Luận án Tiến sĩ Kỹ thuật: Nghiên cứu và phát triển hệ thống năng lượng điện mặt trời

BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ GIAO THÔNG VẬN TẢI

TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI TP. HỒ CHÍ MINH

NHỮ KHẢI HOÀN

NGHIÊN CỨU VÀ PHÁT TRIỂN HỆ THỐNG NĂNG LƯỢNG ĐIỆN MẶT TRỜI

LUẬN ÁN TIẾN SĨ KỸ THUẬT

CHUYÊN NGÀNH: KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

TP. HỒ CHÍ MINH - 2019

BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ GIAO THÔNG VẬN TẢI

TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI TP. HỒ CHÍ MINH

NHỮ KHẢI HOÀN

NGHIÊN CỨU VÀ PHÁT TRIỂN HỆ THỐNG NĂNG LƯỢNG ĐIỆN MẶT TRỜI

LUẬN ÁN TIẾN SĨ KỸ THUẬT

CHUYÊN NGÀNH: KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

Người hướng dẫn khoa học:

1. PGS.TS. ĐỒNG VĂN HƯỚNG

2. TS. PHẠM CÔNG THÀNH

TP. HỒ CHÍ MINH – 2019

MÃ SỐ: 9520216

Tóm tắt

Năng lượng mặt trời là một trong những nguồn năng lượng quan trọng nhất của

con người. So với các nguồn năng lượng khác như thủy điện, phong điện, nhiệt điện,

điện hạt nhân… năng lượng mặt trời có đặc điểm không ô nhiễm về môi trường, độ an

toàn cao, nguồn năng lượng vô tận, có thể phân bố mọi nơi trong mọi dải công suất. Hệ

thống năng lượng điện mặt trời là một thống lớn nên có rất nhiều vấn đề cần được cải

tiến và phát triển cho hệ thống, trong khuôn khổ của luận án tác giả tập trung nghiên

cứu phát triển các thuật toán tìm điểm điểm công suất cực đại cho các bộ điều khiển

công suất cực đại (MPPT) để hệ thống làm việc đạt hiệu suất cao hơn và ổn định hơn,

đồng thời tác giả cũng thiết kế chế tạo thực nghiệm một hệ thống năng lượng điện mặt

trời nối lưới theo hướng phát triển của các bộ biến đổi công suất DC/DC và DC/AC.

Thuật toán MPPT thực sự rất cần thiết để giúp hệ thống phát được công suất lớn

nhất góp phần làm tăng hiệu suất của hệ thống và giảm giá thành sản phẩm. Chính vì

vậy MPPT trở thành một trong những chức năng quan trọng mà hệ thống năng lượng

điện mặt cần phải có. Đã có rất nhiều thuật toán MPPT đã được nghiên cứu và ứng dụng,

trong luận án này tác giả nghiên cứu thuật toán độ dẫn gia tăng (INC) và đề xuất các cải

tiến cho thuật toán này, đồng thời tác giả cũng nghiên cứu thuật toán tối ưu bày đàn

(PSO) áp dụng cho bộ điều khiển MPPT và đề xuất các thuật toán phát triển của thuật

toán PSO như: thuật toán tối ưu bày đàn vi phân (DPSO), thuật toán tối ưu bày đàn nhiễu

loạn (PPSO) và áp dụng chúng trong bộ điều khiển MPPT để cải thiện hiệu quả hoạt

động của hệ thống năng lượng điện mặt trời.

Kỹ thuật điều khiển MPPT dựa trên các thuật toán phát triển đã được thử nghiệm

thành công trên mô hình hệ thống. Kết quả mô phỏng cho thấy năng lượng đầu ra của

hệ thống áp dụng các thuật toán đề xuất đều là trên 99%. Hơn nữa, những kết quả này

được so sánh với kết quả thu được từ các bộ MPPT áp dụng thuật toán truyền thống, để

chứng minh khả năng loại bỏ được các nhược điểm khi áp dụng thuật toán truyền thống

cho các bộ điều khiển MPPT của hệ thống năng lượng điện mặt trời.

Từ khóa: Phát triển hệ thống năng lượng điện mặt trời; cải tiến thuật toán INC;

DPSO – MPPT; PPSO – MPPT.

Abstract

Solar energy is one of the most promising alternative energy. Due to low fuel cost,

environmentally friendly and low-cost maintenance, solar energy demonstrates the

superiority as compared to other energy sources, such as hydroelectricity, wind power,

thermal power, nuclear power. Moreover, solar energy can be distributed everywhere

with the widely operating range. Therefore, there are various researches in order to

enhance the operating efficiency of solar energy system. However, in the framework of

the dissertation, the author only focuses on developping intelligent algorithms to

improve the performance of the maximum power point tracking (MPPT) controller.

Furthermore, the author designed and manufactured an experimental system of a grid-

connected solar power system according to the development of DC / DC and DC / AC

power converters.

The MPPT algorithm is really necessary to generate the maximum power in

photovoltic (PV) systems in order to increase the efficiency of the system as well as

reduce product costs. Therefore, a maximum power point tracking (MPPT) controller is

normally integrated with PV power generation systems. Many MPPT algorithms have

been studied; nevertheless, in this dissertation, the author firstly researches the increase

conductivity algorithm (INC) and some of its improved algorithm. Next, a swarm

intelligence based optimization technique, namely Particle Swarm Optimzation (PSO)

is applied to enhance the performance of MPPT controller. After that, some of PSO

variants, such as differential particle swarm optimization (DPSO), disturbance particle

swarm optimization (PPSO) are proposed because of the purpose of improving the

performance of PV.

The MPPT controlling technique based on developed algorithms have been

successfully tested on a system model. The simulation results show that the maximum

power is all over 99%, demonstrates the effectiveness of the proposed methods.

Moreover, the obtained results are compared to those obtained using traditional

algorithms, shows the superiority of the proposed method.

Keywords: Development a solar power system; proposes improvements INC;

DPSO – MPPT; PPSO – MPPT.

LỜI CẢM ƠN

Em xin chân thành cảm ơn thầy PGS.TS Đồng Văn Hướng và TS. Phạm

Công Thành những người đã trực tiếp tận tình hướng dẫn để em hoàn thành luận án

tiến sĩ này.

Em xin cảm ơn quý thầy, cô trong trường Đại Học Giao Thông Vận Tải

TP.HCM đã đem lại cho em thêm rất nhiều kiến thức bổ ích trong suốt quá trình học

tập nghiên cứu ở đây.

Con xin biết ơn gia đình đã có những lời động viên giúp đỡ, tạo điều kiện

thuận lợi về vật chất và tinh thần trong quá trình học tập và nghiên cứu làm luận án.

Tôi xin cảm ơn các bạn bè và đồng nghiệp đã tạo điều kiện giúp đỡ tôi

trong công việc để tôi có thời gian nhiều hơn trong công việc học tập và nghiên

cứu làm luận án.

Trân trọng cảm ơn !

TP.HCM, ngày 12 tháng 12 năm 2019

Nhữ Khải Hoàn

iii

LỜI CAM ĐOAN

Tôi tên là Nhữ Khải Hoàn hiện đang là nghiên cứu sinh ngành Kỹ thuật điều khiển

và Tự động hóa của Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh. Tôi

xin cam đoan và hoàn toàn chịu trách nhiệm về lời cam đoan này:

 Toàn bộ nội dung của luận án tiến sĩ “Nghiên cứu và phát triển hệ thống năng

lượng điện mặt trời” là công trình nghiên cứu của chính tác giả thực hiện dưới sự

hướng dẫn khoa học của PGS.TS Đồng Văn Hướng và TS. Phạm Công Thành.

 Trong quá trình thực hiện luận án tôi có kế thừa kiến thức trong những tài liệu

tham khảo trong và ngoài nước (phần tài liệu tham khảo). Việc tham khảo các nguồn tài liệu đều có trích dẫn rõ ràng theo quy định.

 Các kết quả mô phỏng, thí nghiệm sử dụng để kết luận và đánh giá trong luận án

hoàn toàn chân thực.

Tác giả luận án

Nhữ Khải Hoàn

MỤC LỤC

LỜI CẢM ƠN ......................................................................................................... iii

LỜI CAM ĐOAN ...................................................................................................... iv

MỤC LỤC .......................................................................................................... v

DANH MỤC HÌNH MINH HỌA ........................................................................... viii

DANH MỤC TỪ VIẾT TẮT ................................................................................... xii

CHƯƠNG 1 .......................................................................................................... 1

GIỚI THIỆU .......................................................................................................... 1

1.1 Lý do chọn đề tài ............................................................................................. 1

1.2 Mục tiêu và nội dung thực hiện luận án .......................................................... 7

1.3 Đối tượng và phương pháp nghiên cứu ........................................................... 9

1.4 Điểm mới của luận án ................................................................................... 10

1.5 Ý nghĩa khoa học và thực tiễn …………………………...………………………8

1.6 Bố cục của luận án …………………………………..……………………………8

CHƯƠNG 2 ........................................................................................................ 12

TỔNG QUAN VỀ HỆ THỐNG NĂNG LƯỢNG ĐIỆN MẶT TRỜI ................... 12

........................................................... 12 2.1 Tổng quan chung về hệ thống NLMT

2.1.1 Hệ thống năng lượng điện mặt trời nối lưới ........................................... 12

2.1.2 Hệ thống năng lượng điện mặt trời độc lập ............................................ 15

2.1.3 Một số hệ thống năng lượng điện mặt trời khác ..................................... 16

2.2 Đường đặc tuyến của pin quang điện ............................................................ 17

2.2.1 Cấu trúc tế bào quang điện ..................................................................... 17

2.2.2 Tấm pin quang điện ................................................................................ 20

2.3.3 Mô hình hóa tế bào quang điện ............................................................... 20

2.3 Những yếu tố trọng tâm nghiên cứu phát triển trong hệ thống năng lượng điện

mặt trời ........................................................................................................... 24

2.3.1 Điều khiển công suất cực đại .................................................................. 25

2.3.2 Giải pháp anti-islanding ......................................................................... 27

2.3.3 Bù công suất phản kháng ........................................................................ 29

2.3.4 Giảm sóng hài, nâng cao chất lượng điện áp .......................................... 29

2.4 Kết luận chương 2 ......................................................................................... 30

CHƯƠNG 3 ........................................................................................................ 31

NGHIÊN CỨU PHÁT TRIỂN BỘ ĐIỀU KHIỂN BÁM ĐIỂM CÔNG SUẤT

CỰC ĐẠI CỦA HỆ THỐNG ĐIỆN MẶT TRỜI................................................ 31

3.1 Các yếu tố ảnh hưởng tới MPP ..................................................................... 32

3.1.1 Ảnh hưởng của bức xạ ............................................................................ 32

3.1.2 Ảnh hưởng của nhiệt độ ......................................................................... 34

3.1.3 Ảnh hưởng của hiện tượng bóng râm ..................................................... 36

3.2 Tìm điểm công suất cực đại .......................................................................... 37

3.2.1 Phương pháp Hill – Climbing ................................................................. 38

3.2.2 Phương pháp điều khiển logic mờ (FLC) ............................................... 43

3.2.3 Phương pháp mạng nơron (NN) ............................................................. 45

3.2.4 Phương pháp phân đoạn điện áp hở mạch (VOC) .................................. 46

3.2.5 Phương pháp phân đoạn dòng ngắn mạch (ISC) .................................... 47

3.2.6 Phương pháp điều khiển gợn sóng tương quan (RCC) .......................... 47

3.3 Nghiên cứu phát triển thuật toán độ dẫn gia tăng trong điều khiển bám

điểm công suất cực đại ................................................................................. 48

3.3.1 Theo dõi MPP bằng thuật toán INC truyền thống .................................. 50

3.3.2 Phát triển thuật toán INC nhằm đạt MPP nhanh ..................................... 52

3.3.3 Phát triển thuật toán INC nhằm giảm dao động quanh MPP .................. 56

3.4 Nghiên cứu phát triển thuật toán tối ưu bầy đàn trong điều khiển bám điểm

công suất cực đại ........................................................................................... 59

3.4.1 Thuật toán tối ưu bầy đàn (PSO) ............................................................ 59

3.4.2 Phát triển thuật toán tối ưu bầy đàn ........................................................ 73

3.5 Kết luận chương 3 ......................................................................................... 81

CHƯƠNG 4 ........................................................................................................ 82

MÔ PHỎNG KIỂM CHỨNG CÁC THUẬT TOÁN MPPT PHÁT TRIỂN

CHO HỆ THỐNG NĂNG LƯỢNG ĐIỆN MẶT TRỜI ............... 82

4.1 Kết quả mô phỏng thuật toán INC các phát triển của thuật toán INC .......... 82

4.1.1 Sơ đồ mô phỏng ...................................................................................... 82

4.1.2 Kết quả mô phỏng .................................................................................. 83

4.2 Kết quả mô phỏng thuật toán PSO và các phát triển của thuật toán PSO..... 92

4.2.1 Sơ đồ mô phỏng ...................................................................................... 92

4.2.2 Kết quả mô phỏng thuật toán MPPT-PSO .............................................. 93

4.2.3 Kết quả mô phỏng thuật toán MPPT-DPSO ........................................... 93

4.2.4 Kết quả mô phỏng thuật toán MPPT-PPSO ............................................ 99

4.3 Kết luận chương 4 ....................................................................................... 104

Chương 5 ...................................................................................................... 105

THIẾT KẾ CHẾ TẠO HỆ THỐNG THỰC NGHIỆM NĂNG LƯỢNG

ĐIỆN MẶT TRỜI .............................................................................................. 105

5.1 Cấu trúc tổng thể của hệ thống thiết bị ....................................................... 105

5.1.1 Bộ biến đổi DC/DC .............................................................................. 106

5.1.2 Bộ biến đổi DC/AC .............................................................................. 107

5.1.3 Bộ điều khiển hệ thống ......................................................................... 109

5.1.4 Các Modul thu thập dữ liệu và hiển thị ................................................ 112

5.1.5 Sơ đồ chi tiết hệ thống .......................................................................... 113

5.2 Kết quả hệ thống thực nghiệm .................................................................... 115

5.3 Kết luận chương 5 ....................................................................................... 116

CHƯƠNG 6 ...................................................................................................... 117

KẾT LUẬN VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN ............................................ 117

6.1 Kết luận ........................................................................................................ 117

6.2 Phương hướng phát triển đề tài ................................................................... 118

DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ ...................................................... 119

TÀI LIỆU THAM KHẢO ...................................................................................... 120

vii

DANH MỤC HÌNH MINH HỌA

Hình 1.1. Năng lượng điện mặt trời một số nước trên thế giới từ 2000 đến 2013 ......... 2

Hình 1.2. Giá của PV cell tại Mỹ từ 1977 đến 2015 ...................................................... 2

Hình 1.3. Nhà máy điện mặt trời Topaz Solar Farm (Hoa Kỳ) ...................................... 3

Hình 1.4. Hệ thống điện mặt trời tại Ninh Thuận .......................................................... 5

Hình 2.1. Sơ đồ hệ thống PV đơn cấp .......................................................................... 13

Hình 2.2. Hệ thống PV lưỡng cấp ................................................................................ 15

Hình 2.3. Sơ đồ khối hệ thống PV độc lập ................................................................... 16

Hình 2.4. Sơ đồ khối hệ thống PV nối lưới có dự trữ ................................................. 16

Hình 2.5. Hệ thống PV độc lập không dự trữ ............................................................... 16

Hình 2.6. Hệ thống PV độc lập hỗn hợp ...................................................................... 17

Hình 2.7. Cấu trúc chất bán dẫn thông thường ............................................................. 17

Hình 2.8. Cấu trúc chất bán dẫn trộn boron ................................................................. 18

Hình 2.9. Cấu trúc chất bán dẫn trộn phosphor ............................................................ 18

Hình 2.10. Kết hợp bán dẫn loại p và loại n ................................................................. 19

Hình 2.11. Cấu trúc tế bào quang điện ......................................................................... 19

Hình 2.12. Hình ảnh tế bào quang điện và các cách ghép nối...................................... 20

Hình 2.13. a) Tấm pin quang điện b) Hệ pin quang điện ......................................... 20

Hình 2.14. Điện tử di chuyển từ lớp n qua tải và trở về lớp p, nơi mà chúng kết hợp

với lỗ trống, dòng điện chạy theo hướng ngược lại ....................................................... 20

Hình 2.15. Mạch tương đương của một tế bào quang điện .......................................... 21

Hình 2.16. Sơ đồ đo ISC và VOC của pin quang điện .................................................... 21

Hình 2.17. a) Đường đặc tuyến I – V b) Đường đặc tuyến P – V ………...………21

Hình 2.18. Đường đặc tuyến I – V của tế bào quang điện trường hợp có ánh sáng

và không có ánh sáng .................................................................................................... 23

Hình 2.19. Đường đặc tuyến I – V của tế bào quang điện trường hợp ảnh hưởng

RS, RP và không bị ảnh hưởng ....................................................................................... 24

Hình 2.20. Sơ đồ điều khiển MPPT của PV ................................................................. 26

Hình 3.1. Đặc tuyến I – V, P – V và P – I với các mức bức xạ khác nhau ................. 33

Hình 3.2. Đặc tuyến I – V, P – V và P – I với các nhiệt độ khác nhau ..................... 35

Hình 3.3. Đặc tính I-V, P-V khi có bóng râm .............................................................. 36

Hình 3.4. Đặc tuyến P – V của pin quang điện và thuật toán P&O ............................. 39 viii

Hình 3.5. Lưu đồ thuật toán P&O ................................................................................ 40

Hình 3.6. Đường đặc tuyến P – V của hệ PV và thuật toán INC ................................. 41

Hình 3.7. Sơ đồ thuật toán INC .................................................................................... 42

Hình 3.8. Hàm thành viên ............................................................................................. 43

Hình 3.9. Mạng Neural cơ bản ..................................................................................... 45

Hình 3.10. Trường hợp bức xạ thay đổi ....................................................................... 49

Hình 3.11. Trường hợp nhiệt độ thay đổi ..................................................................... 50

Hình 3.12. Lưu đồ thuật toán INC với biến D cố định ................................................. 52

Hình 3.13. Đặc tuyến P-V và dP/(dV–dI) –V ………………………………………. 53

Hình 3.14. Đặc tuyến I-V và dP/(dV–dI) –V …………………………………………54

Hình 3.15. Lưu đồ thuật toán INC với kích thước bước nhảy thay đổi nhằm

mục đích hội tụ nhanh ................................................................................................. 566

Hình 3.16. Lưu đồ thuật toán INC với kích thước bước nhảy thay đổi nhằm mục

đích giảm dao động tại MPP ......................................................................................... 57

Hình 3.17. Sơ đồ thuật toán của PSO ......................................................................... 677

Hình 3.18. Cấu trúc mạng PSO .................................................................................. 688

Hình 3.19. Sự thay đổi không gian tìm kiếm của PSO .............................................. 733

Hình 3.20. Cơ chế tìm kiểm của DPSO trong không gian đa chiều ........................... 755

Hình 3.21. Sơ đồ thuật toán của MPPT - DPSO ........................................................ 766

Hình 3.22. Cơ chế tìm kiếm của PPSO trong không gian đa chiều ........................... 788

Hình 3.23. Lưu đồ thuật toán PPSO - MPPT ............................................................. 800

Hình 4.1. Sơ đồ mô phỏng thuật toán INC ................................................................... 82

Hình 4.2. Đường đặc tính V – P của hệ pin quang điện ............................................... 83

Hình 4.3. Đường đặc tính V – I của hệ pin quang điện ………………………………80

Hình 4.4. Công suất cực đại của hệ pin quang điện theo lý thuyết .............................. 83

Hình 4.5. Đáp ứng đầu ra hệ thống PV với thuật toán INC truyền thống .................... 85

Hình 4.6. So sánh các đáp ứng của thuật toán INC truyền thống và bước nhảy

thay đổi .......................................................................................................................... 87

Hình 4.7. Đáp ứng D của INC truyền thống và bước nhảy thay đổi lúc khởi động ..... 87

Hình 4.8. Đáp ứng P của INC truyền thống và bước nhảy thay đổi lúc khởi động ..... 87

Hình 4.9. Đáp ứng P của INC truyền thống và bước nhảy thay đổi lúc bức xạ

thay đổi từ 700W/m2 lên 900W/m2. .............................................................................. 88

Hình 4.10. So sánh độ dao động P của INC truyền thống và bước nhảy tại MPP ....... 88

Hình 4.11. So sánh thuật toán INC truyền thống và giảm dao động tại MPP .............. 90

Hình 4.12. Đồ thị D khi quá độ và tăng bức xạ ............................................................ 90

Hình 4.13. So sánh đáp ứng công suất của 3 thuật toán và lý thuyết ........................... 92

Hình 4.14. Mô hình mô phỏng của hệ thống PV sử dụng giải thuật DPSO ................. 93

Hình 4.15. Đáp ứng đầu ra hệ thống PV với thuật toán PSO ....................................... 93

Hình 4.16. Đáp ứng của công suất đầu ra trong ba trường hợp: không sử dụng MPPT,

sử dụng DPSO, P&O và InCond ................................................................................... 96

Hình 4.17. So sánh đáp ứng công suất của thuật toán DPSO và PSO ......................... 97

Hình 4.18. Đáp ứng của công suất đầu ra P trong quá trình tăng năng lượng bức xạ .. 98

Hình 4.19. Đáp ứng của công suất đầu ra P trong quá trình giảm năng lượng bức xạ 98

Hình 4.20. Mô hình mô phỏng của hệ thống PV sử dụng giải thuật MPPT-PPSO ... 100

Hình 4.21. Mô hình mô phỏng kết nối của bốn modul PV ........................................ 101

Hình 4.22. Kết quả mô phỏng với bộ điều khiển MPPT- PPSO ................................ 103

Hình 5.1. Sơ đồ tổng quan hệ thống PV ..................................................................... 105

Hình 5. 2.a. Sơ đồ mạch nguyên lý Interleaved Boost Converter .............................. 106

Hình 5.2. b. Mạch thiết kế thực Interleaved Boost Converter .................................... 106

Hình 5.3.a. Sơ đồ mạch nguyên lý nghịch lưu NPC 3 bậc ......................................... 108

Hình 5.3.b. Mạch thiết kế thực nghịch lưu NPC 3 bậc .............................................. 108

Hình 5.4. a. Mạch thiết kế thực board mạch điều khiển .............................................. 109

Hình 5.4.b. Sơ đồ mạch nguyên lý board mạch điều khiển........................................ 103

Hình 5.5. a. Cảm biến dòng ........................................................................................ 112

Hình 5.5.b. Cảm biến áp ............................................................................................ 112

Hình 5.5. c. Màn hình HMI ....................................................................................... 113

Hình 5.6. a . Hệ thống thực nghiệm ........................................................................... 113

Hình 5.6. b. Sơ đồ nguyên lý hệ thống ......................................................................... 54

Hình 5.7. Giao diện điều khiển hệ thống PV .............................................................. 115

Hình 5.8. Dạng sóng điện áp đầu ra pha A của hệ thống PV ..................................... 115

DANH MỤC BẢNG

Bảng 3.1. Bảng luật mờ ................................................................................................ 44

Bảng 4.1. Năm vấn đề tối ưu Benchmark .................................................................... 94

Bảng 4.2. Kết quả lựa chọn tham số của PSO và DPSO .............................................. 94

Bảng 4.3. Kết quả tối ưu của thuật toán PSO cho các vấn đề Benchmark

sau 10 lần chạy độc lập .................................................................................................. 95

Bảng 4.4. Kết quả tối ưu của thuật toán DPSO cho các vấn đề Benchmark

sau 10 lần chạy độc lập .................................................................................................. 95

Bảng 4.5. Kết quả của các bộ điều khiển MPPT dựa trên các thuật toán tối ưu

khác nhau ....................................................................................................................... 99

Bảng 4.6. Kết quả tối ưu của thuật toán PPSO cho các vấn đề Benchmark ................ 99

Bảng 4.7. Các giá trị bức xạ mặt trời cho các tấm PV ............................................... 102

Bảng 4.8. Thay đổi giá trị bức xạ cho MPPT- PPSO ................................................. 102

Bảng 4.9. Công suất cực đại khi có/không có thuật toán MPPT- PPSO .................... 103

DANH MỤC TỪ VIẾT TẮT

AC Alternating Current Dòng xoay chiều

DC Direct Current Dòng một chiều

DPSO Differential Particle Swarm Optimization Tối ưu bày đàn vi phân

FLC Fuzzy Logic Control Điều khiển logic mờ

Genetic Algorithm Giải thuật di truyền GA

Hill Climbing Leo đồi HC

Incremental Conductance Điện dẫn gia tăng INC

Incremental Resistance Tăng điện trở INR

Fractional Short Circuit Current Phân đoạn dòng điện ngắn mạch ISC

Photovoltaic Pin mặt trời PV

MPP Maximum Power Point Điểm cực đại

MPPT Maximum Power Point Tracking Dò tìm điểm cực đại

NN Neural Network Mạng Nơron

PPSO Perturbed Particle Swarm Optimization Tối ưu bầy đàn nhiễu loạn

P&O Perturb and Observe Xáo trộn và quan sát

Partially Shaded Conditions Hiện tượng bóng râm PSC

Particle Swarm Optimization Tối ưu bầy đàn PSO

PWM Pulse Width Modulation Điều biến độ rộng xung

Ripple Correlation Control Điều khiển gợn sóng tương quan RCC

Fractional Open – Circuit Voltage Phân đoạn điện áp hở mạch VOC

xii

CHƯƠNG 1

GIỚI THIỆU

1.1 Lý do chọn đề tài

Năng lượng mặt trời (NLMT) được biết đến như là một nguồn năng lượng xanh

và vô tận. Trong thế kỷ 21, NLMT ngày càng trở nên là một trong những nguồn năng

lượng quan trọng nhất của con người [1, 116]. So với các nguồn năng lượng khác như

thủy điện, phong điện, nhiệt điện, điện hạt nhân… NLMT có đặc điểm: không ô nhiễm

về môi trường, độ an toàn cao, nguồn năng lượng vô tận, có thể phân bố mọi nơi trong

mọi dải công suất (từ vài chục W đến hàng trăm MW). Nếu như 0.1% năng lượng mặt

trời trên diện tích toàn cầu được chuyển hóa thành điện năng với hiệu suất 5%, mỗi năm

ước tính có thể đạt được 5.6×1012 kWh, tương đương với 40 lần năng điện hiện tại trên

toàn cầu [1, 2].

Tại Châu Âu trong năm 2010, tổng lượng điện năng NLMT của khối EU đã đạt tới

3 GW, dự tính đến năm 2020 con số này sẽ lên đến 54 GW. Tại Châu Á, Nhật Bản là

quốc gia có hệ thống NLMT lớn nhất. Trong chính sách và kế hoạch phát triển năng

lượng của Nhật Bản, dự tính tới năm 2030 tổng sản lượng điện NLMT sẽ đạt tới 1000

GW. Đối với Trung Quốc - một quốc gia với dân số lớn nhất thế giới và cũng đang là

một trong các cường quốc kinh tế đã và đang nỗ lực phát triển hệ thống NLMT. Dự kiến

đến năm 2020 tổng sản lượng điện NLMT của Trung Quốc sẽ đạt tới 1.8 GW [1, 2].

Trước năm 1999, Mỹ là quốc gia có sản lượng điện NLMT lớn nhất thế giới (hiện nay

vị trí này đang thuộc về Nhật Bản và EU). Tốc độ phát triển NLMT của Mỹ bình quân

hàng năm vào khoảng 30%. Đồng thời Mỹ cũng dự tính đến năm 2020 dung lượng điện

NLMT sẽ đạt tới 36 GW. Và đến năm 2030 con số này sẽ là 200 GW [1,2].

Hình 1.1 thể hiện công suất điện được sản xuất bởi năng lượng mặt trời từ năm

2000 tới 2013 tại một số nước trên thế giới ngày càng phát triển, đặc biệt các nước Châu

Âu phát triển rất mạnh.[126]

Hình 1.1. Năng lượng điện mặt trời một số nước trên thế giới từ 2000 đến 2013

Hình 1.2 thể hiện sự biến đổi về giá cả của pin quang điện tại US, ta thấy được giá

pin quang điện giảm rất mạnh từ 76USD/watt vào năm 1977 xuống chỉ còn 0.3USD/watt

vào năm 2015. Sự giảm này góp phần dẫn tới chi phí lắp đặt hệ thống mặt trời càng

giảm, tạo tiền đề cho sự phát triển của thệ thống điện mặt trời.[127]

Hình 1.2. Giá của PV cell tại Mỹ từ 1977 đến 2015

Nhìn tổng quát về tình hình phát triển của lĩnh vực điện mặt trời trên thế giới ta

thấy nó phát triển chậm đến những năm cuối thế kỷ 20 và đầu thế kỷ 21. Trong khoảng

10 năm trở lại đây phát triển mạnh mẽ mang tính bộc phát. Cụ thể, số lượng các nước

trên thế giới gia nhập cộng đồng điện mặt trời càng ngày càng nhiều thêm. Và thứ bậc

theo tổng công suất điện năng mặt trời cũng biến động từ năm này sang năm khác.

Khoảng 5 năm trở lại đây các cường quốc điện mặt trời phát triển vượt bậc và thứ tự xếp

hạng cũng bị thay đổi nhanh chóng theo năm.

Nước Mỹ là một trường hợp đặc biệt. Nước này bước vào con đường phát triển

điện mặt trời khá muộn màng, nhưng tốc độ và cách đi khá ấn tượng thể hiện tiềm năng

lớn của quốc gia cường quốc giàu mạnh nhất thế giới.[128]

Hình 1.3. Nhà máy điện mặt trời Topaz Solar Farm (Hoa Kỳ)

Chỉ khoảng 4-5 năm gần đây nhất nước Mỹ vượt qua nhiều nước để vươn lên vị

trí thứ 5 của danh sách xếp hạng. Và đặc biệt Mỹ đã tiến hành xây dựng các nhà máy

điện mặt trời “khủng” nhất thế giới, chiếm hẳn 5 vị trí đầu về quy mô cả về điện mặt

trời quang điện SVP và cả về điện mặt trời hội tụ nhiệt quang CSP. Điều này chứng tỏ

tổng công suất và diện tích lắp đặt nhà máy năng lượng mặt trời tại Mỹ cũng tăng đột

biến.

Tại Việt Nam mặc dù là quốc gia có tiềm năng lớn về quang năng, tuy nhiên đối

với Việt Nam vấn đề nghiên cứu và sử dụng năng lượng mặt trời (NLMT) mới đang đà

phát triển. Năng lượng điện quốc gia trước đây chủ yếu là thủy điện và nhiệt điện một

phần năng lượng gió. Bên cạnh các nguồn năng lượng điện như nhiệt điện, thủy điện…,

việc phát triển các dự án năng lượng mặt trời có ý nghĩa quan trọng, nhằm đóng góp sản

lượng vào hệ thống điện quốc gia và thúc đẩy phát triển các dạng năng lượng, góp phần

giảm phát thải nhà kính, bảo vệ môi trường.

Theo nghiên cứu của Viện Năng lượng, Việt Nam có tiềm năng lớn để phát triển

NLMT, với tổng bức xạ trung bình từ 4,3- 5,7 triệu kWh/m². Các tỉnh ở phía Bắc (từ

Thừa Thiên - Huế trở ra) bình quân trong năm có khoảng 1.800 - 2.100 giờ nắng. Các

tỉnh ở phía Nam (từ Đà Nẵng trở vào), bình quân có khoảng 2.000 - 2.600 giờ nắng,

lượng bức xạ Mặt Trời tăng 20% so với các tỉnh phía Bắc. Ở vùng này, Mặt Trời chiếu

gần như quanh năm, kể cả vào mùa mưa, đây là điều kiện thuận lợi để phát triển NLMT.

Tuy nhiên, trên thực tế hiện nay, việc khai thác NLMT đã chú trọng và nhiều dự án đã

được triển khai nhưng nó vẫn chưa tương xứng với tiềm năng, hầu hết các dự án NLMT

tại Việt Nam đều tập trung lớn ở một số tỉnh miền nam trung bộ.

Đối với hệ thống NLMT nối lưới, tại Việt Nam công nghệ - kỹ thuật này còn khá

mới mẻ [116]. Ngày 25/11/2015, Thủ tướng Chính phủ đã ban hành Quyết định số

2068/QĐ-TTg phê duyệt Chiến lược phát triển năng lượng tái tạo đến năm 2030, tầm

nhìn đến năm 2050, trong đó nêu rõ định hướng phát triển NLMT từ nay đến năm 2050

sẽ chú trọng phát triển điện mặt trời để cung cấp điện cho hệ thống điện quốc gia và khu

vực biên giới, hải đảo, vùng sâu, vùng xa chưa thể cấp điện từ nguồn điện lưới quốc gia.

Đồng thời, đưa tỷ lệ điện năng sản xuất từ nguồn NLMT trong tổng sản lượng điện sản

xuất từ mức không đáng kể hiện nay lên khoảng 0,5% vào năm 2020, 6% vào năm 2030

và 20% vào năm 2050. Trong Quy hoạch điện VII (điều chỉnh) được Thủ tướng Chính

phủ phê duyệt cũng yêu cầu đẩy nhanh tiến độ của các dự án điện mặt trời, bao gồm

nguồn tập trung lắp đặt trên mặt đất và các nguồn riêng lẻ lắp đặt trên nóc nhà, đưa công

suất nguồn điện mặt trời lên khoảng 850 MW vào năm 2020, đến năm 2025 là 4.000

MW và năm 2030 là 12.000 MW. Theo lộ trình, từ nay đến năm 2020, mỗi năm, Việt

Nam cần xây dựng các dự án điện mặt trời với công suất 200 MW; từ năm 2020 - 2025,

mỗi năm phải lắp đặt hơn 600 MW và 5 năm tiếp theo, phải lắp đặt 1.600 MW mới đạt

kế hoạch đề ra.

Tuy nhiên, thách thức lớn nhất đối với phát triển điện mặt trời là vấn đề chi phí

đầu tư để khai thác, sử dụng NLMT rất cao do công nghệ, thiết bị sản xuất đều nhập từ 4

nước ngoài. Phần lớn, những dự án điện mặt trời lớn đều sử dụng nguồn vốn tài trợ,

hoặc vốn vay nước ngoài. Ngoài ra, các dự án điện mặt trời thường được lắp đặt tại các

vị trí xa trung tâm phụ tải, gây khó khăn cho việc đấu nối vào lưới điện quốc gia, đồng

thời làm gia tăng chi phí đấu nối. [129]

Hình 1.4. Hệ thống điện mặt trời tại Ninh Thuận

Tháng 8/2016, tại cuộc họp Thường trực Chính phủ về cơ chế khuyến khích phát

triển các dự án điện mặt trời, Thủ tướng Chính phủ đã thống nhất với đề xuất của Bộ

Công Thương về việc xem xét ban hành cơ chế hỗ trợ phát triển các dự án điện mặt trời

tại Việt Nam. Đồng thời, Thủ tướng Chính phủ yêu cầu Bộ Công Thương bổ sung quy

định cụ thể về quy hoạch đối với điện mặt trời (phát triển các dự án theo bản đồ bức xạ

Mặt Trời, bổ sung các dự án điện sử dụng NLMT vào quy hoạch phát triển điện lực…);

Cập nhật giá thiết bị điện mặt trời để đưa ra mức giá mua bán điện phù hợp; Nghiên cứu,

bổ sung quy định để thực hiện đấu thầu các dự án điện mặt trời theo hướng công khai,

minh bạch. [130]

Ngày 07 tháng 8 năm 2017, Thủ tướng Chính phủ đã ký chỉ định số 34/CT-TTg

về việc tăng cường tiết kiệm điện, nhằm đáp ứng yêu cầu phát triển kinh tế - xã hội của

đất nước, nâng cao sức cạnh tranh của nền kinh tế, đảm bảo an ninh năng lượng quốc

gia gắn với phát triển bền vững và bảo vệ môi trường. Chỉ thị này thay thế Chỉ thị

171/CT-TTg ngày 26/01/2011 của Thủ tướng Chính phủ về việc tăng cường tiết kiệm

điện. Thủ tướng Chính phủ yêu cầu các tổ chức, cá nhân thực hiện nghiêm việc tiết kiệm

điện. Để đáp ứng yêu cầu phát triển kinh tế, xã hội của đất nước trong giai đoạn hiện

nay với mục tiêu tăng cường hiệu lực, hiệu quả quản lý nhà nước trong việc tiết kiệm

điện nhằm nâng cao sức cạnh tranh của nền kinh tế, đảm bảo an ninh năng lượng quốc

gia gắn với phát triển bền vững và bảo vệ môi trường.

Nhằm đẩy mạnh khai thác và sử dụng có hiệu quả nguồn năng lượng Mặt Trời,

Thủ tướng Chính phủ đã ban hành Quyết định số 11/2017/QĐ-TTg về cơ chế khuyến

khích phát triển các dự án điện Mặt Trời tại Việt Nam. Đây được coi là hướng mở, “cú

huých” phát triển nguồn năng lượng này. Theo Quyết định này, dự án điện Mặt Trời

được miễn thuế nhập khẩu đối với hàng hóa nhập khẩu để tạo tài sản cố định cho dự án;

thực hiện theo quy định của pháp luật hiện hành về thuế xuất khẩu, thuế nhập khẩu đối

với hàng hóa nhập khẩu phục vụ sản xuất của dự án là nguyên liệu, vật tư, bán thành

phẩm trong nước chưa sản xuất được.

Các dự án điện mặt trời, công trình đường dây và trạm biến áp để đấu nối với lưới

điện được miễn, giảm tiền sử dụng đất, tiền thuê đất, tiền thuê mặt nước theo quy định

của pháp luật hiện hành áp dụng cho dự án thuộc lĩnh vực ưu đãi đầu tư. Hiện tại, đã có

khoảng 50 dự án điện mặt trời được các doanh nghiệp trong và ngoài nước triển khai,

chủ yếu tại các tỉnh miền Trung như: Quảng Nam, Quảng Ngãi, Bình Định, Khánh Hòa,

Ninh Thuận, Bình Thuận và đồng bằng sông Cửu Long. Khánh Hòa có 9 dự án điện mặt

trời quy mô lớn được UBND tỉnh quy hoạch với tổng diện tích 795ha, tổng mức đầu tư

13.020 tỷ đồng. Theo Sở Kế hoạch và Đầu tư Ninh Thuận tính đến cuối tháng 9/2018,

tỉnh có 29 dự án điện mặt trời, với tổng công suất 1.938,17 MW. Có thể nói, việc hoàn

thiện các cơ chế, chính sách khuyến khích phát triển NLMT là rất cần thiết, để tạo ra làn

sóng đầu tư vào lĩnh vực điện mặt trời, góp phần thực hiện tăng trưởng xanh và phát

triển bền vững tại Việt Nam.

Theo thành phần cấu trúc cũng như chức năng, hệ thống PV có thể được chia thành

ba loại: hệ thống độc lập, hệ thống kết nối lưới và hệ thống lai. Đối với những nơi cách

xa hệ thống điện lưới, các hệ thống PV độc lập được coi là một giải pháp thay thế điện

lưới tối ưu. Những hệ thống này có thể được xem như là một nguồn kinh tế thiết thực

và đáng tin cậy về điện ở các vùng nông thôn xa xôi, đặc biệt là những nơi điện lưới

không thể tiếp cận được. Các hệ thống lai thích hợp cho những khu vực có hệ thống điện

lưới nhưng hệ thống lưới điện không ổn định hay bị mất điện. Các hệ thống kết nối lưới

hiện nay phát triển rất mạnh, nó thích hợp cho việc phát triển nguồn năng lượng mặt trời

biến đổi thành điện năng hòa vào lưới điện chung thay thế dần các nguồn năng lượng

hóa thạch dùng chuyển đổi thành điện năng phát trên lưới.

Chính vì vậy việc nghiên cứu và phát triển hệ thống năng lượng điện mặt trời là

một việc hết sức cần thiết và cấp bách hiện nay. Trải qua nhiều năm nghiên cứu, hệ

thống NLMT ngày càng hoàn thiện. Có thể thấy một số xu hướng chính trong nghiên

cứu phát triển hệ NLMT như: nâng cao hiệu suất quang - điện, xây dựng hệ thống công

suất lớn, thiết lập hệ thống mạng điện song song an toàn… Trong tương lai nguồn

NLMT sẽ trở thành nguồn năng lượng chính bổ sung cho những nguồn năng lượng đang

dần cạn kiệt như: than, dầu khí, nước.

1.2 Mục tiêu và nội dung thực hiện luận án

Hệ thống năng lượng điện mặt trời là một thống lớn có rất nhiều điểm cần được

cải tiến và phát triển cho hệ thống. Những điểm chính trong các nghiên cứu phát triển

các hệ thống năng lượng điện mặt trời hiện nay là:

- Cải tiến nâng cao hiệu suất quang- điện: Đây là một hướng nghiên cứu phát triển

mạnh thuộc lĩnh vực Khoa học vật liệu, các nhà khoa học không ngừng nghiên sử dụng

công nghệ nano tìm ra các vật liệu chế tạo pin quang điện với hiệu suất hấp thụ năng

lượng mặt trời cao, và tuổi thọ lâu bền.

- Sử dụng các kỹ thuật điều khiển thông minh để nâng cao hiệu quả điều khiển hệ

thống đạt công suất cực đại: Để điều khiển làm cho hệ thống năng lượng luôn thu nhận

năng lượng mặt trời đạt được công suất cực đại có 2 hướng, hướng thứ nhất là điều khiển

hệ thống nâng đỡ các tấm pin PV để sao cho các tấm pin PV luôn hướng về phía thu

nhận ánh sáng mặt trời hiệu suất cao nhất khi mặt di chuyển theo thời gian quanh trái

đất. Vì sự di chuyển của mặt tròi chậm nên các hệ thống điều khiển này đơn giản các

thuật toán điều khiển không phức tạp. Hướng thứ hai là thiết kế bộ điều khiển MPPT

cho hệ thống năng lượng điện mặt trời, MPPT là hệ thống điều khiển PV đạt công suất

tối đa trong quá trình hoạt động. MPPT không phải là hệ thống điều khiển cơ khí hướng

PV vào hướng mặt trời để đạt công suất lớn nhất. MPPT là một hệ thống điều khiển điện

tử với mục đích định điểm làm việc của PV sao cho công suất đạt tối đa. Đây cũng là 7

hướng nghiên cứu và phát triển mạnh nhất trong hệ thống năng lượng điện mặt trời, nhất

là dễ dàng áp dụng các kỹ thuật điều khiển tự động hiện đại và thông minh vào hệ thống

khi mà kỹ thuật điện tử thông tin phát triển.

Hiện nay nếu chúng ta seach trên Google cụm từ ‘‘MPPT’’ thì kết quả cho khoảng

trên 8.500.00 kết quả, qua đây cũng đủ thấy vấn đề MPPT được trao đổi, nghiên cứu và

công bố rất nhiều. Các bộ điều khiển MPPT khởi đầu với các thuật toán điều khiển dò

điểm công suất cực đại truyền thống đơn giản như Hill – Climbing với các thuật toán

P&O và INC, ưu điểm của các giải thuật này là đơn giản và ít tính toán. Bên cạnh đó

còn có các nhược điểm được đề cập trong tài liệu tham khảo [20] – [25]. Tiếp theo đó

cũng có nhiều các nghiên cứu phát triển cho các thuật toán này [20] – [25] để cải thiện

nâng cao hiệu suất cho hệ thống. Ngoài ra, có nhiều nhà khoa học đã áp dụng các thuật

toán điều khiển hiện đại và thông minh áp dụng cho việc điều khiển tìm điểm công suất

cực đại của bộ điều khiển MPPT như: Fuzzy Logic Control (FLC) [31], Neural Network

(NN) [34], Particle swarm optimization (PSO) [102] – [104], …….

- Nghiên cứu phát triển các bộ biến đổi công suất DC/DC, DC/AC để hệ thống đạt

hiệu suất cao và làm việc ổn định: Điện áp đầu ra của các tấm pin PV thường là điện áp

một chiều trị số nhỏ, muốn hệ thống cung cấp cho các tải lớn hoặc tải xoay chiều hoặc

hòa chung vào lưới điện quốc gia chúng ta cần sử dụng các bộ chuyển đổi có thể là

DC/DC, DC/AC hoặc kết hợp cả 2 trong hệ thống, để tạo ra các bộ chuyển đổi làm việc

ổn định và có hiệu suất cao, đây là lĩnh vực nghiên cứu phát triển có sự kết hợp cao của

điện tử công suất và kỹ thuật điều khiển. Hiện nay các bộ chuyển đổi DC/AC được áp

dụng nhiều giải thuật điều chế phức tạp như SVPWM và nhiều bậc.

- Nghiên cứu giải pháp anti-islanding nâng cao độ đáp ứng nhanh cũng như độ an

toàn của hệ thống NLMT trong quá trình hoạt động.

Với nhiều hướng nghiên cứu và phát triển cho hệ thống năng lượng điện mặt trời

như trình bày trên, tác giả định hướng mục tiêu của luận án là nghiên cứu thiết kế tối ưu

về công suất cho một hệ thống năng lượng điện mặt trời, làm cho hệ thống làm việc đạt

hiệu suất cao. Trên cơ sở đó nội dung của chương trình nghiên cứu như sau:

 Tìm hiểu tổng quan về hệ thống năng lượng điện mặt trời.

 Xây dựng mô hình hệ thống năng lượng điện mặt trời bao gồm các thành phần

trong hệ thống như: PV cell, bộ DC/DC converter, các bộ biến tần SVPWM, hệ thống

đo lường và điều khiển…

 Nghiên cứu đưa ra thuật toán-giải pháp mới để điều khiển thu nhận công suất

solar cực đại (MPPT- Maximum Power Point Tracking)

 Xây dựng mô hình mô phỏng hệ thống trên máy tính.

 Thiết kế mô hình hệ thống NLMT điều khiển tự động hòa lưới có kiểm soát và

giám sát, hệ thống bao gồm: bộ boost điện áp DC, bộ biến tần SVPWM, board điều

khiển, thuật toán điều chế biến tần- điều khiển và giám sát hệ thống.

1.3 Đối tượng và phương pháp nghiên cứu

Đối tượng nghiên cứu là hệ thống năng lượng điện mặt trời. Để thực hiện mục tiêu

đề ra tác giả đã thực hiện các công đoạn chính: nghiên cứu lý thuyết về hệ thống năng

lượng điện mặt trời, nghiên cứu các thuật toán để giải quyết các bài toán tối ưu công

suất trong các hệ thống điện mặt trời từ đó đưa ra các thuật toán mới để phát triển hệ

thống theo hướng tối ưu hơn, tiến hành mô phỏng hệ thống năng lượng điện mặt trời

trên phần mềm Matlab, sau cùng là thực hiện thiết kế một hệ thống thực nối lưới.

Phương pháp nghiên cứu gồm: nghiên cứu tài liệu , mô hình hóa, phân tích đánh

giá và thực nghiệm.

1.4 Điểm mới của luận án

Nghiên cứu và đề xuất các cải tiến phát triển cho thuật toán INC áp dụng trong

điều khiển MPPT của hệ thống PV để hệ thống tìm điểm công suất cực đại hội tụ nhanh

hơn, dao động quanh điểm công suất cực đại hẹp và ít hơn; giảm thiểu được hao tổn

công suất phát do dao động quanh điểm công suất cực đại, hiệu suất cao hơn.

Nghiên cứu và đề xuất áp dụng thuật toán mới, thuật toán tối ưu bày đàn vi phân

(DPSO) và thuật toán tối ưu bày đàn nhiễu loại (PPSO) áp dụng trong bộ điều khiển

MPPT để cải thiện hiệu quả hoạt động của hệ thống PV. Kỹ thuật điều khiển MPPT dựa

trên thuật toán DPSO và PPSO đã được thử nghiệm thành công trên mô hình hệ thống.

Kết quả mô phỏng cho thấy năng lượng đầu ra của thuật toán đề xuất đều là trên 99%

với một vài lần lặp trong mọi điều kiện môi trường. Hơn nữa, những kết quả này được

so sánh với kết quả thu được từ các bộ MPPT áp dụng thuật toán truyền thống, để chứng

minh khả năng loại bỏ được các nhược điểm khi áp dụng thuật toán truyền thống cho

các bộ điều khiển MPPT của hệ thống PV.

Nghiên cứu chế tạo thiết bị thực nghiệm hệ thống năng lượng điện mặt trời nối

lưới. Hệ thống chạy ổn định ngoài việc cho phép thực nghiệm về hệ thống năng lượng

điện mặt trời hệ thống còn được sử dụng với mục đích nghiên cứu và phát triển dự án

lập trình điều khiển ứng dụng về các nghiên cứu phát triển hệ thống năng lượng điện

mặt trời.

1.5 Ý nghĩa khoa học và thực tiễn

- Về mặt khoa học: Nghiên cứu và đề xuất các thuật toán áp dụng cho bộ điều

khiển MPPT của hệ thống năng lượng mặt trời nhằm cải thiện sự hoạt động của hệ thống

làm cho hệ thống đạt hiệu suất tốt hơn.

- Về mặt thực tiễn: Kiểm chứng khả năng ứng dụng thực tế của các giải thuật đề

xuất cho bộ điều khiển MPPT của hệ thống PV bằng công cụ phần mềm và hệ thống

thực nghiệm.

1.5 Bố cục của luận án

Bố cục của luận án bao gồm 6 chương như sau:

Chương 1: Giới thiệu

Chương này tác giả nêu lý do chọn đề tài, mục tiêu nội dung thực hiện, đối tượng

và phương pháp nghiên cứu, điểm mới, ý nghĩa khoa học và thực tiễn của luận án.

Chương 2: Tổng quan về hệ thống năng lượng điện mặt trời

Chương này trình bày tổng quan chung về hệ thống năng lượng điện mặt trời bao

gồm các thành phần chính của hệ thống, đặc tính của tấm pin năng lượng mặt trời. Tác

giả cũng đưa ra những yếu tố trọng tâm phát triển hệ thống năng lượng mặt trời.

Chương 3 : Nghiên cứu phát triển bộ điều khiển bám điểm công suất cực đại của hệ

thống điện mặt trời

Chương 3 tác giả giới thiệu về điều khiển dò tìm công suất cực đại (MPPT) và các

yếu tố ảnh hưởng đến điểm công suất cực. Tác giả giới thiệu một số thuật toán điều

khiển MPPT đã sử dụng và nhấn mạnh thuật toán độ dẫn gia tăng (INC) và đưa ra các

cải tiến phát triển cho thuật toán INC áp dụng trong điều khiển MPPT của hệ thống năng

lượng điện mặt trời. Đồng thời tác giả nghiên cứu thuật toán tối ưu bầy đàn (PSO) một

thuật toán tối ưu hiện đại áp dụng để tìm điểm công suất cực đại cho hệ thống năng

lượng điện mặt trời nhằm cải thiện những nhược điểm của các thuật toán cổ điển. Đồng

thời đề xuất các phát triển mới của thuật toán PSO áp dụng cho việc điều khiển MPPT

nhằm tăng tốc độ đạt trạng thái tối ưu, tránh hiện tượng tối ưu cục bộ.

Chương 4 : Mô phỏng kiểm chứng các thuật toán MPPT phát triển cho hệ thống năng

lượng điện mặt trời

Chương này trình bày kết quả tác giả sử dụng phần mềm Matlab-Simulink mô

phỏng hệ thống PV với các thuật toán truyền thống và các thuật toán đề xuất nhằm đánh

giá tính ưu việt của các thuật toán mới đề xuất cho việc điều khiểm MPPT của hệ thống

năng lượng điện mặt trời.

Chương 5: Thiết kế chế tạo hệ thống thực nghiệm năng lượng điện mặt trời

Trong chương này tác giả thiết kế chế tạo một hệ thống năng lượng điện mặt trời

nối lưới 3 pha công suất khoảng 300 (W) nhằm thực nghiệm về hệ thống năng lượng

mặt trời.

Chương 6 : Kết luận và phương hướng phát triển

CHƯƠNG 2

TỔNG QUAN VỀ HỆ THỐNG NĂNG LƯỢNG ĐIỆN MẶT TRỜI

Tóm tắt

Sự suy giảm của nguồn năng lượng truyền thống đã thúc đẩy nhân loại tìm đến

những nguồn năng lượng mới. Một trong những nguồn năng lượng mới được quan tâm

nhất hiện nay, đó là nguồn năng lượng mặt trời (NLMT). Trong chương này tác giả giới

thiệu tổng quan về hệ thống năng lượng điện mặt trời, bao gồm các vấn đề: các dạng cấu

trúc của hệ thống năng lượng điện mặt trời và ứng dụng của nó, cấu trúc của tấm pin

năng lượng mặt trời (PV) và đường đặc tính của PV, từ đó, định hướng các phát triển có

thể có cho hệ thống năng lượng điện mặt trời, đồng thời tác giả cũng lựa chọn một hướng

nghiên cứu phát triển cho mình trong khuôn khổ của một luận án nghiên cứu đó là hướng

phát triển bộ điều khiển MPPT của hệ thống năng lượng điện mặt trời.

1.3 Tổng quan chung về hệ thống NLMT

Hệ thống PV là hệ thống dùng để thu thập, chuyển đổi năng lượng mặt trời thành

năng lượng điện DC hoặc AC theo nhu cầu sử dụng. Hệ thống PV đa dạng tùy theo yêu

cầu thực tiễn để có cấu trúc phù hợp, nhưng được chia thành các dạng chính: hệ thống

kết nối lưới, hệ thống độc lập và hệ thống lai.

2.1.1. Hệ thống năng lượng điện mặt trời nối lưới

Hệ thống năng lượng mặt trời ghép nối với lưới điện thực chất là một loại hệ thống

phát điện phân bố trong lưới điện. Cấu trúc hệ thống NLMT có khá nhiều dạng, tuy

nhiên, trên thực tế phổ biến thông thường có hai dạng cấu trúc: dạng cấu trúc đơn cấp

và cấu trúc lưỡng cấp.

Hệ thống lưới điện solar đơn cấp như trên Hình 2.1, các thành phần cơ bản của hệ

thống bao gồm ma trận PV (ma trận pin mặt trời), bộ biến đổi công suất DC/AC, bộ điều

khiển, thiết bị hòa lưới, phụ tải và lưới điện. Nguyên lý hoạt động như sau:

Dựa trên hiệu ứng quang điện, PV sẽ cung ứng một công suất điện DC với điện

áp, dòng điện giới hạn. Điện áp một chiều này sẽ được đưa đến bộ biến đổi DC/AC, để

giảm sóng hài thì bộ biến tần thường sử dụng loại SVPWM (Space Vector Pulse Width

Modulation), bộ biến đổi DC/AC sẽ biến đổi năng lượng điện DC thành AC với biên

độ, pha, tần số trùng với biên độ, pha, tần số của lưới điện. Bộ điều khiển sử dụng các

MCU cấp cao thực hiện chức năng đo đạc thông số lưới và điều khiển biến tần SVPWM

và quá trình hòa lưới. Phần tử hòa lưới có thể sử dụng công tắc tơ hoặc các TRIAC, SCR

công suất, thực chất đây là các van khóa công suất có mục đích nối lưới khi đã đảm bảo

yêu cầu hòa lưới của hệ thống.

Hình 2.1. Sơ đồ hệ thống PV đơn cấp

Ngoài việc yêu cầu tự động điều khiển hòa lưới ra, bộ điều khiển còn phải thực hiện

chức năng điều khiển PV matrix hoạt động ở trạng thái công suất cực đại. Hệ thống điều

khiển đơn cấp này có một số đặc điểm sau:

- Ưu điểm: Kết cấu đơn giản, thành phần thiết bị trên hệ thống ít. Không có hệ

thống lưu điện trung gian, giá thành rẻ. So với hệ thống lưỡng cấp, do chỉ có 1 khâu

biến đổi DC/AC nên hiệu suất của hệ thống cao.

- Nhược điểm: Hệ thống thực hiện việc hòa lưới và điều khiển công suất cực đại

song song nên thuật toán điều khiển phức tạp. Do nhất thiết phải thực hiện điều khiển

hệ thống ở trạng thái công suất cực đại, nên biên độ điện áp DC cấp cho biến tần biến

đổi, dẫn đến việc hòa lưới điện khó khăn.

Hình 2.2 là sơ đồ của hệ thống năng lượng PV lưỡng cấp. Các thành phần chủ yếu

của hệ thống bao gồm: PV matrix, bộ biến đổi DC/DC, bộ biến đổi DC/AC, bộ lưu điện,

bộ điều khiển, thiết bị hòa lưới song song - độc lập và phụ tải. Nguyên lý làm việc của

hệ thống như sau: điện áp DC từ PV được đưa tới bộ DC/DC buck-boots điện áp (giảm-

tăng điện áp DC), sau đó thông qua bộ DC/AC để chuyển thành điện áp AC cho việc

hòa lưới. Cấp thứ nhất là biến đổi DC/DC, sau đó cấp cho bộ lưu điện acquy và biến tần.

Trong cấp thứ nhất này hệ thống sẽ thực hiện việc điều khiển tối ưu công suất cho hệ

thống (định điểm làm việc của PV). Cấp thứ hai thực hiện việc biến đổi DC/AC thông

qua biến tần SVPWM, cung cấp điện AC cho phụ tải hiện trường, nếu dư thừa năng

lượng thì sẽ thực hiện chuyển năng lượng lên lưới tải, đồng thời thực hiện cơ chế điều

chỉnh biên độ áp AC cho mục đích hòa lưới. Khi hệ thống hoạt động độc lập các vấn đề

về đồng bộ lưới điện chưa được đặt ra, ngược lại đối với hệ thống nối lưới điều này sẽ

là những điểm hết sức quan trọng và phải tuân thủ chặt chẽ những tiêu chuẩn kỹ thuật

về hòa lưới, ví dụ như tiêu chuẩn IEEE Std. 929-2000 / UL174 [3].

Hệ thống điều khiển lưỡng cấp có một số đặc điểm sau:

Hình 2.2. Hệ thống PV lưỡng cấp

- Ưu điểm: Hai cấp của hệ thống có thể điều khiển một cách độc lập, thiết kế điều

khiển đơn giản. Có thể bổ sung thêm thành phần lưu điện, hệ thống có thể vận hành ở

hai chế độ: chế độ mạng song song và mạng độc lập. PV matrix không cần phải nối tiếp

nhiều phần tử PV để tạo ra điện áp lớn của đầu vào biến tần, do đã có khâu DC/DC đảm

nhiệm công việc điều chỉnh áp DC. Ngoài ra việc tổ chức hai cấp DC/DC và DC/AC

riêng rẽ còn cho phép tạo những module DC/DC công suất nhỏ và tích hợp trở thành

lưới DC công suất. Việc này sẽ tối đa hóa công suất của từng Matrix PV riêng rẽ, và

không gây ảnh hưởng tới biến tần tập trung.

- Nhược điểm: So với hệ đơn cấp, cấu trúc hệ lưỡng cấp tương đối phức tạp, thiết

bị nhiều, đồng thời bổ sung thêm thành phần lưu điện (nếu cần) dẫn tới giá thành cao.

Hiệu suất so với hệ đơn cấp thấp.

2.1.2. Hệ thống năng lượng điện mặt trời độc lập

Hệ thống PV độc lập không kết nối với lưới điện có sơ đồ cấu trúc được mô tả như

hình 2.3. Năng lượng mặt trời được biến đổi thành năng lượng điện DC lưu trữ ở acquy

hoặc dùng cho tải DC, đối với tải AC thì phải qua biến tần để chuyển đổi DC/AC. Dung

lượng accquy phải đảm bảo cho việc lưu trữ và cung cấp điện tới tải tiêu thụ liên tục

ngày và đêm. Ưu điểm của hệ thống này là xây dựng ở những nơi điện lưới không thể

phục vụ được như vùng sâu vùng xa hoặc là biển đảo đáp ứng nhu cầu dân sinh, sản suất

tại các khu vực này.

Hình 2.3. Sơ đồ khối hệ thống PV độc lập

2.1.3. Một số hệ thống năng lượng điện mặt trời khác

Ngoài hai hệ thống PV vừa được trình bày ở những mục trên thì tùy thuộc theo

nhu cầu cũng như mục đích sử dụng còn có một số hệ thống PV sau:

Hệ thống PV nối lưới có dự trữ: hệ thống này cũng tương tự như hệ thống PV nối

lưới nhưng có thêm acquy để lưu trữ điện, hệ thống này có sơ đồ như hình 2.4. Để đảm

bảo việc cung cấp điện liên tục ngay cả khi điện lưới bị mất vào ban đêm. Hệ thống

được ứng dụng cho những tải yêu cầu cung cấp điện liên tục.

Hình 2.4. Sơ đồ khối hệ thống PV nối lưới có dự trữ

Hệ thống PV độc lập không dự trữ : hệ thống này hoàn toàn phụ thuộc vào năng

lượng ánh sáng mặt trời. Bức xạ mặt trời càng lớn thì công suất tạo ra càng lớn, năng

lượng điện tạo ra được sử dụng tức thời. Hệ thống này có sơ đồ cấu trúc như hình 2.5,

thường ứng dụng cho bơm nước, quạt thông gió…

Hình 2.5. Hệ thống PV độc lập không dự trữ

Hệ thống PV độc lập hỗn hợp: tương tự như hệ thống PV độc lập nhưng hệ thống

được bổ sung thêm một máy phát cỡ nhỏ để cấp nguồn cho hệ thống, có sơ đồ như hình

2.6. Ưu điểm của hệ thống này là công suất hệ thống PV có thể nhỏ hơn công suất tính

toán ở điều kiện ánh sáng yếu nhất trong năm. Hệ thống sẽ sử dụng máy phát dự phòng

để bù vào lượng công suất còn thiếu khi điều kiện bức xạ mặt trời yếu để đảm bảo cung

cấp cho tải sử dụng.

Hình 2.6. Hệ thống PV độc lập hỗn hợp

1.4 Đường đặc tuyến của pin quang điện

2.2.1 Cấu trúc tế bào quang điện

Tế bào quang điện là thành phần quan trọng để tạo ra nguồn điện, các tế bào quang

điện chuyển đổi năng lượng ánh sáng mặt trời thành điện năng dựa trên hiệu ứng quang

điện. Thông thường một khối tế bào quang điện có thể tạo ra lượng công suất dưới 3W

tại điện áp xấp xỉ 0.5V DC. Do đó, để tạo ra đủ điện áp và công suất sử dụng thì các tế

bào này phải được kết nối với nhau, có hai cách kết nối đó là song song và nối tiếp với

nhau. Các tế bào này được ghép thành tấm pin quang điện, nhiều tấm pin ghép lại với

nhau tạo thành hệ pin quang điện. Các tấm pin quang điện có công suất từ vài đến hơn

300W, phụ thuộc vào từng ứng dụng để sử dụng pin có công suất phù hợp, có nhiều hệ

pin quang điện có công suất rất lớn. Các tấm pin quang điện phát ra điện áp DC thường

được sử dụng cho tải DC có công suất nhỏ, đối với những tải AC hoặc hòa điện lưới

quốc gia thì hệ thống cần sử dụng biến tần để chuyển đổi DC/AC.

Cấu trúc của chất bán dẫn thông thường như sau: [132]

Hình 2.7. Cấu trúc chất bán dẫn thông thường

Theo hình 2.7 thì xung quanh mỗi nguyên tử silicon đều có 4 điện tử, các điện tích

dương (+) là các nguyên tử silicon, và điện tích âm (-) là các điện tử xung quanh nguyên

tử silicon. Khi phối trộn giữa silicon và boron chúng ta sẽ thu được một tinh thể có cấu

trúc như hình 2.8.

Hình 2.8. Cấu trúc chất bán dẫn trộn boron

Như hình 2.8 này, các ô màu vàng là các nguyên tử boron, màu xanh là các lỗ

trống, điện tích dương (+) là các nguyên tử silicon, điện tích âm (-) là các điện tử xung

quanh nguyên tử silicon. Các nguyên tử boron chỉ cần 3 điện tử xung quanh là trung hòa

điện tích, trong khi nguyên tử silicon cần tới 4 điện tử mới trung hòa điện tích, nên sẽ

hình thành một lỗ trống ở vị trí giữa hai nguyên tử silicon và boron. Đây là bán dẫn loại

P (positive). Lỗ trống sẽ đặc trưng cho điện tích dương, và các điện tử ở các nơi khác

cũng có khả năng nhảy vào lỗ trống này để lắp đầy điện tử, tạo một lỗ trống ở vị trí khác.

Tương tự, khi phối trộn silicon với phosphor thì chúng ta thu được chất bán dẫn có

cấu trúc như hình 2.9.

Hình 2.9. Cấu trúc chất bán dẫn trộn phosphor

Trong hình 2.9 đây là bán dẫn loại N (negative), nguyên tử phosphor là những ô

màu vàng xung quanh phosphor cần có 5 điện tử để trung hòa điện tích trong khi đó

silicon chỉ cần có 4 điện tử để trung hòa điện tích nên sẽ dư ra một điện tử, điện tử đặc

trưng cho điện tích âm. Như vậy bán dẫn loại P chứa lỗ trống, trong khi bán dẫn loại N

chứa điện tử, và khi kết hợp hai loại bán dẫn này lại với nhau thì sẽ tạo thành một sự

chênh lệch điện áp ở vị trí kết nối giữa hai khối bán dẫn như hình 2.10.

Hình 2.10. Kết hợp bán dẫn loại p và loại n

Tại mặt tiếp xúc giữa hai bán dẫn sẽ hình thành một lớp điện kép, vùng bán dẫn P

sẽ có điện tích âm, vùng bán dẫn N sẽ có điện tích dương như hình 2.10. Sự hình thành

này là do P có nhiều lỗ trống, N có nhiều điện tử tự do, các điện tử của N sẽ chạy sang

P và các lỗ trống của P sẽ chạy sang N.

Hình 2.11. Cấu trúc tế bào quang điện

Ánh sáng mặt trời chiếu vào tinh thể silicon thì sẽ có sự di chuyển các lỗ trống từ

N sang P và các điện tử từ P sang N ngược lại so với sự di chuyển lúc đầu mới ghép N

và P như hình 2.11. Do đó thì sẽ hình thành một sự chênh lệch về điện thế và một dòng

điện tử từ P sang N hay nói cách khác chiều dòng điện là từ N sang P.

Do chất bán dẫn thì dẫn điện không tốt, có điện trở lớn nên điện tử dư thừa rất

nhiều khi di chuyển từ P sang N. Sử dụng một dây dẫn điện nối giữa tấm kim loại phủ

lên bán dẫn P và vật liệu kim loại phủ lên bán dẫn N thì sẽ tạo thành một nguồn điện.

Tuy nhiên nếu phủ bán dẫn N một tấm kim loại thì sẽ ngăn cản sự hấp thu ánh sáng của

tinh thể silicon, hệ quả là không có sự tạo thành dòng điện nữa, nên thông thường người

ta sử dụng một lưới kim loại để phủ để ánh sáng có thể tới được tinh thể silicon. Bề mặt

silicon có màu rất sáng nên sẽ phản xạ rất nhiều ánh sáng không thể sử dụng trong pin

mặt trời được. Do đó, người ta đã sơn lên nó một lớp sơn chống phản xạ rất mỏng để

giảm sự phản xạ xuống dưới 5% hoặc không phản xạ.

2.2.2 Tấm pin quang điện

Tế bào quang điện là thành phần cơ bản cấu thành trong hệ thống PV. Thông

thường một tế bào quang điện chỉ có thể sinh ra một điện thế và dòng điện rất nhỏ không

đủ cung cấp cho nhu cầu của tải. Để tăng công suất để có thể sử dụng được trong sinh

hoạt, nhà sản xuất kết nối các tế bào quang điện song song hoặc nối tiếp như hình 2.12.

b) và c) [4] tạo thành một modul (pin quang điện) như hình 2.13. a).

Hình 2.12. Hình ảnh tế bào quang điện và các cách ghép nối

Nhiều pin quang điện ghép nối với nhau tạo thành một hệ pin quang điện tạo ra

công suất và điện áp đáp ứng yêu cầu sử dụng. Tùy thuộc vào yêu cầu ngõ ra để ta có

cách ghép phù hợp. Để tăng dòng điện ngõ ra thì ta ghép song song các tấm pin quang

điện, còn để tăng điện áp ngõ ra thì ghép nối tiếp như hình 2.13. b).

a) b)

Hình 2.13. a) Tấm pin quang điện. b) Hệ pin quang điện

2.3.3 Mô hình hóa tế bào quang điện

Mô hình của tế bào quang điện [4].

Hình 2.14. Điện tử di chuyển từ lớp n qua tải và trở về lớp p, nơi mà chúng kết hợp với lỗ trống, dòng điện chạy theo hướng ngược lại

Mạch tương đương của tế bào quang điện gồm một dòng điện nguồn ISC, một diode

D, một điện trở song song RP và một điện trở nối tiếp RS như hình 2.14 [4]. Trong đó,

các điện trở này đại diện cho tổn hao của tế bào quang điện, nguồn ISC là dòng điện được

tạo ra từ các photon.

Hình 2.15. Mạch tương đương của một tế bào quang điện

Đường đặc tuyến I – V thu được bằng cách giữ cường độ ánh sáng không đổi và

duy trì nhiệt độ tế bào quang điện không đổi, thay đổi điện trở của tải, và đo dòng điện

được tạo ra.

Dòng điện ngắn mạch ISC: là dòng điện đo được khi ta nối tắt cực âm và dương lại

với nhau, lúc này điện áp giữa chúng bằng 0 và không có điện trở giữa chúng, mạch mô

tả như hình 2.16 a).

Điện áp hở mạch VOC: là điện áp đo được giữa hai cực âm và dương khi hở mạch,

lúc này dòng điện bằng 0 và điện trở giữa chúng là vô cùng được mô tả như hình

2.16b).

a) b)

Hình 2.16. Sơ đồ đo ISC và VOC của pin quang điện

Mối quan hệ giữa dòng điện và điện áp của tế bào quang điện

Dựa vào hình 2.15 ta có:

(2.1) 𝐼 = 𝐼𝑆𝐶 − 𝐼𝑑 − 𝐼𝑃

𝑞(𝑉+𝐼𝑅𝑠)

Trong đó:

𝑛𝐾𝑇 − 1]

(2.2) 𝐼𝑑 = 𝐼0 [𝑒

(2.3) 𝐼𝑃 = 𝑉 + 𝐼𝑅𝑠 𝑅𝑃

𝑞(𝑉+𝐼𝑅𝑠)

Vậy ta có:

𝑛𝐾𝑇 − 1] −

(2.4) 𝐼 = 𝐼𝑆𝐶 − 𝐼0 [𝑒 𝑉 + 𝐼𝑅𝑠 𝑅𝑃

Do đối với một tế bào có tổn thất do điện trở song song và nối tiếp ít hơn 1%

nên RP và RS phải thỏa mãn:

(2.5) ; 𝑅𝑃 > ; 𝑅𝑆 < 100𝑉𝑂𝐶 𝐼𝑆𝐶 0.01𝑉𝑂𝐶 𝐼𝑆𝐶

Vậy mối quan hệ giữa dòng điện và điện áp của tế bào quang điện là:

𝑞𝑉𝑑 𝑛𝐾𝑇 − 1]

(2.6) 𝐼 = 𝐼𝑆𝐶 − 𝐼0 [𝑒

Trong đó:

I(A): dòng điện ra tế bào quang điện

ISC(A): dòng ngắn mạch

I0(A): dòng bão hòa

Vd(V): điện áp rơi trên diode

q(C): điện tích Electron 1.6 x 10-19

k(J/K): hằng số Boltzman 1.381 x 10-23

T(K): nhiệt độ lớp tiếp giáp p-n

n: tỷ số diode lý tưởng (1->2)

Dòng điện bão hòa của diode được tính bởi Vd = VOC, I = 0, n = 1.6 [3].

= 𝐼0 = (2.7) 𝐼𝑆𝐶 𝑞𝑉𝑂𝐶 𝑛𝐾𝑇 − 1 𝑒 𝐼𝑑 𝑞𝑉𝑑 𝑛𝐾𝑇 − 1 𝑒

Đặc tuyến I – V của pin quang điện là đường cong được biểu diễn theo công thức

(2.6), với bất kì điều kiện nào thì pin quang điện cũng chỉ có một điểm hoạt động mà tại

đó giá trị điện áp và dòng điện có thể cho công suất cực đại. Công suất được cho bởi

công thức P = I*V. Với hai đường cong P – V và I – V ta đều thu được một điểm hoạt

động giống nhau như hình 2.17 a) và b).

a)

b)

Hình 2.17. a) Đường đặc tuyến I – V , b) Đường đặc tuyến P – V

Hình 2.18. Đường đặc tuyến I – V của tế bào quang điện trường hợp có ánh sáng và không có ánh sáng

Hình 2.19. Đường đặc tuyến I – V của tế bào quang điện trường hợp ảnh hưởng RS, RP và không bị ảnh hưởng

Công suất một tế bào quang điện thì rất bé, để tăng công suất đầu ra của hệ thống,

các tế bào quang điện được ghép nối tiếp hoặc song song để tạo thành modul PV [5].

Dòng điện ra của modul được tính theo công thức (2.8) [6,7].

𝑞(𝑉+𝐼𝑅𝑠) 𝑛𝐾𝑇𝑁𝑠 − 1] − 𝑁𝑝

(2.8) 𝐼 = 𝑁𝑝𝐼𝑆𝐶 − 𝑁𝑝𝐼0 [𝑒 𝑉 + 𝐼𝑅𝑠 𝑁𝑠𝑅𝑃

Trong đó: Ns và Np: lần lượt là số lượng tế bào quang điện mắc nối tiếp và song song.

2.3 Những yếu tố trọng tâm nghiên cứu phát triển trong hệ thống năng lượng điện

mặt trời

Trong các nghiên cứu phát triển hệ thống năng lượng điện mặt trời đã chỉ ra hệ

thống NLMT độc lập có đặc điểm: tổn hao phóng-nạp điện lớn, điều tiết công suất có

hạn, giá thành cao. Hiện nay ở Việt Nam sử dụng nhiều hệ thống NLMT độc lập từ vài

trăm W đến vài kW cho các hộ gia đình và vài chục kW cho các trung tâm, cơ quan. Để

phát triển mạng lưới NLMT ở mức độ điện thương mại phải sử dụng hệ thống năng

lượng điện mặt trời nối lưới. Đối với hệ thống năng lượng điện mặt trời nối lưới chúng

ta phải đối mặt với các vấn đề lớn sau: điều khiển công suất cực đại MPPT (Maximum

Power Point Tracking), các giải pháp anti-islanding và an toàn hệ thống, điều khiển dòng

điện điều phối công suất hữu công, công suất vô công và giảm thiểu sóng hài [11, 12].

Một số điểm chính trong các nghiên cứu phát triển các hệ thống năng lượng điện mặt

trời hiện nay là [7- 47] :

 Cải tiến nâng cao hiệu suất quang-điện (Công nghệ chế tạo pin PV hiện nay mới

cho phép hiệu suất quang - điện đạt 15%-18% )

 Sử dụng các kỹ thuật điều khiển thông minh để nâng cao hiệu quả điều khiển hệ

thống đạt công suất cực đại.

 Nghiên cứu phát triển các bộ biến đổi công suất DC/DC, DC/AC để hệ thống đạt

hiệu suất cao và làm việc ổn định.

 Nghiên cứu giải pháp anti-islanding nâng cao độ đáp ứng nhanh cũng như độ an

toàn của hệ thống NLMT trong quá trình hoạt động.

2.3.1 Điều khiển công suất cực đại

MPPT là hệ thống điều khiển PV đạt công suất tối đa trong quá trình hoạt động.

MPPT không phải là hệ thống điều khiển cơ khí hướng PV vào hướng mặt trời để đạt

công suất lớn nhất. MPPT là một hệ thống điều khiển điện tử với mục đích định điểm

làm việc của PV sao cho công suất đạt tối đa.

Hình 2.20 là sơ đồ cấu trúc điều khiển MPPT. Các bộ biến đổi DC/DC thường sử

dụng một trong ba loại sau: buck (bộ giảm áp), boost (bộ tăng áp) và bộ buck-boost (bộ

giảm-tăng áp). Do phụ thuộc vào nhiệt độ và cường độ ánh sáng nên điện áp làm việc

của các panel PV dao động khá lớn. Chính vì vậy nên sử dụng bộ boost để có thể tăng

điện áp DC phù hợp với trạng thái công suất cực đại.

Công suất tối đa của PV ký hiệu là MPP (Maximum Power Point) thay đổi phụ

thuộc vào ánh sáng và nhiệt độ [1-12]. Tại MPP hiệu suất chuyển đổi quang-điện đạt

giá trị cao nhất. Rất nhiều các phương thức đã được đưa ra cho việc dò tìm điểm MPP.

Ví dụ như: Ibrahimm và Houssing sử dụng bảng tra trên một hệ thống vi tính để dò tìm

MPP. Midya sử dụng đặc tính động của PV. Enslin và Snymam gợi ý các khái niệm về

"xáo trộn và quan sát" (P & O), lựa chọn thay thế mà gần đây đã được giới thiệu trong

[6, 7]. Koutroulis và Hussein cùng các cộng sự dựa trên kỹ thuật cung cấp độ dẫn gia

tăng (IncCond) để xác định điểm MPP. Một số nghiên cứu gần đây đã áp dụng thuật

toán điều khiển thông minh để giải quyết vấn đề này [14].

Mỗi một phương pháp dò tìm MPP đều có ưu điểm và nhược điểm nhất định. Ví

dụ với phương thức P&O, ưu điểm là đơn giản và nhược điểm là tạo ra sự dao động của

điểm MPP. Hiện nay, hướng nghiên cứu để đưa ra thuật toán dò tìm MPP vẫn đang được

phát triển trong đó đặc biệt chú ý đến các phương án sử dụng kỹ thuật điều khiển hiện

đại và điều khiển thông minh.

Hình 2.20. Sơ đồ điều khiển MPPT của PV

Mô hình đối tượng điều khiển của hệ thống điều khiển PV (MPPT) có một số đặc

điểm sau [13-16]:

 Công suất cực đại của PV luôn dịch chuyển, xu hướng dịch chuyển phụ thuộc

vào nhiệt độ và cường độ sáng

 Mô hình toán học của đối tượng điều khiển (DC/DC converter) phụ thuộc vào:

tải của hệ thống (trở kháng và dòng điện), trạng thái hệ thống (dòng điện, độ rộng điều

biến xung cho DC/DC converter). Đây là một đối tượng phi tuyến có thông số mô hình

biến đổi theo thời gian [17, 18].

Nội dung nghiên cứu phát triển là ứng dụng kỹ thuật thông minh xây dựng bộ khiển

MPPT. Mục tiêu của điều khiển MPPT:

+ Điều khiển trạng thái làm việc của PV bám điểm công suất cực đại

+ Điểm MPP ổn định, biên độ dao động thấp

+ Thời gian xác lập hệ thống nhanh

2.3.2 Giải pháp anti-islanding

Ngoài vấn đề điều khiển MPPT ra, để hệ thống hoạt động an toàn cần phải phân

tích hiện tượng sự cố lưới (hiện tượng islanding) và đưa ra giải pháp khắc phục. Hiện

tượng islanding trong hệ thống năng lượng điện mặt trời ghép nối song song với lưới

điện quốc gia là hiện tượng khi hệ thống đang làm việc bình thường thì xuất hiện sự cố

từ lưới điện quốc gia. Ví dụ như: quá trình đóng/ngắt lưới điện quốc gia, sự cố di tần di

pha, đảo pha, xung điện áp, xung dòng điện… xuất hiện không biết trước. Lúc đó hệ

thống NLMT sẽ độc lập cung cấp điện cho phụ tải, đương lúc công suất hệ thống năng

lượng điện mặt trời và phụ tải đạt giá trị cân bằng, dòng điện của tải hoàn toàn do NLMT

cung cấp. Lúc này hướng công suất từ lưới điện quốc gia đưa vào tải rất bé, điện áp và

tần số ở đầu ra của biến tần SVPWM sẽ không thể nhanh chóng thay đổi. Trong tình

trạng đó hệ thống càng không thể phán đoán chính xác lưới điện quốc gia có hay không

có tình huống sự cố hoặc sự kiện đóng/ngắt điện gián đoạn. Dẫn đến phát sinh hiện

tượng islanding trong hệ thống. Hậu quả nghiêm trọng khi xuất hiện hiện tượng

islanding:

 Khi mạng điện đóng ngắt đột ngột, quá trình quá độ của lưới điện sẽ gây mất an

toàn cho người và thiết bị. Khi mạng điện quốc gia gặp sự cố, đóng ngắt đột ngột,

lúc này hệ thống điều khiển sẽ mất toàn bộ tín hiệu tham chiếu (điện áp, tần số,

thứ tự pha), các giá trị này sẽ trở nên “trôi nổi” xuất hiện tình huống không ổn định

trong hệ thống. Đồng thời trong hệ thống có thể xuất hiện các thành phần sóng hài

(điện áp, dòng điện) bậc cao có biên độ và năng lượng không nhỏ. Nếu không kịp

thời cách ly và xử lý hiện tượng này thì sẽ gây tổn hại lớn đến phụ tải có tính cảm

kháng.

 Đối với trường hợp lưới điện quốc gia đột ngột đóng điện trở lại, do điện vị trí pha

điện áp và vị trí pha điện áp của lưới điện quốc gia và lưới NLMT hoàn toàn khác

nhau dẫn đến phát sinh dòng điện xung kích gây tổn hại cho các thiết bị điện. Đồng

thời lại thể xảy ra những vấn đề điều kiện hòa đồng bộ.

 Lúc xảy ra hiện tượng islanding có thể dẫn đến thấp áp (khi lưới điện quốc gia mất

điện đột ngột), tăng áp (khi lưới điện quốc gia đột ngột đóng trở lại) và méo dạng

điện áp ảnh hưởng đến các phụ tải.

Chính vì vậy, trong bất cứ một hệ thống hòa lưới song song với mạng điện quốc

gia đều phải tính tới giải pháp anti-islanding, đảm bảo giảm thiểu ảnh hưởng của sự cố

islanding trong lưới điện. Đối với hệ thống mạng điện solar nối với lưới điện quốc gia

cần phải tuân thủ chặt chẽ tiêu chuẩn quốc tế (IEEE Std. 2000-929 / UL174) về giải

pháp anti-islanding.

Tiêu chuẩn này được thể hiện qua bảng sau:

Trạng thái Điện áp sau khi ngắt Tần số sau Thời gian cho

khi ngắt phép tối đa

A 6 cycles 0.50Vnom fnom

B 2 second 0.50Vnom < V < 0.88Vnom fnom

C 2 second 0.88Vnom ≤ V ≤ 1.10Vnom fnom

D 2 second 1.10Vnom ≤ V ≤ 1.37Vnom fnom

E 2 second 1.37Vnom ≤ V fnom

F 6 cycles Vnom f < fnom –

0.7Hz

G 6 cycles Vnom f > fnom +

0.5Hz

Vnom : Điện áp chuẩn (220V), fnom : Tần số chuẩn (50Hz)

Để thực hiện phòng ngừa hiện tượng islanding và tác hại của chúng đối với người

vận hành và thiết bị điện hai phương án chính (phương pháp chủ động – phương pháp

bị động).

Hiện nay một số phương pháp chính trong giải pháp hạn chế tác hại của hiện tượng

islanding như sau:

 Chủ động di pha

 Chủ động di tần

 Chủ động phản hồi dương điện áp

 Phương pháp kiểm soát bị động

Những nội dung nghiên cứu phát triển là:

+ Phân tích đánh giá sự kiện islanding

+ Nghiên cứu đề xuất giải pháp hạn chế ảnh hưởng của hiệu ứng islanding

2.3.3 Bù công suất phản kháng

Hệ thống NLMT và tải cục bộ đương nhiên cũng tiêu tán công suất vô công. Để

nâng cao hệ số công suất, thông thường ta nghĩ ngay đến việc sử dụng tụ bù. Sử dụng tụ

bù được gọi là giải pháp bù công suất phản kháng dạng cứng. Những nhược điểm dễ

dàng nhận thấy trong giải pháp bù cứng như sau: tăng giá thành hệ thống với giàn tụ bù,

dễ gây ra hiện tượng quá áp, thấp áp khi tải thay đổi. Ngay cả việc sử dụng các công tắc

tơ, máy cắt để phân bố công suất phản khảng bù vào lưới điện cũng không giải quyết

triệt để vấn đề này.

Đối với hệ thống NLMT sử dụng biến tần SVPWM, người ta có thể bù công suất

phản kháng một cách mềm dẻo theo nguyên tắc “tải cần bao nhiêu thì bù bấy nhiêu”.

Cơ chế bù này được điều tiết thông qua điều chế hai thành phần dòng điện iq, id trên hệ

trục tọa độ quay d-q trong biến tần SVPWM. Ưu điểm của giải pháp là giá thành rẻ

(không sử dụng tụ bù), dễ dàng điều chỉnh mềm lượng công suất phản kháng bằng thuật

toán điều chế biến tần SVPWM.

2.3.4 Giảm sóng hài, nâng cao chất lượng điện áp

Để giảm sóng hài bậc cao, hiện nay, người ta chủ yếu sử dụng biến tần SVPWM

có tần số điều biến lớn (10-30 kHz) cho khâu biến đổi DC/AC. Biến tần SVPWM thường

có hai dạng: dạng 2 mức và dạng đa mức. Trên thực tế sử dụng phổ biến loại SVPWM

2 mức do cấu trúc đơn giản, điều khiển không quá phức tạp, hiệu suất tạo sóng sin tốt.

Trong các trường hợp đặc biệt có thể sử dụng biến tần SVPWM đa mức. Ưu điểm của

biến tần đa mức là khả năng triệt sóng hài rất cao, tuy vậy biến tần SVPWM đa mức lại

có nhược điểm là giá thành cao, hiệu suất thấp, điều khiển phức tạp. Ngoài việc sử dụng

biến tần SVPWM, cũng cần phải thiết kế bộ lọc công suất ghép với đầu ra của biến tần

để có thể tạo ra sóng sin hoàn toàn. Do đó mô hình toán học hệ thống sẽ tăng bậc và

thêm phần phức tạp.

2.4 Kết luận chương 2

Chương 2 này tác giả đã trình bày tổng quan chung về hệ thống năng lượng điện

mặt trời bao gồm các thành phần chính của hệ thống, đặc tính của tấm pin năng lượng

mặt trời. Tác giả cũng đưa ra những yếu tố trọng tâm phát triển hệ thống năng lượng

mặt trời.

Hệ thống năng lượng điện mặt trời là một thống lớn nên có rất nhiều vấn đề cần

được cải tiến và phát triển cho hệ thống, trong khuôn khổ của luận án tác giả tập trung

nghiên cứu phát triển các thuật toán tìm điểm điểm công suất cực đại cho các bộ điều

khiển công suất cực đại (MPPT) để hệ thống làm việc đạt hiệu suất cao hơn và ổn định

hơn, đồng thời tác giả cũng thiết kế chế tạo thực nghiệm một hệ thống năng lượng mặt

trời nối lưới theo hướng phát triển của các bộ biến đổi công suất DC/DC và DC/AC.

[1]. Đồng Văn Hướng, Nhữ Khải Hoàn, “Nghiên cứu phát triển hệ thống năng

lượng mặt trời nối lưới”, Tạp chí Khoa học Công Nghệ Giao thông Vận Tải, 5/2014.

ISSN 1859-4263.

CHƯƠNG 3

NGHIÊN CỨU PHÁT TRIỂN BỘ ĐIỀU KHIỂN BÁM ĐIỂM CÔNG SUẤT CỰC ĐẠI CỦA HỆ THỐNG ĐIỆN MẶT TRỜI

Tóm tắt

Trong các hệ thống PV, hiệu suất của một hệ thống dựa trên các điều kiện môi

trường hoạt động. Công suất tối đa thu từ hệ thống PV phụ thuộc mạnh mẽ vào các yếu

tố môi trường như: bức xạ ánh nắng, trở kháng tải và nhiệt độ tế bào quang điện,…. Sự

biến động của đầu ra đặc tính I – V của một module pin quang điện như là một hàm của

nhiệt độ và bức xạ. Nó có thể được quan sát thấy rằng những thay đổi nhiệt độ chủ yếu

ảnh hưởng đến điện áp đầu ra của pin quang điện, trong khi những thay đổi bức xạ chủ

yếu ảnh hưởng đến dòng điện đầu ra của PV [19,20].

Nhờ hiệu ứng quang điện các tấm pin mặt trời được tạo thành từ các chất bán dẫn

thực hiện quá trình chuyển đổi bức xạ năng lượng mặt trời thành năng lượng điện DC.

Mỗi tấm pin quang điện có một đặc tuyến P – V riêng biệt, trên đường đặc tuyến đó tồn

tại duy nhất một điểm làm việc mà hệ thống PV phát ra công suất cực đại toàn cục.

Nghĩa là khi pin quang điện hoạt động ở nhiều điểm khác nhau trên đường đặc tuyến thì

sẽ thu được công suất ngõ ra của hệ thống khác nhau. Chỉ tồn tại duy nhất một điểm có

thể thu được công suất ngõ ra của hệ thống PV cực đại, điểm hoạt động này trên đặc

tuyến P – V được gọi là MPP. Điểm này thay đổi theo sự thay đổi của điều kiện môi

trường như bức xạ và nhiệt độ hoặc khi pin quang điện bị che khuất một phần do vật cản

xuất hiện nhiều MPP...

Vì vậy thuật toán MPPT thực sự rất cần thiết để giúp hệ thống phát được công suất

lớn nhất góp phần làm tăng hiệu suất của hệ thống và giảm giá thành sản phẩm. Chính

vì vậy, MPPT trở thành một trong những chức năng quan trọng mà hệ thống PV cần

phải có. Đã có rất nhiều thuật toán MPPT đã được nghiên cứu và ứng dụng, trong chương

này, tác giả nghiên cứu một số các thuật toán MPPT thông dụng dùng trong hệ thống

NLMT và đề xuất áp dụng các thuật toán phát triển để hệ thống PV hoạt động ổn định

đạt hiệu suất cao hơn.

3.1 Các yếu tố ảnh hưởng tới MPP

3.1.1 Ảnh hưởng của bức xạ

Hai thông số chính được dùng để vẽ đặc tính của tế bào quang điện là điện áp hở

mạch và dòng điện ngắn mạch. Điện áp hở mạch VOC là điện áp giữa hai cực khi hở

mạch. Dòng điện ngắn mạch ISC là dòng được tạo ra khi ngắn mạch các tế bào quang

điện, đó chính là dòng photon. Dòng này sẽ không đổi dưới điều kiện nhiệt độ và bức

xạ ánh sáng không đổi. Với bức xạ ánh sáng thay đổi ta thu được các giá trị dòng điện

ngắn mạch khác nhau.

Ta có thể xem dòng điện được tạo ra từ các photon xấp xỉ bằng ISC và tỉ lệ thuận

với bức xạ G là cường độ ánh sáng chiếu vào tế bào quang điện, theo công thức (3.1).

(3.1) 𝐼𝑆𝐶~𝐺

Nếu ISC(G0) là giá trị dòng điện được tạo ra ở mức bức xạ G0 = 1000W/m2. Ta có dòng

điện được tạo ra theo bức xạ G như công thức (3.2).

(3.2) 𝐼𝑆𝐶(𝐺) = ( ) 𝐼𝑆𝐶(𝐺0) 𝐺 𝐺0

Vậy ta có biểu thức dòng điện theo bức xạ như công thức (3.3).

𝑞𝑉𝑑 𝑛𝐾𝑇 − 1]

(3.3) 𝐼 = ( ) 𝐼𝑆𝐶 − 𝐼0 [𝑒 𝐺 𝐺0

Ví dụ như PV dòng Mono – cell do hãng Bosch (Đức) sản xuất có những thông số cơ

bản đo ở điều kiện tiêu chuẩn (1000W/m2, 25oC) như sau: PMAX = 50W, VMPP = 16,5V,

IMPP = 2,77A, VOC = 22,01V, ISC = 3,1 A. Mô phỏng thu được đường cong quan hệ V

– I, P – V, và P – I của PV phụ thuộc độ rọi như hình 3.1 [117]:

Qua hình 3.1 ta thấy được MPP tỷ lệ thuận với bức xạ mặt trời và nó thay đổi phi

tuyến nên rất khó để bám MPP, điều này dẫn tới việc sử dụng thuật toán để theo dõi

MPP cho hệ thống PV là rất cần thiết [117][116]. Nhằm mục đích hệ thống luôn làm

việc tại MPP để giảm tổn hao công suất của toàn hệ thống.

a. Đường cong quan hệ I – V của PV

b. Đường cong quan hệ P – V của PV

c. Đường cong quan hệ P – I của PV

Hình 3.1. Đặc tuyến I – V, P – V và P – I với các mức bức xạ khác nhau

3.1.2 Ảnh hưởng của nhiệt độ

MPP của pin quang điện ngoài sự ảnh hưởng của bức xạ thì còn chịu sự ảnh

hưởng của nhiệt độ.

Dòng điện ngắn mạch được cho bởi công thức theo nhiệt độ (T) như (3.4)

(3.4) 𝐼𝑆𝐶(𝑇) = 𝐼𝑆𝐶(𝑇𝑟)[1 − 𝛼(𝑇 − 𝑇𝑟)]

Trong đó:

Tr: là nhiệt độ chuẩn của tế bào quang điện (298K, đo ở mức bức xạ 1000W/m2).

α: là ảnh hưởng nhiệt độ (phần trăm thay đổi ISC trên một độ).

I0: dòng bão hòa của diode tại Tr được cho bởi biểu thức (3.5) với diode lý tưởng.

𝐼0 = (3.5) 𝐼𝑆𝐶 𝑞𝑉𝑂𝐶 𝑛𝐾𝑇𝑟 − 1 𝑒

Dòng điện bão hòa phụ thuộc theo nhiệt độ như công thức (3.6) và dòng điện theo nhiệt

3 𝑛

(

−

2𝐸𝑔 𝑛𝐾

1 𝑇

độ được cho bởi biểu thức (3.7).

1 𝑇𝑟

)

(3.6) ) 𝑒− 𝐼0(𝑇) = 𝐼0(𝑇𝑟) ( 𝑇 𝑇𝑟

𝑞𝑉 𝑛𝐾𝑇 − 1]

(3.7) 𝐼(𝑇) = 𝐼𝑆𝐶(𝑇) − 𝐼0(𝑇) [𝑒

Cũng lấy ví dụ với modul PV như ở mục 3.1.1 ta có đặc tuyến I – V, P – V và P –

I tại các mức nhiệt độ khác nhau như hình 3.2. Khi nhiệt độ tăng thì đặc tuyến I – V dịch

sang trái tức là điện áp giảm. Dẫn tới MPP của hệ thống pin quang điện cũng thay đổi.

Vậy yêu cầu phải có thuật toán để theo dõi MPP giúp hệ thống có thể làm việc tại MPP

để giảm tổn thất và nâng cao hiệu suất hoạt động cho toàn hệ thống [117].

a) Đường cong quan hệ I –V của PV

b) Đường cong quan hệ P – V của PV

c) Đường cong quan hệ P – I của PV

Hình 3.2. Đặc tuyến I – V, P – V và P – I với các nhiệt độ khác nhau

3.1.3 Ảnh hưởng của hiện tượng bóng râm

Hiện tượng bóng râm được định nghĩa khi PV bị che phủ một phần mà có thể

gây ra các ảnh hưởng nghiêm trọng đến hiệu suất của PV. Bóng râm không chỉ làm

giảm công suất của các tế bào quang điện mà còn thay đổi điện áp hở mạch Voc, dòng

ngắn mạch Isc và hiệu suất của chúng. Tình trạng bị che một phần là tình trạng chung

do bóng của các tòa nhà, cây cối, mây và bụi bẩn, . . . gây ra. Trong điều kiện bóng râm

che một phần, có một phần trong chuỗi các module của mảng PV được chiếu sáng ít

hơn. Các module bị che có thể phải chịu điện áp ngược do các module không bị che đặt

lên, làm quá nhiệt các module bị che và làm giảm tuổi thọ module này. Khắc phục điều

này có thể bằng cách sử dụng các diode bypass có thể được đặt trên một module PV,

cách làm này cho phép dòng điện của dãy đi đúng hướng ngay cả khi một phần của dãy

là hoàn toàn tối.

Hình 3.3. Đặc tính I-V, P-V khi có bóng râm

Ảnh hưởng của bóng râm lên hiệu suất của một bộ PV phụ thuộc vào các yếu

tố như sau:

- Giảm cách nhiệt (giá trị trung bình).

- Phân bố bóng che trên các bộ PV (hình học của bóng).

- Module có hoặc không có các diode bypass.

- Dạng thiết kế của module PV (kết nối kiểu nối tiếp hoặc song song).

Tóm lại, hiệu ứng bóng râm rất khó tránh khỏi trong quá trình hoạt động của hệ

thống PV và tổn thất công suất là rất cao khi có hiệu ứng này dù là chỉ là một phần nhỏ.

3.2 Tìm điểm công suất cực đại

Một thành phần quan trọng trong hệ thống PV là MPPT, thành phần này giúp hệ

thống PV phát được công suất ngõ ra của hệ thống cực đại, giảm tổn thất công suất và

giải quyết bài toán kinh tế cho hệ thống PV. Nó như là một thiết bị công suất liên kết hệ

pin quang điện với tải, điều khiển điểm hoạt động của hệ pin quang điện để thu được

công suất cực đại từ hệ pin quang điện với điều kiện môi trường thay đổi như nhiệt độ,

bức xạ, bóng râm… vì thế hiệu suất hệ thống được cải thiện. MPPT là sự kết hợp bởi

một bộ biến đổi xung DC/DC và một thuật toán điều khiển. Với hệ thống pin quang điện

độc lập, thuật toán MPPT được tích hợp trong bộ biến đổi DC/DC để thực hiện công

việc MPPT.

Theo lý thuyết truyền công suất cực đại thì trở kháng của pin quang điện bằng trở

kháng tải thì hệ thống sẽ truyền công suất cực đại. Vậy, vấn đề dò MPP trở thành vấn

đề phối hợp trở kháng. Trong nghiên cứu này, tác giả sử dụng bộ biến đổi DC/DC là

dạng Boost kết nối hệ pin quang điện để nâng điện áp ngõ ra của hệ pin quang điện cung

cấp cho tải khác nhau. Bằng cách thay đổi chu kỳ nhiệm vụ, hoặc điện áp bộ biến đổi

Boost chúng ta có thể phối hợp trở kháng với nguồn tải.

Thuật toán MPPT hoạt động như một vòng lặp hệ thống với cảm biến đo điện áp

từ pin mặt trời và chuyển thành độ rộng xung với mục đích điều khiển đến điểm công

suất cực đại. Để đạt được điểm công suất đỉnh trên đường cong phi tuyến P-V, có rất

nhiều thuật toán MPPT được nghiên cứu, phát triển và sử dụng trong nhiều ứng dụng

năng lượng mặt trời. Việc lựa chọn áp dụng thuật toán nào phụ thuộc vào yêu cầu cụ thể

của từng hệ thống PV.

Trong những năm đã qua, có rất nhiều thuật toán tìm MPP khác nhau và được

nghiên cứu, phát triển và công bố. Một số kỹ thuật khác nhau trong nhiều trường hợp

được yêu cầu cũng như cảm biến, độ phức tạp, giá thành, hiệu suất, tốc độ hội tụ, độ

chính xác … khi điều kiện môi trường thay đổi. Một số phương pháp MPPT phổ biến:

- Phương pháp Hill – Climbing (HC)

 Incremental Conductance

 Perturb and Observe

- Tỷ lệ điện áp hở mạch

Tỷ lệ dòng ngắn mạch -

Điều khiển mờ -

- Mạng Nơron

- Lọc Kalman

- …

3.2.1 Phương pháp Hill – Climbing

Các thuật toán P&O và INC đều dựa trên lý thuyết Hill – Climbing, bằng cách di

chuyển điểm hoạt động của pin quang điện theo hướng mà công suất ngõ ra tăng [20,21].

Phương pháp Hill – Climbing là phương pháp MPPT phổ biến nhất bởi vì dễ dàng thực

hiện và hiệu quả tốt trong trường hợp điều kiện môi trường ổn định [21]. Ưu điểm của

các thuật toán này là đơn giản và ít tính toán. Bên cạnh đó còn có các nhược điểm được

đề cập trong tài liệu tham khảo [21-27].

3.2.1.1 Phương pháp xáo trộn và quan sát (P&O)

Thuật toán P&O là một dạng của phương pháp HC, được sử dụng khá phổ biến

[27] là thuật toán MPPT tạo một nhiễu điện áp hoạt động của liên kết DC giữa pin quang

điện và bộ biến đổi công suất [28]. Ưu điểm của thuật toán này là đơn giản, có thể thực

hiện ứng dụng trong thực tế vì thuật toán áp dụng tốt cho vi điều khiển hoặc hệ thống

xử lý số tín hiệu, có thể thực hiện được thuật toán mà không cần đặc tính của tấm pin.

Với thuật toán này, điện áp hoạt động của pin mặt trời bị nhiễu bởi một gia số

nhỏ ΔV và kết quả làm thay đổi công suất, ΔP được quan sát. Hình 3.4 mô tả nguyên lý

hoạt động của thuật toán P&O, cách thức hoạt động của thuật toán như sau: nếu điểm

hoạt động của hệ thống đang di chuyển theo hướng 1 (ΔP < 0 và ΔV < 0) thì cần tăng

điện áp hoạt động lên để di chuyển điểm hoạt động tới điểm MPP, nếu điểm hoạt động

của hệ thống đang di chuyển theo hướng 2 (ΔP > 0 và ΔV > 0) thì cần tăng điện áp hoạt

động lên để di chuyển điểm hoạt động tới điểm MPP, nếu điểm hoạt động của hệ thống

đang di chuyển theo hướng 3 (ΔP > 0 và ΔV < 0) thì cần giảm điện áp hoạt động để di

chuyển điểm hoạt động tới điểm MPP, nếu điểm hoạt động của hệ thống đang di chuyển

theo hướng 4 (ΔP < 0 và ΔV > 0) thì cần giảm điện áp hoạt động để di chuyển điểm hoạt

động tới điểm MPP [117].

Hình 3.4. Đặc tuyến P – V của pin quang điện và thuật toán P&O

Về nguyên tắc hoạt động của thuật toán P&O hoàn toàn dựa vào sự nhiễu loạn hoặc

dịch chuyển điểm vận hành của tấm pin theo dấu của sự biến thiên công suất phát ra từ

pin năng lượng mặt trời. Khi dP/dV > 0 thì dịch chuyển về bên phải hoặc khi dP/dV<0

dịch chuyển về bên trái. Nếu như sự nhiễu loạn làm tăng giá trị của công suất thì hướng

của nhiễu loạn (dịch chuyển) được giữ như cũ. Hướng dịch chuyển ngược lại nếu sự

nhiễu loạn làm giảm dần giá trị công suất ngõ ra.

Vì vậy, quá trình nhiễu loạn và quan sát phải được thực hiện trên tất cả thời gian bởi

vì hiệu suất của thuật toán dựa vào tần số lấy mẫu. Có hai điểm quan trọng cần chú ý ở

thuật toán này là thời gian đạt MPP và sự dao động quanh điểm MPP khi hệ thống xác

lập sẽ gây tổn thất công suất và thuật toán sẽ xác định hướng nhiễu loạn sai khi có sự

thay đổi nhanh chóng của điều kiện thời tiết. Trong đó, để giảm sự dao động ở trạng thái

xác lập, một giải pháp cần thiết là chọn giá trị điện áp tham chiếu hoặc độ rộng xung

PWM nhỏ. Tuy nhiên, với giải pháp này sẽ làm cho thời gian đáp ứng của hệ thống

chậm, hay thường được gọi là tốc độ hội tụ thấp. Để tìm sự cân bằng giữa hai yếu tố này

là một khó khăn trong quá trình thiết kế. Ở [29] tác giả đã nghiên cứu các vấn đề của

thuật toán P&O trong sự biến đổi nhanh chóng của điều kiện môi trường, theo đó điểm

vận hành của hệ thống sẽ tiếp tục di chuyển theo hướng sai nếu có hai giá trị bức xạ

khác nhau chiếu đến trong cùng một thời gian lấy mẫu. Điều khiển với tham số thay đổi

là điện áp tham chiếu và độ rộng xung PWM đã được phân tích ở [28] tác giả đã so sánh

về sự ổn định, hiệu suất của phương pháp này. Lưu đồ thuật toán của P&O như hình 3.5

[117].

Hình 3.5. Lưu đồ thuật toán P&O

Từ hình 3.5 ta thấy được bộ điều khiển MPPT sẽ đo các giá trị dòng điện I và điện

áp V sau đó tính toán độ sai lệch ∆P và ∆V và kiểm tra: nếu ∆P. ∆V > 0 thì tăng giá trị

điện áp tham chiếu Vref ngược lại nếu ∆P. ∆V < 0 thì giảm giá trị điện áp tham chiếu

Vref. Sau đó cập nhật các giá trị mới thay cho giá trị trước đó của V và P và tiến hành đo

các thông số I và V cho chu kỳ làm việc tiếp theo [11].

3.2.1.2 Phương pháp điện dẫn gia tăng (INC)

Một thuật toán Hill – Climbing tương tự khác đó là INC, phương pháp này có xu

hướng cải thiện hơn phương pháp P&O bằng cách thay thế dP/dV được sử dụng trong

thuật toán P&O bởi cách so sánh giá trị tức thời của pin quang điện I/V và gia số dẫn dI/dV [31, 112].

Nguyên lý hoạt động của thuật toán INC là sử dụng tổng điện dẫn gia tăng của dãy

pin mặt trời để dò tìm MPP tối ưu. Phương pháp này cơ bản dựa trên đặc điểm: độ dốc

của đường đặc tính hệ PV bằng 0 tại MPP, độ dốc này là dương khi ở bên trái điểm

MPP, là âm khi ở bên phải điểm MPP. Đặc tính P – V giải thích nguyên lý thuật toán

như hình 3.6 [5]:

Hình 3.6. Đường đặc tuyến P – V của hệ PV và thuật toán INC

Ta có:

(3.8) = = 𝐼 + 𝑉 = 0 𝑑𝑃 𝑑𝑉 𝑑(𝑉𝐼) 𝑑𝑉 𝑑𝐼 𝑑𝑉

Suy ra:

(3.9) + ≅ + = 0 𝐼 𝑉 𝑑𝐼 𝑑𝑉 𝐼 𝑉 ∆𝐼 ∆𝑉

Ta có thể viết lại công thức (3.9) như sau:

= − ; 𝑡ạ𝑖 𝑀𝑃𝑃

> − ; 𝑏ê𝑛 𝑡𝑟á𝑖 𝑀𝑃𝑃

< − ; 𝑏ê𝑛 𝑝ℎả𝑖 𝑀𝑃𝑃 { ∆𝐼 ∆𝑉 ∆𝐼 ∆𝑉 ∆𝐼 ∆𝑉 𝐼 𝑉 𝐼 𝑉 𝐼 𝑉

Sơ đồ thuật toán INC như sau [5]:

Hình 3.7. Sơ đồ thuật toán INC

Sơ đồ thuật toán hình 3.7 giải thích sự hoạt động của thuật toán INC điều khiển theo

điện áp tham chiếu Vref. Giá trị dòng điện và điện áp của PV được đo và sau đó sử dụng

các giá trị tức thời và giá trị trước đó để tính toán các giá trị gia tăng ∆I và ∆V. Thuật

toán sẽ kiểm tra điều kiện của phương trình ở hình 3.7. Nếu điểm hoạt động nằm phía

bên trái điểm MPP thì chúng ta phải di chuyển nó sang bên phải bằng cách tăng điện áp

∆𝐼

𝐼

của pin mặt trời. Nếu điểm hoạt động nằm bên phải điểm MPP thì chúng ta lại phải di

∆𝑉

𝑉

chuyển nó sang bên trái tức là phải giảm điện áp pin mặt trời. Nếu điều kiện = −

được thỏa mãn (điểm MPP) thì thuật toán này sẽ bỏ qua quá trình điều chỉnh điện áp

[30].

Đặc điểm quan trọng của thuật toán này là phát hiện điều kiện của môi trường. Nếu

điểm hoạt động vẫn ở điểm MPP (điều kiện ΔV = 0) và điều kiện bức xạ không thay đổi

(ΔI = 0) thì sẽ không phải điều chỉnh điện áp hoạt động. Nếu như bức xạ tăng khi ΔI >0

thì điện áp MPP giảm nên thuật toán INC phải tăng điện áp hoạt động để theo dõi điểm

MPP. Nếu bức xạ giảm khi ΔI < 0 dẫn tới điện áp điểm MPP cao hơn, phải giảm điện

áp hoạt động để theo dõi điểm MPP. Vào chu kỳ cuối nó sẽ cập nhật lịch sử bằng cách

lưu các giá trị điện áp và dòng điện hiện tại và sẽ sử dụng chúng như là các giá trị trước

đó cho chu kỳ tiếp theo [30].

Nhược điểm của thuật toán này so với thuật toán P&O là mạch điều khiển phức

tạp, nó sử dụng hai cảm biến để đo giá trị dòng điện và điện áp nên chi phí lắp đặt cao.

Ưu điểm của phương pháp này là cho kết quả tốt ngay cả khi bức xạ thay đổi

nhanh. Phương pháp này cũng cho dao động quanh điểm MPP nhỏ nên giảm được tổn

thất cho hệ thống PV [117]. Với những ưu điểm này tác giả chọn thuật toán INC để

nghiên cứu và phát triển.

3.2.2 Phương pháp điều khiển logic mờ (FLC)

Phương pháp Fuzzy Logic còn được gọi là phương pháp điều khiển thông minh,

phương pháp này khắc phục được những hạn chế của phương pháp P&O và INC truyền

thống [110, 113]. Về cơ bản, điều khiển Fuzzy Logic bao gồm 3 giai đoạn, trong đó là

khâu mờ hóa (fuzzificatioin), cơ sở luật (fuzzy rule base table) và giải mờ

(defuzzification). Trong giai đoạn mờ hóa, mục đích chính là chuyển các biến số thành

ngôn ngữ mờ. Độ chính xác của Fuzzy Logic bị ảnh hưởng rất lớn bởi số lượng hàm

thành viên (membership function), số lượng hàm thành viên cao hơn, độ chính xác của

thuật toán sẽ cao hơn. Thông thường, phạm vi của hàm thành viên là từ 5-7 [31]. Ví dụ

5 hàm thành viên ở hình 3.8. bao gồm NB (negative big), NS (negative small), ZE

(zero), PS (positive small), và PB (positive big). Biến số ab được xác định giá trị trong

mỗi hàm thành viên.

Hình 3.8. Hàm thành viên

Trong ứng dụng MPPT ở pin mặt trời, các thông số đầu vào của điều khiển Fuzzy

Logic là giá trị sai số E và sự thay đổi của sai số ΔE. Tuy nhiên sự lựa chọn của sai số

phụ thuộc hoàn toàn vào sự hiểu biết của người thiết kế ứng dụng đối với công việc thiết

kế và hệ thống PV, đa số sẽ lựa chọn độ dốc của đường cong P-V, dP/dV như một

phương trình sai số bởi vì nó đạt giá trị 0 khi điểm vận hành ở điểm MPP. Phương trình

(3.10) và (3.11) mô tả sai số và sự thay đổi của sai số. Trong nghiên cứu ở [32] tác giả

sử dụng dP và dV là biến số đầu vào của điều khiển Fuzzy Logic.

(3.10) 𝐸(𝑘) = 𝑃(𝑘) − 𝑃(𝑘 − 1) 𝑉(𝑘) − 𝑉(𝑘 − 1)

(3.11) ∆𝐸(𝑘) = 𝐸(𝑘) − 𝐸(𝑘 − 1)

Đầu ra của điều khiển Fuzzy Logic là độ rộng xung của khóa công suất trong bộ

biến đổi công suất hoặc điện áp tham chiếu. Vì thế, ở giai đoạn xác định luật mờ được

tạo ra phụ thuộc sự kết hợp giữa đầu ra và đầu vào. Sự kết hợp khác nhau sẽ dẫn đến kết

quả ngôn ngữ đầu ra khác nhau và phụ thuộc vào kiểu bộ biến đổi công suất được sử

dụng và trình độ người thiết kế. Bảng 3.1 minh họa một ví dụ của luật mờ áp dụng trong

bộ biến đổi Boost, trong đó đầu ra là giá trị điện áp tham chiếu. Ví dụ, nếu điểm vận

hành ở xa phía bên phải điểm MPP thì giá trị sai số E là NB. Trong khi đó, nếu sự thay

đổi của ΔE là PB, có nghĩa là hệ thống được nhiễu loạn ra xa về phía bên phải điểm

MPP, vì thế bộ điều khiển cần xuất ra giá trị giảm độ rộng xung PWM cycle, NB để duy

chuyển điểm vận hành về phía bên trái tiếp cận điểm MPP.

Bảng 3.1. Bảng luật mờ

Cuối quá trình là giai đoạn giải mờ (defuzzification), các biến ngôn ngữ được

chuyển đổi thành giá trị số để xác định sự thay đổi của độ rộng xung PWM hoặc điện

áp tham chiếu. Phương pháp được sử dụng phổ biến nhất trong giai đoạn giải mờ là

Center of Gravity (COG) với phương trình toán học như (3.12) [117].

(3.12) ∆𝐷 = ∑[𝑌(𝑘) ∗ 𝐹(𝑘)] ∑[𝑌(𝑘)]

Với Y(k) là hệ số trọng tâm, F(k) là hệ số nhân dựa vào hàm thành viên và ΔD là sự

thay đổi độ rộng xung PWM cycle.

Ưu điểm chính của thuật toán Fuzzy Logic là khả năng xử lý đầu vào mơ hồ và

không tuyến tính. Bên cạnh đó phương pháp không cần độ chính xác của tín hiệu đầu

vào mà chấp nhận sai nhiễu của tín hiệu. Như được nghiên cứu ở [33] thuật toán Fuzzy

Logic đạt quá độ nhanh và hiệu suất cao khi điều kiện môi trường thay đổi. Tuy nhiên

phương pháp này phụ thuộc rất nhiều vào kinh nghiệm của người thiết kế và tính chất

của ứng dụng để xác định sai số và bản luật mờ phù hợp [31].

3.2.3 Phương pháp mạng nơron (NN)

Bên cạnh điều khiển Fuzzy Logic, mạng thần kinh nhân tạo là một phương pháp

khác phù hợp với vận hành của vi xử lý và xử lý tín hiệu số. Trong đó, vận hành của

thiết bị dựa vào lập trình. Cả 2 phương pháp này đều cần khả năng lập trình và kinh

nghiệm của người thiết kế để đảm bảo hệ thống vận hành như mong muốn.

Thông thường, cấu trúc cơ bản của một mạng đơn thần kinh bao gồm 3 lớp khác

nhau, trong đó là lớp đầu vào, lớp ẩn và lớp đầu ra như trình bày ở hình 3.9 [34]. Các

đặc tính như số lượng các nút đầu vào và số lượng các lớp ẩn được định nghĩa bởi người

thiết kế. Như mô tả ở [29], số lượng lớp ẩn càng cao, độ chính xác của hệ thống càng

cao. Thông thường trong ứng dụng MPPT ở pin mặt trời, đầu vào của điều khiển mạng

thần kinh có thể là bất kỳ hoặc kết hợp như điều kiện thời tiết (bức xạ, nhiệt độ) hoặc

thông số của pin (Voc, Isc), trong khi đầu ra chỉ có thể là một, hoặc độ rộng xung PWM

cycle hoặc điện áp tham chiếu.

Hình 3.9. Mạng Neural cơ bản

Trong mạng thần kinh Neural, ngoài yếu tố là số lượng của lớp ẩn, một nhân tố

quan trọng khác góp phần vào độ chính xác của hệ thống là sự đào tạo (training given).

Bởi vì mỗi mảng pin quang điện có đặc tính khác nhau, vì vậy, sự đào tạo được đưa ra

để hệ thống có thể tương đương một mảng pin quang điện cụ thể. Theo quá trình đào

tạo, mẫu của đầu vào và đầu ra sẽ được quan sát và ghi lại theo thời gian, trong đó thời

gian có thể được duy trì vài tháng hoặc 1 năm. Từ kết quả của quá trình đào tạo, giá trị

của mỗi liên kết ví dụ như wij được xác định chính xác.

Nghiên cứu ở [34] đề xuất một mô hình đa cấp Neural – Fuzzy cho ứng dụng MPPT,

trong đó bao gồm điều khiển Fuzzy Logic và 3 mức cung cấp đến mạng Neural. Hệ

thống này được chứng minh mang lại hiệu suất cao hơn và phù hợp với hoạt động phức

tạp, phi tuyến của pin mặt trời dưới điều kiện thời tiết thay đổi nhanh chóng so với mạng

Neural truyền thống.

Tuy nhiên, bất lợi của thuật toán Neural là hệ thống cần phải đào tạo định kỳ để

chắc chắn độ chính xác cao bởi vì đặc tính của tấm pin sẽ thay đổi theo thời gian.

3.2.4 Phương pháp phân đoạn điện áp hở mạch (VOC)

Phương pháp phân đoạn điện áp hở mạch (VOC), còn được gọi là thuật toán hằng

số điện áp, cung cấp một thuật toán đơn giản để thực hiện MPPT. Phương pháp này sử

dụng quan hệ tuyến tính giữa Vmpp và VOC như phương trình (3.13) bên dưới:

(3.13) 𝑉𝑀𝑃𝑃 = 𝐾𝑂𝐶 ∗ 𝑉𝑂𝐶

Trong đó KOC là hằng số tỉ lệ. Giá trị của KOC thay đổi bởi dãy pin sử dụng, nhiệt độ và

cả bức xạ [28, 35], giá trị KOC thường được chọn từ 0.71-0.78. Giá trị KOC có thể thu

được từ đặc tính của tấm pin thông qua công suất quan sát được dưới điều kiện tải.

Sau khi biết giá trị của KOC, Vmpp có thể thu được bằng cách sử dụng phương trình

(3.13) được thực hiện bằng cách đo điện áp hở mạch VOC. Mặc dù thực hiện phương

pháp này rất đơn giản, có thể thực hiện bằng thuật toán tương tự không cần sử dụng vi

điều khiển hay xử lý tín hiệu số. Tuy nhiên, thuật toán này tồn tại một số nhược điểm

không thể bỏ qua. Điện áp hở mạch chịu ảnh hưởng rất lớn bởi nhiệt độ, nên phải thường

xuyên hở mạch để đo điện áp đầu ra của tấm pin, dẫn đến hiệu suất thấp do tổn thất công

suất trong quá trình đo và do sai số khi xác định giá trị KOC. Bên cạnh đó phương pháp

này cũng không thể theo dõi điểm MPP trong điều kiện bức xạ thay đổi nhanh chóng.

Phương pháp này không tìm được chính xác điểm MPP bởi vì sử dụng công thức gần

đúng trong mối quan hệ giữa VOC và Vmpp. Để khắc phục những hạn chế của phương

pháp này, một số phương pháp được đề xuất, một trong những phương pháp đó là sử

dụng một tế bào pin mặt trời nhỏ để phục vụ đo lường thay vì sử dụng tấm pin của hệ

thống. Từ đó, các đặc tính của tấm pin mặt trời lớn có thể đo được mà không ảnh hưởng

nhiều đến hiệu suất của hệ thống. Tuy nhiên, các tấm pin mặt trời thí điểm cần phải điều

chỉnh để phù hợp với tấm pin của hệ thống sử dụng, tuy nhiên việc này sẽ làm chi phí

của hệ thống tăng lên.

Một số nghiên cứu thực hiện với phương pháp này đã phát hiện giá trị hằng số KOC

sẽ thay đổi khi tấm pin mặt trời bị che hoặc do bám bụi bẩn. Do đó, phải thường xuyên

vệ sinh bề mặt các tấm pin mặt trời, điều này làm tăng tính phức tạp và chi phí vận hành

của hệ thống.

3.2.5 Phương pháp phân đoạn dòng ngắn mạch (ISC)

Phương pháp này sử dụng kỹ thuật giống với phương pháp VOC, trong đó quan hệ

tuyến tính giữa dòng điện ngắn mạch ISC và dòng điện Impp như phương trình (3.14)

(3.14) 𝐼𝑀𝑃𝑃 = 𝐾𝑆𝐶 ∗ 𝐼𝑆𝐶

KSC là hằng số tỉ lệ và giá trị được lấy từ 0.78-0.92 [28], so với phương pháp phân đoạn

điện áp hở mạch, phương pháp này phức tạp hơn do phải ngắn mạch có chu kỳ của tấm

pin để xác định giá trị dòng ngắn mạch ISC. Hạn chế tương tự với phương pháp phân

đoạn điện áp hở mạch là không theo dõi chính xác điểm MPP do sử dụng công thức gần

đúng (3.14) mà trong đó có hằng số tỉ lệ KSC sẽ thay đổi nhiều khi bóng che hay tấm pin

bị bám bụi.

3.2.6 Phương pháp điều khiển gợn sóng tương quan (RCC)

RCC là phương pháp áp dụng kỹ thuật giống phương pháp Hill-Climbing, sử dụng

độ nhấp nhô của dòng điện hoặc điện áp để xác định vị trí MPP. Bộ chuyển đổi DC/DC

phải tạo ra độ dao động dòng điện hoặc điện áp. Phương pháp này tương quan giữa thời

gian thay đổi công suất và thời gian thay đổi điện áp hoặc dòng điện để duy chuyển điểm

vận hành đến MPP, như thể hiện ở phương trình (3.15) và (3.16).

(3.15) 𝑑(𝑡) = −𝑘 ∫ 𝑑𝑃 ∗ 𝑑𝑉𝑑𝑡

(3.16) 𝑑(𝑡) = −𝑘 ∫ 𝑑𝑃 ∗ 𝑑𝐼𝑑𝑡

Về cơ bản, phương trình được sử dụng trong thuật toán RCC liên quan đến tích phân và

đạo hàm của sự thay đổi công suất theo thời gian với dòng điện hoặc điện áp từ đó xác

định giá trị độ rộng xung PWM cycle. Trong đó k là một hằng số dương.

3.3 Nghiên cứu phát triển thuật toán độ dẫn gia tăng trong điều khiển bám điểm

công suất cực đại

Do INC với P&O là một trong hai thuật toán phổ biến, được ứng dụng nhiều trong

việc theo dõi MPP của hệ thống PV. Hiệu suất của thuật toán cũng khá cao, cũng như

việc triển khai, ứng dụng thuật toán dễ dàng, tốc độ theo dõi cao và hiệu quả tốt. Ngoài

ra thuật toán này tập trung trực tiếp vào biến đổi công suất, trong đó độ dẫn và độ dẫn

gia tăng của mảng PV được tính toán ngay tức thì, tăng lên ở bên trái của MPP và giảm

ở phía bên phải của MPP.

Mặt khác, thuật toán INC hạn chế dao động tại MPP hơn thuật toán P&O ngay cả

trong điều kiện bức xạ mặt trời thay đổi và cả nhiệt độ thay đổi [117], đây là lý do quan

trọng mà tác giả quyết định chọn thuật toán INC để nghiên cứu và phát triển thay vì

chọn thuật toán P&O. Chúng ta có thể so sánh tín hiệu ra gồm dòng điện, điện áp, công

suất của hệ thống PV với thuật toán INC và P&O trong điều kiện bức xạ thay đổi như

hình 3.10 và nhiệt độ thay đổi như hình 3.11 sau [117]:

a) Dòng điện

b) Điện áp

c) Công suất

Thuật toán INC

Thuật toán P&O

Hình 3.10. Trường hợp bức xạ thay đổi

a) Dòng điện

b) Điện áp

c) Công suất

Thuật toán INC

Thuật toán P&O

Hình 3.11. Trường hợp nhiệt độ thay đổi

3.3.1 Theo dõi MPP bằng thuật toán INC truyền thống

Bộ điều khiển công suất cực đại (MPPT) sẽ đo giá trị điện áp PV và dòng điện PV,

sau đó dựa vào những phép tính và điều kiện của thuật toán MPPT để tính toán giá trị

điện áp quy chiếu Vref để điều chỉnh điện áp làm việc của của PV theo Vref. Nhiệm vụ

của thuật toán MPPT chỉ là định giá trị điện áp Vref và việc tính toán này sẽ được lặp lại

theo chu kỳ (thường khoảng từ 1 đến 10 lần lấy mẫu trong 1 giây). Khối PWM điều chế

xung để đưa vào bộ biến đổi DC/DC. Khối PWM có nhiệm vụ bù sai lệch giữa điện áp

Vref và điện áp đo được bằng cách điều chỉnh hệ số đóng cắt D của bộ biến đổi công suất

DC/DC. Nếu coi D là một biến điều khiển thì lưu đồ thuật toán INC truyền thống được

viết lại như hình 3.12.

Khi đưa biến điều khiển D vào để điều khiển điện áp tham chiếu Vref thông qua bộ

biến đổi DC/DC, một vấn đề nảy sinh đó là kích thước bước nhảy của thuật toán ảnh

hưởng đến hiệu quả của MPPT. Trong lưu đồ thuật toán hình 3.12 kích thước bước này

được cố định, và được khởi tạo bằng ∆𝐷𝑚𝑎𝑥: 50

(3.17) 𝐷(𝑘) = ∆𝐷𝑚𝑎𝑥 = 𝑚𝑎𝑥{|𝐷(𝑘) − 𝐷(𝑘 − 1)|}, 𝑘 = 1: 𝑛̅̅̅̅̅

Sự cố định về kích thước bước nhảy cố định ảnh hưởng đến hiệu quả điều khiển

MPPT của thuật toán INC. Nếu kích thước bước lớn thì hệ thống nhanh đạt tới trạng

thái MPP, nhưng độ dao động quanh điểm MPP lại lớn, làm giảm hiệu suất của MPPT.

Và ngược lại, nếu kích thước bước nhỏ, thì thời gian để hệ thống PV đạt tới trạng thái

MPP lại lâu. Sự hạn chế này được khắc phục bằng việc phát triển thuật toán INC với

kích thước bước nhảy tự điều chỉnh sẽ được trình bày ở phần tiếp theo.

Dựa trên lưu đồ hình 3.12 trên thuật toán INC truyền thống bao gồm các bước cơ

bản như sau:

Bước 1: Khởi tạo giá trị các tham số đầu vào ban đầu, đo giá trị dòng điện Ipv , điện áp

Vpv từ pin mặt trời.

Bước 2: Tính giá trị công suất Ppv và các độ biến thiên công suất dP, độ biến thiên điện

áp dV và độ biến thiên dòng điện dI.

Bước 3: Vòng lặp INC so sánh các giá trị dV, dI, dV/dI.

Bước 4: Xác định giá trị độ rộng xung D cho khóa công suất ở bước tiếp theo và quay

trở lại bước 1.

Hình 3.12. Lưu đồ thuật toán INC với biến D cố định

3.3.2 Phát triển thuật toán INC nhằm đạt MPP nhanh

Như đã đề cập ở trên, thuật toán INC truyền thống thực hiện theo dõi MPP dựa

trên kích thước bước nhảy cố định [6]. Điều này dẫn đến, thuật toán hội tụ chậm và dao

động xung quanh MPP mạnh dẫn tới hiệu suất của hệ thống PV thấp. Hoạt động thất bại

trong điều kiện khí quyển thay đổi nhanh chóng và chúng có thể bị lạc và theo dõi MPP

sai hướng trong điều kiện khí quyển thay đổi nhanh chóng. Việc đạt MPP nhanh có thể

đạt được với kích thước bước nhảy lớn hơn nhưng dẫn đến dao động quá mức lúc hệ

thống đạt trạng thái ổn định là không thể tránh khỏi, kích thước bước nhảy nhỏ hơn có

thể làm giảm dao động tại MPP nhưng tốc độ hội tụ chậm hơn. Giải quyết những tình

huống khó xử này, nhiều nghiên cứu đã đưa công thức bước nhảy biến đổi và đã được

công bố trên các tạp chí nổi tiếng [41-47]. Trong đó, việc đề xuất phát triển thuật toán

INC truyền thống thành thuật toán INC thay đổi kích thước bước nhảy tự động theo các

đặc tính mảng PV. Tùy thuộc vào từng điều kiện hoạt động, kích thước bước nhảy nên

có sự cân bằng thỏa đáng giữa tốc độ đạt MPP và dao động quanh MPP. Do đó, theo

nguyên tắc cơ bản của MPPT tác giả đề xuất một bước nhảy thay đổi mới của thuật toán

INC nhằm mục đích giúp hệ thống đạt được MPP nhanh chóng.

Phương pháp xác định kích thước bước nhảy tự điều chỉnh sẽ được xác định như

Từ đường đặc tính P – V ở hình 3.6 có thể thấy lượng thay đổi dP/dV có liên hệ

với kích thước bước của thuật toán INC. Giá trị D của bộ biến đổi DC/DC của chu kỳ

này sẽ được tăng hoặc giảm một lượng dP/dV của chu kỳ đó. Điều này được thể hiện

như công thức sau:

(3.18) | 𝐷(𝑘) = 𝐷(𝑘 − 1) ± 𝑁 ∗ | 𝑑𝑃 𝑑𝑉 − 𝑑𝐼

Trong đó: N là tham số, tham số này sẽ quyết định kích thước bước trong thuật toán

INC.

Từ công thức ta thấy khoảng cách bước nhảy DD không cố định mà thay đổi:

DD = N*(dP/(dV – dI))

Với N là một hệ số điều chỉnh, nếu ta chọn N là một hằng số cố định khi đó DD chỉ phụ

thuộc vào dP/(dV–dI).

Đồ thị mối quan hệ giữa P-V và dP/(dV–dI) –V ; I-V và dP/(dV–dI) –V như sau:

Hình 3.13. Đặc tuyến P-V và dP/(dV–dI) –V

Hình 3.14. Đặc tuyến I-V và dP/(dV–dI) –V

Từ đồ thị ta thấy kích thước bước nhảy DD thay đổi lớn ở phía xa bên phải và bên

trái điểm công suất cực đại, càng về gần phía điểm công suất cực đại bước nhảy càng

nhỏ dần và tại điểm công suất cực đại bước nhảy bằng 0.

Ta có thể viết lại công thức (3.18) trên như sau:

| 𝐷(𝑘) = 𝐷(𝑘 − 1) ± 𝑁 ∗ | (3.19) 𝑃(𝑘) − 𝑃(𝑘 − 1) (𝑉(𝑘) − 𝑉(𝑘 − 1)) − (𝐼(𝑘) − 𝐼(𝑘 − 1))

Khi hệ thống trong quá trình khởi động thì điểm làm việc còn cách xa với MPP,

nên kích thước bước nhảy lúc này cần phải lớn để tăng tốc độ đạt MPP của hệ PV. Bởi

vậy, tại thời điểm ban đầu, thuật toán có thể sử dụng kích thước bước step = ∆𝐷𝑚𝑎𝑥. Khi

hệ thống đã gần đến MPP, kích thước bước phải điều chỉnh nhỏ đi để giảm sự dao động

của hệ thống quanh MPP. Và để đảm bảo tính hồi quy của hệ thống, kích thước bước

phải được giới hạn như công thức (3.20) sau:

𝑠𝑡𝑒𝑝=∆𝐷𝑚𝑎𝑥

𝑃(𝑘)−𝑃(𝑘−1)

| 𝑁 ∗ | < ∆𝐷𝑚𝑎𝑥 (3.20) 𝑃(𝑘) − 𝑃(𝑘 − 1) (𝑉(𝑘) − 𝑉(𝑘 − 1)) − (𝐼(𝑘) − 𝐼(𝑘 − 1))

(𝑉(𝑘)−𝑉(𝑘−1))−(𝐼(𝑘)−𝐼(𝑘−1))

𝑠𝑡𝑒𝑝=∆𝐷𝑚𝑎𝑥

| Trong đó: | là giá trị được xác định tại thời điểm

khởi động của phương pháp INC với kích thước bước nhảy cố định. Từ công thức (3.20)

ta có thể xác định được tham số N theo công thức (3.21) sau:

𝑠𝑡𝑒𝑝=∆𝐷𝑚𝑎𝑥

| 𝑁 < ∆𝐷𝑚𝑎𝑥: | (3.21) 𝑃(𝑘) − 𝑃(𝑘 − 1) 𝑉(𝑘) − 𝑉(𝑘 − 1) − (𝐼(𝑘) − 𝐼(𝑘 − 1))

Xác định được tham số N đó chính là bước then chốt trong việc phát triển phương

pháp INC với kích thước bước tự điều chỉnh. Tại thời điểm khởi động, tham số N càng

lớn thì hệ thống càng nhanh đạt đến trạng thái MPP. Khi gần đến điểm MPP thì hệ thống

sẽ tự động điều chỉnh N để kích thước bước nhỏ đi nhằm giảm độ dao động của hệ thống

quanh MPP, qua đó nâng cao chất lượng của thuật toán MPPT.

Đây chính là ưu điểm của sự phát triển trong phương pháp INC với kích thước

bước nhảy tự điều chỉnh này. Sơ đồ lưu đồ của thuật toán MPPT INC có bước thay đổi

được trình bày trong hình 3.15.

Thuật toán phát triển này chỉ làm thay đổi trong phần mềm của hệ thống MPPT

bằng việc xác định thêm điều kiện ràng buộc bước nhảy trong vòng lặp mà không phát

sinh thêm bất kỳ một kết cấu phần cứng nào. Ưu điểm của thuật toán là đơn giản, dễ

thực hiện. Mục tiêu của việc áp dụng bước nhảy thay đổi này là để tăng tốc độ hội tụ

của thuật toán khi có sự thay đổi bức xạ của mặt trời. Khi ấy, điểm vận hành sẽ được

thay đổi nhanh chóng bằng một giá trị D đủ lớn.

Mặc dù, đề xuất này có ưu điểm đáng kể như nêu trên nhưng vẫn tồn tại nhược

điểm là dao động quanh MPP lớn. Nhược điểm này sẽ được giải quyết trong phần tiếp

theo của luận án.

Dựa trên lưu đồ hình 3.15 trên thuật toán INC có bước nhảy tự điều chỉnh bao gồm

các bước cơ bản như sau:

Bước 1: Khởi tạo giá trị các tham số đầu vào ban đầu, đo giá trị dòng điện Ipv , điện áp

Vpv từ pin mặt trời.

Bước 2: Tính giá trị công suất Ppv và các độ biến thiên công suất dP, độ biến thiên điện

áp dV và độ biến thiên dòng điện dI, kích thước bước nhảy thay đổi step =

N*abs(dP/(dV-dI)).

Bước 3: Vòng lặp INC so sánh các giá trị dV, dI, dV/dI.

Bước 4: Xác định giá trị độ rộng xung D cho khóa công suất ở bước tiếp theo và quay

trở lại bước 1.

Hình 3.15. Lưu đồ thuật toán INC với kích thước bước nhảy thay đổi nhằm mục đích hội

tụ nhanh

3.3.3 Phát triển thuật toán INC nhằm giảm dao động quanh MPP

Khi hệ thống ở trạng thái xác lập, các giá trị biến thiên công suất không lớn, thì

một giá trị bước nhảy càng nhỏ sẽ càng giảm độ dao động, giảm tổn thất công suất cho

hệ thống. Trong thuật toán đề xuất này, đề tài cũng áp dụng một giá trị bước nhảy có độ

lớn giảm dần về giá trị 0, để giảm độ dao động của công suất khi đạt MPP.

(3.22) |𝑑𝑃| < 𝜀 => ∆𝐷(𝑘) = ∆𝐷(𝑘 − 1) 𝛼

Với điều kiện như biểu thức (3.22), bước nhảy tiếp theo sẽ được xác định dựa

vào độ biến đổi của bước nhảy phía trước, và nếu công suất thay đổi nhỏ, thì giá trị bước

nhảy sẽ giảm dần với một hệ số chia α, và giá trị α này thường được chọn là 2.

Hình 3.16. Lưu đồ thuật toán INC với kích thước bước nhảy thay đổi nhằm mục đích

giảm dao động tại MPP

Mục tiêu của thuật toán INC phát triển này là cải thiện tốc độ đạt MPP và giảm

dao động khi đã đạt được MPP. Như thuật toán MPPT INC truyền thống, thuật toán đề

xuất sử dụng 2 cảm biến đo lường dòng điện và điện áp ở đầu ra pin mặt trời và xuất

xung PWM điều khiển khóa công suất trong mạch Boost. Phương pháp kết hợp có sơ

đồ như hình 3.16 .

Dựa trên lưu đồ hình 3.16 trên thuật toán INC có bước nhảy tự điều chỉnh bao gồm

các bước cơ bản như sau:

Bước 1- Khởi tạo và đo lường: thuật toán khởi tạo các giá trị tham số ban đầu, đọc giá

trị dòng điện và điện áp pin mặt trời, sau đó tính công suất. Các giá trị biến thiên dòng

điện, điện áp và công suất cũng được xác định trong bước này, sau khi tính các giá trị

tại thời điểm k, các biến sẽ được lưu giá trị để tính cho vòng lặp sau.

(3.23) {

𝑃𝑘 = 𝐼𝑘 ∗ 𝑉𝑘 𝑑𝑃 = 𝑃𝑘 − 𝑃𝑘−1 𝑑𝐼 = 𝐼𝑘 − 𝐼𝑘−1 𝑑𝑉 = 𝑉𝑘 − 𝑉𝑘−1

Bước 2 - Xác định bước nhảy: ở bước này, đề tài xác định độ biến thiên công suất so với

một giá trị ngưỡng ɛ như điều kiện (3.24):

(3.24) |𝑑𝑃| < 𝜀 => ∆𝐷(𝑘) = ∆𝐷(𝑘 − 1) 2

Điều kiện này xác định trạng thái ổn định, bởi vì độ biến thiên công suất nằm trong

ngưỡng dao động khi đã tìm được công suất cực đại. Nếu với thuật toán INC truyền

thống thì công suất sẽ dao động quanh MPP, bởi vì độ rộng xung PWM lúc này đang

vận hành ở 3 mức như đã trình bày trong các phần trước. Tuy nhiên, nếu sử dụng điều

kiện ràng buộc (3.24), giá trị ΔD sẽ giảm dần với hệ số dương α, tác giả chọn α=2 để

chia nhỏ khoản biến thiên độ rộng xung dần về 0.

Nếu giá trị độ lớn của dP lớn hơn giá trị ngưỡng ε, thì hệ thống chưa đạt MPP hoặc

đang có sự thay đổi điều kiện bức xạ. Tác giả sử dụng công thức thay đổi bước nhảy

theo giá trị độ dốc của đường cong P-V với một hệ số nhân N dương như (3.22)

(3.25) | |𝑑𝑃| > 𝜀 =≥ ∆𝐷(𝑘) = 𝑁 ∗ | 𝑑𝑃 𝑑𝑉 − 𝑑𝐼

Bước 3 - Xác định MPP: sau khi xác định được giá trị bước nhảy cần thiết, thuật toán

thực hiện kiểm tra giá trị biến thiên của công suất và điện áp để xác định chiều của bước

nhiễu loạn tiếp theo.

Bước 4: Xác định giá trị độ rộng xung D cho khóa công suất ở bước tiếp theo và quay

trở lại bước 1.

Qua các đề xuất phát triển thuật toán INC truyền thống như trên thì ta có được tốc

độ đạt MPP của thuật toán INC nhanh hơn, khi đã đạt được MPP thì giảm được dao

động quanh MPP so với INC truyền thống. Kết quả này nhằm mục đích giảm tổn thất

cho hệ thống PV, góp phần nâng cao hiệu suất cho toàn hệ thống. Kết quả mô phỏng để

kiểm chứng các đề xuất phát triển sẽ được tác giả trình bày trong phần tiếp theo.

3.4 Nghiên cứu phát triển thuật toán tối ưu bầy đàn trong điều khiển bám điểm

công suất cực đại

Trong mục này tác giả nghiên cứu thuật toán tối ưu bầy đàn (PSO) một thuật toán

tối ưu hiện đại áp dụng để tìm điểm công suất cực đại cho hệ thống năng lượng điện mặt

trời nhằm cải thiện những nhược điểm của các thuật toán cổ điển. Đồng thời tác giả cũng

đề xuất áp dụng các phát triển mới của thuật toán PSO vào bộ MPPT của hệ thống điện

mặt trời nhằm tăng tốc độ đạt trạng thái tối ưu, tránh hiện tượng tối ưu cục bộ trong việc

tìm điểm công suất cực đại.

3.4.1 Thuật toán tối ưu bầy đàn (PSO)

3.4.1.1 Giới thiệu PSO

PSO (Particle Swarm Optimization) là một trong những kỹ thuật tính toán tiến hóa

được đề xuất bởi Eberhart và Kennedy vào năm 1995 [48,49]. Nó được phỏng theo hành

vi xã hội bởi các loài khác nhau để đáp ứng nhu cầu của chúng trong một không gian

tìm kiếm đa chiều. Ý tưởng về PSO bắt đầu từ cuộc sống nhân tạo và tâm lý xã hội, và

nó được phát triển trong kỹ thuật và khoa học máy tính. Nó bao gồm nhiều cá thể bay

qua một không gian đa chiều với vận tốc được xác định trước. Trong mỗi thế hệ, vận

tốc của mỗi cá thể được điều chỉnh ngẫu nhiên theo vị trí trước đó tốt nhất của chính cá

thể đó và vị trí tốt nhất của các cá thể vùng lân cận. Cần lưu ý rằng hai vị trí tốt nhất này

của mỗi cá thể tìm được dựa vào một hàm mục tiêu được xác định trước [50,51]. Chuyển

động của mỗi cá thể cho phép phát triển một giải pháp tối ưu hoặc gần tối ưu. Chuyển

động của mỗi cá thể không đều đặn trong không gian tìm kiếm, nên được gọi là “chuyển

động bầy đàn”.

PSO là một kỹ thuật tiến hóa dựa trên quần thể không phụ thuộc vào quy mô và

tính phi tuyến của hệ thống. Hơn nữa, PSO có khả năng hội tụ đến giải pháp tối ưu trong

nhiều trường hợp, trong khi các phương pháp phân tích tối ưu khác không thể hội tụ. Do

đó, PSO được sử dụng hiệu quả để giải quyết các vấn đề tối ưu hóa khác nhau trong

nhiều nghiên cứu gần đây. Có một số ưu điểm chính của PSO so với các phương pháp

tối ưu hóa hiện có như sau [52]:

1. Thuật toán PSO rất dễ thực hiện, trong đó chỉ một số ít tham số cần được điều

chỉnh.

2. Khả năng bộ nhớ của PSO hiệu quả hơn so với các thuật toán tối ưu hóa khác,

bởi vì mỗi cá thể không chỉ nhớ vị trí lịch sử tốt nhất của nó, mà còn dựa trên vị trí của

các cá thể vùng lân cận tốt nhất.

3. Sự đa dạng của bầy đàn được duy trì tốt hơn bằng cách sử dụng thuật toán PSO

[53], vì mỗi cá thể tự cải thiện bằng cách sử dụng thông tin liên quan đến cá thể tốt nhất,

trong khi các phương pháp tối ưu hóa khác chỉ lưu giải pháp tốt và loại bỏ những cá thể

xấu hơn và do đó sự tiến hóa của quần thể chỉ xảy ra xung quanh một tập hợp con của

các cá thể tốt nhất.

Sau đây sẽ giới thiệu về thuật toán tối ưu hóa bầy đàn. Sau khi trình bày các thông

tin cơ bản, khái niệm về PSO và công thức toán học của nó được mô tả. Tiếp theo, các

thuật toán PSO cho các vấn đề tối ưu hóa nhị phân liên tục được trình bày. Hơn nữa,

một phát triển mới của PSO tên là thuật toán tối ưu bầy đàn vi phân, được phát triển

trong phần sau. Thuật toán cải tiến này có thể giúp cá thể thoát ra khỏi vùng tối ưu cục

bộ, nâng cao hiệu quả của việc giải quyết các bài toán tối ưu hóa.

3.4.1.2 Tóm tắt lịch sử phát triển của PSO

PSO được đề xuất lần đầu tiên vào năm 1995 bởi Kennedy và Eberhart [48,49].

Khái niệm chi tiết về PSO đã được đề cập trong cuốn sách Swarm Intelligence [51].

PSO được phỏng theo hành vi xã hội của nhiều loài khác nhau (ví dụ: đàn chim, đàn cá

hoặc xã hội loài người) để đáp ứng nhu cầu tìm kiếm thức ăn của chúng trong không

gian đa chiều. Sự di chuyển đồng bộ của những con chim bên trong một bầy hoặc một

động vật trong đàn của chúng được nghiên cứu vào những năm 1980 [54,55]. Sự di

chuyển thực tế của bầy chim, đàn cá hoặc đàn động vật trên cạn được phân tích bởi các

nhà khoa học máy tính, trong khi đó các nhà động vật học chuyên nghiên cứu về động

lực học của chúng.

Vào năm 1987, sự di chuyển của các loài chim được mô phỏng dựa trên một bộ

quy tắc đơn giản cho mỗi cá thể. Reynold cho rằng thuật toán này rơi vào tối ưu cục bộ

và vì vậy nhận thức của từng con chim bị hạn chế trong khu vực địa phương của nó. Khi

Reynold mô phỏng sự di chuyển của một con chim, anh ta quan tâm đến mô hình, hình

dạng hình học, định hướng, vị trí và vận tốc của nó. Vận tốc được xác định bởi tốc độ

và hướng trong quá trình chuyển động của nó. Một số quy tắc được áp dụng cho từng

con chim như sau:

- Tránh va chạm: Mỗi cá thể cần tránh va chạm với những cá thể khác;

- Hòa hợp về vận tốc: Tốc độ và hướng của các thành viên trong đàn phải giống

nhau;

- Định tâm đàn: Những con chim được mô phỏng phải được ở cùng nhau, vì vậy

chúng cần di chuyển đến trung tâm của các cá thể gần đó.

Tóm lại, hành vi giống như bầy đàn được mô phỏng dựa trên cơ sở của các quy

tắc này và thỏa mãn một số điều kiện giới hạn bổ sung, chẳng hạn như vận tốc và gia

tốc tối đa trên mỗi cá thể.

Ngoài ra, các cá thể đã tương tác với nhau trong quá trình di chuyển của chúng;

kết quả là các mô hình chuyển động phức tạp đã được hình thành. Điều này giống với

thực tế chuyển động của bầy chim, đàn cá và đàn động vật trên cạn.

Sau Reynold, Reeves đã mở rộng khái niệm hệ thống bầy đàn này cho các vật thể

mờ như lửa, khói, mây hoặc nước [56]. Tuy nhiên, chúng ta không thể mô tả các đối

tượng này bằng cách sử dụng các phép biến đổi Affine đơn giản thường có trong đồ họa

máy tính. Do đó, Reeves đã sử dụng hàng triệu cá thể để mô phỏng các hệ thống như

vậy. Mỗi cá thể có hành vi riêng của nó như vị trí, vận tốc, màu sắc, độ trong suốt và

tuổi thọ. Một cá thể là một điểm trong ba chiều. Theo Reeves, vận tốc của mỗi cá thể

được xác định dựa trên các đặc tính của hệ thống, sau đó được thêm vào vị trí của nó.

Đây là nền tảng để xây dựng cấu trúc của PSO sau này.

Tương tự, Heppner và Grenander lại thể hiện chuyển động đồng bộ của các loài

chim bằng cách hiển thị một bộ quy tắc cho mỗi con chim [57]. Trong nghiên cứu của

họ, có một tổ để thu hút những con chim. Sau đó, mô hình này đã được mở rộng bởi

Kennedy và Eberhart [48]. Những con chim được mô phỏng trong mô hình có khả năng

đánh giá khoảng cách đến cái tổ. Khoảng cách này được gọi là trường vector. Trong quá

trình di chuyển, mỗi con chim cố gắng giảm thiểu khoảng cách này thông qua va chạm

với các cá thể khác trong đàn. Quá trình này chỉ được dừng lại khi trường véc tơ đáp

ứng được một giá trị cho trước. Ban đầu, Kennedy và Eberhart đã cố gắng mô phỏng

các quá trình tương tác cá thể dựa trên hành vi xã hội của con người [48]. Nó có nghĩa

là sự tương tác của các loài chim được phỏng theo các mô hình tâm lý xã hội về hành vi

của con người. Chúng ta cần lưu ý rằng hành vi của con người bao gồm niềm tin, suy

nghĩ và thái độ, là những điểm trong một không gian nhận thức đa chiều. Những người

sống trong cùng một môi trường, họ sẽ có những chuẩn mực và văn hóa tương tự nhau.

Do đó, để mô phỏng theo hành vi của con người, trong quá trình di chuyển trong không

gian ba chiều, các cá thể sẽ cố gắng để tránh va chạm. Nền tảng của PSO dựa trên mô

hình này, trong đó mỗi cá thể chứa ba đặc điểm chính [51], bao gồm khả năng tự đánh

giá môi trường, tức là nó có thể tự so sánh với các cá thể gần đó và nó sẽ bắt chước các

thành viên khác tốt hơn. Bằng cách sử dụng các nguyên tắc này, các cá thể được mô

phỏng có khả năng học hỏi từ những người khác để tự tối ưu hóa đến một mức độ nhất

định.

3.4.1.3 Khái niệm và công thức PSO

a. Khái niệm cơ bản

Nguyên tắc của PSO là dựa trên cơ sở khoa học xã hội và khoa học máy tính.

Ngoài ra, PSO sử dụng trí thông minh bầy đàn, để đáp ứng nhu cầu tìm kiếm thức ăn

của chúng trong không gian đa chiều. Để làm được điều này, cá thể có các hành vi tập

thể được tương tác cục bộ với môi trường của chúng để tạo ra các hàm tối ưu toàn cục.

Do đó, nền tảng của PSO có thể được thể hiện như sau:

 Khái niệm xã hội [51]

Có thể thấy rõ rằng trí thông minh của con người có kết quả từ sự tương tác xã

hội. Sự tương tác xã hội bao gồm đánh giá, so sánh, bắt chước người khác và nghiên

cứu từ kinh nghiệm. Dựa trên sự tương tác xã hội, con người có khả năng thích nghi với

môi trường và xác định niềm tin, thái độ, hành vi và các thuộc tính khác trên các cá nhân

trong tập thể để cải thiện bản thân.

Hơn nữa, có thể nhận thấy rằng văn hóa và nhận thức của con người là những thứ

không thể tách rời trong xã hội loài người, trong đó văn hóa tối ưu hóa nhận thức. Mặc

dù tất cả các tương tác xã hội là cục bộ, những hiểu biết và đổi mới được chuyển giao

từ cá nhân này đến các cá nhân khác bởi văn hóa; hơn nữa, sự kết hợp của nhiều kết quả

tối ưu hóa khác nhau thậm chí còn được cải thiện hơn. Hiệu ứng toàn cầu này phần lớn

là minh bạch đối với các tác nhân trong hệ thống, những người được hưởng lợi từ nó.

 Nguyên tắc “thông minh bầy đàn” [48-51, 57]

Mark Millonas (1994) đã đề xuất các nguyên tắc cơ bản của trí thông minh bầy đàn như

- Nguyên tắc xấp xỉ

- Nguyên tắc chất lượng

- Nguyên tắc đáp ứng đa dạng

- Nguyên tắc ổn định

- Nguyên tắc thích nghi

 Đặc tính tính toán [51]

Thuật toán bầy đàn được biết đến như là một phương pháp tính toán thông minh

(điện toán mềm) hữu ích. Thuật toán thông minh tính toán và điện toán mềm đều là sự

kết hợp của các thuật toán như thuật toán tiến hóa, logic mờ, mạng nơ ron và thông minh

nhân tạo. Điện toán mềm bao gồm các phần mềm tham số hóa của các phần tử như

AND, OR và NOT. Trên thực tế, trí thông minh bầy đàn cung cấp một mô hình hữu ích

để thực hiện các hệ thống thích nghi. Theo nghĩa này, nó là một phần mở rộng của thuật

toán tiến hóa. Các lĩnh vực ứng dụng bao gồm mô phỏng, kiểm soát và hệ thống chẩn

đoán trong kỹ thuật và khoa học máy tính.

Các thuật toán khác cũng tồn tại dựa trên trí thông minh bầy đàn, chẳng hạn như

thuật toán tối ưu hóa đàn kiến (ACO) [58-60], tìm kiếm khuếch tán ngẫu nhiên (SDS)

[61], tối ưu hóa bầy ong [62] và tối ưu dựa theo hoạt động sống của vi khuẩn [63,364].

b. PSO trong không gian số thực

PSO được phỏng theo hành vi xã hội và hợp tác của nhiều loài khác nhau để đáp

ứng nhu cầu tìm kiếm thức ăn của chúng trong không gian đa chiều. Thuật toán được

huấn luyện dựa trên kinh nghiệm cá nhân (Pbest), và kinh nghiệm tổng thể (Gbest) của

đàn và chuyển động hiện tại của các cá thể để quyết định vị trí tiếp theo của chúng trong

không gian tìm kiếm. Hơn nữa, các trải nghiệm của mỗi cá thể được tăng tốc bởi hai yếu

tố c1 và c2 và hai số ngẫu nhiên r1 và r2 ( hai số ngẫu nhiên này được tạo trong khoảng

[0, 1]), trong khi chuyển động hiện tại của cá thể được nhân với trọng số quán tính w

được lấy trong khoảng [wmin, wmax]. Khái niệm về PSO nguyên thể (được gọi là PSO)

được thể hiện bằng hai phương trình toán học dưới đây:

Giả sử rằng số lượng cá thể trong bầy có kích thước N chuyển động trong không

gian D chiều, vị trí ban đầu của mỗi cá thể là X = [X1, X2, ..., XN] T, trong đó 'T' biểu

2, ..., Xi, D]. Cần lưu ý rằng mỗi vectơ giải pháp (mỗi cá thể) được tạo ra ngẫu nhiên phải

thị toán tử chuyển vị. Mỗi cá nhân (cá thể) Xi (i = 1, 2, ..., N) được cho là Xi = [Xi, 1, Xi,

nằm trong giới hạn dưới và trên tương ứng của mỗi thành phần của chúng, nghĩa là đối

với cá thể thứ i thì LBj

và trên của thành phần thứ i của vectơ giải pháp. Ngoài ra, vận tốc ban đầu của các cá

thể được ký hiệu là V = [V1, V2, ..., VN] T. Do đó, vận tốc của mỗi cá thể Xi (i = 1, 2, ...,

N) được cho là Vi = [Vi,1, Vi, 2, ..., Vi, D]. Chỉ số i thay đổi từ 1 đến N trong khi chỉ số j

thay đổi từ 1 đến D. Trong PSO, vị trí của từng cá thể trong không gian tìm kiếm được

cập nhật theo hai phương trình sau [65];

(3.26)

(3.27)

Trong công thức (3.26), đại diện cho thành phần thứ i tốt nhất của cá nhân

thứ j; trong khi đó đại diện cho thành phần thứ j của cá thể tốt nhất trong đàn tính

đến lần lặp k. Bên cạnh đó, trong công thức (3.26), w là trọng lượng quán tính của vận

tốc của các cá thể được xác định trong công thức (3.28) dưới đây. Các giá trị của w được

sử dụng để giảm tuyến tính từ wmax xuống wmin khi phép lặp tăng dần tới giá trị tối đa

của nó. Về mặt toán học, điều này được thể hiện như sau:

(3.28)

Trong công thức (3.28), wmax và wmin là giới hạn dưới và trên của trọng lượng quán

tính, ite là số lần lặp hiện tại và maxite là số lần lặp tối đa được định trước.

Cần lưu ý rằng các vị trí mới thu được của mỗi cá thể phải nằm trong ranh giới

định trước của nó. Nếu bất kỳ thành phần nào của cá thể vi phạm ranh giới, thì thành

phần đó được đặt thành ranh giới vi phạm để đảm bảo cá thể luôn nằm bên trong không

gian tìm kiếm. Về mặt toán học, nó có thể được thể hiện như sau:

(3.29)

Giá trị Pbest ban đầu của mỗi cá thể là vị trí ban đầu của chúng trong khi giá trị

Gbest ban đầu là vị trí cá thể tốt nhất ban đầu trong đàn được khởi tạo ngẫu nhiên. Giá

trị Pbest và Gbest của mỗi cá thể được cập nhật như sau;

k (3.30)

Tại lần lặp thứ k:

k+1) < f (Pbestp

k) then Pbestp

k+1 = Xp

k+1else Pbestp

k+1 = Pbestp

k+1 else Gbestk+1 = Gbestk

If f (Xp

k+1) < f (Gbestk) then Gbestk = Xp

(3.31) If f (Xp

k) đưa ra giá trị của hàm mục tiêu tương ứng

trong đó f (·) là hàm mục tiêu với giá trị nhỏ nhất.

k là vị trí tốt nhất

Trong công thức (3.30) và (3.31), f (Xi

với vị trí của cá thể thứ i trong ma trận bầy đàn X ở lần lặp thứ k, Pbesti

của cá thể thứ i cho đến lần lặp k, Gbestk là vị trí của cá thể tốt nhất trong đàn cho đến

lần lặp k và b là chỉ số của cá thể tốt nhất trong quần thể tính tới lần lặp k. Vị trí tốt nhất

của bản thân cá thể thứ i có thể được viết là Pbesti = [Pbesti,1, Pbesti,2, ..., Pbesti,D] và vị

trí của cá thể tốt nhất trong đàn có thể được viết là Gbest = [Gbest1, Gbest2, .. ., GbestD].

Một khi vị trí tốt nhất của bản thân từng cá thể Pbest và vị trí tốt nhất của cá thể

trong đàn Gbest được tính bằng công thức (3.30) và (3.31), thì vận tốc V và vị trí X của

cá thể lại được cập nhật theo công thức (3.26) và (3.27). Quá trình này được lặp lại cho

đến khi đạt đến một số tiêu chí dừng được định trước. Các tiêu chí dừng đóng vai trò

quan trọng trong việc cải thiện tốc độ làm việc máy tính. Thông thường, hai loại tiêu chí

dừng được sử dụng là; a) số lần lặp tối đa đạt được và b) khi giải pháp trong lần lặp tiếp

theo không được cải thiện so với giải pháp của một số lần lặp trước đó.

Thuật toán PSO có thể được thể hiện bằng các bước sau:

Bước 1. Đặt các tham số của PSO: w, c1, c2

Bước 2. Khởi tạo vị trí ban đầu X và vận tốc ban đầu V của từng cá thể trong quần

k), với mọi p và tìm

thể.

k = f (Xp

Bước 3. Đánh giá mức độ phù hợp của từng cá thể Fp

chỉ số cá thể tốt nhất b

k = Xp

k, với mọi p và Gbestk = Xb

Bước 4. Chọn Pbestp

Bước 5. Đặt số lần lặp k = 1

k + 1), với

Bước 6. Cập nhật vận tốc và vị trí của từng cá thể

k + 1 = f (Xp

Bước 7. Đánh giá hàm mục tiêu cập nhật của từng cá thể Fp

mọi p và tìm chỉ số cá thể tốt nhất b1

Bước 8. Cập nhật Pbest của từng cá thể với ∀p

k + 1 < Fp

k thì Pbestp

k + 1 = Xp

k + 1, nếu sai Pbestp

k + 1 = Pbestp

Nếu Fp

Bước 9. Cập nhật Gbest của bầy đàn

k + 1

k thì Gbestk + 1 < Pbestb1

k + 1 và đặt b = b1

Nếu Fb1

nếu sai thì Gbestk + 1 < Gbestk

Bước 10. Nếu k < maxite thì k = k + 1 và thực hiện lại từ bước 6 nếu sai thì chuyển

sang bước 11

Bước 11. Thu được giải pháp tối ưu và từ đó in ra kết quả của giải pháp tối ưu là

Gbestk

Sơ đồ thuật toán của PSO được thể hiện trong Hình 3.17.

Bắt đầu

Kết thúc

Hình 3.17. Sơ đồ thuật toán của PSO

 Cấu trúc của PSO:

Các cá thể được “học” theo kinh nghiệm của: (1) cá nhân tốt nhất toàn cầu và (2)

cá nhân tốt nhất địa phương [51]. Trong khu vực của mình, mỗi cá nhân bị “thu hút” bởi

một giải pháp tốt nhất được tìm thấy bởi bất kỳ cá thể nào trong bầy đàn. Để thể hiện

điều này, một cấu trúc mạng với kết nối đầy đủ được trình bày trong Hình 3.18(a). Có

thể thấy trong hình 3.18(a) rằng mỗi cá nhân có thể truy cập vào thông tin của tất cả các 67

thành viên khác trong mạng. Đối với phương pháp tốt nhất tại địa phương, có hai cấu

trúc liên kết phổ biến nhất: cấu trúc liên kết vòng và cấu trúc liên kết dạng “bánh xe”.

Đối với cấu trúc liên kết vòng, mỗi cá nhân được kết nối với hai cá thể lân cận như trong

Hình 3.18(b), trong khi trong cấu trúc liên kết dạng “bánh xe”, các cá thể được phân lập

với nhau và tất cả thông tin được liên hệ với một cá thể trung tâm như trong Hình 3.18(c).

Hình 3.18. Cấu trúc mạng PSO

(a) tốt nhất toàn cục (b) cấu trúc vòng (c) cấu trúc “bánh xe”

 Lựa chọn tham số của PSO:

Đối với bất kỳ một thuật toán tối ưu hóa với dữ liệu lớn, việc lựa chọn tham số của

thuật toán đóng vai trò quan trọng trong việc đạt được hiệu suất tốt nhất của thuật toán.

Một số tham số cần xem xét, chẳng hạn như vận tốc tối đa, hằng số gia tốc, hệ số co

hoặc trọng số quán tính.

a) Chọn vận tốc tối đa:

Ở mỗi bước lặp, thuật toán thực hiện bằng cách điều chỉnh vận tốc mà mỗi cá thể

di chuyển theo mọi chiều của không gian tìm kiếm. Vận tốc của cá thể là một biến ngẫu

nhiên, do đó nó có thể tạo ra một quỹ đạo không kiểm soát được, làm cho cá thể đi theo

chu kỳ rộng hơn trong không gian tìm kiếm [48]. Để giảm các dao động này, vận tốc

của các cá thể cần được nằm trong các giới hạn trên và dưới [49], như sau:

(3.32)

Trong hầu hết các trường hợp, giá trị vận tốc tối đa được lựa chọn theo kinh nghiệm

dựa trên cơ sở các đặc điểm của vấn đề cần nghiên cứu. Cần lưu ý rằng nếu giá trị của

tham số này quá cao, thì các cá nhân có thể di chuyển một cách khó lường, vượt ra ngoài

một giải pháp tối ưu; ngược lại nếu giá trị này quá nhỏ, thì sự chuyển động của các cá

thể bị hạn chế và giải pháp tốt nhất có thể không đạt được.

Fan và Shi [70] đã đề xuất rằng hiệu suất của thuật toán PSO có thể được cải thiện bằng

cách thay đổi động phù hợp. Ngoài ra, Abido [71,72] cũng cho rằng xác định vận tốc tối

đa để đảm bảo vận tốc đồng đều trong mọi kích thước:

(3.33)

Trong đó N là số khoảng trong các chiều thứ k được người dùng chọn và xmax, xmin

là giá trị vận tốc tối đa và tối thiểu được phát hiện bởi các cá thể.

b) Chọn hằng số gia tốc:

Hằng số gia tốc c1 và c2 trong công thức (3.26) lần lượt kiểm soát chuyển động của

cá thể hướng tới vị trí tốt nhất của cá nhân và của quần thể. Các giá trị nhỏ của hằng số

gia tốc có thể hạn chế chuyển động của các cá thể, trong khi các giá trị hằng số gia tốc

lớn hơn có thể khiến các cá thể tách ra. Ozcan và Mohan đã thử nghiệm chuyển động

của một cá thể trong không gian một chiều để xem xét ảnh hưởng của các hằng số gia

tốc xác định này [51], [73]. Trong thí nghiệm của họ, hai hằng số gia tốc c1 và c2 được

coi là một hằng số gia tốc c = c1 + c2, vì các vị trí tốt nhất của cá nhân và toàn cầu có

cùng giá trị. Đối với các giá trị nhỏ hơn của hằng số gia tốc, quỹ đạo chuyển động của

các cá thể giống với dạng sóng hình sin; tuy nhiên, nếu giá trị hằng số gia tốc tăng lên,

các đường dẫn phức tạp của các quỹ đạo tuần hoàn đan xen vào nhau. Quỹ đạo chuyển

động chỉ đạt đến độ chính xác với các giá trị hằng số gia tốc lớn hơn 4.0.

Các tác giả trong [51], [73] đã đề xuất nên chọn c1 = c2 = 2. Hằng số gia tốc phải

bằng nhau vì trọng số đối với mỗi cá nhân có thể thay đổi theo đặc điểm của mỗi bài

toán.

c) Chọn hệ số co thắt hoặc trọng số quán tính

Có thể thấy rằng khi các hằng số vận tốc và gia tốc cực đại được xác định chính

xác, các cá thể vẫn có thể tách ra (được gọi là chuyển động đa hướng) của bầy. Kiểm

soát sự phân tán này có thể dựa trên hai thông số: hệ số co thắt [73-75] và trọng số quán

tính [76].

- Hệ số co thắt: Clerc và Kennedy đã đề xuất một hệ thống co thắt cần thiết để

kiểm soát sự phân tán của nhóm [51]. Nói chung, các tác giả đã xem xét một số cá thể

trong quá trình di chuyển trong một không gian đa chiều. Theo Clerc, công thức (3.26)

và (3.27) được cập nhật như sau:

(3.34)

(3.35)

Trong đó:

(3.36)

- Trọng số quán tính: giá trị này có thể được sử dụng như một giá trị tăng hoặc giá

trị thay đổi động [78]. Cần lưu ý rằng tham số này kiểm soát việc thăm dò không gian

vấn đề, do đó, giá trị trọng số quán tính ban đầu cao (thường là 0,9) để đảm bảo các cá

thể di chuyển tự do để phát hiện vùng lân cận tối ưu toàn cục càng sớm càng tốt. Khi

khu vực tối ưu được xác định, giá trị của trọng số quán tính có thể giảm (thường là 0,4),

để không gian tìm kiếm có thể được thu hẹp, chuyển từ chế độ thăm dò sang chế độ khai

thác.

Để khắc phục những nhược điểm của phương pháp trong [78], Chen và Li đã phân

tích động lực học của PSO dựa trên lý thuyết gần đúng ngẫu nhiên [79]. Các tác giả đã

giới thiệu một hệ số giảm xuống 0 khi số lần lặp tăng lên và vận tốc ngẫu nhiên với kỳ

vọng tăng lên để cải thiện chế độ khám phá của bầy đàn. Trái với các phương pháp trước

đây thường cho phép các cá thể lan rộng trong không gian đa chiều khi bắt đầu tìm kiếm,

theo phương pháp [79], vận tốc ngẫu nhiên làm tăng khả năng thăm dò bổ sung giúp các

cá thể thoát khỏi cực tiểu địa phương.

c. PSO trong miền không gian rời rạc

Khi xem xét PSO trong các không gian tìm kiếm rời rạc, mỗi cá nhân trong quần

thể nên lấy giá trị nhị phân là CÓ / KHÔNG = 1 hoặc TRUE / FALL = 1. Theo sơ đồ xã

hội của PSO, một cá thể có thể quyết định CÓ hoặc KHÔNG như mô hình [51, 79]:

(3.37)

d = 1) là một hàm của trạng thái trước đó của bit

Từ công thức (3.37), có thể thấy rằng cá thể thứ i có thể chọn giá trị nhị phân là 1

cho bit thứ d trong chuỗi, nghĩa là B (Xi

d là khuynh hướng chuyển động của cá có thể được chọn giá trị 1 hoặc 0.

d (t-1) và Vi

Khuynh hướng chuyển động này được dựa trên cơ sở hiệu suất của cá nhân và của

d = 1) phụ thuộc vào bid và bgd. Cần lưu ý rằng giá trị

cả nhóm. Do đó, xác suất B (Xi

d =1, và nhận giá trị 0 trong trường hợp ngược lại. Thuật

trước là trạng thái tốt nhất được tìm thấy của cá thể. Nó có thể nhận giá trị 1 nếu cá thể

tốt nhất được tìm thấy khi Xi

d =1 và bằng 0 nếu ngược lại.

ngữ này liên quan đến cực trị địa phương; tham số này bằng 1 nếu tìm thấy vị trí tốt nhất

của bất kỳ thành viên nào trong vùng lân cận khi Xi

d xác định ngưỡng trong hàm xác suất B (Xd = i1) và do đó, nó

Về mặt toán học, Vi

bị giới hạn trong phạm vi [0.0, 1.0]. Ngưỡng này có thể được mô hình hóa với chức

năng sigmoidal sau:

(3.38)

Từ công thức (3.38), vị trí thứ d trong chuỗi cá thể thứ i tại thời điểm t, có trạng thái như

sau: [51, 79]:

(3.39)

trong đó Rid là một số ngẫu nhiên có phân phối đồng đều trong phạm vi [0.0,1.0]. Quá

trình này được lặp đi lặp lại qua từng chiều của không gian tìm kiếm và đối với từng cá

nhân, kiểm tra xem kết quả của giá trị hiện tại Xid (t) trong một đánh giá có tốt hơn so

với bid không. Nếu có, giá trị của Xid (t) sẽ được lưu dưới dạng trạng thái tốt nhất của cá

nhân.

Theo các tác giả của [51, 79]:

(3.40)

trong đó c1 và c2, là hai số dương và r1 và r2, là hai số ngẫu nhiên có phân bố đồng đều

trong phạm vi [0.0, 1,0]. Cần lưu ý rằng các trọng số ngẫu nhiên c1, c2, các giới hạn trên

cho phân bố đồng đều đôi khi được chọn ngẫu nhiên, nhưng thường bị giới hạn tối đa

4.0. Giá trị tối đa của Vid phải được xác định sao cho ngưỡng của nó không gần với 0

hoặc 1. Trên thực tế, giá trị của Vid thường được chọn là 4.0 để đảm bảo xác suất s

(Vmax) đạt được giá trị 0,008 với mọi bit để thay đổi trạng thái của nó.

3.4.1.4 Các cải tiến thông dụng của PSO

Trong mục này, một số cải tiến rất phổ biến của PSO được xem xét dưới đây:

a. PSO với hệ số gia tốc thay đổi theo thời gian (T-PSO)

Trong phiên bản PSO này, cả hai hệ số gia tốc (c1 và c2) được sử dụng trong (3.26),

được thay đổi ở mỗi lần lặp. Hệ số gia tốc c1 bị giảm trong khi hệ số gia tốc c2 tăng tuyến

tính khi tiến hành lặp. Các hệ số gia tốc thay đổi theo thời gian là (TVAC) được biểu thị

như sau [80,82];

(3.41)

(3.42)

Trong công thức (3.41) c1min và c1max là giới hạn nhỏ nhất và lớn nhất của hệ số gia

tốc c1 trong khi ở công thức (3.42) c2min và c2max và là giới hạn nhỏ nhất và lớn nhất của

hệ số gia tốc c2.

b. PSO với hệ số co thắt (K-PSO)

Trong phiên bản PSO này, một phương trình cập nhật vận tốc mới được đưa ra

bằng cách loại bỏ hệ số trọng lượng quán tính trong thuật toán PSO truyền thống.

Phương trình cập nhật vận tốc xem xét phương pháp tiếp cận hệ số co thắt PSO (trong

trường hợp này được gọi là K-PSO) được đưa ra như sau;

(3.43)

Trong công thức (3.43), K được gọi là hệ số co của PSO được xác định như sau [54]:

(3.44)

với: and κ [0 1]

Thông thường, giá trị κ được lấy là 1. Sau khi tốc độ của từng cá thể được l cập

nhật bằng công thức (3.43) thì vị trí của mỗi cá thể được cập nhật bằng công thức (3.27).

3.4.2 Phát triển thuật toán tối ưu bầy đàn

3.4.2.1 Thuật toán tối ưu bầy đàn vi phân (DPSO)

DPSO là phát triển của thuật toán tối ưu bầy đàn (PSO), trong đó các cá thể có

khả năng thoát khỏi tối ưu cục bộ, để tìm giải pháp tối ưu hóa tốt hơn trong không gian

tìm kiếm.

Như đã trình bày ở trên PSO là một kỹ thuật tối ưu hóa ngẫu nhiên dựa trên một

quần thể và sau đó tìm nghiệm tối ưu bằng cách cập nhật các thế hệ, được phát triển bởi

Dr.Eberhart và Dr.Kennedy năm 1995, phỏng theo hành vi của các bầy chim hay các

đàn cá [20]. PSO khác với thuật giải di truyển (GA) ở chỗ nó thiên về sử dụng sự tương

tác giữa các cá thể trong một quần thể để khám phá không gian tìm kiếm. PSO được

khởi tạo bằng một nhóm cá thể (nghiệm) ngẫu nhiên và sau đó tìm nghiệm tối ưu bằng

cách cập nhật các thế hệ. Trong mỗi thế hệ, mỗi cá thể được cập nhật theo hai giá trị tốt

nhất. Giá trị thứ nhất là nghiệm tốt nhất đạt được cho tới thời điểm hiện tại, gọi là Pbest.

Một nghiệm tối ưu khác mà cá thể này bám theo là nghiệm tối ưu toàn cục Gbest, đó là

nghiệm tốt nhất của một cá thể tốt nhất trong quần thể đạt được cho tới thời điểm hiện

tại. Nói cách khác, mỗi cá thể trong quần thể cập nhật vị trí của nó theo vị trí tốt nhất

của nó và của cá thể tốt nhất trong quần thể tính tới thời điểm hiện tại như hình 3.19.

Thuật toán PSO đã được trình bày chi tiết ở trên.

Hình 3.19. Sự thay đổi không gian tìm kiếm của PSO

Trong đó:

k : Vị trí cá thể thứ p tại thế hệ thứ k

k : Vận tốc cá thể p tại thế hệ thứ k

k+1 : Vị trí cá thể thứ p tại thế hệ k +1

k+1 : Vận tốc cá thể p tại thế hệ thứ k + 1

Pbestp : Vị trí tốt nhất của cá thể thứ p

Gbestp : Vị trí tốt nhất của cá thể trong quần thể

Tuy nhiên nhược điểm của thuật toán PSO cổ điển là tại một thời điểm chỉ cập

nhật tốc độ của của một cá thể đang xét. Từ đó dẫn đến quá trình huấn luyện mạng (tốc

độ hội tụ) của các cá thể chậm lại. Thuật toán DPSO khắc phục nhược điểm của PSO

bằng cách cập nhật thêm tốc độ của một cá thể ngẫu nhiên được chọn trong bầy đàn. Sự

khác biệt tỷ lệ ngẫu nhiên giữa bản thân cá thể đang xét và và cá thể được chọn mới,

được thể hiện trong phương trình vận tốc. Về mặt toán học, thuật toán DPSO có thể

được trình bày như sau:

(3.45)

(3.46)

Trong đó:

N: Số cá thể trong quần thể

k: Số lần lặp lại

w : Trọng số quán tính

c1, c2: Hệ số gia tốc

c3: Hệ số tỷ lệ

r1, r2, r3: là một số ngẫu nhiên trong khoảng [0 1] (kích cỡ của cụm)

Chú ý rằng l đại diện cho cá thể chuyên gia tương ứng với cá thể mục tiêu p.

Trong phương trình này, l thay đổi từ 1 đến N nhưng l ≠ p. Hình 3.20 thể hiện cơ chế

tìm kiếm của DPSO được đề xuất trong không gian tìm kiếm đa chiều.

Hình 3.20. Cơ chế tìm kiểm của DPSO trong không gian đa chiều

k,q đại diện cho thành phần thứ q cá thể tốt nhất của cá thể

k đại diện cho thành phần thứ q của cá thể tốt nhất cho đến lần

Trong hình 3.20, Pbestp

thứ p, trong khi Gbestq

lặp k.

Diff) trong phương trình vận tốc, do đó điểm công suất cực đại có

Từ hình 3.20 có thể thấy rằng DPSO được đề xuất được thực hiện bằng cách thêm

một đặc trưng mới (Vp

thể thu được sớm hơn nhiều so với trường hợp sử dụng PSO cổ điển. Hơn nữa, tính năng

bổ sung này cho phép các cá thể thoát khỏi tối ưu cục bộ để tìm kiếm một giải pháp tốt

hơn trong không gian tìm kiếm.

Thuật toán MPPT dựa trên DPSO (MPPT – DPSO)

Như đã đề cập ở chương 2, đặc tính tế bào quang điện là phi tuyến tính, có công

suất đầu ra thay đổi theo sự biến đổi của bức xạ ánh sáng và nhiệt độ, do đó làm giảm

hiệu quả hoạt động của tấm pin mặt trời (PV). Ngoài ra, hiệu quả của các mô-đun quang

điện này không được đạt yêu cầu, do đó đòi hỏi sự hỗ trợ của các thuật toán thông minh

để khắc phục vấn đề này. Trong luận án này, một mô hình sử dụng thuật toán MPPT

dựa trên DPSO được đề xuất để nâng cao hiệu quả hoạt động của PV.

Lưu đồ thuật toán của MPPT - DPSO được thể hiện trên hình 3.21:

Bắt đầu

Kết thúc

Hình 3.21. Sơ đồ thuật toán của MPPT - DPSO

Thuật toán MPPT dựa trên DPSO được thực hiện qua các bước sau:

Bước 1: Trong nghiên cứu này, chu kỳ xung d của bộ chuyển đổi DC-DC được

chọn làm vị trí cá thể trong không gian tìm kiếm. Trong khi đó, công suất đầu ra của

tấm PV được định nghĩa là hàm mục tiêu. Có thể lưu ý rằng số lượng cá thể nên được

chọn là số lượng các cell được mắc nối tiếp trong mảng PV.

Bước 2: Thuật toán DPSO sẽ bắt đầu quá trình tối ưu hóa từ một giá trị ban đầu

ngẫu nhiên được xác định như sau:

(3.47)

Trong đó N là số cá thể trong quần thể và k là số lần lặp. Các cá thể được khởi tạo

tại các vị trí ngẫu nhiên bao phủ trong không gian tìm kiếm [Dmin, Dmax]. Dmax và Dmin

lần lượt là chu kỳ tối đa và tối thiểu của bộ chuyển đổi DC/DC được sử dụng.

Bước 3 (đánh giá hàm mục tiêu): Sau khi bộ điều khiển thực hiện PWM theo chu

kỳ xung (giá trị thể hiện vị trí của cá thể p), giá trị điện áp và dòng điện đầu ra tấm pin

VPV và IPV hiện tại được xác định. Các giá trị này là cơ sở để tính toán đánh giá hàm mục

tiêu của cá thể p (công suất đầu ra của PV). Giá trị hàm mục tiêu của từng cá thể được

đánh giá , ∀p và sau đó tìm chỉ số cá thể tốt nhất b.

Bước 4 Chọn , ∀p và

Bước 5: Cập nhật vận tốc và vị trí của từng cá thể bằng công thức (3.45) và (3.46)

Bước 6: Đánh giá hàm mục tiêu của từng cá thể , ∀p và tìm chỉ

số cá thể tốt nhất b1

Bước 7: Cập nhật Pbest của từng cá thể với ∀p và Gbest của quần thể

Bước 8:

và lặp lại quá trình từ bước 5, nếu sai thì chuyển sang bước 9.

Bước 9: Giá trị công suất cực đại thu được tương ứng với kết quả Gbest.

3.4.2.2 Thuật toán tối ưu bầy đàn nhiễu loạn (PPSO)

Thuật toán PPSO cũng là một phát triển của thuật toán PSO nó làm việc dựa trên

nguyên tắc sau: bất cứ khi nào các cá thể bị hội tụ vào vùng cực đại cục bộ vectơ vận

tốc của mỗi cá thể cần được thực hiện nhiễu loạn. Thông thường, tình huống này xảy ra

khi giải pháp tối ưu (Gbest của bầy đàn) không được cải thiện sau một số lần lặp nhất

định, chẳng hạn như sau một giá trị sai lệch cho phép (dung sai) hoặc khi đạt đến một

tiêu chí dừng (được quy định trước và phải nhỏ hơn số lần lặp tối đa). Nhiễu loạn là hiện

tượng vectơ vận tốc của mỗi cá thể cần được thiết lập lại, để các cá thể có thể thoát ra

khỏi cực đại cục bộ. Về mặt toán học, các khái niệm nhiễu loạn vận tốc cho mỗi cá thể

có thể được biểu diễn như sau:

(3.48)

Ngoài ra, giới hạn dung sai cần được điều chỉnh, để các cá thể có khả năng tìm

kiếm các cơ hội khác tối ưu hơn trong không gian với một số lần lặp tối thiểu nhất định.

Bên cạnh đó, sự nhiễu loạn vận tốc có thể được thực hiện với một số lần nhất định. Nói

cách khác, sự nhiễu loạn trong vectơ vận tốc của mỗi cá thể cho phép các cá thể tiếp tục

khám phá không gian tìm kiếm để thoát khỏi cực đại cục bộ. Một mô hình mô tả điển

hình của mỗi cá thể tương ứng với chiều dài tăng dần của mũi tên của các cá thể bị nhiễu

loạn vận tốc (PP) được thể hiện trong Hình 3.22.

Hình 3.22. Cơ chế tìm kiếm của PPSO trong không gian đa chiều

Thuật toán PPSO có thể được thể hiện chi tiết bằng các bước sau:

Bước 1: Đặt giá trị tham số w, c1, c2 và khởi tạo vị trí và vận tốc ban đầu X và V của

k) và tìm chỉ số cá thể tốt

từng cá thể trong quần thể

k = f (Xp

Bước 2: Đánh giá hàm mục tiêu của từng cá thể Fp

nhất b.

k = Xp

k, ∀p và Gbestk = Xb

Bước 3: Chọn Pbestp

Bước 4: Đặt số lần lặp k = 1 và dung sai tol = 1

k + 1), p và tìm chỉ số cá thể

Bước 5: Cập nhật vận tốc và vị trí của từng cá thể bằng các công thức (3.26 và 3.27).

k + 1 = f (Xp

Bước 6: Đánh giá hàm mục tiêu của từng cá thể Fp

tốt nhất b1

Bước 7: Cập nhật Pbest của từng cá thể ∀p

k + 1

k thì Pbestp

k + 1 = Xp

k + 1, nếu sai thì Pbestp

k + 1 = Pbestp

Nếu Fp

Bước 8: Cập nhật Gbest của các cá thể lân cận

k + 1

k thì Gbestk + 1

k + 1 và đặt b = b1, nếu không thì Gbestk + 1

Nếu Fb1

k + 1 và đi đến bước 10

Bước 9: Nếu tol

k-Fb1

tol=Fb

Bước 10: Nếu k

bước 11

Bước 11: Thu được giải pháp tối ưu và in kết quả của giải pháp tối ưu như Gbestk

Thuật toán MPPT dựa trên PPSO (PPSO – MPPT)

Lưu đồ thuật toán của phương pháp PPSO-MPPT được đề xuất như Hình 3.23.

Đầu tiên, giá trị chu kỳ xung D của bộ chuyển đổi DC/DC được chọn làm vị trí

của cá thể trong không gian tìm kiếm. Trong khi đó, công suất đầu ra của dãy PV được

định nghĩa là giá trị hàm mục tiêu. Cần lưu ý rằng số lượng của các cá thể nên được

chọn là số lượng các mô đun kết nối nối tiếp trong dãy PV. Tiếp theo, thuật toán PPSO

sẽ bắt đầu quá trình tối ưu hóa từ một giá trị ban đầu ngẫu nhiên được chọn trong phạm

vi sau:

k = [D1, D2, D3, … DN]

Trong đó N là số cá thể và k là số lần lặp. Nói cách khác, các cá thể được khởi

tạo bởi các vị trí ngẫu nhiên trong không gian tìm kiếm [Dmin, Dmax]. Dmax và Dmin lần

lượt là chu kỳ xung tối đa và tối thiểu của bộ chuyển đổi DC/DC được sử dụng trong

nghiên cứu. Sau đó, bộ điều khiển kỹ thuật số gửi tín hiệu điều khiển PWM theo chu kỳ

xung (tín hiệu này đại diện cho vị trí của cá thể thứ i), điện áp và dòng điện đầu ra của

dãy pin, VPV và IPV được xác định, từ đó tính được công suất đầu ra của dãy pin (giá trị

hàm mục tiêu), theo công thức: PPV = VPV*IPV. Giá trị hàm mục tiêu của từng cá thể

k = f(Xp

k) ∀p, để tìm chỉ số cá thể tốt nhất b. Cuối cùng,

được đánh giá theo công thức: Fp

thuật toán PPSO cập nhật Pbest, Gbest cho đến khi đạt được giá trị tối ưu của chu kỳ

k + 1.

xung, được gọi là Gbest. Cần lưu ý rằng bất cứ khi nào tol

k - Fb1

Bắt đầu

tol = 1, nếu sai tol = Fb

Kết thúc

Hình 3.23. Lưu đồ thuật toán PPSO - MPPT

3.5 Kết luận chương 3

Trong hệ thống PV người ta luôn mong muốn cho dù ở bất kỳ điều kiện thời tiết

như thế nào thì dòng công suất phát từ dàn PV tới tải luôn là cực đại, đó là mục tiêu của

bài toán điều khiển MPPT. Chương 3 tác giả nghiên cứu các thuật toán điều khiển công

suất cực đại thông dụng và đưa ra các cải tiến phát triển cho thuật toán để áp dụng trong

điều khiển MPPT của hệ thống PV làm cho hệ thống hoạt động hiệu suất tốt hơn.

Chương 3 tác giả giới thiệu một số thuật toán cho bộ điều khiển MPPT và nghiên

cứu thuật toán INC và đưa ra các cải tiến phát triển cho thuật toán INC làm cho hệ thống

đạt điểm công suất cực đại nhanh hơn, dao động quanh điểm công suất cực đại hẹp và

ít hơn, giảm thiểu được hao tổn công suất phát do dao động quanh điểm công suất cực

đại. Trong chương 3 này tác giả cũng chú trọng nghiên cứu thuật toán PSO áp dụng

trong điều khiển MPPT và đã đề xuất các thuật toán mới bằng cách phát triển dựa trên

thuật toán PSO cổ điển đó là thuật toán DPSO và thuật toán PPSO áp dụng cho bộ điều

khiển MPPT để cải thiện hiệu quả hoạt động của hệ thống PV.

[1]. Nhữ Khải Hoàn, Lê Thị Hường, Đồng Văn Hướng, “Cải tiến thuật toán độ dẫn gia tăng trong việc điều khiển bám điểm công suất cực đại của hệ thống điện mặt trời”, Hội nghị Khoa học – Công nghệ GTVT lần IV – ÐH GTVT TpHCM, 5/2018.

[2]. Van Huong Dong, Khai Hoan Nhu, Thi Thom Hoang, Thanh Cong Pham (2018). “Tracking Maximum Power Point For Photovoltaic System Using A Novel Differential Particle Swarm Optimization”, Journal of Mechanical Engineering Research and Developments, 41(4) : 116-121.

[3]. Cong-Thanh Pham, Khai Hoan Nhu, Van Huong Dong, Thi Huong Le, Thi Thom Hoang, “Development of Particle Swarm Optimization for tracking Maximum Power Point of Photovoltaic Systems”, International Journal on Advanced Science, Engineering and Information Technology IJASE, Vol.9 (2019): 1732- 1738.

[4]. Khai Hoan Nhu, Van Huong Dong, Cong-Thanh Pham, Quoc Tuan Vu, Thi Thom Hoang, “Application of Particle Swarm Optimization for MPPT in Photovoltaic Systems” Indonesian Journal of Electrical Engineering and Computer Science. (Đã gửi bài, chờ duyệt đăng)

CHƯƠNG 4

MÔ PHỎNG KIỂM CHỨNG CÁC THUẬT TOÁN MPPT PHÁT TRIỂN CHO HỆ THỐNG NĂNG LƯỢNG ĐIỆN MẶT TRỜI

Tóm tắt

Trong chương này tác giả trình bày những kết quả mà tác giả đã thực hiện mô

phỏng các thuật toán trong việc theo dõi MPP điều khiển công suất cực đại cho hệ thống

PV trên phần mềm Matlab - Simulink. Tác giả tiến hành mô phỏng thuật toán truyền

thống và các thuật toán phát triển mà tác giả đã trình bày trong chương 3. Qua kết quả

mô phỏng đánh giá được tính khả thi của các thuật toán phát triển tác giả đã đề xuất.

4.1. Kết quả mô phỏng thuật toán INC các phát triển của thuật toán INC

4.1.1. Sơ đồ mô phỏng

Hình 4.1. Sơ đồ mô phỏng thuật toán INC

Sau khi xây dựng mô hình hoàn chỉnh, tác giả tiến hành các mô phỏng để tìm được giá trị công suất cực đại theo lý thuyết tương ứng với hệ thống pin mặt trời đang sử dụng để mô phỏng, mục đích của việc này là để so sánh với công suất theo dõi được khi vận

hành thuật toán INC truyền thống như đã đề xuất và so sánh với các trường hợp tác giả đề xuất phát triển.

Các đường đặc tính V – P và V – I của hệ pin mặt trời trong mô phỏng được thể

hiện trong hình 4.2 và 4.3 Trên các đường đặc tính này, tác giả xác định được các giá trị công suất cực đại của từng mức bức xạ khác nhau và được thể hiện như hình 4.4.

Hình 4.2. Đường đặc tính V – P của hệ pin quang điện

Hình 4.3. Đường đặc tính V – I của hệ pin quang điện

Hình 4.4. Công suất cực đại của hệ pin quang điện theo lý thuyết

4.1.2 Kết quả mô phỏng

Từ mô hình mô phỏng, tác giả tiến hành lập trình thuật toán INC để điều khiển công suất cực đại trong khối MATLAB Function, đầu ra của hàm function này là giá trị độ rộng xung D để điều khiển khóa công suất trong bộ biến đổi công suất Boost. Tác giả lần lượt mô phỏng các thuật toán INC truyền thống và các đề xuất để cải tiến chất

lượng thuật toán INC truyền thống bao gồm: đề xuất cải tiến tăng tốc độ hội tụ và đề

xuất giảm dao động tại MPP.

4.1.2.1 Thuật toán INC truyền thống

Dựa vào lưu đồ thuật toán INC truyền thống (bước nhảy cố định) hình 3.12 tác giả

mô phỏng được các đáp ứng đầu ra của hệ thống PV như hình 4.5 sau:

a) Đáp ứng D

b) Đáp ứng dòng điện

c) Đáp ứng điện áp

d) Đáp ứng công suất so với công suất lý thuyết

Hình 4.5. Đáp ứng đầu ra hệ thống PV với thuật toán INC truyền thống

Qua đáp ứng đầu ra D trên hình 4.5 a) và các đáp ứng khác của kết quả mô phỏng INC truyền thống ta thấy được cứ 0.05s thì sẽ lấy mẫu một lần và bước nhảy D luôn

luôn cố định bằng 0.01. Thuật toán có bám được điểm công suất cực đại như trên hình 4.5 d). Nhưng cũng thấy được nhược điểm của thuật toán INC truyền thống này là này

là tốc đạt MPP chậm thời điểm ban đầu phải mất 2.4s thì hệ thống mới bắt được MPP.

Nhược điểm thứ hai của thuật toán INC truyền thống là khi đạt được MPP thì dao động

quanh MPP quá mạnh. Hai nhược điểm này dẫn tới tổn thất công suất của hệ thống và

giảm hiệu suất hệ thống PV. Để khắc phục những nhược điểm đã nêu trên tác giả tiến

hành đề xuất các phương án phát triển được trình bày ở trên.

4.1.2.2 Thuật toán phát triển INC nhằm đạt MPP nhanh

Như đã trình bày về đề xuất cải thiện tốc độ hội tụ của thuật toán INC. Tác giả tiến

hành mô phỏng theo lý thuyết đã đề xuất thì thu được kết quả các đáp ứng của hệ thống

PV so với trường hợp INC truyền thống như hình 4.6. Qua các đáp ứng ta thấy được ưu

điểm của INC bước nhảy thay đổi là tốc độ đạt MPP của thuật toán INC bước nhảy thay

đổi lúc bắt đầu hoạt động và giữa các thời điểm thay đổi bức xạ nhanh hơn so với INC truyền thống. Ngoài ra, độ dao động của tại MPP của INC bước nhảy thay đổi cũng bé hơn so với INC truyền thống. Ta có thể quan sát kiểm chứng các nhận định trên qua hình ảnh mô phỏng sau:

a)

So sánh đáp ứng D

b)

So sánh đáp ứng dòng điện

c)

So sánh đáp ứng điện áp

d) So sánh đáp ứng công suất

Hình 4.6. So sánh các đáp ứng của thuật toán INC truyền thống

và bước nhảy thay đổi

Hình 4.7. Đáp ứng D của INC truyền thống và bước nhảy thay đổi lúc khởi động

Qua kết quả đáp ứng D của INC truyền thống và INC bước nhảy thay đổi lúc ban

đầu khởi động trên hình 4.7 ta thấy INC truyền thống mất 2.4s mới đạt được MPP trong

khi đó INC bước nhảy thay đổi chỉ cần hơn 1s có thể đạt được MPP. Do INC bước nhảy

thay đổi tự điều chỉnh giá trị để khi còn xa MPP thì thực hiện những bước nhảy lớn, khi

gần đạt MPP thì thực hiện những bước nhảy nhỏ nhằm tránh vọt lố, giảm được dao động

quanh MPP.

Hình 4.8. Đáp ứng P của INC truyền thống và bước nhảy thay đổi lúc khởi động

Hình 4.9. Đáp ứng P của INC truyền thống và bước nhảy thay đổi lúc bức xạ thay đổi từ 700W/m2 lên 900W/m2.

Hình 4.10. So sánh độ dao động P của INC truyền thống và bước nhảy tại MPP

Qua mô phỏng ta dễ dàng quan sát được tốc độ đạt MPP lúc bắt đầu hoạt động của

INC bước nhảy thay đổi nhanh hơn INC truyền thống rất nhiều được thể hiện ở hình 4.8. Ngay cả trong trường hợp bức xạ thay đổi từ G = 700W/m2 lên G = 900W/m2 thuật toán INC bước nhảy thay đổi bám điểm công suất tốt hơn, được thể hiện ở hình 4.9 hình 4.10,

qua đây có thể thấy INC bước nhảy thay đổi dao động quanh MPP nhẹ hơn so với INC

truyền thống.

Vậy qua kết quả mô phỏng tác giả có thể kết luận: kết quả mô phỏng hoàn toàn đúng với lý thuyết thuật toán phát triển mà tác giả đề xuất. Tuy nhiên, độ dao động

quanh MPP của INC bước nhảy thay đổi vẫn tồn tại nên tác giả đề xuất phương án phát triển tiếp theo là hạn chế dao động quanh MPP .

4.1.2.3 Thuật toán phát triển INC nhằm giảm dao động tại MPP

Như đã trình bày ở trên, phần này tác giả sẽ mô phỏng kết quả phương án phát

triển mà tác giả đã đề xuất nhằm giảm dao động tại MPP, thuật toán được thực hiện theo lưu đồ hình 3.14. Qua kết quả thu được từ mô phỏng phần mềm Matlab như hình 4.11

ta thấy được phương án đề xuất này có tốc độ hội tụ nhanh và giảm dao động tại MPP

đáng kể. Dẫn tới giảm tổn hao công suất và nâng cao hiệu suất của hệ thống PV. Để

nhìn thấy rõ hơn, đồ thị phóng to tại quá trình khởi động và tại thời điểm thay đổi cường độ bức xạ được chỉ ra ở hình 4.12.

a) So sánh đáp ứng D

b) So sánh đáp ứng dòng điện

c) So sánh đáp ứng điện áp

d) So sánh đáp ứng công suất

Hình 4.11. So sánh thuật toán INC truyền thống và giảm dao động tại MPP

a) Đáp ứng D quá trình khởi động

b) Đáp ứng D ở thời điểm gia tăng bức xạ Hình 4.12. Đồ thị D khi quá độ và tăng bức xạ

Từ hình 4.12 a) ta nhận thấy rằng, với một giá trị bước nhảy thay đổi, hệ thống sẽ nhiễu loạn những bước dài hơn, được giới hạn 10%, và càng gần giá trị công suất cực đại, giá trị bước nhảy nhỏ dần và tiến gần đến 0, trong đó giá trị giảm dần α được chọn

là 2, có nghĩa là thuật toán sẽ liên tục giảm giá trị bước nhảy cho 2 cho đến khi đạt giá

trị gần 0. Việc này cải thiện được độ dao động công suất ở trạng thái xác lập. Ở các thời điểm xác lập, độ rộng xung được giữ ở giá trị gần như không đổi, thay vì là dao động 3

mức như ở thuật toán bước nhảy thay đổi và thuật toán INC truyền thống. Hình 4.12 b)

thể hiện khi có sự gia tăng bức xạ ở giây thứ 4, thuật toán ngay lập tức nhận biết được

điều này chỉ tối đa 1 chu kỳ lấy mẫu, và giá trị bước nhảy ban đầu lớn để đảm bảo thời gian xác lập nhanh, giá trị bước nhảy này giảm dần cho đến khi đạt giá trị cực đại sau

0.35s.

Để so sánh được hiệu quả giữa các phương pháp, tác giả vẽ lại các đường công

suất tại thời điểm khởi động như hình 4.13 a), gia tăng ánh nắng như hình 4.13 b) và hệ thống ổn định hình 4.13 c).

a) Đáp ứng P ở quá trình khởi động

b) Đáp ứng P ở quá trình thay đổi bức xạ

c) Đáp ứng P trong quá trình ổn định

Hình 4.13. So sánh đáp ứng công suất của 3 thuật toán và lý thuyết

Từ hình 4.13 ta thấy rằng: cả 3 thuật toán điều đạt được công suất cực đại so với

lý thuyết. Trong đó, đề xuất cải tiến bước nhảy thay đổi cải thiện tốc độ hội tụ tại thời

điểm khởi động và thay đổi bức xạ và nó cũng giảm bớt được độ dao động quanh MPP

nhưng vẫn còn. Đề xuất cải tiến giảm dao động quanh MPP cải thiện được tốc độ xác

lập và độ dao động khi ở trạng thái xác lập rất nhiều.

Từ những kết quả mô phỏng và so sánh trên, đã chứng minh được rằng 2 thuật toán

đề xuất có khả năng cải thiện được hiệu suất của thuật toán INC truyền thống ở các tiêu

chí về thời gian đáp ứng, độ dao động tại MPP và tổn thất công suất. Điều này chứng

minh sự phù hợp của các thuật toán đề xuất so với thuật toán truyền thống.

4.2. Kết quả mô phỏng thuật toán PSO và các phát triển của thuật toán PSO

4.2.1 Sơ đồ mô phỏng

Giải thuật MPPT dựa trên thuật toán PSO hoặc các thuật toán phát triển DPSO

hay PPSO được phát triển trên một mô hình bao gồm các tấm pin mặt trời PV được kết

nối với tải thông qua bộ biến đổi tăng áp với bộ điều khiển MPPT như được mô tả trong hình 4.14. Có thể thấy rằng điện áp và dòng điện từ đầu ra của hệ thống pin mặt trời

được đưa vào bộ điều khiển MPPT và sau đó đầu ra của tín hiệu PWM được sử dụng để

điều khiển công tắc của bộ chuyển đổi tăng áp (Boost) để thực hiện dò tìm điểm công suất cực đại cũng giống như sơ đồ mô phỏng cho thuật toán INC trình bày ở mục trên,

ở đây hệ thống chỉ khác ở phần thuật toán của bộ điều khiển MPPT.

- + LOAD

Hình 4.14. Mô hình mô phỏng của hệ thống PV sử dụng giải thuật DPSO

4.2.2 Kết quả mô phỏng thuật toán MPPT-PSO

Dựa vào lưu đồ thuật toán PSO hình 3.15 tác giả mô phỏng được các đáp ứng công

suất đầu ra của hệ thống PV và so sánh với trường hợp không có bộ điều khiển MPPT như

hình 4.15. Từ đáp ứng đầu ra ta thấy với thuật toán PSO cho kết quả đáp ứng công suất đầu

ra không bị dao động như các phương pháp INC hay P&O, các ưu điểm của phương pháp

này đã được một số tác giả nghiên cứu và đánh giá .

Hình 4.15. Đáp ứng đầu ra hệ thống PV với thuật toán PSO

4.2.3 Kết quả mô phỏng thuật toán MPPT-DPSO

Trong phần này, tác giả mô phỏng để đánh giá hiệu quả của thuật toán DPSO trong việc dò tìm điểm công suất cực đại của PV. Trước tiên, thuật toán PSO và DPSO được thử nghiệm trên năm vấn đề Benchmark để chứng minh tính hiệu quả của chúng

trong việc giải quyết các vấn đề tối ưu hóa phức tạp. Sau đó, các thuật toán tối ưu hóa

này được áp dụng để dò tìm điểm công suất cực đại của PV.

4.2.3.1 Kiểm nghiệm thuật toán DPSO trên năm vấn đề Benchmark

Để chứng minh tính hiệu quả của thuật toán DPSO trong việc giải quyết các vấn

đề tối ưu hóa phức tạp, ban đầu chúng đã được xác thực trên năm vấn đề Benchmark

được đưa ra Bảng 4.1.

Bảng 4.1. Năm vấn đề tối ưu Benchmark

Tên Hàm Số chiều Dải biến Giá trị tối ưu

[-10, 10] f(3,0.5)=0 2 Hàm Beale (f1)

[-10, 10] f(1,1)=0 2 Hàm Levi (f2)

Hàm Booth 2 [-10, 10] f(3,1)=0 (f3)

10 [-20, 20] f(0,..,0)=0 Hàm Sphere (f4)

10 [-20, 20] f(0,..,0)=0 Hàm Ackley (f5)

Đối với bất kỳ thuật toán tối ưu hóa nào, việc lựa chọn tham số của thuật toán đóng

vai trò quan trọng nhằm đạt được hiệu suất tốt nhất của thuật toán. Trong luận án này

quy trình sau đây được áp dụng để thu được các thông số tốt nhất của PSO và DPSO. Cần lưu ý rằng các tham số này đã được chọn sau khi thực hiện chạy lặp lại bằng cách thay đổi giá trị của chúng.

Tóm tắt các kết quả lựa chọn tham số cho các thuật toán PSO và DPSO được hiển

thị trong Bảng 4.2.

Bảng 4.2. Kết quả lựa chọn tham số của PSO và DPSO

PSO DPSO

10 10 Số cá thể

0.1 ~ 0.5 0.1 ~ 0.5 Trọng số quán tính

c1 = c2 = 2 c1=c2=1.5, c3=0.04 Gia tốc

1000 1000 Số lần lặp tối đa

Các kết quả thu được của các thuật toán PSO và DPSO đối với vấn đề Benchmark

được đưa ra trong Bảng 4.3 và 4.4.

Bảng 4.3. Kết quả tối ưu của thuật toán PSO cho các vấn đề Benchmark sau 10 lần chạy

độc lập

Số lượng cá thể Hàm 10 20 30 40 50 100

2.09e-06 8.32e-06 4.15e-07 2.19e-06 9.43e-08 2.34e-07 f1

6.34e-07 8.02e-05 6.94e-06 0.99e-05 2.96e-06 3.01e-07 f2

2.89e-06 5.62e-06 7.32e-08 7.15e-07 2.88e-07 7.37e-08 f3

2.29e-16 3.26e-16 1.27e-14 2.92e-15 0.33e-17 2.96e-15 f4

6.63e-14 4.83e-13 2.48e-12 2.64e-13 4.16e-14 8.45e-15 f5

Bảng 4.4. Kết quả tối ưu của thuật toán DPSO cho các vấn đề Benchmark sau 10 lần chạy

độc lập

Số lượng cá thể

Hàm 10 20 30 40 50 100

7.09e-07 8.38e-06 1.15e-06 1.90e-06 8.21e-07 2.84e-07 f1

5.84e-06 7.48e-06 6.35e-06 1.09e-05 3.66e-06 2.29e-06 f2

2.19e-05 2.62e-06 6.32e-06 8.15e-07 3.88e-06 8.37e-08 f3

2.28e-16 3.76e-16 1.24e-15 2.12e-16 2.63e-16 2.26e-15 f4

7.63e-13 4.93e-13 1.48e-13 2.44e-13 1.16e-13 8.79e-14 f5

Từ Bảng 4.3 và Bảng 4.4 các thuật toán PSO và DPSO đã giải quyết thành công các vấn đề Benchmark. Ta có thể nhận thấy PSO cho các giá trị nhỏ nhất của f4 khi sử dụng số lượng cá thể là 50, trong khi DPSO cho giá trị nhỏ nhất của f4 khi sử dụng kích

thước cá thể 40. Cần lưu ý rằng tất cả các chương trình được phát triển trong môi trường

MATLAB và được thực thi trên bộ xử lý Intel core i7 và tần số xung nhịp 2,66 GHz với

RAM 8192 MB.

4.2.3.2 Mô phỏng thuật toán MTTP - DPSO

Giải thuật MPPT dựa trên DPSO được phát triển trên một mô hình bao gồm tấm pin mặt trời PV được kết nối với tải thông qua bộ biến đổi tăng áp với bộ điều khiển

MPPT như được mô tả trong hình 4.14. Có thể thấy rằng điện áp và dòng điện từ đầu ra

của hệ thống pin mặt trời được đưa vào bộ điều khiển MPPT và sau đó đầu ra của tín

hiệu PWM được sử dụng để điều khiển công tắc của bộ chuyển đổi tăng áp để thực hiện dò tìm điểm công suất cực đại.

Đối với phương pháp được đề xuất, thuật toán MPPT - DPSO ban đầu đã được

thử nghiệm với mô hình Matlab / Simulink trong điều kiện môi trường ánh sáng với cường

độ bức xạ cố định. Để chứng minh tính hiệu quả cao của thuật toán đề xuất, giải thuật MPPT-DPSO được so sánh với các phương pháp P&O và INC truyền thống. Ngoài ra,

đặc tính hội tụ của MPPT-DPSO được so sánh với phương pháp MPPT-PSO. Kết quả so

sánh chỉ ra rằng phương pháp được đề xuất có khả năng dò tìm điểm công suất cực đại

nhanh hơn và chính xác hơn các phương pháp trước đó. Cần lưu ý rằng chu kỳ xung D

được cập nhật định kỳ bằng cách thay đổi kích thước với bước cố định là 0,01 cho các

thuật toán P&O và INC. Tần số chuyển đổi của bộ chuyển đổi được đặt thành 1 kHz.

Hình 4.16 thể hiện thời gian đáp ứng của công suất đầu ra trong điều kiện môi

trường không đổi (với năng lượng bức xạ G = 900 W / m2 và nhiệt độ T = 25°C) trong

ba trường hợp sau: 1) không có bộ điều khiển MPPT, 2) sử dụng DPSO và 3) các phương pháp truyền thống (P&O and InCond).

Hình 4.16. Đáp ứng của công suất đầu ra trong ba trường hợp: không sử dụng MPPT, sử

dụng DPSO, P&O và InCond

Từ hình 4.16 có thể thấy rằng công suất tối đa đạt được trong trường hợp không

sử dụng bất kỳ giải thuật MPPT nào là 7360W, trong khi đó giá trị này đạt hơn 7600W

khi sử dụng bộ điều khiển MPPT. Hơn nữa, kết quả mô phỏng nhận được khi áp dụng 96

thuật toán DPSO để cải thiện việc thực hiện MPPT, giá trị công suất đầu ra của modul

PV thử nghiệm là 7678W, cao hơn giá trị thu được bằng cách sử dụng các phương pháp truyền thống trước đó (7656W). Hình 4.16 cũng chỉ ra rằng, với phương pháp DPSO

được đề xuất, thời gian để bám được điểm công suất cực đại chỉ mất 0,57 giây trong khi

các phương pháp P&O và INC lên tới 2,9 giây để thực hiện việc này. Nói cách khác, bộ

điều khiển MPPT-DPSO có khả năng cải thiện hiệu quả hoạt động của tấm PV, trong đó khả năng dò tìm điểm MPP của thuật toán DPSO được đề xuất là tốt hơn so với hai

phương thức còn lại. Một ưu điểm vượt trội khác của thuật toán đề xuất là loại bỏ các

dao động ở trạng thái ổn định sau vài lần lặp.

Khả năng dò tìm điểm công suất cực đại của phương pháp được đề xuất tốt hơn thuật toán bầy đàn PSO truyền thống trong việc tối ưu hóa năng lượng của tấm pin mặt

trời, điều này được thể hiện trong hình 4.17. Có thể thấy rằng cả hai thuật toán thông

minh nhân tạo này đều có thể bám theo điểm công suất cực đại của tấm pin mà không

tồn tại dao động xung quanh điểm MPP. Đây là một ưu điểm nổi bật của phương pháp

tối ưu hóa bầy đàn so với các phương pháp truyền thống như P&O và INC. Trong đó,

khả năng dò tìm của thuật toán DPSO nhanh và chính xác hơn thuật toán PSO cổ điển

với thời gian tối ưu hóa của DPSO là 0,57 giây còn PSO lên tới 2,12 giây.

Hình 4.17. So sánh đáp ứng công suất của thuật toán DPSO và PSO

Hình 4.18 cho thấy đặc tính động của công suất đầu ra dưới bức xạ mặt trời dao động trong khoảng 700 W/m2 đến 800 W/m2 ở nhiệt độ cố định 25 ° C. Có thể thấy rằng các giá trị công suất tối đa đạt được khi sử dụng bộ điều khiển MPPT-DPSO là 6009 W khi G = 700 W/m2 và 6849 W khi G = 800 W/m2, tương đương với giá trị lý thuyết của MPP. Trong khi đó, trạng thái động của hệ thống trong trường hợp giảm bức xạ được

mô tả trong hình 4.19. Khi bức xạ mặt trời giảm từ 800 W/m2 xuống 600 W/m2 trong khoảng thời gian 8 giây, công suất đầu ra thu được bằng cách sử dụng giải thuật MPPT- DPSO lần lượt là 6849 W và 5158 W.

Hình 4.18. Đáp ứng của công suất đầu ra P trong quá trình tăng năng lượng bức xạ

Hình 4.19. Đáp ứng của công suất đầu ra P trong quá trình giảm năng lượng bức xạ

Kết quả của các bộ điều khiển MPPT dựa trên các thuật toán tối ưu khác nhau khảo sát trong điều kiện thay đổi bức xạ ánh sáng có thể được tóm tắt trong Bảng 4.5. Từ Bảng 4.5 có thể thấy rằng độ chính xác của việc dò tìm công suất cực đại của tấm pin

khi áp dụng phương pháp được đề xuất lớn hơn 99% trong mọi điều kiện thử nghiệm.

Bảng 4.5. Kết quả của các bộ điều khiển MPPT dựa trên các thuật toán tối ưu khác nhau

G Without P&O InCond PSO DPSO The

(W/m2) MPPT theoretical

value of PV

600 4567.0 5137.0 5137.4 5157.2 5157.5 5157.7

700 5913.0 5994.8 5995.0 6009.0 6009.2 6009.7

800 6820.0 6812.0 6812.3 6849.1 6849.5 6850.0

900 7360.0 7655.0 7656.0 7677.2 7678.0 7678.3

4.2.4 Kết quả mô phỏng thuật toán MPPT-PPSO

Thuật toán PPSO tác giả phát triển trước tiên cũng được xác thực trên năm vấn đề

Benchmark và sau đó nó được sử dụng để dò tìm điểm công suất cực đại toàn cục có xét

đến hiện tượng bóng râm (PSC). Ngoài ra, các kết quả này được so sánh với giải thuật

PSO truyền thống để chứng minh tính hiệu quả của phương pháp được đề xuất. Cần lưu

ý rằng đối với các thuật toán bầy đàn, việc lựa chọn các tham số vô cùng quan trọng.

Trong nghiên cứu này, các tham số của thuật toán PPSO được lựa chọn sau một số vòng

lặp được thực hiện bằng cách thay đổi các giá trị đầu vào của chúng.

- Kích thước bầy đàn được lấy là 10

- Giới hạn dưới và trên của trọng lượng quán tính w được lấy là 0,4 và 0,9

- Các hệ số gia tốc c1 và c2 được lấy tương ứng là 1,5 và 2,5

- Số lượng biến là 3 sau khi nhiễu loạn vận tốc được áp dụng

- Số lần lặp tối đa: 1000 lần.

4.2.4.1 Kiểm nghiệm thuật toán PPSO được đề xuất trên năm vấn đề Benchmark

Thuật toán PPSO đề xuất được thực hiện kiểm nghiệm trên năm vấn đề

Benchmark như Bảng 4.1 nhằm chứng minh tính hiệu quả của các thuật toán được phát

triển trong việc giải quyết các vấn đề tối ưu hóa phức tạp. Kết quả thu như Bảng 4.6.

Bảng 4.6. Kết quả tối ưu của thuật toán PPSO cho các vấn đề Benchmark

Số lượng cá thể Hàm 10 20 30 40 50 100

f1 1.95e-13 1.39e-17 2.56e-16 3.22e-16 6.15e-19 1.33e-15

2.38e-18 2.69e-15 2.72e-16 2.01e-17 6.81e-16 9.05e-16 f2

1.59e-16 1.21e-15 1.12e-17 4.17e-16 3.90e-19 7.66e-19 f3

1.14e-14 5.33e-17 1.65e-19 2.95e-20 8.60e-23 1.25e-24 f4

5.11e-06 2.72e-08 6.05e-10 2.96e-10 9.76e-12 3.82e-14 f5

Từ Bảng 4.6, có thể thấy rằng thuật toán PPSO được phát triển đã giải quyết thành

công các vấn đề chính, trong đó PPSO cho giá trị nhỏ nhất của f3 khi sử dụng kích thước

bầy 50 cá thể.

4.2.4.2 Mô phỏng thuật toán MTTP - PPSO

Thuật toán MPPT-PPSO được thực hiện trên một mô hình bao gồm một hệ thống

pin mặt trời PV được kết nối với tải thông qua bộ băm áp một chiều với bộ điều khiển

MPPT, như trong Hình 4.20. Hệ thống PV khảo sát bao gồm bốn mô đun PV được kết

nối nối tiếp như hình 4.21.

Hình 4.20. Mô hình mô phỏng của hệ thống PV sử dụng giải thuật MPPT-PPSO

100

Hình 4.21. Mô hình mô phỏng kết nối của bốn modul PV

Mô-đun PV được mô hình hóa bằng cách sử dụng các phương trình diode đơn với

các điốt được kết nối qua PV. Các bức xạ mặt trời của bốn mô-đun PV được thay đổi

cho mục đích thử nghiệm mà hệ thống PV trong điều kiện bóng râm một phần đã được

thực hiện trong nghiên cứu này. Do đó, các bức xạ mặt trời của bốn mô đun PV là đầu

vào của hệ thống mô đun PV, trong đó dòng PV là một đầu vào khác của hệ thống mô

đun PV. Đầu ra của hệ thống mô đun PV, bao gồm điện áp và dòng điện PV, được gửi

vào khối PPSO và sau đó là đầu ra của tín hiệu PWM được sử dụng để điều khiển khóa

của bộ biến đổi Boots để thực hiện MPPT từ hệ thống mô đun PV. Bộ chuyển đổi Boost

bao gồm một cuộn cảm, L=30 mH, tụ điện C = 10 mF, một khóa công suất lý tưởng và

một diode công suất. Bộ chuyển đổi được kết nối với tải điện trở, có giá trị 60 Ω. Có thể

lưu ý rằng thời gian lấy mẫu rời rạc của mô phỏng là 1μs, trong khi thời gian mô phỏng

được đặt ở mức 0,01 s.

Đầu tiên, mô phỏng hệ thống PV theo điều kiện bóng râm trong đó hệ thống PV

không được kết nối tải để tăng cường hiệu suất chuyển đổi và thuật toán MPPT được

thực hiện. Công suất tối đa tương ứng được tạo ra bởi hệ thống mô đun PV dưới các kết

hợp khác nhau của các bức xạ mặt trời được thể hiện trong Bảng 4.7.

101

Bảng 4.7. Các giá trị bức xạ mặt trời cho các tấm PV

Cường độ bức xạ

Trường G4 Maximum G1 G2 G3 hợp Power, Pmax (W/m2) (W/m2) (W/m2) (W/m2) (W)

1 1000 1000 1000 1000 904.5

2 1000 900 900 400 704.5

3 1000 900 800 400 652.6

4 1000 700 700 400 572.6

5 1000 700 500 400 461.1

Các đặc tính PV của hệ thống mô đun PV trong các điều kiện bóng râm một phần

được hiển thị trong Hình 4.22. Trong trường hợp sử dụng MPPT-PPSO thì bốn trường

hợp mô đun PV trong điều kiện bóng râm một phần đã được kiểm tra theo cấu hình được

lập trong Bảng 4.8. Mỗi trường hợp được mô phỏng trong khoảng thời gian 0,015s,

trong đó khoảng thời gian cho mỗi bước chiếu xạ mặt trời thay đổi là 0,003 s. Các dạng

sóng của công suất PV theo thời gian mô phỏng được vẽ cho tất cả các trường hợp theo

các mẫu bức xạ mặt trời trong Bảng 4.9 được thể hiện trong Hình 4.22.

Bảng 4.8. Thay đổi giá trị bức xạ cho MPPT- PPSO

Cường độ bức xạ

Trường G1 G2 G3 G4 hợp

(W/m2) (W/m2) (W/m2) (W/m2)

[1000 1000 1000] [1000 1000 600] [1000 900 400] [1000 500 200] 1

[1000 1000 1000] [800 1000 1000] [400 900 1000] [200 500 1000] 2

[1000 1000 1000] [800 1000 1000] [700 1000 900] [500 1000 500] 3

[1000 1000 1000] [1000 1000 600] [900 1000 400] [500 1000 200] 4

102

Bảng 4.9. Công suất cực đại khi có/không có thuật toán MPPT- PPSO

Tracking efficiency Maximum power (W) MPPT power (W) Case (%)

1 [904.5, 715.7, 435.7] [900, 700, 400] [99.5, 97.8, 91.8]

2 [516.8, 715.7, 904.5] [500, 710, 900] [96.7, 99.2, 99.5]

3 [580.9, 904.5, 715.7] [550, 880, 700] [94.8, 97.3, 97.8]

4 [715.7, 904.5, 435.7] [700, 880, 420] [97.8, 97.3, 96.4]

Bảng 4.9 cho thấy rõ hơn về các dạng sóng được hiển thị trong Hình 4.22. Nó so

sánh công suất tối đa Pmax được tạo bởi hệ thống có và không có sử dụng bộ MPPT-

PPSO. Có thể thấy rõ trong bảng 4.9 rằng hiệu quả theo dõi của thuật toán MPPT-PPSO

cho mỗi trường hợp nằm trong khoảng 91,8% đến 99,5%.

Hình 4.22. Kết quả mô phỏng với bộ điều khiển MPPT- PPSO

Hình 4.22 cho thấy thuật toán PPSO-MPPT có khả năng phát hiện điểm công

suất cực đại toàn cục khi mảng PV ở trong điều kiện bóng râm. Mặc dù các giá trị của

MPP được phát hiện hơi khác với công suất cực đại dự kiến, nhưng hiệu quả theo dõi

103

của thuật toán lại có thể đạt tới 99%, điều đó có nghĩa là thuật toán được đề xuất có thể

hoạt động tốt cho mảng PV trong điều kiện có bóng râm xuất hiện.

Trong mục này thuật toán tối ưu hóa thuật toán bầy đàn nhiễu loạn (PPSO) đã

được phát triển để theo dõi MPP toàn cục của các hệ thống PV trong điều kiện bóng râm

một phần. Hơn nữa, kết quả thu được đã được so sánh với một số thuật toán tối ưu hóa

khác và PSO truyền thống. Tóm lại, từ nghiên cứu này có thể rút ra các kết luận như

- Theo điều kiện bóng râm, các thuật toán tối ưu hóa bầy đàn có thể theo dõi các

điểm công suất cực đại, nhưng chỉ thuật toán PPSO được đề xuất mới có khả năng theo

dõi MPP toàn cục (điểm công suất cực đại thực sự trong số nhiều đỉnh cực đại cục bộ).

- Thuật toán MPPT-PPSO được đề xuất có cấu trúc tương tự như PSO truyền

thống và do đó nó cũng có khả năng tránh dao động ở trạng thái ổn định và theo dõi

MPP dưới sự dao động lớn của quá trình thay đổi bức xạ cũng như nhiệt độ.

- Thuật toán cải tiến PPSO cho độ chính xác trong việc theo dõi MPP và đạt kết

quả cao nhất trong thời gian ngắn nhất khi so sánh với PSO truyền thống.

4.3 Kết luận chương 4

Trong chương 4 này tác giả đã mô phỏng hệ thống PV với các bộ điều khiển công

suất cực đại khác nhau với các thuật toán MPPT truyền thống và thuật toán MPPT phát

triển. Kết quả mô phỏng cho thấy năng lượng đầu ra của các thuật toán đề xuất đều là

trên 99% với một vài lần lặp trong mọi điều kiện môi trường. Hơn nữa, những kết quả

này được so sánh với kết quả thu được từ các bộ MPPT áp dụng thuật toán truyền thống,

để chứng minh khả năng loại bỏ được các nhược điểm khi áp dụng thuật toán truyền

thống cho các bộ điều khiển MPPT của hệ thống PV.

104

Chương 5

THIẾT KẾ CHẾ TẠO HỆ THỐNG THỰC NGHIỆM NĂNG LƯỢNG ĐIỆN MẶT TRỜI

Tóm tắt

Theo như phần tổng quan của chương 2 tác giả đã giới thiệu một số mô hình của

hệ thống năng lượng điện mặt trời. Để thiết kế một hệ thống thực nghiệm thực tế tác giả

chọn mô hình hệ thống năng lượng điện mặt trời nối lưới để thực thi, tất nhiên hệ thống

năng lượng điện mặt trời nối lưới là một hệ thống phức tạp nhưng hệ thống này ngày

nay đang được nghiên cứu và đưa vào ứng dụng trong thực tiễn rất nhiều. Sau đây là

phần báo cáo tổng thể về hệ thống thực nghiệm tác giả thiết kế chế tạo.

5.1 Cấu trúc tổng thể của hệ thống thiết bị

Sơ đồ tổng quan của hệ thống thực nghiệm bao gồm các khâu chính sau: khâu

PV & DC/DC converter, khâu biến tần DC/AC và khâu nối lưới như trên

Hình 5.1.

Hình 5.1. Sơ đồ tổng quan hệ thống PV

Nguyên lý chung:

- Năng lượng điện DC từ PV cấp cho DC/DC converter sẽ được điều khiển

ở chế độ công suất cực đại khi hệ thống làm việc trong điều kiện nhiệt độ, cường độ

sáng, công suất tải thay đổi. Để điều khiển đối tượng phi tuyến tính (DC/DC converter),

chúng ta sẽ nghiên cứu đưa vào các thuật toán điều khiển MPPT.

- Điện áp DC từ đầu ra của DC/DC converter được đưa tới khâu biến đổi

DC/AC. Tại đây bộ điều khiển sẽ thực hiện điều chế áp DC thành điện áp xoay chiều

AC đủ điều kiện hòa lưới.

105

- Hệ thống nối lưới sẽ sử dụng các van công suất SCR, TRIAC hoặc

Contactor để thực hiện hòa lưới. Trong tình huống hòa lưới có tính đến các trạng thái

mất điện lưới, mất điện hệ thống đột ngột, và có điện đột ngột hệ thống sẽ thực hiện hòa

lưới tự động.

5.1.1 Bộ biến đổi DC/DC Bộ biến đổi DC/DC có nhiều loại trong luận án này tác giả chọn loại biến đổi tăng

áp bộ (Boost converter). Điện áp đầu ra của các tấm pin PV thấp khoảng 12÷ 36VDC,

trong khi đó cần phải tăng áp DC cho đầu vào của bộ chuyển đổi DC/AC, nếu ta mắc

nối tiếp để đạt được điện áp mong muốn thì cần mắc nối tiếp nhiều tấm pin PV như vậy

dễ gây mất an toàn khi một tấm pin PV bị hỏng, vì vậy việc chọn bộ tăng áp Boost

converter là hoàn toàn hợp lý. Để tăng dải điều chỉnh điện áp đầu ra cho bộ tăng áp tác

giả dùng bộ tăng áp kép thuộc loại Interleaved Boost Converter như hình 5.2.a và mạch

thực hình 5.2.b .

Hình 5. 2.a. Sơ đồ mạch nguyên lý Interleaved Boost Converter

Hình 5.2. b. Mạch thiết kế thực Interleaved Boost Converter

106

Trong đó:

- Khối 1: là điốt D1 và D2 , ở đây dùng điốt kép Diode APT2X101DQ60J

có dòng thuận cho phép 100A, điện áp ngược max 600V.

- Khối 2: Fet DSI2x55-16A

- Khối 3: Cuộn kháng L =500mH, 10A

- Khối 4: Điện áp vào từ pin năng lượng mặt trời (đỏ dương, xanh âm)

- Khối 5: Cổng điều khiển FET từ board mạch điều khiển.

- Khối 6: Điện áp ngõ ra sau bộ Boost ( xanh dương, vàng âm)

5.1.2 Bộ biến đổi DC/AC

Bộ biến đổi DC/AC là bộ nghịch lưu có nhiệm vụ chuyển đổi năng lượng từ nguồn

điện một chiều sang dạng năng lượng điện xoay chiều. Đại lượng được điều khiển ở ngõ

ra là điện áp hoặc dòng điện, được gọi là bộ nghịch lưu áp và bộ nghịch lưu dòng, ở đây

chúng ta sử dụng bộ nghịch lưu áp 3 pha.

Các bộ nghịch lưu áp thông thường dùng 2 bậc có nhược điểm là tạo điện áp cung

cấp cho dạng tải cuộn dây động cơ với độ dốc (dv/dt) khá lớn và gây ra một số vấn đề

khó khăn bởi tồn tại trạng thái khác zero của tổng điện thế từ các pha đến tâm nguồn

DC (common mode voltage UNO). Bộ nghịch lưu áp đa bậc được phát triển để giải quyết

các vấn đề gây ra nêu trên của bộ nghịch lưu áp 2 bậc và thường sử dụng cho các ứng

dụng điện áp cao và công suất lớn.

Ưu điểm của bộ nghịch lưu áp đa bậc: công suất tăng lên, điện áp đặt lên các linh

kiện được giảm xuống nên tổn hao công suất do quá trình đóng ngắt của linh kiện cũng

giảm theo; với cùng tần số đóng ngắt, các thành phần sóng hài bậc cao của điện áp ra giảm

nhỏ hơn so với trường hợp bộ nghịch lưu áp 2 bậc. Trong luận án này tác giả dùng bộ

nghịch lưu NPC 3 bậc có sơ đồ nguyên lý như hình 5.3.a và mạch thực chế tạo hình 5.3.b

107

Hình 5.3.a. Sơ đồ mạch nguyên lý nghịch lưu NPC 3 bậc

Hình 5.3.b. Mạch thiết kế thực nghịch lưu NPC 3 bậc

Trong đó:

Khối 1: là các cặp điốt dùng điốt kép Diode APT2X101DQ60J có dòng -

thuận cho phép 100A, điện áp ngược max 600V.

Khối 2: Fet DSI2x55-16A (datasheet: 16A&utm_content=IXYS) -

Khối 3: Điện áp vào từ bộ biến đổi DC/DC -

108

- Khối 4: Cổng điều khiển FET từ board mạch điều khiển

- Khối 5: Điện áp ngõ ra xoay chiều 3 pha

5.1.3 Bộ điều khiển hệ thống

Theo sơ đồ ta có thể thiết kế 2 bộ điều khiển độc lập : một bộ điều khiển MPPT

cho khối DC/DC, một bộ điều khiển cho khối DC/AC và kết nối tải hoặc nối lưới. Nhưng

ngày nay có nhiều loại bộ điều khiển sử dụng các MCU cấp cao vì vậy ta có thể chỉ sử

dụng 1 bộ điều khiển ngoài việc yêu cầu tự động thực hiện chức năng đo đạc thu thập

thông số, bộ điều khiển còn phải thực hiện chức năng điều khiển PV matrix hoạt động

ở trạng thái công suất cực đại, đồng thời điều khiển bộ chuyển đổi nghịch lưu và kết nối

tải hoặc nối lưới.

Ở đây tác giả sử dụng một board điều khiển dùng vi điều khiển họ ARM

STM32H743II đây là dòng có lõi chip vi xử lý 32 bit tốc độ xử lý cao, sơ đồ nguyên lý

và mạch thực board mạch điều khiển như hình 5.4.a và hình 5.4.b .

Hình 5.4. a. Mạch thiết kế thực board mạch điều khiển

109

Trong đó:

- Khối 1: Bộ nguồn có điện áp đầu vào 220Vac, điện áp ra 5VDC và

3.3VDC, dòng ngõ ra 900mA.

- Khối 2: Vi điều khiển họ ARM STM32H743II

- Khối 3: Giao tiếp Max485

- Khối 4 + 6: Bộ phận mạch lái, tạo ra các cặp xung PWM đối nghịch

thông qua UCC21520-Q1

- Khối 5: Bộ đóng ngắt tiếp điểm Relay 250Vac-10A

- Khối 7: Bộ ADC-DAC của vi điều khiển.

110

NCS NHU KHAI HOAN

Hình 5.4.b. Sơ đồ mạch nguyên lý board mạch điều khiển

5.1.4 Các Modul thu thập dữ liệu và hiển thị

- Modul cảm biến dòng

Hình 5.5. a. Cảm biến dòng

Modul cảm biến dòng HAX25 với các thông số kỹ thuật:

Dòng định mức đầu vào 25A

Dòng đỉnh 36A

Dòng ngõ ra phía sơ cấp đầy thang đo 25mA

± 0,5% Độ chính xác

± 15V Nguồn cấp

150kHz Băng thông

< 1us Thời gian đáp ứng

…..

Modul cảm biến áp

Hình 5.5.b. Cảm biến áp

Modul cảm biến áp HVX25 với các thông số kỹ thuật:

Điện áp định mức đầu vào 500V

Dòng ngõ ra phía sơ cấp đầy thang đo 25mA

Độ chính xác ± 1%

Nguồn cấp ± 15V

Băng thông 150kHz

Thời gian đáp ứng < 40us

112

Màn hình hiển thị

Để dễ dàng quan sát các thông số của hệ thống đang hoạt động ta có thể dùng các

màn hình HMI (Human-Machine-Interface), đây là loại màn hình phổ biến dùng trong

công nghiệp.

Hình 5.5. c. Màn hình HMI

5.1.5 Sơ đồ chi tiết hệ thống

Hình 5.6.a và 5.6. b là sơ nguyên lý và hình ảnh thực của toàn hệ thống. Trong hệ

thống phía đầu ra điện áp xoay chiều để điện áp nhỏ đảm bảo cho thiết bị làm việ an

toàn đồng thời cách ly với điện áp lưới trong quá trình thực hành thí nghiệm ta dùng

thêm máy biến áp 3 pha.

Hình 5.6. a . Hệ thống thực nghiệm

113

Hình 5.6. b. Sơ đồ nguyên lý hệ thống

5.2 Kết quả hệ thống thực nghiệm

Giao diện điều khiển được lập trình trên màn hình HMI thuận lợi cho việc điều

khiển và cài đặt hệ thống như hình 5.7 .

Hình 5.7. Giao diện điều khiển hệ thống PV

Kết quả điện áp 3 pha và dạng điện áp đầu ra của hệ thống được quan sát như

hình 5.8.

Hình 5.8. Dạng sóng điện áp đầu ra pha A của hệ thống PV

Trong hệ thống năng lượng điện mặt trời thực nghiệm này tác giả đã áp dụng kỹ

thuật điều khiển MPPT vào hệ thống. Các thuật toán điều khiển công suất cực đại được

115

lập trình đưa vào hệ thống, hệ thống chạy ổn định cho kết quả thu nhận công suất cao

hơn rất nhiều so với không có điều khiển MPPT, hình ảnh hoạt động của hệ thống tác

giả có quay video lại, nhưng hạn chế ở phần báo cáo kết quả thực nghiệm là chưa báo

cáo so sánh được kết quả của các phương pháp điều khiển công suất cực đại khác nhau

mà tác giả đề xuất như trong phần mô phỏng vì công suất của các tấm pin PV cung cấp

cho hệ thống bị thay đổi liên tục do ánh sáng và nhiệt độ thay đổi theo thời gian. Muốn

so sánh kết quả thu nhận công suất của các thuật toán khác nhau bằng hệ thống thực

nghiệm thì chúng ta có thể dùng một nguồn phát công suất giả lập cho pin PV, nhưng

hiện nay tác giả đã tìm hiểu các phòng thí nghiệm của trường và trên địa bàn TP.HCM

chưa có bộ nguồn phát này.

5.3 Kết luận chương 5

Trong chương này tác giả trình bày những phần tử cơ bản trong hệ thống thiết bị

thực nghiệm hệ thống năng lượng điện mặt trời nối lưới tác giả thiết kế, chế tạo thành

công. Hệ thống này chạy ổn định cho phép thực nghiệm lập trình các thuật toán điều

khiển áp dụng cho hệ thống thực tế với các thuật toán điều khiển từ đơn giản đến hiện

đại. Hệ thống dùng để thực hành thực tập về hệ thống năng lượng điện mặt trời còn được

sử dụng với mục đích nghiên cứu và phát triển dự án lập trình điều khiển ứng dụng về

nghiên cứu hệ thống năng lượng mặt trời.

[1]. Đồng Văn Hướng, Nhữ Khải Hoàn “Nghiên cứu thiết kế mô hình thực hành, thí

nghiệm hệ thống năng lượng điện mặt trời”, Đề tài nghiên cứu khoa học cấp cơ sở

nghiệm thu tháng 1/2019.

116

CHƯƠNG 6 KẾT LUẬN VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN

6.1 Kết luận

Năng lượng mặt trời là một trong những nguồn năng lượng quan trọng nhất của

con người. So với các nguồn năng lượng khác như thủy điện, phong điện, nhiệt điện,

điện hạt nhân… năng lượng mặt trời có đặc điểm không ô nhiễm về môi trường, độ an

toàn cao, nguồn năng lượng vô tận, có thể phân bố mọi nơi trong mọi dải công suất.

Trong tương lai nguồn NLMT sẽ trở thành nguồn năng lượng chính bổ sung cho những

nguồn năng lượng đang dần cạn kiệt như: than, dầu khí, nước. Chính vì vậy việc nghiên

cứu và phát triển hệ thống năng lượng điện mặt trời là một việc hết sức cần thiết và cấp

bách hiện nay.

Hệ thống năng lượng điện mặt trời có rất nhiều vấn đề cần được nghiên cứu cải

tiến và phát triển cho hệ thống, trong luận án này tác giả tập trung nghiên cứu và phát

triển cho hệ thống và đã đạt được những kết quả sau :

- Nghiên cứu thuật toán INC và đề xuất các cải tiến phát triển cho thuật toán INC

áp dụng trong điều khiển MPPT của hệ thống PV. Mô phỏng được thuật toán MPPT

trong ở điều kiện bức xạ thay đổi thường gặp trong thực tế để thấy được hiệu quả của

thuật toán. Kết quả cho thấy phương pháp MPPT dựa trên thuật toán INC phát triển hoạt

động tốt khi điều kiện bức xạ mặt trời thay đổi đột ngột, phản ứng bám điểm công suất

cực đại với thời gian rất nhanh, độ quá điều chỉnh rất nhỏ. Ngoài ra, thuật toán INC phát

triển có ưu điểm hơn hơn hẳn thuật toán INC truyền thống chẳng hạn như: hội tụ nhanh

hơn, dao động quanh điểm công suất cực đại hẹp và ít hơn; giảm thiểu được hao tổn

công suất phát do dao động quanh điểm công suất cực đại, hiệu suất cao hơn.

- Nghiên cứu thuật toán tối ưu bày đàn (PSO) và ứng dụng của thuật toán trong bộ

điều khiển MPPT đồng thời đề xuất 02 thuật toán mới: thuật toán tối ưu bày đàn vi phân

(DPSO) và thuật toán tối ưu bày đàn nhiễu loạn (PPSO) bằng cách phát triển dựa trên

thuật toán PSO cổ điển và áp dụng chúng trong bộ điều khiển MPPT để cải thiện hiệu

quả hoạt động của hệ thống PV. Kỹ thuật điều khiển MPPT dựa trên thuật toán DPSO

và PPSO đã được thử nghiệm thành công trên mô hình hệ thống. Kết quả mô phỏng cho

thấy năng lượng đầu ra của thuật toán đề xuất đều là trên 99% với một vài lần lặp trong

117

mọi điều kiện môi trường. Hơn nữa, những kết quả này được so sánh với kết quả thu

được từ các bộ MPPT áp dụng thuật toán truyền thống, để chứng minh khả năng loại bỏ

được các nhược điểm khi áp dụng thuật toán truyền thống cho các bộ điều khiển MPPT

của hệ thống PV.

- Tác giả đã nghiên cứu chế tạo thành công thiết bị thực nghiệm hệ thống năng

lượng điện mặt trời nối lưới. Hệ thống chạy ổn định ngoài việc cho phép thực nghiệm

về hệ thống năng lượng điện mặt trời hệ thống còn được sử dụng với mục đích nghiên

cứu và phát triển dự án lập trình điều khiển ứng dụng về các nghiên cứu phát triển hệ

thống năng lượng điện mặt trời.

6.2 Phương hướng phát triển đề tài

Như tác giả đã đề cập, hệ thống năng lượng điện mặt trời là một thống lớn nên có

rất nhiều vấn đề cần được nghiên cứu cải tiến và phát triển cho hệ thống. Các phát triển

trọng tâm cho hệ thống năng lượng điện mặt trời tác giả cũng đã trình bày ở chương 2.

Nghiêng về lĩnh vực kỹ thuật điều khiển và tự động hóa tác giả đưa ra các hướng phát

triển cho đề tài nghiên cứu về hệ thống điện mặt trười như sau :

- Tiếp tục nghiên cứu áp dụng các kỹ thuật điều khiển thông minh để điều khiển

hệ thống PV đạt công suất cực đại nâng cao hiệu suất của hệ thống.

- Nghiên cứu phát triển các mạch điện tử bộ biến đổi công suất DC/DC, DC/AC

để hệ thống đạt hiệu suất cao và làm việc ổn định.

- Nghiên cứu giải pháp anti-islanding nâng cao độ đáp ứng nhanh cũng như độ an

toàn của hệ thống NLMT trong quá trình hoạt động nối lưới.

118

DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ

[1]. Đồng Văn Hướng, Nhữ Khải Hoàn, “Nghiên cứu phát triển hệ thống năng lượng

mặt trời nối lưới”, Tạp chí Khoa học Công Nghệ Giao thông Vận Tải, 5/2014. ISSN 1859-4263

[2]. Nhữ Khải Hoàn, Lê Thị Hường, Đồng Văn Hướng, “Cải tiến thuật toán độ dẫn

gia tăng trong việc điều khiển bám điểm công suất cực đại của hệ thống điện mặt

trời”, Hội nghị Khoa học – Công nghệ GTVT lần IV – ÐH GTVT TpHCM, 5/2018. ISBN: 978-604-76-1578-0

[3]. Van Huong Dong, Khai Hoan Nhu, Thi Thom Hoang, Thanh Cong Pham (2018).

“Tracking Maximum Power Point For Photovoltaic System Using A Novel

Differential Particle Swarm Optimization”, Journal of Mechanical Engineering Research and Developments, 41(4) : 116-121. ISSN: 2088 -5334, Scopus

[4]. Cong-Thanh Pham, Khai Hoan Nhu, Van Huong Dong, Thi Huong Le, Thi Thom

Hoang, “Development of Particle Swarm Optimization for tracking Maximum

Power Point of Photovoltaic Systems”, International Journal on Advanced

Science, Engineering and Information Technology IJASE, Vol.9 (2019): 1732-

1738. ISSN:1024 -1752, Scopus

[5]. Khai Hoan Nhu, Van Huong Dong, Cong-Thanh Pham, Quoc Tuan Vu, Thi Thom

Hoang, “Application of Particle Swarm Optimization for MPPT in Photovoltaic

Systems” Indonesian Journal of Electrical Engineering and Computer Science.

(Đã gửi bài, chờ duyệt đăng)

[6]. Đồng Văn Hướng, Nhữ Khải Hoàn “Nghiên cứu thiết kế mô hình thực hành, thí

nghiệm hệ thống năng lượng điện mặt trời”, Đề tài nghiên cứu khoa học cấp cơ sở nghiệm thu tháng 1/2019.

119

TÀI LIỆU THAM KHẢO

[1]. Govinda. R Timilsina, Lado Kurdgelashvili and Partick A. Narbel,”A review of Solar energy: Markets, Economics and Policies,” Policy Research Working Papers, 2011. [2]. Al Xin, HAN Xiaonan and SUN Yingyun, “The Development Status and Prospect of Grid-connected Photovoltaic Generation and Its Related Technologies,” Modern Electric Power, Vol 30, No 1, 2013.

[3]. Institute of Electrical and Electronics Engineers, “ IEEE Recommended Practice for Utility Interface of Photovoltaic (PV) Systems,” United States of America, pp. 1-26, 2000.

[4]. Gilbert, “Renewable and efficent electric power systems” chapter 8, 9, 2004. [5]. A. Safari and S. Mekhilef, “Simulation and hardware implementation of incremental conductance MPPT with direct control method using cuk converter,” IEEE Trans Ind Electron, pp. 1154–61, 2001.

[6]. A. Loukriz et al., “Simulation and experimental design of a new advanced variable step size Incremental Conductance MPPT algorithm for PV systems,” Published by Elsevier Ltd, 2015.

[7]. C.Jena, Amruta Das, C.K.Panigrahi, M.Basu, “ Modelling and Simulation of Photovoltaic Module with Buck-Boost Converter” International Journal of Advanced Engineering and Nano Technology (IJAENT), ISSN: 2347-6389, Volume-1, Issue-3, February 2014

[8]. Keya Huang, Wenshi Li and Xiaoyang Huang “MPPT of Solar Energy Generating System with Fuzzy Control and Artificial Neural Network”, Information Technology, Computer Engineering and Management Sciences (ICM), Nanjing-Jiangshu-China, pp. 230 – 233, Sept. 2011.

[9]. Zhong Qing, Yu Nanhua, Wang Kun, Feng Lin, Li Guojie and Chen Kan, “Hardware- in-the-loop Simulation Platform of Photovoltaic Grid-Connected System,” TELKOMNIKA Indonesian Journal of Electrical Engineering, Vol.12, No.4, pp. 2465 - 2473, April 2014.

[10]. Stytz, M.R, Vanderburgh. J and Banks, S.B. ,“The Solar System Modeler,” IEEE

Computer Graphics and Applications, Vol 17. No 5, 2002.

[11]. Huang Zhiwu and Wang Shuxia, “Based on Fuzzy Hybrid Inverter Technology Solar Energy Application Research,” TELKOMNIKA Indonesian Journal of Electrical Engineering, Vol.12, No.4, pp. 2636 – 2644, April 2014.

[12]. Rahman, R. and Khan MS “Performance enhancement of PV Solar System by mirror reflection,” International Conference on Electrical and Computer Engineering, Dhaka, pp. 163 – 166, Dec. 2010.

[13]. Joe-Air Jiang,Tsong-Liang Huang, Ying-Tung Hsiao and Chia-Hong Chen, “Maximum Power Tracking for Photovoltaic Power Systems”, Tamkang Journal of Science and Engineering, Vol 8, No 2, 2005, Pages 174-153.

A. Tài liệu tiếng Anh

120

[14]. T.Balamurugan, S.Manoharan, “Fuzzy Controller Design using Soft Switching Boost Converter for MPPT in Hybrid System”, International Journal of Soft Computing and Engineering (IJSCE), Vol 2, No 5, 2012.

[15]. Seree Manju B, Ramaprabha R, Mathur B.L, “Design and Modeling of Standalone Solar Photovoltaic Charging System”, Internal Journal of Computer and Applications, Vol 18, No 2, 2011.

[16]. Sunil Kumar Mahapatro, “Maximum Power Point Tracking (MPPT) Of Solar Cell Using Buck-Boost Converter”, International Journal of Engineering Research & Technology (IJERT),Vol. 2 Issue 5, May – 2013.

[17]. Texsa Instrument, “Understanding Buck-Boost power stages in switch mode power

supplies”, Application report, 1999.

[18]. Premkumar.G, A.N. Archana, “Frequency, Voltage and Angle Tracking for Photovoltaic Grid-Connected Inverter based on SVPWM Technique”, International Journal of Computer Applications Volume 81 – No 14, November 2013

[19]. V. Salas et al., “Review of the maximum power point tracking algorithms for stand- alone photovoltaic systems,” Solar Energy Materials & Solar Cells, 90, 1555–1578, 2006 .

[20]. Tat Luat Nguyen and Kay-Soon Low, “A global Maximum power point tracking scheme employing DIRECT seach Algorithm for photovoltaic systems”, IEEE Transactions on Industrial Electronics, Volume: 57, Issue: 10, Oct. 2010.

[21]. D. Sera et al., “Improve MPPT Algorithm for rapidly changing environmental

conditions,” IEEE Trans. Sustain. Energy, 2009.

[22]. N. Femia et al., “Optimizing sampling rate of P&O MPPT technique,” Power Electronics Specialists Conference, PESC 04. 2004 IEEE 35th Annual, 2004. [23]. N. Femia et al., “Optimization perturb and observe maximum power point tracking method,” IEEE Transactions on Power Electronics, Volume: 20, Issue: 4, July 2005. [24]. KH Hussein et al., “Maximum Photovoltaic power tracking an Algorithm for rapidly

changing atmospheric conditions,” IEEE Proceedings-Generation, 1995.

[25]. Chao Zhang et al., “A modified MPPT method with variable perturbation step for photovoltaic system,” Power Electronics and Motion Control Conference, PEMC '09, IEEE 6th International, 2009.

[26]. Weidong Xiao and W.G. Dunford, “A modified adaptive hill climbing MPPT method for photovoltaic power systems,” Power Electronics Specialists Conference, PESC 04. 2004 IEEE 35th Annual 2004.

[27]. I. Abdalla et al., “Voltage-Hold Perturbation & Observation Maximum Power Point Tracking Algorithm (Vh-P&O MPPT) for Improved Tracking over the Transient Atmospheric Changes,” in Power Electronics and Applications (EPE 2011), Proceedings of the 2011-14th European Conference on, 2011), pp. 1-10.

121

[28]. T. Esram and P.L. hapman,“Comparison of Photovoltaic Array Maximum Power Point Tracking Techniques,” IEEE Transactions on Energy Conversion, Vol. 22, No. 2, pp. 439, June 2007.

[29]. M.A. Elgendy et al., “Assessment of Perturb and Observe MPPT Algorithm Implementation Techniques for PV Pumping Applications,” Sustainable Energy, IEEE Transactions, pp. 21-33, on, March 2012.

[30]. N.E. Zakzouk et al., “Modified Variable-step Incremental Conductance Maximum

Power Point Tracking Technique for Photovoltaic Systems,” IEEE, 2013.

[31]. S.A. Khan, and M.I. Hossain, “Design and Implementation of Microcontroller Based Fuzzy Logic Control for Maximum Power Point Tracking of a Photovoltaic System,” in Electrical and Computer Engineering (ICECE), pp. 322-25, 2010.

[32]. D.S. Morales, “Maximum Power Point Tracking Algorithms for Photovoltaic Applications,” [Master‟s Thesis], Aalto University, Faculty of Electronics, Communications and Automation, 2010.

[33]. A. Messai et al., “Design and Implementation of Microcontroller Optimized Fuzzy Logic Controller and Its FPGA Implementation,” Solar Energy, Vol. 85, pp. 265-77, 2011.

[34]. A. Chaouachi et al., “A Novel Multi-Model Neuro-Fuzzy-Based MPPT for Three- Phase Grid-Connected Photovoltaic System,” Solar Energy, Vol. 84, pp. 2219-29, 2010.

[35]. S. Jain, and V. Agarwal, “Comparison of the Performance of MaximumPower Point Tracking Schemes Applied to Single-Stage Grid-Connected Photovoltaic Systems,” Electric Power Applications, IET, vol. 1, pp. 753-62, 2007.

[36]. H. Patel and V. Agarwal, “Maximum Power Point Tracking Scheme for PV Systems Operating Under Partially Shaded Conditions,” IEEE Trans Ind Electron, vol. 55, no. 4, April 2008 .

[37]. K. Ishaque and Z. Salam, “A review of maximum power point tracking techniques of PV system for uniform insolation and partial shading condition,” Renewable and Sustainable Energy Reviews, vol. 19, pp. 475–488, 2003.

[38]. D Rekioua and E. Matagne, “Optimization of photovoltaic power systems:

modelization, simulation and control,”, London: Springer- Verlag; 2012.

[39]. N. Femia et al., “Predictive & adaptive MPPT perturb and observe method,” IEEE

Trans Aerosp Electron Syst, pp. 934–50, 2007.

[40]. M.A. Emad and M. Shoyama, “Scaling factor design issues in variable step size incremental resistance MPPT in PV systems,” In: Proceedings of the Ninth International Conference on Power Electronics and Drive Systems (PEDS) Singapore, 2011.

[41]. F. Liu et al. “A variable step size INC MPPT method for PV systems,” IEEE Trans.

Ind. Electron., vol 55, pp. 2622–8, 2008.

122

[42]. Q. Mei et al., “A novel improved variable step size incremental resistance MPPT

method for PV systems,” IEEE Trans. Indus. Electron., pp. 2424–34, 2011.

[43]. M.A. Emad and M. Shoyama, “Stability Study of Variable Step Size Incremental Conductance – Impedance MPPT for PV systems,” In: Proceedings of the 8th International Conference on Power Electronics - ECCE Asia. The Shilla Jeju, Korea, 2011.

[44]. N.H. Abdul Rahman et al., “A modification of variable step size INC MPPT in PV system,” In: Proceedings of the 7th IEEE International Power Engineering and Optimization Conference (PEOCO) Malaysia, 2013.

[45]. K.S. Tey and S. Mekhilef, “Modified Incremental Conductance Algorithm for Photovoltaic System Under Partial Shading Conditions and Load Variation,” IEEE Transactions on Industrial Electronics, 2014.

[46]. M.A. Abdourraziq et al., “Comparative study of MPPT using variable step size for photovoltaic systems,” In: Proceedings of the Second World Conference on Complex Systems (WCCS) Agadir, Morocco, 2014.

[47]. B.A. Isaloo and P. Amiri, “Improved Variable Step Size Incremental Conductance MPPT Method With High Convergence Speed For PV systems,” Journal of Engineering Science and Technology, Vol. 11, No. 4, pp. 516 – 528, 2016.

[48]. Kennedy, J. and Eberhart, R., Particle swarm optimization, In Proceedings of the

IEEE International Conference on Neural Net-works, vol. 4, pp. 1942–1948, 1995.

[49]. Eberhart, R., and Kennedy, J., A new optimizer using particleswarm theory, In Proceedings of the Sixth International Symposium on Micro Machine and Human Science, pp. 39–43, 1995.

[50]. Eberhart, R., Kennedy J., Oct., A new optimizer using particle swarmtheory, in Proc.

6th Int. Symp. Micro Machine and Human Science (MHS), pp. 39–4, 1995.

[51]. Eberhart, R., Shi, Y., Kennedy, J., Swarm Intelligence, SanMateo, CA: Morgan

Kaufmann, 2001.

[52]. Valle, Y., Venayagamoorthy, G.,K., Mohagheghi, S., Hernandez, J., Harley, R., Particle Swarm Optimization: Basic Concepts, Variants and Applications in Power Systems, IEEE Trans. Evolut. Comput., vol. 12, no. 2, pp. 171-195, April 2008. [53]. Engelbrecht, A.P., Particle swarm optimization: Where does it be-long?, in Proc.

IEEE Swarm Intell. Symp., pp. 48-54, May 2006.

[54]. Craig, W., Reynolds., Flocks, herds, and schools, A distributed behavioral model.

Computer Graphics, vol. 21, no. 4, pp. 25-34, 1987.

[55]. Heppner, F., Grenander, U., A stochastic nonlinear model for coordinated bird ﬂocks. In Saul Krasner, editor, The Ubiquity of Chaos. American Association for the Advancement of Science 1990.

[56]. Reeves, W.T., Particle systems – a technique for modeling a class of fuzzy objects,

ACM Transactions on Graphics, vol. 2, no. 2, pp. 91–108, 1983

123

[57]. Millonas, M., Swarms, phase transitions, and collective intelligence, in Artiﬁcial Life III, Proc. Santa Fe Institute Studies in the Sciences of Complexity, C. G. Langton, Ed. New York: Addison-Wesley, vol. XVII, pp. 417–445, 1994.

[58]. Dorigo, M., Optimization, learning and natural algorithms, Ph.D. dissertation,

Politecnico di Milano, Milan, Italy, 1992.

[59]. Dorigo, M. and Stützle, T., Ant Colony Optimization, Cambridge, MA: MIT Press

ISBN 0-262-04219-3, 2004. [60]. Ant Colony Optimization, [Online],

Available:http://en.wikipedia.org/wiki/Ant_colony_optimization.

[61]. Bishop, J.M., Stochastic Searching Networks, in Proc. Inst. Elect.Eng. Conf. Artif.

Neural Netw., London, pp. 329–331, Oct. 1989.

[62]. Loengarov, A., Tereshko, V., A minimal model of honey bee for-aging, in Proc. IEEE

Swarm Intell. Symp., pp. 175–182, May 2006.

[63]. Liu, Y., Passino, K., Biomimicry of social foraging bacteria for distributed optimization: Models, principles, and emergent behaviors, J. Optim. Theory Appl., vol. 115, no. 3, pp. 603–628, Dec. 2002.

[64]. Mishra, S., A hybrid least Square-Fuzzy bacterial foraging strategy forharmonic

estimation, IEEE Trans. Evol. Comput., vol. 9, no. 1, pp. 61–73, Feb. 2005.

[65]. Lee, T., Cho, M.Y., Fang, F.M., Features Selection of SVM and ANN Using Particle Swarm Optimization for Power Transformers Incipient Fault Symptom Diagnosis, International Journal of Computational Intelligence Research. ISSN 0973-1873, vol. 3, no. 1, pp. 60-65, 2007.

[66]. Richards, M., Ventura, D., Choosing a starting conﬁguration for particle swarm optimization, in Proc. IEEE Int. Joint. Conf. Neural Netw., vol. 3, pp. 2309–2312, Jul. 2004.

[67]. Campana, E.F., Fasano, G., Pinto, A., Dynamic system analysis and initial particles position in particle swarm optimization, in Proc. IEEE Swarm Intell. Symp., pp. 202– 209, May 2006.

[68]. Eberhart, R., Shi, Y., Particle swarm optimization: Developments, applications and resources, in Proc. IEEE Congr. Evol. Comput., vol. 1, pp. 81–86, May 2001. [69]. Hu, X., Shi, Y., Eberhart, R., Recent advances in particle swarm, in Proc. IEEE

Congr. Evol. Comput., vol. 1, pp. 90–97, Jun. 2004.

[70]. Fan, H., Shi, Y., Study on Vmax of particle swarm optimization, in Proc. Workshop on Particle Swarm Optimization, Purdue School of Engineering and Technology, Indianapolis, Apr. 2001.

[71]. Abido, A., Particle swarm optimization for multimachine power system stabilizer design, in Proc. Power Engineering Society Summer Meeting (PES), vol. 3, pp. 1346– 1351, Jul. 2001.

[72]. Abido, A., Oct., Optimal power ﬂow using particle swarm optimization, Int. J. Elect.

Power Energy Syst., vol. 24, no. 7, pp. 563–571, 2002.

124

[73]. Ozcan, E., Mohan C., Particle swarm optimization: Surﬁng the waves, in Proc. IEEE

Congress Evol. Comput., vol. 3, pp.1939–1944, Jul. 1999.

[74]. Clerc, M., Kennedy, J., The particle swarm-explosion, stability, and convergence in a multidimensional complex space, IEEE Trans. Evol. Comput., vol. 6, no. 1, pp. 58– 73, Feb. 2002.

[75]. Eberhart, R., Shi, Y., Comparing inertia weights and constriction factors in particle swarm optimization, in Proc. IEEE Congress Evol. Comput., vol. 1, pp. 84–88, Jul. 2000.

[76]. Bergh, F., Engelbrecht, A., A cooperative approach to particle swarm optimization,

IEEE Trans. Evol. Comput., vol. 8, no. 3, pp.225–239, Jun. 2004.

[77]. Shi, Y., Eberhart, R., Empirical study of particle swarm optimization, in Proc. IEEE

Congr. Evol. Comput., vol. 3, pp.1945–1950, Jul. 1999.

[78]. Esmin, A., Torres, G., Zambroni, A., A hybrid particle swarm optimization applied to loss power minimization, IEEE Trans. Power Syst., vol.20, no.2, pp. 859–866, May 2005.

[79]. Chen, X., Li, Y., An improved stochastic PSO with high exploration ability, in Proc.

IEEE Swarm Intell. Symp., pp. 228–235, May 2006.

[80]. Kennedy, J., Eberhart, R., A discrete binary version of the particle swarm algorithm, in Proc. IEEE Int. Conf. Syst., Man, Cybern: Computational Cybernetics and Simulation (ICSMC), vol. 5, pp. 4104–4108, Oct. 1997.

[81]. Subhani, T., Babu, C., Reddy, A., Particle swarm optimization with time varying acceleration coefficients for economic dispatch considering valve point loading effects. In Proc. IEEE Third International Conference on Computing Communication Networking Technologies (ICCCNT), pp. 1-8, 2012.

[82]. Abdullah, M.N., Bakar, A.H.A., Rahim, N.A., Mokhlis, H., Illias, H.A., Jamian, J.J., Modified Particle Swarm Optimization with Time Varying Acceleration Coefficients for Economic Load Dispatch with Generator Constraints, Journal of Electrical Engineering & Technology, pp. 15-26, 2014.

[83]. O. Santos, J.L., et al., A maximum power point tracker for PV systems using a high

performance boost converter. Solar Energy 2006; 80(7): 772-778.

[84]. Ben Salah, C. and M. Ouali, Comparison of fuzzy logic and neural network in maximum power point tracker for PV systems. Electric Power Systems Research 2011; 81(1): 43-50.

[85]. Young-Hyok, J., et al., A Real Maximum Power Point Tracking Method for Mismatching Compensation in PV Array Under Partially Shaded Conditions; Power Electronics, IEEE Transactions on 2011; 26(4): 1001-1009.

[86]. B. Subudhi and R. Pradhan, A Comparative Study on Maximum Power Point Tracking Techniques for Photovoltaic Power Systems; IEEE Trans. Sustain. Energy 2013; 4(1): 89-98.

[87]. M. A. Elgendy, B. Zahawi, and D. J. Atkinson, Assessment of the incremental

125

conductance maximum power point tracking algorithm, IEEE Trans. Sustain. Energy 2013; 4(1): 108–117.

[88]. S. L. Brunton, C. W. Rowley, S. R. Kulkarni, and C. Clarkson, Maximum power point tracking for photovoltaic optimization using ripple-based extremum seeking control; IEEE Trans. Power Electron. 2010; 25(10): 2531–2540.

[89]. C. Ali, and A. Chandra, An Optimal Maximum Power Point Tracking Algorithm for PV Systems with Climatic Parameters Estimation; IEEE Trans. Sustain. Energy 2015; 6(2): 644-652.

[90]. P. Tang and L. Wa, A single cell maximum power point tracking converter without a current sensor for high performance vehicle solar arrays; In: Proceeding 36th annual IEEE power electronic specific conference 2005; 165-171.

[91]. K.T. Kobayashi, I. Takano, and Y. Sawada, A study on a two stage maximum power point tracking control of a photovoltaic system under partially shaded insolation conditions; In: Presented at the power engineering society general meeting 2003. [92]. Elgendy, Mohammed, Z. Bashar, and J. A. David, Operating Characteristics of the P&O Algorithm at High Perturbation Frequencies for Standalone PV Systems; Energy Conversion, IEEE Transactions 2015; 30(1):189-198.

[93]. K. Ishaque, Z. Salam, & G. Lauss, The performance of perturb and observe and incremental conductance maximum power point tracking method under dynamic weather conditions; Applied Energy 2014; 119: 228-236.

[94]. W. Xiao, and W.G. Dunford, A modified adaptive hill climbing MPPT method for photovoltaic power systems; In: Presented at the pros of 35th annual IEEE power electron spec conf, 2004.

[95]. N. Femia, G. Petrone, G. Spagnuolo, and M. Vitelli, Optimization of perturb and observemaximum power point trackingmethod, IEEE Trans. Power Electron. 2005; 20(4): 963–973.

[96]. G. Balasubramanian, S. Singaravelu, Fuzzy logic controller for the maximum power

point tracking in photovoltaic system, Int J Comput 2012; 41: 22–28.

[97]. Syafaruddin, et al., Artificial neural network-polar coordinated fuzzy controller based maximum power point tracking control under partially shaded conditions, IET Renew Power Genera 2009; 3: 239–253.

[98]. Ghoddami, H. and A. Yazdani, A Single-Stage Three-Phase Photovoltaic System With Enhanced Maximum Power Point Tracking Capability and Increased Power Rating Power Delivery, IEEE Transactions on 2011; 26(2): 1017-1029.

[99]. R.Ramaprabha , D.B.L.M., Impact of Partial Shading on Solar PV Module Containing Series Connected Cells. International Journal of Recent Trends in Engineering 2009; 2(7): 56-60.

[100]. A. Messai et al., Maximum power point tracking using GA optimize fuzzy logic

controller and its FPGA implementation, Solar Energy 2011, 86: 265–77.

[101]. K. Ishaque, et al., A novel maximum power point tracking control of photo-voltaic

126

system under partial and rapidly fluctuating shadow conditions using differential evolution, In: Presented at the 2010 IEEE symposium on industrial electronics and applications 2010.

[102]. C. K.- Hsiang, L. H. Chien., Maximum power point tracking method based on modiifed particle swarm optimization for photovoltaic systems, Int J Photoenergy 2013; 1–6.

[103]. Ishaque, A deterministic particle swarm optimization maximum power point tracker for photovoltaic system under partial shading condition, IEEE Trans Ind Electron 2013; 60: 3195–206.

[104]. K. B. A. Ramdan, , Z. F. Ahmed, and E. Adel, Novel MPPT Algorithm Based on Particle Swarm Optimisation for Photovoltaic Systems, IEEE Transactions on Sustainable Energy 2016, 1949-3029.

[105]. Giraud, F. and Z.M. Salameh, Analysis of the effects of a passing cloud on a grid- interactive photovoltaic system with battery storage using neural networks, Energy Conversion, IEEE Transactions on 1999; 14(4): 1572-1577.

[106]. Agarwal, H.P.a.V., MATLAB-Based Modeling to Study the Effects of Partial Shading on PV Array Characteristics. IEEE Transactions on Energy Conversation 2008; 23(1): 302-310.

[107]. Masafumi Miyatake, M.V., Fuhito Toriumi, Nobuhiko Fujii, Hideyoshi Ko, Maximum Power Point Tracking of Multiple Photovoltaic Arrays: A PSO Approach. IEEE trans. On Aerospace and Electro. Sys. 2011; 47(1).

[108]. Phimmasone, V.K., Y., Kamejima, T.,Miyatake, M., Evaluation of extracted energy from PV with PSO-based MPPT against various types of solar irradiation changes 2010 International Conference on Electrical Machines and Systems (ICEMS) 2010: 487-492.

[109]. Kennedy J, Eberhart R, Particle swarm optimization. In IEEE International

Conference on Neural Networks 1995; 4: 1942-1948.

[110]. E N Yaqin, A G Abdullah, D L Hakim, and A B D Nandiyanto “MPPT based on fuzzy logic controller for photovoltaic system using PSIM and Simulink” The 2nd Annual Applied Science and Engineering Conference (AASEC 2017).

[111]. Vergura, S. A Complete and Simplified Datasheet-Based Model of PV Cells in

Variable Environmental Conditions for Circuit Simulation. Energies 2016, 9, 326.

[112]. Li, C.; Chen, Y.; Zhou, D.; Liu, J.; Zeng, J. A High-Performance Adaptive Incremental Conductance MPPT Algorithm for Photovoltaic Systems. Energies 2016, 9, 288.

[113]. Na, W.; Chen, P.; Kim, J.H. An Improvement of a Fuzzy Logic-Controlled Maximum Power Point Tracking Algorithm for Photovoltaic Applications, Appl. Sci. 2017, 7, 326.

[114]. M. Arsalan, R. Iftikhar, I. Ahmad, A. Hasan, K. Sabahat, and A. Javeria, “MPPT for photovoltaic system using nonlinear backstepping controller with integral action”,

127

Solar Energy, vol. 170, pp. 192–200, 2018.

[115]. Y. Cheddadi, F. Errahimi, and N. Es-sbai, “Design and verification of photovoltaic MPPT algorithm as an automotive-based embedded software”, Solar Energy, vol. 171, pp. 414–425, 2018.

Tài liệu tiếng Việt

B. [116]. Đặng Đình Thống, “Công nghệ pin mặt trời – Bài học kinh nghiệm từ Việt Nam”,

Hội chợ triển lãm IMAG lần 2, 2012.

[117]. Nguyễn Viết Ngư, Lê Thị Minh Tâm, Trần Thị Thường, Nguyễn Xuân Trường “So sánh hai thuật toán INC và P&O trong điều kiện bám điểm công suất cực đại cuar hệ thống pin mặt trời cấp điện độc lập,” Tạp chí Khoa học và Phát triển, tập 13, số 8: 1452-1463, 2015.

[118]. Hà Thị Thu Phương, Nguyễn Tiến Thư, Hồ Phạm Huy Ánh, Cao Văn Kiên “Tối ưu công suất MPPT nguồn quang năng PV dùng thuật toán P&O mờ thích nghi” Hội nghị toàn quốc lần thứ 8 về Cơ Điện tử - VCM-2016.

[119]. Đỗ Vũ Lực and Kang Jin-song, “Cải tiến thuật toán INC trong điều kiện bám điểm công suất cực đại hệ thống pin mặt trời cấp điện độc lập,” Vietnam J. Agri. Sci., Vol. 14, No. 5, pp. 785-798, 2016.

[120]. Nguyễn Bính, “Điện tử công suất”, NXB Khoa học và kỹ thuật, 2012. [121]. Trần Văn Thịnh, ‘’Thiết kế thiết bị điện tử công suất’’, NXB Giáo dục, 2016 [122]. Nguyễn Hoàng Việt, Phan Thị Thanh Bình, “Ngắn mạch và ổn định trong hệ thống

điện”l, NXB Đại học quốc gia TP. HCM,,2015.

[123]. Nguyễn Hoàng Việt, “Đánh giá độ tin cậy trong hệ thống điện”, NXB Đại học quốc

gia TP. HCM,

[124]. Huỳnh Thái Hoàng, “Điều khiển thông minh”, NXB Đại học Quốc gia Tp.HCM,

2008.

[125]. Lã Văn Út, “ Phân tích và điều khiển ổn định hệ thống điện”, NXB KHKT, 2015.

C. Website [126]. https://www.researchgate.net/figure/Evolution-of-global-PV-cumulative-installed-

capacity-2000-2013-6_fig4_303291066

[127]. https://en.wikipedia.org/wiki/Solar_cell [128]. https://solarpower.vn/dien-mat-troi-dang-phat-trien-nhanh-tren-the-gioi/ [129]. https://gpsolar.vn/phat-trien-dien-mat-troi-tai-viet-nam.html [130]. http://vpcp.chinhphu.vn/Home/Ho-tro-phat-trien-cac-du-an-dien-mat-

troi/20168/19536.vgp

[131]. http://gizenergy.org.vn/media/app/media/bai%20trinh%20bay/cac-bai-phat-

[132]. http://hoahocngaynay.com/phat-trien-ben-vung/nang-luong-tai-tao/1475-

13112011.html

bieu-tieng-viet-hoi-thao-ngay-24-thang-1.pdf

128