Tóm tắt Luận án Tiến sĩ Kỹ thuật: Áp dụng các thuật toán dựa trên tìm kiếm bầy đàn để tính toán điều độ tối ưu trong hệ thống điện có xét đến nguồn năng lượng gió

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:43

Thêm vào BST

Báo xấu

46
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục đích nghiên cứu của Luận án này nhằm tính được công suất truyền tải trên đường dây, công suất và công suất phản kháng của các nhà máy phát nhiệt điện và NMĐG, dung lượng tụ bù, nấc điều chỉnh bộ điều áp tối ưu với chi phí phát điện cực tiểu theo phụ tải 24 giờ. Tính tối ưu tổn thất công suất, tối ưu độ lệch điện áp tại các nút tải, tối ưu ổn định điện áp của hệ thống có tham gia của NMĐG theo phụ tải 24 giờ. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật: Áp dụng các thuật toán dựa trên tìm kiếm bầy đàn để tính toán điều độ tối ưu trong hệ thống điện có xét đến nguồn năng lượng gió

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH TRƢỜNG ĐẠI HỌC BÁCH KHOA ------------------ LÊ ANH DŨNG ÁP DỤNG CÁC THUẬT TOÁN DỰA TRÊN TÌM KIẾM BẦY ĐÀN ĐỂ TÍNH TOÁN ĐIỀU ĐỘ TỐI ƢU TRONG HỆ THỐNG ĐIỆN CÓ XÉT ĐẾN NGUỒN NĂNG LƢỢNG GIÓ Chuyên ngành: Mạng và hệ thống điện Mã số chuyên ngành: 62525005 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT TP HỒ CHÍ MINH NĂM 2018
Công trình được hoàn thành tại ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ CHÍ MINH Người hướng dẫn khoa học 1: PGS.TS VÕ NGỌC ĐIỀU Người hướng dẫn khoa học 2: TS ĐINH HOÀNG BÁCH Phản biện độc lập 1: Phản biện độc lập 2: Phản biện 1: Phản biện 2: Phản biện 3: Luận án sẽ được bảo vệ trước Hội đồng chấm luận án tiến sĩ kỹ thuật cấp Đại học Bách Khoa TP Hồ Chí Minh họp vào....... giờ ngày ... tháng ... năm ... tại Đại học Bách Khoa TP Hồ chí Minh. Có thể tìm hiểu luận án tại thư viện: - Đại học Quốc gia TP Hồ Chí Minh. - Đại học Bách Khoa TP Hồ Chí Minh.
DANH MỤC CÁC KÝ HIỆU i Góc điện áp tại nút i [rad] j Góc điện áp tại nút j [rad] wi Góc điện áp tại nút i khi có NMĐG [rad] wj Góc điện áp tại nút j khi có NMĐG [rad] ij Độ lệch góc điện áp giữa nút i và j [rad] A Diện tích gió thổi qua cánh quạt tua bin [m2] ai, bi, ci Hệ số chi phí của NMPĐ i [$/h], [$/MWh], [$/MW2h] Bij, B0i, B00 Hệ số ma trận B tổn thất truyền tải gli Điện dẫn của nhánh l giữa nút i và nút j [1/Ω] Gij, Bij Điện dẫn và dung dẫn giữa nút i và nút j [1/Ω] Kp Hệ số phạt công suất phát của các tổ máy phát Kq Hệ số phạt công suất phản kháng máy phát Ks Hệ số phạt công suất truyền tải trên đường dây Kv Hệ số phạt điện áp nút tải Li Chỉ số ổn định điện áp ở nút i Nb Tổng số nút của hệ thống. Nd Tổng số nút tải Nl Tổng số đường dây truyền tải Nwg Tổng số tua bin gió trong NMĐG Ng Tổng số máy phát nhiệt điện PD Tổng phụ tải yêu cầu [MW] PDi Công suất yêu cầu tại nút i [MW] Pgi Công suất thực phát ra của máy phát thứ i [MW] Pi,min, Pi,max Công suất thực cực tiểu và cực đại máy phát thứ i [MW] PL Tổng tổn thất truyền tải [MW] Ps Công suất phát bù trừ của hệ thống [MW] 1
Pwgi Công suất của tua bin gió thứ i trong NMĐG [MW] Qci Bù công suất phản kháng tại nút thứ i [MVAr] QDi Công suất phản kháng yêu cầu tại nút i [MVAr] Qg Công suất phản kháng máy phát [VAr] SFi Hàm mục tiêu theo Ploss, VD hoặc Lmax Sl Công suất biểu kiến trên đường dây l [MVA] Sli Công suất biểu kiến trên đường dây thứ i [MVA] Sl max Công suất cực đại trên đường dây truyền tải [MVA] Tk Nấc điều chỉnh của máy biến áp thứ k Tk, min, Tk, max Vị trí bộ điều áp cực tiểu và cực đại. vcut-in Tốc độ gió tối thiểu phải dừng làm việc [m/s] vcut-out Tốc độ gió tối đa phải dừng làm việc [m/s] Vg Điện áp đầu cực máy phát [V] Vgi Điện áp của máy phát ở nút thứ i [V] Vbi(j) Điện áp tại nút thứ i (j) [V] Vwi(j) Điện áp tại nút thứ i(j) khi có NMĐG [V] Vi, i Biên độ điện áp và góc điện áp ở nút thứ i [V] [rad] Vgi min, Vgi max Điện áp cực tiểu và cực đại của máy phát thứ i [V] Vli Điện áp trên đường dây thứ i [V] Vli,min, Vli,max Điện áp cực tiểu và cực đại trên đường dây thứ i [V] Vw Tốc độ gió (m/s) Yij Thành phần ma trận tổng dẫn của nút ij ρ Mật độ không khí (kg/m3) 2
CHƢƠNG 1 MỞ ĐẦU 1.1 Lý do chọn đề tài Thị trường điện và năng lượng gió tại Việt Nam hiện nay đã chính thức đi vào vận hành, do đó việc tính toán các vấn đề về điều độ tối ưu hệ thống điện là vấn đề rất quan trọng và cần thiết. Vì vậy, đề tài nghiên cứu các thuật toán nhằm giải nhanh các bài toán điều độ tối ưu hệ thống điện theo yêu cầu phụ tải 24 giờ với sự tham gia của nguồn năng lượng gió. Từ đó có thể áp dụng vào vận hành thị trường điện của Việt Nam hiện nay và trong tương lai. 1.2 Mục đích nghiên cứu  Ứng dụng và chọn lựa các thuật toán để giải bài toán điều độ tối ưu của hệ thống điện.  Tính được công suất truyền tải trên đường dây, công suất và công suất phản kháng của các nhà máy phát nhiệt điện và NMĐG, dung lượng tụ bù, nấc điều chỉnh bộ điều áp tối ưu với chi phí phát điện cực tiểu theo phụ tải 24 giờ.  Tính tối ưu tổn thất công suất, tối ưu độ lệch điện áp tại các nút tải, tối ưu ổn định điện áp của hệ thống có tham gia của NMĐG theo phụ tải 24 giờ 1.3 Đối tƣợng và phạm vi nghiên cứu 1.3.1 Đối tượng nghiên cứu  Cấu trúc của các thuật toán tìm kiếm bầy đàn: PSO, PSO-TVAC, PG-PSO, PG-PSOCF và CS.  Hàm chi phí của tua bin gió và NMĐG.  Các vấn đề của bài toán ED, OPF và ORPD và xây dựng bài toán ED, OPF và ORPD có NMĐG.  Giải các bài toán ED, OPF, ORPD bằng các thuật toán PSO, PSO- TVAC, PG-PSO, PG-PSOCF và CS theo yêu cầu phụ tải 24 giờ. 3
1.3.2 Phạm vi nghiên cứu  Chi phí vận hành của các NMPĐ và NMĐG là tối ưu nhất để cung cấp đủ công suất yêu cầu của phụ tải 24 giờ.  Tối ưu: công suất phân bố tại các nút tải và trên đường dây, điện áp tại các nút, dung lượng bù, tổn thất công suất, độ lệch điện áp.  Áp dụng tính toán vận hành trên hệ thống IEEE 30. 1.4 Phƣơng pháp nghiên cứu  Nghiên cứu lý thuyết: thu thập các tài liệu có trước về thuật toán tìm kiếm bầy đàn và các ứng dụng trước đây, nghiên cứu về tua bin gió, NMĐG và chi phí của tua bin gió khi tham gia vào hệ thống.  Nghiên cứu thực nghiệm mô hình toán học: lập trình trên phần mềm Matlab và mô phỏng hệ thống điện IEEE 30 nút để tính được kết quả các bài toán điều độ tối ưu kinh tế, tối ưu phân bố công suất, tối ưu công suất phản kháng trong hệ thống điện theo yêu cầu phụ tải 24 giờ. CHƢƠNG 2 TỔNG QUAN 2.1 Giới thiệu chương 2 của luận án nhằm tổng quan các tài liệu đã nghiên cứu trước đây về các nội dung chính như sau: các thuật toán để tính toán vận hành tối ưu hệ thống điện về các bài toán ED, OPF và ORPD gồm các nhà máy nhiệt điện và nhà máy điện gió, các tài liệu về vận hành hệ thống điện theo yêu cầu phụ tải 24 giờ để phù hợp với tính toán hệ thống điện khi tham gia thị trường điện hiện đang được áp dụng trên thế giới và Việt Nam [1-7]. 2.2 Thuật toán tìm kiếm bầy đàn và tối ƣu hóa Từ năm 1980, trí tuệ thông minh nhân tạo (AI) đã được các nhà khoa học nghiên cứu phát triển và áp dụng nhiều trong lĩnh vực khoa học 4
máy tính. Có nhiều thuật toán thông minh nhân tạo được nghiên cứu và ứng dụng, một số thuật toán tiêu biểu đó là: mạng neural (NN), hệ mờ (FS), tính toán tiến hóa (EC), thuật toán di truyền (GA) và thuật toán tìm kiếm bầy đàn (PSO) [7-10]. Năm 1995, thuật toán tìm kiếm bầy đàn (PSO) đã được J. Kennedy và R. Eberhart nghiên cứu áp dụng trong các môn học tối ưu hóa, thời gian này tối ưu hóa bầy đàn thường được áp dụng trong lĩnh vực toán học và cơ khí [11][12]. Từ năm 1996 đến 2004, thuật toán tối ưu hóa bầy đàn phát triển mạnh và cải tiến bằng cách thêm vào các hệ số biến đổi nhằm mục đích tăng độ dốc của đặc tính đồ thị, giúp thời gian tìm nghiệm nhanh cho các kết quả tối ưu [13-15], thời gian này PSO đượcquan tâm để giải bài toán tối ưu vận hành kinh tế hệ thống điện [16-30]. Theo [31] thuật toán chim tu hú (CS) và di chuyển Lévy flights được ứng dụng trong ngành công nghệ thông tin từ năm 2009 và phát triển trong nhiều ngành khác cho đến nay [32] . 2.3 Tua bin gió và tiềm năng điện gió ở Việt Nam 2.3.1 Tua bin gió Công suất phát điện của tua bin gió được tính theo công thức [33]: 1 Pw  . . A.C p (vw ) 3 (1) 2 Đặc điểm làm việc của tua bin gió là công suất phát thay đổi theo tốc độ gió trong ngày và theo mùa trong năm [34], khi đầu tư xây dựng NMĐG cần khảo sát chi tiết đặc điểm của gió tại vị trí sẽ xây dựng nhà máy, trong đó quan trọng là phải có lịch sử dữ liệu tốc độ gió của nhiều năm trước để tính toán được vận tốc của gió của năm tiếp theo [35]. Các vùng làm việc của tua bin gió được phân chia theo hình sau [36] 5
Power II I III vcut-in vcut-out vrate Wind speed Hình 2.1 Các vùng làm việc của tua bin gió Bảng 2.1 Tiềm năng gió ở Việt Nam [37] Tốc độ gió 9m/s 2 Diện tích (km ) 197,242 100,367 25,679 2,178 1,11 Diện tích (%) 60,60% 30,80% 7,90% 0,70% >2% Tiềm năng (MW) 401.444 102.716 8.748 452 2.4 Điều độ tối ƣu hệ thống điện 2.4.1 Điều độ kinh tế hệ thống điện (ED) Điều độ kinh tế (ED) tính toán được công suất thực phát ra từ các máy phát điện là tối ưu với chi phí nhiên liệu thấp và phải thoả các ràng buộc của hệ thống máy phát cũng như các ràng buộc của hệ thống vận hành [38]. Một số thuật toán dùng để giải bài toán ED đã công bố: thuật toán Hybrid Fuzzy Genetic Algorithm (HFGA) [39], thuật toán Evoluationary Algorithm (EA) [40], thuật toán Evolutionary Harmony Search Algorithm (EHSA) [41], thuật toán Hybrid Differential Evolution and Harmony Search (HDEHS) [42], phương pháp Differential Evolution Immunized Ant Colony (DEIAC) [43], phương pháp Hybrid differential evolution sequential quadratic programming (HDE-SQP) [44]. Các kết quả đã công bố tính với nhiều vòng lặp nhằm chọn được nghiệm cực tiểu tốt nhất, 6
giá trị biểu diễn bằng đồ thị sau mỗi vòng lặp để dể dàng nhận biết kết quả sau mỗi vòng lặp [46]. Bảng 2.2 Kết quả bài toán ED qua các nghiên cứu đã công bố Công suất SGA FGA EA SA EP WOA phát[MW] [45] [45] [45][46] [46] [46] [46] P1 137,0804 137,2411 192,95 188,02 173,848 174,4379 P2 52,4502 57,6718 48,92 47,45 49,998 47,8294 P3 35,3219 27,3223 19,29 19,77 21,386 21,4578 P4 19,3034 12,8298 10,58 13,40 22,63 25,6931 P5 12,8986 23,8060 10,79 11,25 12,928 10,1262 P6 26,3435 24,5189 12,24 14,09 12,00 12,1515 Chi phí 801,2817 795,5012 805,4500 804,4300 802,6200 800,2825 ($/h) 2.4.2 Điều độ phân bố tối ưu công suất Từ năm 1960 vấn đề phân bố tối ưu công suất được đề cập đến đầu tiên bởi hai nhà nghiên cứu Dommel và Tinney sau đó đã được nhiều nghiên cứu và áp dụng trong quản lý và vận hành hệ thống điện [47] Theo tài liệu [48-50], mục đích của bài toán phân bố tối ưu công suất (OPF) là tìm được công suất phân bố trên đường dây truyền tải, công suất phát của các NMPĐ, điện áp nút máy phát, điện áp nút tải, dung lượng bù, nấc điều chỉnh bộ điều áp máy biến áp với nhiều ràng buộc về công suất phụ tải, công suất máy phát và các ràng buộc về an ninh hệ thống với chi phí nhiên liệu của NMPĐ thấp nhất. Một số nghiên cứu được công bố về bài toán điều độ tối ưu phân bố công suất (OPF) như sau: thuật toán Ant Colony Search (ACS) [51], thuật toán Evolutionary Computation (EC) [51], thuật toán Bee Colony Algorithm (BCA) [52], thuật toán Simulated Annealing Metahuristic (ASM) [53], thuật toán Particle Swarm Optimization 7
(PSO) [54], thuật toán Conventional and Neural Networks (CNN) [55]. Kết quả trình bày theo hình vẽ 2.2 và 2.3. Hình 2.3 Kết quả biểu diễn độ hội tụ nghiệm OPF qua các phương pháp [54] Hình 2.4 Kết quả độ hội tụ nghiệm bài toán OPF [55] Theo tài liệu [56-60] công suất truyền tải trên đường dây là thông số quan trọng cần phải tính được đối với bài toán OPF 2.4.3 Điều độ tối ưu công suất phản kháng Điều độ tối ưu công suất phản kháng (ORPD) nhằm mục đích cải thiện tổn thất công suất (Ploss) [61] [62], tối ưu cực tiểu độ lệch điện áp (VD) [63] [64], cực đại hệ số ổn định điện áp (Lmax) [65] [66]. Các tài liệu đã công bố về bài toán ORPD: thuật toán Linear Programming (LP) để tính tối ưu Ploss [67], thuật toán Hybrid Loop Genetic (HLG) để tính tối ưu Ploss [68], thuật toán Bat Algorithm (BA) để tính tối ưu Ploss và VD [69], thuật toán Ant Colony (AC) tính và so sánh các kết quả bài toán ORPD [70], thuật toán Evolutionary Algorithm (EA) để tính Ploss và VD [71], sử dụng Hybrid PSO (HPSO) để tính tối ưu VD [80] và Improve Particle Swarm 8
Optimization (IPSO) để tính Ploss [72]. Theo [73] cần phải tìm được thuật toán có thể giải bài toán ORPD để tăng ổn định an ninh hệ thống. Hình 2.7 Biểu diễn độ hội tụ nghiệm Ploss theo [71] Bảng 2.3 Kết quả bài toán ORPD theo các phương pháp Các phương pháp Biến số EA MOPSO ICSE DE QSCSA [74] [70] [71] [72] [69] Ploss (MW) 5,1167 4,9849 4,990 4,456 4,532 VD (p.u) 1,1435 0,7096 - 0,544 - 2.5 Điều độ tối ƣu hệ thống điện có tham gia của NMĐG 2.5.1 Điều độ kinh tế có tham gia của NMĐG Hàm chi phí của bài toán ED liên quan đến công suất của các NMPĐ trong đó có công suất phát của NMĐG thay đổi theo từng giờ hoặc tùy theo thời tiết các mùa trong năm [77] gây khó khăn trong việc xác định công suất phát của các NMĐG để tính bài toán ED trong hệ thống điện [78]. 2.5.1.1 Xác định công suất phát của tua bin gió Qua nghiên cứu tài liệu đang được công bố hiện có một số phương pháp để xác định công suất của tua bin gió tham gia vào hệ thống điện như sau: 9
 Tạo ma trận tua bin gió và chọn véc tơ trong ma trận để tính công suất phát của NMĐG [79].  Xây dựng kịch bản phát điện của NMĐG theo 15%, 25%, 50%, 75% hoặc 90% của tổng công suất NMĐG [80] [81].  Cho tua bin gió phát ngẫu nhiên theo phân phối Weibull [82].  Xây dựng công suất phát của tua bin gió theo xác suất Gauss [83].  Kế hoạch phát ưu tiên của tua bin gió có tính đến hệ số phạt [84].  Kế hoạch phát điện của tua bin gió có tính đến hệ số phạt [84][88]. Theo [88] nếu NMĐG phát công suất thấp hơn công suất đăng ký sẽ chịu chi phí phạt như sau d n (t)  C rwj E t Y  oej 1  exp   v   exp   v  k k     t in out E (Yoej )  W j   c   c  k k  Wv   exp   v   exp   v  k k (2)       r in r j   wj v v   c   c  k k r in   1v    1   k k Wr c vr   1       1   j   k c    k  t vr  v n c 2.5.1.2 Hàm chi phí của bài toán ED có tham gia của NMĐG Chi phí của tua bin gió chủ yếu là chi phí phí vận hành và bảo trì của tua bin gió [85]. Theo tài liệu [86] hàm chi phí của bài toán ED của hệ thống nhà máy phát nhiệt điện có sự tham gia của NMĐG là: N N Fmin   C .Pg (t )   C .( Pw (t )  d n (t )) g w (3) Ng  n Nw  n Theo [87] hàm chi phí của bài toán ED có tham gia của NMĐG là: Min F  F (t )  F (t ) (4) diesel , i w, i 10
F (t )  b P (t ) w, i i w, i F diesel , i  t   ai bi Pdiesel , i (t )  ci Pdiesel , i  t  0   r vv cut  in P (t )   P (t ). w, i w, i r  v v cut  in  0 2.5.1.3 Các thuật toán dùng để giải bài toán ED có NMĐG Một số tài liệu đã công bố: thuật toán Plant Growth Simulation Algorithm (PGSA) [88], thuật toán Genetic Algorithm Solution (GAS) [89], thuật toán Particle Swarm Optimization (PSO) [90]. Kết quả ED có NMĐG hệ thống 15 nút IEEE theo bảng 2.5 Bảng 2.4 Kết quả tính ED có NMĐG hệ thống 15 nút và 6 nút IEEE theo [88][91][96] Không có NMĐG Có NMĐG GA PSO PGSA GA FAC P1 415,31 439,11 450,38 367,69 351,7814 P2 359,72 407,97 357,37 357,74 100,0248 P3 104,42 119,63 124,01 124,15 50,0248 P4 74,98 129,99 128,28 93,91 P5 380,28 151,06 169,56 156,00 P6 426,79 459,99 401,48 456,02 P7 341,31 424,56 417,50 369,23 P8 124,78 98,57 90,33 106,39 P9 133,14 113,49 142,72 105,64 P10 89,25 101,11 114,93 65,80 P11 60,05 33,91 77,35 75,84 P12 50,00 79,96 76,69 79,83 P13 38,77 25,00 44,45 51,53 P14 41,94 41,41 33,19 26,71 P15 22,64 35,61 34,36 44,30 PWind - - - 175,12 98,1691 11
Không có NMĐG Có NMĐG GA PSO PGSA GA FAC Time 2668,40 2662,40 2662,70 2655,97 Cost 33113,00 32858,00 32937,70 31092,30 6514,4 W-Cost - - - 875,64 2.5.2 Điều độ phân bố tối ưu công suất có tham gia của NMĐG Khác với bài toán ED, hàm mục tiêu của bài toán OPF gồm có: chi phí nhiên liệu các nhà máy nhiệt điện, chi phí các tua bin gió tham gia phát điện, công suất truyền tải trên đường dây, công suất phản kháng truyền tải trên đường dây, điện áp tại các nút, công suất biểu kiến trên đường dây [92][93]. 2.5.2.1 Hàm mục tiêu của bài toán OPF có NMĐG Theo tài liệu [93] công suất phát của tua bin gió và hàm mục tiêu bài toán OPF có tham gia của NMĐG là: 0, 0  v  vci  a  bv , vci  v  vra 3 Pw   (5)  Pra , vra  v  vco 0, v  vco Theo tài liệu [94][95] hàm mục tiêu của bài toán OPF có NMĐG là: Cwr ( Pwr )  d r Pwr Ng Nw (6) Min ( F )   ( ai  bi PGi  ci PGi )   C wri ( Pwri ) 2 i 1 i 1 2.5.2.2 Các thuật toán áp dụng giải bài toán OPF có NMĐG Một số thuật toán đã được áp dụng: Khums Optimization Algorithm (KOA) and Black Hole Optimization Algorithm (BHOA) [96], thuật toán Bacterial Dynamics Algorithm (BDA) [97], thuật toán Probability Interval Optimization (PIO) [98], thuật toán Grey Wolf Optimizer (GWO) [99], thuật toán Gbest Guided Artificial Bee 12
Colony (GABC) [100], thuật toán Optimal Bus Placement (OBP) [101]. Kết quả tính trình bày theo bảng 2.6 và 2.7 Bảng 2.5 Kết quả tính bài toán OPF có NMĐG [100][101] Thông số tính GWO GA BDA G1(MW) 85,4 87,3 58,12 Cost($/h) 284,62 292,57 G2 (MW) 73,73 76,22 36,16 Cost($/h) 224,17 235,06 G5 (MW) 37,97 43,77 52,74 Cost($/h) 132,91 153,21 G8 (MW) 28,43 28,07 75,32 Cost($/h) 78,95 77,32 G11 (MW) 29,7 33,37 96,51 Cost($/h) 103,94 116,81 G13 (MW) 32,3 18,78 43,51 Cost($/h) 132,91 153,21 1447,01 V1 (p.u) 1,0407 1,0369 V2 (p.u) 1,0245 0,9684 V5 (p.u) 1,0228 0,9790 V8 (p.u) 1,0064 1,0012 V11 (p.u) 1,0463 1,0139 V13 (p.u) 1,05 1,0486 Tap1 (p.u) 1,068 1,0833 Tap2 (p.u) 0,9768 1,0305 Tap3 (p.u) 0,9864 0,9595 G1(MVAr) 16,7 - G1(MVAr) 0 - G1(MVAr) 37,8 - G1(MVAr) 40,49 - G1(MVAr) 10,69 - G1(MVAr) 25,97 - 2.5.3 Điều độ tối ưu công suất phản kháng có NMĐG Bài toán ORPD có tham gia của NMĐG tập trung ba mục tiêu chính  Cực tiểu tổn thất công suất (Ploss)  Cực tiểu độ lệch điện áp (VD) 13
 Cực đại hệ số ổn định điện áp (Lmax) Khi có tham gia của NMĐG sẽ ảnh hưởng đến sự phân bố công suất phản kháng và độ ổn định điện áp của hệ thống, dẫn đến thay đổi tổn thất điện áp của hệ thống [104]. 2.5.3.1 Hàm mục tiêu của bài toán ORPD có NMĐG Hàm mục tiêu theo tài liệu [105] Nk Ploss   Gk ( i , j ) Vi  V j  2Vi VJ cos( i   j )  2 2 k 1 (7)  n  VD    VNi  Vi  / n  i 1  Theo tài liệu [106] hàm mục tiêu được xây dựng như sau  nl  n 2 Fob    LSK   Qi  (8)  K 1 i 1  2.5.3.2 Các thuật toán để giải ORPD có tham gia của NMĐG Các nghiên cứu đã công bố sử dụng các thuật toán sau: Adaptive Aalgorith (AGA) [106], Particle Swarm Optimization (PSO) [107], Multi-agent Based System (MABS) [108], Chance Constrained Programming (CCP) và Robust Programming (RP) [109]. Kết quả trình bày bảng 2.8 Bảng 2.6. Kết quả ORPD có NMĐG theo tài liệu tham khảo [111] Tốc độ gió (m/s) MinF Ploss VD Lmax 4 0,0418 0,2182 0,0213 - 6 0,0413 0,2179 0,0210 - 8 0,0410 0,2173 0,0209 - 10 0,0405 0,2168 0,0206 - 12 0,0403 0,2165 0,0204 - 13.5 0,0402 0,2163 0,0203 - 14
Bảng 2.7 Kết quả ORPD có NMĐG theo tài liệu tham khảo [114] Thông số Kịch bản Kịch bản Thông số Kịch bản Kịch bản (pu) 1 2 (pu) 1 2 V1 1,06 1,0378 T(6-9) 0,9966 1,035 V2 1,0378 1,004 T(6-10) 1,0092 0,9 V5 0,9907 0,996 T(4-12) 0,9813 0,987 V8 0,9976 1,002 T(27-28) 0,9915 0,9717 V11 1,0519 1,0271 V13 1,0444 1,06 2.6 Các khiếm khuyết cần khắc phục Qua phân tích các ưu khuyết điểm trình bày trong mục 2.5, nghiên cứu cần thực hiện các vấn đề chính như sau:  Xây dựng hàm chi phí của tua bin gió.  Phát triển và cải thiện thuật toán PSO cụ thể là PSO-TVAC, PG- PSO và PG-PSOCF.  Áp dụng thuật toán Cuckoo Search (CS) để giải bài toán ED, OPF và ORPD có tham gia của NMĐG.  Tính bài toán ED, OPF và ORPD theo yêu cầu phụ tải 24 giờ, có tính độ lệch chuẩn và thời gian giải bài toán của từng thuật toán CHƢƠNG 3 CÁC PHƢƠNG PHÁP TÌM KIẾM TỐI ƢU 3.1 Tối ƣu hoá bầy đàn (PSO) Vâ ̣n tố c và vi ̣trí mới câ ̣p nhâ ̣t của bầ y sau mỗi vòng lă ̣p đươ ̣c xác đinh ̣ theo phương trình sau: vi  v( i 1)  c1  rand1 ( pbest  xi )  c2  rand 2 ( g best  xi ) (9) xi  1  xi  vi (10) 3.2 Các phƣơng pháp PSO c ải tiến. 15
3.2.1 Phương pháp PSO với hệ số gia tốc thời gian PSO-TVAC Hệ số gia trọng w kiể m soát vận tốc mỗi bầy v ( k 1 ) id w ( k 1 )  v  c  rand  pbest  x (k) id 1 1  id (k) (k) id   c  rand   gbest 1 2 (k) i x (k) id  (11) ( k 1 ) ( k 1 ) x v (k) x (12) id id id 3.2.2 Phương pháp PSO với gradient giả (PG) 3.2.2.1 Khái niệm gradient giả (PG) 1/. Nếu f(xl) < f(xk), hướng từ xk tới xl là hướng di chuyển tích cực. PG tại điểm xl được tính bởi công thức: g p ( xl )   ( xl 1 ),  ( xl 2 ), ...,  ( xln )  T (13) 2/. Nếu f(xl)  f(xk), hướng xk tới xl là hướng tiêu cực. PG tại xl là g p ( xl )  0 (14) 3.2.2.2 Gradient giả chỉ dẫn hướng cho PSO Vị trí mới cập nhật ( k 1)  xid( k )   ( xid( k 1) )  vid( k 1) if g p ( xid )  0 ( k 1) xid  ( k 1) (15)  xid  vid (k ) otherwise 3.2.3 Phương pháp PSO với hệ số giới hạn (CF) Hệ số giới hạn C được tính theo công thức (16), vị trí mới của bầy được cập nhật theo công thức (15) vid ( k  1)  (k )  C  vid  c1  rand1  pbest id  xid  (k) (k)  (16)  c2  rand 2  gbest i  xid  (k ) (k)  16
2 C  ; where   c  c ,   4 1 2 (17) 2     4 2 3.2.4 Thuật toán chim tu hú (CS)  Trứng chất lượng tốt nhất sẽ nở ra chim tu hú con.  Trong tổng số tổ chim mẹ, số trứng chim tu hú bị phát hiện với xác xuất rất nhỏ là Pa   0,1 chim mẹ sẽ đẩy trứng chim tu hú, hoặc bỏ đi và làm một tổ mới. Phân bố Lévy flights 1   Levy(t) ~ u  t (0    2) (18) Giải pháp trứng mới được xác định  xi    Lévy (t ) ( t  1) t xi (19) 3.3 Lựa chọn thông số cài đặt cho các phƣơng pháp Đối với phương pháp PSO, PSO-TVAC, PG-PSO và PG-SPOCF chọn: hệ số phạt K= 10-4 - 10-6, tổng số bầy Np = 10, hệ số cá thể c 1= 2, hệ số quần thể c 2= 2, Hệ số gia trọng cực tiểu wmin = 0,4, hệ số gia trọng cực đại wmax = 0,9, tổng số vòng lặp ITmax = 100 Đối với phương pháp CS chọn: tổng số tổ NP = 15, số trứng trong tổ NP = 10, số trứng xấu pa = 0,25, hệ số bước α = 1 , Tổng số vòng lặp ITmax = 100 CHƢƠNG 4 ĐIỀU ĐỘ KINH TẾ TRONG HỆ THỐNG ĐIỆN 4.1 Thành lập bài toán ED trƣờng hợp không có NMĐG Hàm mục tiêu bài toán ED không có năng lượng gió: a  b P  Ng Min F   ci Pgi 2 i i gi (20) i 1 17
Ràng buộc: Ng P   PD  PL (21) i 1 Tổn thất công suất PL tính với hệ số ma trận B Ng Ng Ng PL   Pgi Bij Pgj   B0 i Pgi  B00 (22) i 1 j 1 i 1 Pgi ,min  Pgi  Pgi ,max (23) 4.2 Thành lập bài toán ED trƣờng hợp có NMĐG 4.2.1 Giá trị trung bình Giá trị trung bình của tập dữ liệu được tính theo công thức: 1 k  v l (24) k l 1 Độ lệch chuẩn được tính theo công thức 1  (v k   ) (25) 2 l k l 1 4.2.2 Xác suất tốc độ gió  (v   )  2 1 PRvi  exp  li  2  2  2 (26) 4.2.3 Tốc độ gió và hàm phân phối tốc độ gió Hàm phân phối tốc độ gió theo Weibull [132] và Rayleigh [133] 18