sheble (1996), ỘGenetic-based unit commitment algorithmỢ,
54. Nguyễn đình Thúc (2000), Trắ tuệ nhân tạo - Lập trình tiến hoá, NXB Giáo dục. 55. Trần Thị Thu Trà (2004), Các phương pháp phân tắch và tổng hợp hệ Nơron trong
qui hoạch phát triển nguồn ựiện, Luận án Tiến sỹ chuyên ngành Mạng và Hệ thống ựiện, Hà Nộị
56. Doan Hoang Cau Thai (2000), A New Evolutionary Optimisation Method for the Operation of Power Systems with Multiple Stprage ResuourcesỢ, A Master Thesis, University of New South Wales.
57. ỤD. Annakkage, R.ẠS.K. Ranatunga (1998), ỘOptimal power dispatch of multi-
node electricity marketsỢ, VI SEPOPE, Salvador, Brazil.
58. X. Yin, N. Germay (1991), Investigation on solving load flow problem by genetic
algorithms, Elect. Power Syst. Res. 22 pp. 151Ờ163.
59. Weedy, B.M. (1992), Electric Power Systems, John Wiley & Sons, Chichester.
60. Zhao Bo, Cao Yi-jia (2005), ỘMultiple objective particle swarm optimization
technique for economic load dispatchỢ, J Zhejiang Univ SCI 6Ă5) pp. 420-