I. Thuật toán Cuckoo Search
Thuật toán Cuckoo Search là một phương pháp meta-heuristic được phát triển bởi Yang và Deb từ năm 2009. Thuật toán này dựa trên phân phối Lévy để tạo ra các giải pháp mới và mô phỏng quá trình sinh sản của chim Cuckoo. Trong luận án này, Self-Learning Cuckoo Search Algorithm (SLCSA) được đề xuất nhằm cải thiện hiệu suất bằng cách cho phép trứng Cuckoo tự điều chỉnh theo các giải pháp tốt hơn. Một yếu tố học tập (pl) được sử dụng để kiểm soát giai đoạn điều chỉnh và ngăn chặn việc rơi vào các điểm tối ưu cục bộ. Thuật toán này được đánh giá trên các bài toán kinh tế trong hệ thống điện, cho thấy hiệu quả vượt trội so với thuật toán Cuckoo Search truyền thống.
1.1. Cơ sở lý thuyết
Thuật toán Cuckoo Search dựa trên hành vi sinh sản của chim Cuckoo và phân phối Lévy. Phân phối Lévy giúp tạo ra các bước nhảy ngẫu nhiên, giúp thuật toán khám phá không gian tìm kiếm hiệu quả. Self-Learning Cuckoo Search Algorithm thêm yếu tố học tập để cải thiện khả năng tìm kiếm toàn cục, đặc biệt trong các bài toán phức tạp.
1.2. Ứng dụng thực tế
Thuật toán được áp dụng trong quy hoạch hệ thống điện và vận hành hệ thống điện, đặc biệt trong các bài toán như Multi-Area Economic Dispatch (MAED) và Optimal Power Flow (OPF). Kết quả thử nghiệm cho thấy SLCSA vượt trội trong việc giải quyết các bài toán quy mô lớn, đặc biệt là hệ thống IEEE 300-bus.
II. Quy hoạch hệ thống điện
Quy hoạch hệ thống điện là quá trình tối ưu hóa việc phân bổ nguồn điện để đảm bảo hiệu quả kinh tế và ổn định hệ thống. Luận án tập trung vào các bài toán như Multi-Area Economic Dispatch (MAED), nơi mục tiêu là tối thiểu hóa chi phí nhiên liệu khi kết hợp các hệ thống điện từ nhiều khu vực. Self-Learning Cuckoo Search Algorithm được áp dụng để giải quyết các bài toán này, đặc biệt là các hàm chi phí nhiên liệu phi lồi như hàm chi phí đa nhiên liệu và hàm chi phí có hiệu ứng điểm van.
2.1. Multi Area Economic Dispatch
Bài toán MAED yêu cầu tối ưu hóa chi phí nhiên liệu trong khi đảm bảo cân bằng công suất giữa các khu vực. SLCSA được đánh giá trên các hệ thống từ 2 đến 5 khu vực, cho thấy khả năng vượt trội trong việc tìm kiếm giải pháp tối ưu so với các phương pháp truyền thống.
2.2. Tối ưu hóa hệ thống điện
Quy hoạch năng lượng và quản lý năng lượng là các khía cạnh quan trọng trong quy hoạch hệ thống điện. SLCSA được áp dụng để tối ưu hóa các thông số như công suất phát, điện áp và vị trí các thiết bị bù công suất phản kháng, giúp giảm thiểu tổn thất điện năng và chi phí vận hành.
III. Vận hành hệ thống điện
Vận hành hệ thống điện đòi hỏi sự cân bằng giữa sản xuất và tiêu thụ điện năng. Luận án tập trung vào các bài toán như Optimal Power Flow (OPF) và Optimal Reactive Power Dispatch (ORPD), nơi mục tiêu là tối thiểu hóa chi phí nhiên liệu và tổn thất công suất. Self-Learning Cuckoo Search Algorithm được đánh giá trên các hệ thống từ 30 đến 300 bus, cho thấy khả năng giải quyết các bài toán quy mô lớn một cách hiệu quả.
3.1. Optimal Power Flow
Bài toán OPF xác định công suất và điện áp của các máy phát để tối thiểu hóa chi phí nhiên liệu. SLCSA được đánh giá trên hệ thống IEEE 300-bus, cho thấy khả năng vượt trội trong việc giải quyết các bài toán quy mô lớn so với các phương pháp truyền thống.
3.2. Optimal Reactive Power Dispatch
Bài toán ORPD tập trung vào việc tối thiểu hóa tổn thất công suất phản kháng. SLCSA được đánh giá trên các hệ thống 30-, 57- và 118-bus, cho thấy khả năng cung cấp các giải pháp tối ưu hơn so với các phương pháp khác.
IV. Tối ưu hóa hệ thống điện thông minh
Hệ thống điện thông minh đòi hỏi sự tích hợp của các công nghệ tiên tiến để tối ưu hóa hiệu suất và độ tin cậy. Luận án đề xuất việc áp dụng Self-Learning Cuckoo Search Algorithm trong các bài toán như tối ưu hóa vị trí và kích thước các thiết bị bù công suất phản kháng. Kết quả thử nghiệm cho thấy SLCSA vượt trội trong việc tối ưu hóa các thông số hệ thống, đặc biệt trong các bài toán đa mục tiêu.
4.1. Tối ưu hóa thiết bị bù công suất
Bài toán tối ưu hóa vị trí và kích thước các thiết bị bù công suất phản kháng được giải quyết bằng SLCSA. Kết quả thử nghiệm trên các hệ thống 30-, 57- và 118-bus cho thấy khả năng vượt trội của SLCSA trong việc tối thiểu hóa tổn thất công suất và chi phí đầu tư.
4.2. Phân tích dữ liệu điện
Phân tích dữ liệu điện là một phần quan trọng trong việc tối ưu hóa hệ thống điện. SLCSA được sử dụng để phân tích và dự đoán các thông số hệ thống, giúp cải thiện hiệu suất vận hành và độ tin cậy của hệ thống điện.
