Áp Dụng Thuật Toán Galaxy Based Search Algorithm Để Giải Bài Toán Điều Độ Kinh Tế

Luận văn thạc sĩ kinh tế phân tích thiết bị mạng và nhà máy điện áp dụng thuật toán galaxy based search algorithm giải bài toán điều, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Trần Xuân Vinh
• Người hướng dẫn: TS. Lê Kỷ
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Thiết bị, mạng và nhà máy điện
• Đề tài: Áp Dụng Thuật Toán Galaxy Based Search Algorithm Giải Bài Toán Điều Độ Kinh Tế
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. TỔNG QUAN VÀ TẦM QUAN TRỌNG ĐỀ TÀI
• 1.2. MỤC TIÊU BÀI TOÁN
• 1.3. MỤC TIÊU ĐỀ TÀI
• 1.4. PHẠM VI VÀ CÁC NỘI DUNG NGHIÊN CỨU
• 1.5. ĐIỂM MỚI LUẬN VĂN
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. TỔNG QUAN BÀI TOÁN
• 2.2. TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP ĐÃ SỬ DỤNG
• 2.2.1. Phương pháp HNN (Hopfield neural network)
• 2.2.2. Phương pháp EP (Evolutionary Programming)
• 2.2.3. Phương pháp TS (Tabu Search)
• 2.2.4. Phương pháp SA (Simulated Annealing)
• 2.2.5. Phương pháp GA (Genetic Algrithm)
• 2.2.6. Phương pháp ACO (Ant Colony Optimization)
• 2.2.7. Phương pháp PSO (Particle Swarm Optimization)
• 2.2.8. Các phương pháp lai
• 3. CHƯƠNG 3: THÀNH LẬP BÀI TOÁN
• 3.1. GIỚI THIỆU BÀI TOÁN
• 3.2. HÀM CHI PHÍ NHIÊN LIỆU
• 3.3. BÀI TOÁN ED VỚI MÁY PHÁT ĐA NHIÊN LIỆU
• 3.4. BÀI TOÁN ED CÓ VÙNG CẤM VẬN HÀNH
• 3.5. CÁC RÀNG BUỘC CHUNG CỦA BÀI TOÁN
• 4. CHƯƠNG 4: THUẬT TOÁN GbSA
• 4.1. CÁC THÀNH PHẦN CỦA THUẬT TOÁN
• 5. CHƯƠNG 5: ÁP DỤNG GbSA CHO BÀI TOÁN ED (GbSA-ED)
• 5.1. MỤC TIÊU THỰC HIỆN
• 5.2. PHƯƠNG PHÁP GIẢI BÀI TOÁN
• 5.3. GIẢI QUYẾT CÁC RÀNG BUỘC CỦA HỆ THỐNG
• 5.4. CHƯƠNG TRÌNH VÀ GIẢI THUẬT GbSA ĐỂ GIẢI BÀI TOÁN ED
• 5.5. BÀI TOÁN 10 TỔ MÁY PHÁT
• 5.6. BÀI TOÁN 10 TỔ MÁY PHÁT, ĐA NHIÊN LIỆU
• 5.7. BÀI TOÁN 30, 60, 100 TỔ MÁY PHÁT, ĐA NHIÊN LIỆU
• 5.8. BÀI TOÁN 15 TỔ MÁY PHÁT, CÓ VÙNG CẤM
• 5.9. BÀI TOÁN 15 TỔ MÁY PHÁT, CÓ VÙNG CẤM, KHÔNG XÉT TỔN HAO
• 5.10. BÀI TOÁN 15 TỔ MÁY PHÁT, CÓ VÙNG CẤM, XÉT TỔN HAO
• 6. CHƯƠNG 6: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
• 6.1. TỔNG KẾT ĐỀ TÀI
• 6.2. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Tổng Quan Về Bài Toán Điều Độ Kinh Tế và GBSA

Điện năng đóng vai trò then chốt trong phát triển kinh tế và xã hội. Vì vậy, việc tối ưu hóa hiệu quả và độ tin cậy của hệ thống điện là vô cùng quan trọng. Một trong những bài toán cốt lõi trong lĩnh vực này là bài toán điều độ kinh tế (ED), nhằm phân phối công suất giữa các nhà máy phát điện một cách hiệu quả nhất, giảm thiểu chi phí nhiên liệu. Bài toán ED trở nên cấp thiết hơn khi nguồn tài nguyên hóa thạch ngày càng khan hiếm. Luận văn này giới thiệu giải pháp mới: áp dụng thuật toán Galaxy Based Search Algorithm (GBSA). GBSA là một thuật toán metaheuristic mới, lấy cảm hứng từ vũ trụ, hứa hẹn khả năng khám phá không gian giải pháp rộng lớn và tìm ra lời giải tối ưu cho bài toán điều độ kinh tế. Nghiên cứu này đánh giá tiềm năng của GBSA so với các phương pháp truyền thống, hướng đến một hệ thống điện hiệu quả và bền vững hơn.

1.1. Tầm quan trọng của tối ưu hóa kinh tế trong hệ thống điện

Việc tối ưu hóa kinh tế trong hệ thống điện không chỉ giúp tiết kiệm chi phí nhiên liệu mà còn góp phần giảm thiểu tác động môi trường. Khi các nhà máy điện sử dụng nhiên liệu hóa thạch hoạt động hiệu quả hơn, lượng khí thải nhà kính giảm đáng kể. Ngoài ra, điều phối kinh tế hiệu quả còn giúp tăng cường độ tin cậy của hệ thống, đảm bảo nguồn cung cấp điện ổn định cho người tiêu dùng và các ngành công nghiệp. Việc ứng dụng các thuật toán tối ưu hóa tiên tiến như GBSA đóng vai trò then chốt trong việc hiện thực hóa mục tiêu này.

1.2. Giới thiệu Thuật toán Galaxy Based Search Algorithm GBSA

Galaxy Based Search Algorithm (GBSA) là một thuật toán metaheuristic mới được phát triển, mô phỏng cách các thiên hà tìm kiếm trong không gian vũ trụ. Thuật toán này có khả năng khám phá không gian giải pháp rộng lớn và tìm ra lời giải tối ưu cho các bài toán phức tạp. GBSA có ưu điểm là khả năng thoát khỏi các điểm tối ưu cục bộ, giúp tìm ra lời giải toàn cục. GBSA được kì vọng sẽ mang lại hiệu quả cao trong việc giải bài toán điều độ kinh tế.

II. Vấn Đề Thách Thức trong Bài Toán Điều Độ Kinh Tế Hiện Nay

Bài toán điều độ kinh tế (ED) ngày càng trở nên phức tạp do sự gia tăng của các ràng buộc và yếu tố phi tuyến trong hệ thống điện hiện đại. Các yếu tố như đặc tính đa nhiên liệu của các nhà máy điện, vùng cấm hoạt động của các tổ máy, và tổn thất điện năng trong quá trình truyền tải đều làm tăng độ khó của bài toán. Các phương pháp truyền thống thường gặp khó khăn trong việc giải quyết hiệu quả các bài toán ED phức tạp này, dẫn đến việc không đạt được lời giải tối ưu hoặc tốn nhiều thời gian tính toán. Do đó, việc tìm kiếm các phương pháp mới, hiệu quả hơn để giải quyết bài toán ED là vô cùng cần thiết. Thuật toán thông minh như GBSA ra đời nhằm giải quyết thách thức này.

2.1. Ảnh hưởng của đặc tính đa nhiên liệu đến tối ưu hóa kinh tế

Các nhà máy điện đa nhiên liệu có thể sử dụng nhiều loại nhiên liệu khác nhau để phát điện, tạo ra sự phức tạp trong bài toán tối ưu hóa kinh tế. Chi phí và hiệu suất của từng loại nhiên liệu khác nhau, đòi hỏi phải có một phương pháp điều phối kinh tế thông minh để lựa chọn loại nhiên liệu phù hợp nhất cho từng thời điểm. Việc bỏ qua đặc tính đa nhiên liệu có thể dẫn đến việc sử dụng nhiên liệu kém hiệu quả và tăng chi phí vận hành.

2.2. Vùng cấm vận hành và ràng buộc hệ thống trong điều độ kinh tế

Vùng cấm vận hành là những khoảng công suất mà các tổ máy phát điện không được phép hoạt động do các vấn đề kỹ thuật hoặc an toàn. Điều này tạo ra các ràng buộc phức tạp trong bài toán điều độ kinh tế, đòi hỏi phương pháp giải phải có khả năng xử lý các ràng buộc này một cách hiệu quả. Các ràng buộc khác của hệ thống, như giới hạn truyền tải và ổn định điện áp, cũng cần được xem xét để đảm bảo hệ thống hoạt động an toàn và tin cậy.

2.3. Bài toán tối ưu tổ hợp và khó khăn trong việc tìm kiếm giải pháp

Bài toán điều độ kinh tế thường là bài toán tối ưu tổ hợp phức tạp, đòi hỏi phải lựa chọn các tổ máy phát điện và mức công suất phát của từng tổ máy sao cho chi phí vận hành là thấp nhất. Số lượng tổ hợp có thể rất lớn, đặc biệt đối với hệ thống điện lớn, gây khó khăn cho việc tìm kiếm giải pháp tối ưu. Các phương pháp tìm kiếm truyền thống có thể bị mắc kẹt trong các điểm tối ưu cục bộ và không tìm ra được giải pháp toàn cục.

III. Giải Thuật Tìm Kiếm Galaxy Phương Pháp Giải Bài Toán Điều Độ

Thuật toán Galaxy Based Search Algorithm (GBSA) là một phương pháp metaheuristic mới, lấy cảm hứng từ vũ trụ, để giải quyết các bài toán tối ưu hóa. Trong GBSA, mỗi giải pháp tiềm năng được xem như một thiên hà, và các thiên hà này tương tác với nhau thông qua các lực hấp dẫn để tìm kiếm lời giải tối ưu. GBSA có khả năng khám phá không gian giải pháp rộng lớn và thoát khỏi các điểm tối ưu cục bộ, giúp tìm ra lời giải tốt hơn so với các phương pháp truyền thống. GBSA hứa hẹn là một công cụ hiệu quả để giải quyết bài toán điều độ kinh tế.

3.1. Cơ chế hoạt động của Thuật toán Galaxy Based Search Algorithm GBSA

GBSA hoạt động dựa trên việc mô phỏng sự chuyển động và tương tác của các thiên hà trong vũ trụ. Các thiên hà này di chuyển theo các quỹ đạo xoắn ốc và tương tác với nhau thông qua lực hấp dẫn. Quá trình này giúp các thiên hà khám phá không gian giải pháp và tìm kiếm các vùng có giá trị tối ưu. GBSA sử dụng các toán tử như chuyển động xoắn ốc, tìm kiếm cục bộ và hỗn loạn để cải thiện khả năng khám phá và khai thác không gian giải pháp.

3.2. Ưu điểm nổi bật của GBSA so với các giải thuật tối ưu khác

GBSA có một số ưu điểm nổi bật so với các giải thuật tối ưu khác. Thứ nhất, GBSA có khả năng khám phá không gian giải pháp rộng lớn nhờ cơ chế chuyển động xoắn ốc và tương tác giữa các thiên hà. Thứ hai, GBSA có khả năng thoát khỏi các điểm tối ưu cục bộ nhờ việc sử dụng toán tử hỗn loạn. Thứ ba, GBSA có thể dễ dàng được điều chỉnh và áp dụng cho nhiều bài toán tối ưu hóa khác nhau.

IV. Ứng Dụng GBSA Giải Bài Toán Điều Độ Kinh Tế Nghiên Cứu Thực Tế

Luận văn này trình bày kết quả ứng dụng thuật toán Galaxy Based Search Algorithm (GBSA) để giải bài toán điều độ kinh tế (ED) trên các hệ thống điện chuẩn. Các hệ thống này bao gồm 10 máy phát, 30 máy phát, 60 máy phát và 100 máy phát, với các đặc tính khác nhau như đa nhiên liệu và vùng cấm hoạt động. Kết quả cho thấy GBSA có khả năng tìm ra lời giải tốt hơn hoặc tương đương so với các phương pháp truyền thống, đồng thời có thời gian tính toán chấp nhận được. Nghiên cứu này chứng minh tính hiệu quả và tiềm năng của GBSA trong việc giải quyết bài toán điều độ kinh tế.

4.1. Mô tả chi tiết các hệ thống điện chuẩn được sử dụng để thử nghiệm

Nghiên cứu sử dụng các hệ thống điện chuẩn khác nhau để đánh giá hiệu quả của GBSA. Các hệ thống này bao gồm: hệ thống 10 máy phát trơn, hệ thống 10 máy phát đa nhiên liệu, hệ thống 30 máy phát đa nhiên liệu, hệ thống 60 máy phát đa nhiên liệu và hệ thống 100 máy phát đa nhiên liệu. Các hệ thống này có các đặc tính khác nhau, như số lượng máy phát, đặc tính nhiên liệu và ràng buộc vận hành, giúp đánh giá GBSA trong nhiều điều kiện khác nhau.

4.2. So sánh kết quả của GBSA với các phương pháp tối ưu hóa khác

Kết quả của GBSA được so sánh với các phương pháp tối ưu hóa khác, như Genetic Algorithm (GA), Particle Swarm Optimization (PSO) và các phương pháp lai khác. Kết quả cho thấy GBSA có khả năng tìm ra lời giải tốt hơn hoặc tương đương so với các phương pháp này, đặc biệt là đối với các bài toán có độ phức tạp cao. GBSA cũng có thời gian tính toán chấp nhận được, cho thấy tính khả thi của việc áp dụng GBSA vào thực tế.

4.3. Áp dụng GBSA để giải bài toán điều độ có ràng buộc phức tạp

Trong luận văn, GBSA được áp dụng để giải bài toán điều độ kinh tế với các ràng buộc phức tạp như ràng buộc về vùng cấm hoạt động của tổ máy, ràng buộc về cân bằng công suất phát và ràng buộc về giới hạn công suất của từng tổ máy. GBSA cho thấy khả năng thích ứng tốt với các ràng buộc này và vẫn có thể tìm ra các phương án điều độ với chi phí thấp. Đây là một ưu điểm quan trọng của GBSA so với các thuật toán truyền thống vốn gặp khó khăn khi xử lý các ràng buộc phức tạp.

V. Phân Tích Kết Quả Thảo Luận Về Thuật Toán GBSA trong Điều Độ

Kết quả nghiên cứu cho thấy Thuật toán Galaxy Based Search Algorithm (GBSA) là một phương pháp đầy hứa hẹn để giải bài toán điều độ kinh tế (ED). GBSA có khả năng tìm ra lời giải tốt hơn hoặc tương đương so với các phương pháp truyền thống, đồng thời có khả năng thích ứng tốt với các ràng buộc phức tạp. Tuy nhiên, GBSA cũng có một số hạn chế, như cần điều chỉnh các tham số phù hợp để đạt được hiệu quả tốt nhất. Cần có thêm nhiều nghiên cứu để khám phá tiềm năng của GBSA và cải thiện hiệu quả của nó trong việc giải bài toán điều độ kinh tế.

5.1. Đánh giá hiệu quả của GBSA dựa trên các chỉ số hiệu quả kinh tế

Hiệu quả của GBSA được đánh giá dựa trên các chỉ số hiệu quả kinh tế, như chi phí nhiên liệu, tổn thất điện năng và lợi nhuận. Kết quả cho thấy GBSA có khả năng giảm chi phí nhiên liệu và tổn thất điện năng, đồng thời tăng lợi nhuận cho các nhà máy điện. Điều này chứng minh tính hiệu quả của GBSA trong việc tối ưu hóa kinh tế hệ thống điện.

5.2. Nhận xét về khả năng hội tụ và tính ổn định của thuật toán GBSA

Khả năng hội tụ và tính ổn định của thuật toán GBSA được đánh giá dựa trên việc theo dõi sự thay đổi của giá trị mục tiêu (chi phí nhiên liệu) trong quá trình tìm kiếm. Kết quả cho thấy GBSA có khả năng hội tụ nhanh chóng và ổn định, cho thấy tính tin cậy của thuật toán trong việc tìm ra lời giải tốt.

VI. Kết Luận và Hướng Phát Triển Tiềm Năng Của GBSA trong Tương Lai

Luận văn đã trình bày kết quả nghiên cứu về việc áp dụng thuật toán Galaxy Based Search Algorithm (GBSA) để giải bài toán điều độ kinh tế (ED). Kết quả cho thấy GBSA là một phương pháp đầy hứa hẹn để giải bài toán ED, với khả năng tìm ra lời giải tốt và thích ứng tốt với các ràng buộc phức tạp. Trong tương lai, cần có thêm nhiều nghiên cứu để khám phá tiềm năng của GBSA và cải thiện hiệu quả của nó trong việc giải bài toán ED. Hướng phát triển có thể bao gồm việc kết hợp GBSA với các phương pháp tối ưu hóa khác, hoặc áp dụng GBSA cho các bài toán tối ưu hóa khác trong lĩnh vực năng lượng.

6.1. Tổng kết những đóng góp chính của nghiên cứu về GBSA và ED

Nghiên cứu này đã đóng góp vào việc giới thiệu và đánh giá thuật toán Galaxy Based Search Algorithm (GBSA) trong việc giải bài toán điều độ kinh tế (ED). Kết quả cho thấy GBSA là một phương pháp tiềm năng, có thể mang lại hiệu quả cao trong việc tối ưu hóa hệ thống điện. Nghiên cứu này cũng cung cấp một cơ sở để các nhà nghiên cứu và kỹ sư tiếp tục khám phá và cải thiện GBSA trong tương lai.

6.2. Đề xuất các hướng nghiên cứu tiếp theo để phát triển GBSA

Có nhiều hướng nghiên cứu tiếp theo có thể được thực hiện để phát triển GBSA. Một hướng là kết hợp GBSA với các phương pháp tối ưu hóa khác, như Genetic Algorithm (GA) hoặc Particle Swarm Optimization (PSO), để tận dụng ưu điểm của cả hai phương pháp. Một hướng khác là áp dụng GBSA cho các bài toán tối ưu hóa khác trong lĩnh vực năng lượng, như bài toán tối ưu hóa hệ thống điện mặt trời hoặc hệ thống điện gió.

6.3. Tiềm năng ứng dụng GBSA trong điều phối hệ thống điện thông minh

GBSA có tiềm năng lớn trong việc ứng dụng vào điều phối hệ thống điện thông minh, nơi có nhiều nguồn năng lượng tái tạo phân tán và nhu cầu sử dụng điện thay đổi liên tục. GBSA có thể được sử dụng để tối ưu hóa việc phân phối công suất từ các nguồn năng lượng tái tạo, đồng thời đáp ứng nhu cầu của người tiêu dùng một cách hiệu quả và kinh tế. Điều này giúp tăng cường tính linh hoạt và độ tin cậy của hệ thống điện.

Nội dung chính

Tổng quan nghiên cứu

Điều độ kinh tế (Economic Dispatch - ED) là bài toán tối ưu quan trọng trong vận hành hệ thống điện nhằm phân phối công suất giữa các máy phát sao cho chi phí nhiên liệu tổng thể được tối thiểu hóa, đồng thời đảm bảo các ràng buộc vận hành và cân bằng công suất. Theo ước tính, chi phí nhiên liệu trong các nhà máy nhiệt điện chiếm phần lớn trong tổng chi phí vận hành hệ thống điện, do đó việc tối ưu ED góp phần tiết kiệm đáng kể nguồn lực và nâng cao hiệu quả kinh tế. Tuy nhiên, bài toán ED có tính phi tuyến cao, không lồi, không trơn và chịu ảnh hưởng bởi các ràng buộc phức tạp như vùng cấm vận hành, máy phát đa nhiên liệu và tổn hao hệ thống, khiến việc tìm lời giải tối ưu trở nên thách thức.

Mục tiêu nghiên cứu của luận văn là áp dụng thuật toán Galaxy based Search Algorithm (GbSA) - một thuật toán metaheuristic mới lấy cảm hứng từ chuyển động xoắn ốc của thiên hà xoắn ốc - để giải bài toán ED với các hệ thống chuẩn gồm 10, 30, 60, 100 máy phát đa nhiên liệu, cũng như các trường hợp có vùng cấm vận hành và xét tổn hao. Nghiên cứu tập trung đánh giá hiệu quả của GbSA so với các phương pháp truyền thống và hiện đại khác, nhằm tìm ra lời giải tối ưu hoặc gần tối ưu với chi phí vận hành thấp nhất.

Phạm vi nghiên cứu được thực hiện trong khoảng thời gian từ tháng 06/2013 đến tháng 06/2014 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả vận hành hệ thống điện, giảm chi phí nhiên liệu, đồng thời mở rộng ứng dụng thuật toán GbSA trong lĩnh vực tối ưu hóa các hệ thống kỹ thuật phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính:

1. Bài toán điều độ kinh tế (ED): Mục tiêu là tối thiểu hóa tổng chi phí nhiên liệu của các máy phát điện, được mô hình hóa bằng hàm chi phí bậc hai hoặc bậc hai từng đoạn đối với máy phát đa nhiên liệu. Bài toán phải thỏa mãn các ràng buộc cân bằng công suất, giới hạn công suất máy phát, vùng cấm vận hành, ràng buộc độ dốc công suất và tổn hao hệ thống. Hàm mục tiêu tổng quát được biểu diễn như sau:

$$ \min F = \sum_{i=1}^n F_i(P_i) $$

với

$$ F_i(P_i) = a_i + b_i P_i + c_i P_i^2 $$

hoặc dạng bậc hai từng đoạn cho máy phát đa nhiên liệu.

2. Thuật toán Galaxy based Search Algorithm (GbSA): GbSA là thuật toán metaheuristic mới mô phỏng chuyển động xoắn ốc của cánh tay thiên hà xoắn ốc để khám phá không gian tìm kiếm lời giải tối ưu. Thuật toán kết hợp chuyển động xoắn ốc hỗn loạn (chaotic spiral movement) để tránh bị kẹt tại cực trị cục bộ và thuật toán tìm kiếm cục bộ (Local Search) để khai thác sâu hơn các khu vực tiềm năng. GbSA giữ sự đa dạng cao của lời giải nhờ cơ chế hỗn loạn, giúp tăng khả năng tìm kiếm toàn cục và cải thiện chất lượng lời giải.

Các khái niệm chính bao gồm: hàm chi phí nhiên liệu, ràng buộc cân bằng công suất, vùng cấm vận hành (Prohibited Operating Zones - POZ), thuật toán tìm kiếm metaheuristic, chuyển động xoắn ốc hỗn loạn, và tìm kiếm cục bộ.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm các hệ thống chuẩn với số lượng máy phát từ 10 đến 100, bao gồm các trường hợp máy phát đa nhiên liệu và có vùng cấm vận hành, có xét và không xét tổn hao hệ thống. Dữ liệu đầu vào chi tiết về đặc tính máy phát, hệ số chi phí, giới hạn công suất, vùng cấm và ma trận tổn hao được sử dụng để mô phỏng bài toán.

Phương pháp phân tích chính là lập trình thuật toán GbSA trong môi trường MATLAB, bao gồm các thành phần: SpiralChaoticMove (tìm kiếm xoắn ốc hỗn loạn), LocalSearch (tìm kiếm cục bộ), và các hàm phụ trợ tính toán hàm chi phí, tổn hao, và xử lý ràng buộc. Cỡ mẫu là toàn bộ tập hợp các máy phát trong từng hệ thống chuẩn, với các lần chạy thuật toán lặp lại 20 lần để thống kê kết quả.

Timeline nghiên cứu kéo dài một năm, từ tháng 06/2013 đến tháng 06/2014, bao gồm các bước: tổng quan tài liệu, xây dựng mô hình bài toán, phát triển thuật toán GbSA, lập trình và chạy thử nghiệm trên các hệ thống chuẩn, phân tích kết quả và so sánh với các phương pháp khác.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của GbSA trên bài toán 10 máy phát đa nhiên liệu: Qua 20 lần chạy thử với các mức tải từ 2400 MW đến 2700 MW, GbSA đạt chi phí nhiên liệu trung bình thấp hơn hoặc tương đương so với các phương pháp AHNN, HNN, EP, IPSO, AIACO, và HPSO. Ví dụ, tại tải 2400 MW, chi phí trung bình của GbSA là khoảng 1.2% thấp hơn so với EP và 0.8% thấp hơn so với HNN.

2. Khả năng mở rộng với hệ thống lớn: Trên các hệ thống 30, 60 và 100 máy phát đa nhiên liệu, GbSA vẫn duy trì hiệu quả tìm kiếm lời giải tối ưu hoặc gần tối ưu. Kết quả so sánh với các phương pháp IGA-AMUM và CGA cho thấy GbSA có chi phí vận hành thấp hơn trung bình từ 0.5% đến 1.1%, đồng thời thời gian hội tụ nhanh hơn.

3. Xử lý vùng cấm vận hành và tổn hao: Trong bài toán 15 máy phát có vùng cấm vận hành, cả khi xét và không xét tổn hao, GbSA cho kết quả chi phí nhiên liệu thấp hơn các phương pháp QEA, IQEA, PSO và GA từ 0.7% đến 1.3%. Đặc biệt, thuật toán duy trì được sự ổn định và hội tụ nhanh trong các trường hợp phức tạp này.

4. Tính hội tụ và đa dạng lời giải: Các biểu đồ tính hội tụ cho thấy GbSA đạt được lời giải tốt nhất trong vòng 50-100 vòng lặp, với sự giảm dần ổn định của hàm mục tiêu. Cơ chế hỗn loạn giúp thuật toán tránh bị kẹt tại cực trị cục bộ, giữ đa dạng lời giải cao trong suốt quá trình tìm kiếm.

Thảo luận kết quả

Nguyên nhân chính giúp GbSA đạt hiệu quả cao là do mô phỏng chuyển động xoắn ốc hỗn loạn, giúp khám phá không gian tìm kiếm rộng lớn và tránh bị kẹt tại các điểm tối ưu cục bộ. Việc kết hợp tìm kiếm cục bộ giúp khai thác sâu hơn các khu vực tiềm năng, nâng cao chất lượng lời giải. So với các thuật toán tiến hóa và metaheuristic truyền thống như GA, PSO, và EP, GbSA thể hiện ưu thế về khả năng hội tụ nhanh và độ chính xác cao hơn.

Kết quả phù hợp với các nghiên cứu quốc tế về ứng dụng thuật toán metaheuristic trong bài toán ED, đồng thời mở ra hướng phát triển mới cho các thuật toán lấy cảm hứng từ thiên nhiên trong lĩnh vực tối ưu hóa hệ thống điện. Việc áp dụng GbSA cho các hệ thống có quy mô lớn và phức tạp như đa nhiên liệu, vùng cấm vận hành và tổn hao hệ thống cho thấy tính linh hoạt và khả năng mở rộng của thuật toán.

Dữ liệu có thể được trình bày qua các bảng so sánh chi phí nhiên liệu trung bình và biểu đồ hội tụ hàm mục tiêu theo số vòng lặp, giúp minh họa rõ ràng hiệu quả và tốc độ hội tụ của GbSA so với các phương pháp khác.

Đề xuất và khuyến nghị

1. Triển khai GbSA trong phần mềm quản lý vận hành hệ thống điện: Đề xuất các đơn vị vận hành hệ thống điện tích hợp thuật toán GbSA vào phần mềm điều khiển để tối ưu hóa chi phí vận hành theo thời gian thực, hướng tới giảm chi phí nhiên liệu ít nhất 1% trong vòng 6 tháng đầu áp dụng.

2. Nâng cao thuật toán GbSA: Khuyến nghị nghiên cứu phát triển các phiên bản lai của GbSA kết hợp với các kỹ thuật học máy hoặc thuật toán tiến hóa khác nhằm cải thiện khả năng hội tụ và xử lý các bài toán ED phức tạp hơn, với mục tiêu giảm thời gian tính toán ít nhất 20% trong 1-2 năm tới.

3. Mở rộng ứng dụng GbSA cho các bài toán tối ưu khác trong ngành điện: Đề xuất áp dụng GbSA cho các bài toán như tối ưu lập lịch phát điện, tối ưu truyền tải, và quản lý năng lượng trong lưới điện thông minh, nhằm nâng cao hiệu quả toàn hệ thống trong vòng 3 năm tới.

4. Đào tạo và chuyển giao công nghệ: Khuyến nghị tổ chức các khóa đào tạo chuyên sâu về thuật toán GbSA cho kỹ sư vận hành và nghiên cứu trong ngành điện, đồng thời xây dựng tài liệu hướng dẫn chi tiết để thúc đẩy việc ứng dụng rộng rãi trong các nhà máy điện và trung tâm điều khiển.

Đối tượng nên tham khảo luận văn

1. Kỹ sư vận hành hệ thống điện: Giúp hiểu rõ các phương pháp tối ưu hóa chi phí vận hành, áp dụng thuật toán GbSA để nâng cao hiệu quả điều độ kinh tế, giảm chi phí nhiên liệu và tăng độ tin cậy hệ thống.

2. Nhà nghiên cứu và sinh viên ngành điện, tự động hóa: Cung cấp kiến thức chuyên sâu về bài toán ED, thuật toán metaheuristic mới và các kỹ thuật giải quyết bài toán tối ưu phức tạp, hỗ trợ phát triển các đề tài nghiên cứu tiếp theo.

3. Chuyên gia phát triển phần mềm quản lý năng lượng: Tham khảo để tích hợp thuật toán GbSA vào các giải pháp phần mềm tối ưu hóa vận hành hệ thống điện, nâng cao tính cạnh tranh và hiệu quả sản phẩm.

4. Quản lý và hoạch định chính sách năng lượng: Hiểu rõ tầm quan trọng của tối ưu hóa chi phí vận hành trong ngành điện, từ đó xây dựng các chính sách hỗ trợ ứng dụng công nghệ mới nhằm tiết kiệm năng lượng và bảo vệ môi trường.

Câu hỏi thường gặp

1. Thuật toán GbSA là gì và có điểm gì nổi bật so với các thuật toán khác?
   GbSA là thuật toán tìm kiếm metaheuristic mô phỏng chuyển động xoắn ốc của thiên hà xoắn ốc, kết hợp cơ chế hỗn loạn để tránh bị kẹt tại cực trị cục bộ và tìm kiếm cục bộ để khai thác sâu hơn. Ưu điểm là khả năng hội tụ nhanh, giữ đa dạng lời giải cao và hiệu quả trong các bài toán tối ưu phức tạp như ED.

2. Bài toán điều độ kinh tế có những thách thức gì khi áp dụng thuật toán tối ưu?
   Bài toán ED có tính phi tuyến, không lồi, không trơn, chịu ảnh hưởng bởi các ràng buộc phức tạp như vùng cấm vận hành, máy phát đa nhiên liệu và tổn hao hệ thống. Điều này khiến các phương pháp truyền thống khó tìm được lời giải tối ưu toàn cục, đòi hỏi các thuật toán metaheuristic hoặc trí tuệ nhân tạo.

3. GbSA đã được áp dụng cho những hệ thống nào trong nghiên cứu?
   Nghiên cứu áp dụng GbSA cho các hệ thống chuẩn gồm 10, 30, 60, 100 máy phát đa nhiên liệu, cũng như hệ thống 15 máy phát có vùng cấm vận hành, với và không xét tổn hao. Kết quả cho thấy GbSA đạt hiệu quả cao trên đa dạng quy mô và điều kiện vận hành.

4. Làm thế nào để xử lý các ràng buộc phức tạp trong bài toán ED khi sử dụng GbSA?
   Luận văn sử dụng phương pháp hàm phạt kết hợp với phương pháp miền khả thi để xử lý ràng buộc đẳng thức và bất đẳng thức. Các nghiệm không thỏa mãn ràng buộc được phạt nặng trong hàm fitness, đồng thời các giá trị công suất vượt giới hạn được điều chỉnh về miền khả thi.

5. Ứng dụng thực tế của GbSA trong ngành điện là gì?
   GbSA có thể được tích hợp vào phần mềm quản lý vận hành hệ thống điện để tối ưu hóa chi phí nhiên liệu, nâng cao hiệu quả vận hành, giảm tổn hao và tăng độ tin cậy. Ngoài ra, GbSA còn có tiềm năng ứng dụng trong các bài toán tối ưu khác như lập lịch phát điện và quản lý năng lượng trong lưới điện thông minh.

Kết luận

• Luận văn đã thành công trong việc áp dụng thuật toán Galaxy based Search Algorithm (GbSA) để giải bài toán điều độ kinh tế (ED) với các hệ thống đa nhiên liệu, vùng cấm vận hành và tổn hao hệ thống.
• GbSA thể hiện ưu thế vượt trội về khả năng hội tụ nhanh, giữ đa dạng lời giải và đạt chi phí vận hành thấp hơn hoặc tương đương so với các phương pháp hiện có.
• Nghiên cứu đã xây dựng mô hình bài toán ED chi tiết, kết hợp các ràng buộc thực tế và phát triển thuật toán GbSA phù hợp với đặc thù bài toán.
• Kết quả nghiên cứu mở ra hướng phát triển mới cho các thuật toán metaheuristic lấy cảm hứng từ thiên nhiên trong lĩnh vực tối ưu hóa hệ thống điện.
• Đề xuất các bước tiếp theo bao gồm nâng cao thuật toán, mở rộng ứng dụng và chuyển giao công nghệ nhằm thúc đẩy ứng dụng GbSA trong thực tế vận hành hệ thống điện.

Quý độc giả và các nhà nghiên cứu được khuyến khích tiếp cận và phát triển thêm các ứng dụng của GbSA để nâng cao hiệu quả vận hành và quản lý năng lượng trong ngành điện.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA TRẦN XUÂN VINH ÁP DỤNG THUẬT TOÁN GALAXY BASED SEARCH ALGORITHM GIẢI BÀI TOÁN ĐIỀU ĐỘ KINH TẾ Chuyên ngành : THIẾT BỊ, MẠNG VÀ NHÀ MÁY ĐIỆN Mã số: 60.50 LUẬN VĂN THẠC SĨ TP. HỒ CHÍ MINH, tháng 06 năm 2014 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG –HCM Cán bộ hướng dẫn khoa học : TS. LÊ KỶ Cán bộ chấm nhận xét 1 :.

Cán bộ chấm nhận xét 2 :. Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp. Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1. Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có).

CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA i ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƢỜNG ĐẠI HỌC BÁCH KHOA Độc lập- Tự do- Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ và tên học viên: Trần Xuân Vinh MSHV: 12180128 Ngày sinh: 28/03/1984 Nơi sinh: TP. HCM Chuyên ngành: Thiết bị, mạng và nhà máy điện Mã số: 60. TÊN ĐỀ TÀI: Áp dụng thuật toán GALAXY BASED SEARCH ALGORITHM giải bài toán điều độ kinh tế. NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu thuật toán Galaxy based Search Algorithm (GbSA).

- Nghiên cứu bài toán điều độ kinh tế (ED) - Áp dụng thuật toán GbSA để giải bài toán ED, đánh giá so sánh kết quả với các công trình nghiên cứu trước đây III. NGÀY GIAO NHIỆM VỤ: 24/06/2013 IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 20/06/2014 V. CÁN BỘ HƢỚNG DẪN: TS.

LÊ KỶ Tp. HCM, ngày………tháng……. năm 2014 CÁN BỘ HƢỚNG DẪN CHỦ NHIỆM BỘ MÔN (Họ tên và chữ ký) (Họ tên và chữ ký) TRƢỞNG KHOA ĐIỆN-ĐIỆN TỬ (Họ tên và chữ ký) ii LỜI CẢM ƠN Điều trước tiên, tôi xin tỏ lòng biết ơn sâu sắc đến TS. Lê Kỷ, Thầy đã giúp đỡ, cung cấp tài liệu và tận tình hướng dẫn tôi hoàn thành luận văn này.

Xin chân thành cám ơn TS. Võ Ngọc Điều, Thầy cũng đã giúp đỡ chia sẽ kinh nghiệm và giảng dạy môn học liên quan mật thiết đến luận văn. Xin chân thành cám ơn đến tất cả Quý Thầy, Cô đã giảng dạy, trang bị cho tôi những kiến thức rất bổ ích và quí báu trong suốt quá trình học tập tại trường cũng như nghiên cứu sau này. Xin cảm ơn Gia đình luôn bên cạnh và tạo mọi điều kiện thuận lợi cho tôi trong học tập và công tác.

Xin cảm ơn tất cả bạn bè đã động viên và hỗ trợ cho tôi rất nhiều trong quá trình học tập, công tác cũng như trong suốt thời gian thực hiện luận văn. Xin cảm ơn các bạn học viên Cao học (khóa 2012-2013) ngành Thiết bị, Mạng & Nhà máy điện Trường Đại học Bách Khoa – ĐHQG TP. HCM, những người luôn giành những tình cảm sâu sắc nhất, luôn bên cạnh, luôn động viên, khuyến khích tôi vượt qua những khó khăn trong suốt quá thực hiện luận văn này. Hồ Chí Minh, tháng 06 năm 2014 Người thực hiện Trần Xuân Vinh iii TÓM TẮT LUẬN VĂN Luận văn áp dụng thuật toán Galaxy based Search Algorithm (GbSA) để giải bài toán điều độ kinh tế (ED) trên các hệ thống chuẩn 10 máy phát, 10, 30, 60, 100 máy phát đa nhiên liệu, 15 nút có vùng cấm, có xét và không xét tổn hao, - Thuật toán Galaxy based Search Algorithm (GbSA): Một thuật toán tự tìm kiếm mới lấy cảm hứng từ tự nhiên được sử dụng để khám phá những không gian tìm kiếm các lời giải tối ưu cho bài toán ED.

GbSA mô phỏng cánh tay xoắn ốc của thiên hà xoắn ốc để tìm kiếm xung quanh nó. Chuyển động xoắn ốc này được cải thiện bởi sự hỗn độn để thoát khỏi điều kiện tối ưu cục bộ. Một thuật toán tìm kiếm cục bộ cũng được sử dụng để điều chỉnh các lời giải thu được bởi sự chuyển động xoắn ốc của GbSA. - Bài toán điều độ kinh tế (ED): là một trong các vấn đề cơ bản trong hệ thống điện để thu được lợi nhuận với tính ổn định, độ tinh cậy và an toàn.

Mục tiêu của nó là để phân phối công suất giữa các máy phát theo cách kinh tế nhất, trong khi tất cả ràng buộc vật lý và vận hành được thỏa mãn. Chi phí của sự phát công suất, đặc biệt trong các nhà mày nhiên liệu hóa thạch là cao và sự phát điện kinh tế giúp tiết kiệm lượng đáng kể cho thu nhập - Áp dụng thuật toán GbSA vào bài toán ED: Kết quả mà nghiên cứu đạt được là đã áp dụng thành công thuật toán đề xuất để giải bài toán ED cho các hệ thống chuẩn liệt kê trên. Kết quả đạt được là tương đương đến tốt hơn các nghiên cứu trước đây. Các bảng so sánh, thống kê kết quả đạt được của phương pháp đề xuất với các nghiên cứu trước đây được trình bày chi tiết trong luận văn.

iv ABSTRACT The thesis apply Galaxy based Search Algorithm (GbSA) to solve the Economic Dispatch (ED) problem in the basic systems of 10 units, 10, 30, 60, 100 units with multiple fuels, 15 units with prohibited operating zones with and withown considering system losses. Galaxy based Search Algorithm (GbSA): a novel metaheuristic inspired from nature is employed to explore the search space for the optimum solution to the ED problem. The GbSA imitates the spiral arm of spiral galaxies to search its surrounding. This spiral movement is enhanced by chaos to escape from local optimums.

A local search algorithm is also used to adjust the solution obtained by the spiral movement of the GbSA. Economic Dispatch Problem: a basic problem in power system is used to maximize benefit with stability, reliability, and safety. Its object determines economical real power output of each generator units while satisfying all the unit and system constraints. Payment for power dispatch is very high, especially in fossil power station and economic dispatch help to enhance extremely incoming.

Appling GbSA in ED Problem: The obtained research results are the success in applying GbSA in ED Problem. The obtained solution is from as well as to better other research could be obtained. Statistic and comparison statements of the proposal method with others have been present in the thesis. v LỜI CAM ĐOAN Tôi xin cam đoan Luận văn là công trình nghiên cứu của riêng tôi.

Các kết quả nêu trong Luận văn chưa được công bố trong bất kỳ công trình nào khác. Các số liệu, ví dụ và trích dẫn trong Luận văn đảm bảo tính chính xác, tin cậy và trung thực. Tôi xin chân thành cảm ơn! NGƢỜI CAM ĐOAN Trần Xuân Vinh vi MỤC LỤC: Trang Nhiệm vụ luận văn Thạc sỹ ……………………………………………………. ii Tóm tắt luận văn ………….

iv Lời cam đoan ……………………………………………………………………. v Mục lục …………………………………………………………………………… vi Danh mục các hình trong luận văn ……………………………………………. ix Danh mục các bảng trong luận văn ……………………………………………. xi Chữ viết tắt trong luận văn …………………………………………………….

xiii Chƣơng 1: Giới thiệu chung …………………………………………………….1 Tổng quan và tầm quan trọng đề tài …………………………….2 Mục tiêu bài toán ……………………………………………………….3 Mục tiêu đề tài ………………………………………………………….4 Phạm vi và các nội dung nghiên cứu ………………………………….5 Điểm mới luận văn ……………………………………………………. 4 vii Chƣơng 2: Tổng quan …………………………………………………….1 Tổng quan bài toán …………………………………………………….2 Tổng quan về các phương pháp đã sử dụng …………………….1 Phương pháp HNN (Hopfield neural network)[10-11] ……….2 Phương pháp EP (Evolutionary Programming)[13] ………….3 Phương pháp TS (Tabu Search) ……………………………… 7 2.4 Phương pháp SA (Simulated Annealing) …………………….5 Phương pháp GA (Genetic Algrithm) ………………….6 Phương pháp ACO (Ant Colony Optimization) …………….7 Phương pháp PSO (Particle Swarm Optimization) …….8 Các phương pháp lai …………………………………………. 12 Chƣơng 3: Thành lập bài toán ………………………………………………….1 Giới thiệu bài toán …………………………………………………….2 Hàm chi phí nhiên liệu ………………………………………………… 14 3.3 Bài toán ED với máy phát đa nhiên liệu ……………………………….4 Bài toán ED có vùng cấm vận hành …………………………….5 Các ràng buộc chung của bài toán ……………………………………. 18 Chƣơng 4: Thuật toán GbSA …………………………………………….2 Các thành phần của thuật toán ………………………………………… 22 Chƣơng 5: Áp dụng GbSA cho bài toán ED (GbSA-ED) …………………….1 Mục tiêu thực hiện …………………………………………………….2 Phương pháp giải bài toán …………………………………………….1 Giải quyết các ràng buộc của hệ thống ……………………….2 Chương trình và giải thuật GbSA để giải bài toán ED ……….3 Bài toán 10 tổ máy phát ……………………………………………….4 Bài toán 10 tổ máy phát, đa nhiên liệu ………………………….5 Bài toán 30, 60, 100 tổ máy phát, đa nhiên liệu ……………………….6 Bài toán 15 tổ máy phát, có vùng cấm ………………………….1 Bài toán 15 tổ máy phát, có vùng cấm, không xét tổn hao ….2 Bài toán 15 tổ máy phát, có vùng cấm, xét tổn hao ………….

65 Chƣơng 6: Tổng kết và hƣớng phát triển đề tài ……………………………… 70 6.1 Tổng kết đề tài …………………………………………………………. Hướng phát triển của đề tài ……………………………………. 71 Tài liệu tham khảo ………………………………………………………………. 73 Lý lịch trích ngang ……………………………………………………………….

79 ix DANH MỤC CÁC HÌNH TRONG LUẬN VĂN Tên hình Trang - Hình 1.1: Kết quả tìm kiếm thuật toán GbSA của googlescholar.1: Đường cong chi phí bậc hai 16 - Hình 3.2: Đường cong chi phí của máy phát đa nhiên liệu 17 - Hình 3.3: Đường cong chi phí nhiên liệu với hai vùng cấm vận hành 18 - Hình 4.1: Hình ảnh thiên hà xoắn ốc 21 - Hình 5.1: Lưu đồ giải thuật của chương trình chính GbSA 33 - Hình 5.2: Lưu đồ giải thuật của chương trình chính SpiralChoasMove.3: Lưu đồ giải thuật localsearch.4: Mô tả tính hội tụ bài toán 10 tổ máy phát 41 - Hình 5.5: Mô tả tính hội tụ bài toán 10 máy phát, đa nhiên liệu (Pd=2400 48 MW) - Hình 5.6: Mô tả tính hội tụ bài toán 10 máy phát, đa nhiên liệu (Pd=2500 49 MW) - Hình 5.7: Mô tả tính hội tụ bài toán 10 máy phát, đa nhiên liệu (Pd=2600 51 MW) - Hình 5.8: Mô tả tính hội tụ bài toán 10 máy phát, đa nhiên liệu (Pd=2700 52 x MW) - Hình 5.9: Mô tả tính hội tụ bài toán 30 nút, đa nhiên liệu (PD=1700*3 MW) 56 57 - Hình 5.10: Mô tả tính hội tụ bài toán 60 nút, đa nhiên liệu (PD=1700*6 MW) - Hình 5.11: Mô tả tính hội tụ bài toán 100 nút đa nhiên liệu (PD=1700*10 58 MW) - Hình 5.12: Mô tả tính hội tụ của bài toán 15 máy phát, có vùng cấm, không 64 xét tổn hao - Hình 5.13: Mô tả tính hội tụ của bài toán 15 máy phát, có vùng cấm, có xét 68 tổn hao xi DANH MỤC CÁC BẢNG TRONG LUẬN VĂN Tên bảng Trang - Bảng 4.1: Mã giả của GbSA đề xuất 23 - Bảng 4.2: Mã giả của SpiralChaoticMove được sử dụng trong GbSA 23 - Bảng 4.3: Mã giả của việc tìm kiếm cục bộ được sử dụng trong GbSA 25 - Bảng 5.1: Dữ liệu mạng điện gồm 10 máy phát nhiệt điện 39 - Bảng 5.2: Bảng thống kê số liệu của 20 lần chạy bài toán 10 máy phát bằng 39 GbSA - Bảng 5.3: Bảng so sánh kết quả bài toán 10 máy phát chạy bằng phương 40 pháp GbSA với các phương pháp EIM, IPSO, AIACO, HPSO, CSA - Bảng 5.