CHƯƠNG 1 1.3 PHAM VI NGHIEN CUU Can cứ vào mục tiêu dé tài và thời gian làm luận văn, việc nghiên cứu chi giới hạn trong phạm vi: - Tìm hiểu bài toán CHPED, xác định hàm mục tiêu của bài toán. - Tìm hiểu thuật toán tối ưu bay đàn cải tiễn (Improved Particle Swarm Otimization — IPSO), cách áp dụng vào bài toán CHPED. - Giải quyết bài toán CHPED. Kết quả tính toán bằng phương pháp IPSO được thực hiện dựa trên lập trình Matlab.4 NỘI DUNG NGHIÊN CỨU - Bài toán CHPED.
- Thuật toán IPSO. - Áp dụng thuật toán IPSO vào bài toán CHPED. - Qua đó có thể so sánh với những thuật toán khác đã từng áp dụng vào bài toán trên nhăm đánh giá được tốc độ hội tụ và tính hiệu quả của phương pháp IPSO. TONG QUAN | CHƯƠNG 2 CHUONG 2: TONG QUAN CHP có vai trò ngày càng quan trọng trong công nghệ sản xuất năng lượng [2-4].
CHP có thé cung cap không chỉ điện năng ma còn nhiệt lượng cho khách hàng. Mục tiêu của bai toán CHPED là đảm bảo hệ thống vận hành với chi phí thập nhất mà van đáp ứng yêu cầu đặt ra cũng như thỏa mãn các ràng buộc của bài toán. Nhiều phương pháp đã được áp dụng dé giải quyết van đề CHPED. Một khai thác mức độ cao của sự phân chia hàm chi phí và ràng buộc được áp dụng trong [5].
Phương pháp nay được chứng minh hội tụ nhanh hơn so với thủ thuật thông thường dựa trên lập trình bậc hai. Một phương pháp dựa trên ham mật độ xác suất tai hai chiều dé thực hiện mô phỏng xác suất sản xuất liên quan đến CHP đã được phát triển trong [6]. Trong phương pháp này, các hàm tải tương ứng, sản xuất năng lượng dự kiến của các đơn vị, năng lượng dự trữ dự kiến, và vượt dự kiến được xác định bởi tích chập của kết hợp đơn vị nhiệt — điện. Trong [7|, van dé CHPED đã được phân tách ra thành hai tiêu van đề - điều độ kinh tế nhiệt và điều độ kinh tế điện.
Một thuật toán đàn kiến (LACSA) với phản hỏi tích cực, tính toán phân tán, kết hợp với kỹ thuật tìm kiếm khác đã được đề xuất dé giải quyết van đề CHPED trong [9]. Phương pháp này có ưu điểm là phát hiện nhanh các giải pháp, tránh hội tụ sớm, và việc tìm kiếm chap nhận được trong giai đoạn đầu của quá trình tìm kiếm. Tuy nhiên, giải pháp thu được bằng phương pháp này thường là gan tối ưu toan cục trong một van dé đơn giản cùng với hội tụ chậm. Một lập trình tiễn hóa (EP) cho van đề CHPED được phat triển trong [10].
Một toán tử (GA) cải thiện với nhân cập nhật (IGA-MU) cho van đề CHPED đã được đề xuất trong [11]. Hệ thống lai nay chỉ đòi hỏi dân số kích thước nhỏ nhưng vẫn bị hội tụ chậm. Trong [12], một thuật toán tìm kiếm (HSA) đã được trình bày cho van dé CHPED. HSA có thể có được một giải pháp gan tôi ưu chậm hội tu do số lượng lớn các vòng lặp.
Trong [13], một mạng lưới Lagrange — Hopfield tăng cường (ALHN) được dé xuất giải quyết van dé CHPED. Các ALHN là mang neural Hopfield liên tục với hàm gia tố Lagrange tăng cường (LR) để làm chậm số dao động của mạng neural Hopfield trong quá trình hội tụ, dẫn đến hội tụ nhanh. PSO là một tối ưu tiến hóa, phát triển bởi Kennedy và Eberhart [14] Phát triển dựa trên những quan sát hành vi xã hội của động vật như dan chim, cá và lý thuyết bay dan. PSO đã được áp dụng thành công trong nhiều lĩnh vực [15].
Tuy nhiên, nó có van dé hội tụ cục bộ. Pseudo-gradient được đề xuất thêm vào trong PSO dé khắc phục hạn chế như vậy nhằm giải quyết van đề CHPED. Đây cũng là phương pháp được áp dụng dé giải quyết bai toán CHPED trong luận văn này. PHÁT BIEU BÀI TOÁN | CHƯƠNG 3 CHUONG 3: PHAT BIEU BÀI TOÁN Mục tiêu của CHPED là xác định cả công suất phát điện và sản xuất nhiệt từ các đơn VỊ đồng phát, đồng thời thỏa mãn ràng buộc về vùng vận hành khả thi nhiệt — điện của CHP dé tổng chi phí vận hành nhỏ nhất trong khi vẫn đáp ứng cả hai nhu cầu điện và nhiệt.1 HAM MỤC TIỂU Mô hình toán học bài toán CHPED với hàm mục tiêu là hàm tổng chi phí nhiên liệu cùng với các ràng buộc.
Bài toán được phát biéu như sau: Xét một hệ thống có N, máy phát điện thuần tuý, N. máy phát kết hợp điện và nhiệt, và Nụ máy phát nhiệt thuần tuý. Các máy phát phải phát điện và nhiệt sao cho tổng chỉ phí nhiên liệu F là nhỏ nhất. Theo toán học, bài toán được biểu diễn như sau: F=Min [S,", FCP) + D554 E(P,,H,) + Dees F(A} G.Hj): Hàm chi phí nhiên liệu của máy phát đồng phát thứ j ($/h) F, (Hk): Hàm chi phí nhiên liệu của máy san xuất nhiệt thứi ($/h) F,(P;) = a; + b,P; + c¡PỆ (3.2) D,,H,) = ai + bịD, + GP? + dụH, + jH + P,H, (33) 3.2 CÁC RÀNG BUỘC BÀI TOÁN 3.1 Ràng buộc về cân bằng công suất Tổng công suất phát của các máy phát phải cân băng với tổng phụ tải Pp.
Py — Die, P,— UNE, PB; = 0 (3.2 Ràng buộc về cân bằng nhiệt Tổng sản lượng nhiệt của các máy phát phải cân băng với tổng phụ tai Hp. Họ — 3< Hy — 3h, Hạ = 0 (3.6) PHÁT BIEU BÀI TOÁN | CHƯƠNG 3 3.3 Ràng buộc về giới hạn phát của máy phát pin < P< pm i=l,.9) HY" < Hy < Hi" ,k=l,.10) Với may phát đồng phát, vùng van hành khả thi nhiệt- điện của máy phát được cho trong hình 3.1, đường cong ranh giới ABCDEF xác định vùng vận hành khả thi này. A B Maximum fuel A ¿ Power(MW) ¬ Max. Heat Extraction Minimum fuel Heat(MWth) Hình 3.1 Vùng vận hành khả thi nhiét-dién của máy phat đồng phát Dọc theo đường ranh giới, có một sự thoả hiệp giữa công suất phát và sản lượng nhiệt từ máy phát.
Có thể thấy được răng, dọc theo đường cong AB, máy phát đạt tới công suất đầu ra cực đại. Trái ngược lại, may phát đạt tới sản lượng nhiệt cực đại doc theo đường cong CD. Vì vậy, giới hạn công suất phát của máy đồng phát là hàm kết hợp của máy sản xuất nhiệt và ngược lại. Dựa vào hình 3.1, sự phụ thuộc công suất phát cực dai, cực tiểu và sản lượng nhiệt cực đại, cực tiểu của đồng phát được xác định như sau: P"2(W,) = min{P;(H;) lap, P:(Hj) lac}: (3.12) H"*Œ,) = mim{H,(P,)|se, Aj (Pleo }- (3.14) PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4 CHƯƠNG 4: PHƯƠNG PHÁP LUẬN GIẢI QUYET BÀI TOÁN Với bài toán tối ưu đơn giản thì ta có thé tính trực tiếp hay dùng các phương pháp cổ điển.
Bài toán CHPED thuộc dạng bài toán lớn, phi tuyến với nhiều ràng buộc phức tạp. Nếu giải băng các phương pháp cổ điển thì thời gian tính toán sẽ lâu và bài toán có thé không tìm ra kết quả. Nhiệm vụ chính của CHPED là cực tiểu chi phí nhiên liệu nên ta có thể áp dụng các thuật toán tối ưu hóa dé giải. Những năm gan đây, các phương pháp sử dụng thuật toán tối ưu hóa dạng Metaheuristic cho thay kết quả tính toán nhanh hơn, cho lời giải tốt hơn.
Các thuật toán nói chung déu có ưu và khuyêt diém. Tùy theo hàm mục tiêu cùng các ràng buộc mà các thuật toán có ưu diém khác nhau. Nêu một thuật toán giải tot bài toán dang này thì chưa chặc giải tốt bài toán dạng khác hơn thuật toán kia.1 GIỚI THIEU THUẬT TOÁN PARTICLE SWARM OPTIMIZATION (PSO) Thuật toán Particle Swarm Optimization (PSO) — tối ưu bay dan (tạm dịch) là một trong những thuật toán xây dựng dựa trên khái niệm trí tuệ bay dan dé tim kiếm lời giải cho các bài toán t6i ưu hóa trên một không gian tìm kiếm nào đó. PSO là một dạng của các thuật toán tiễn hóa quan thé đã được biết đến trước đây, như giải thuật di tuyén (GA), thuật toán đàn kiến (ACO).
Tuy vậy, PSO khác GA ở chỗ nó thiên về sử dụng sự tương tác giữa các cá thé trong một quan thé dé khám phá không gian tìm kiếm. PSO là kết quả của sự mô hình hóa việc đàn chim bay đi tìm kiếm thức ăn, cho nên thường được xếp vào loại thuật toán có sử dụng trí tuệ bay dan. PSO được giới thiệu vào năm 1995 tại một hội nghị của IEEE bởi James Kennedy và Rusell Eberhart. Thuật toán có nhiều ứng dụng quan trong trong tất cả các lĩnh vực mà ở đó đòi hỏi phải giải quyết các bài toán tối ưu hóa.
Dé hiểu rõ thuật toán PSO, ta hãy xem ví dụ đơn giản về quá trình tìm kiếm thức ăn của một đàn chim. Không gian tìm kiếm thức ăn lúc này là toàn bộ không gian ba chiều mà chúng ta dang sinh sống. Tai thời điểm bat dau tìm kiểm, cả dan bay theo một hướng nào đó, có thé là rất ngẫu nhiên. Tuy nhiên sau một thời gian tìm kiếm, một số cá thé trong đàn tìm được nơi có thức ăn.
Tùy theo số lượng thức ăn vừa tìm kiếm, mà cá thé gửi tín hiệu đến các cá thé đang tìm kiểm ở vùng lân cận, tín hiệu nay nhanh chóng lan truyền trên toàn quan thể. Dựa vao thông tin nhận được, mỗi cá thé sẽ điều chỉnh hướng bay và vận tốc theo hướng về nơi có nhiều thức ăn nhất. Cơ chế này giúp đàn chim tìm ra nơi có nhiều thức ăn nhất trên không gian tìm kiếm vô cùng rộng lớn. PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4 Như vậy, đàn chim đã dùng trí tuệ, kiến thức và kinh nghiệm của cả đàn để nhanh chóng tìm ra nơi chứa thức ăn.
Bây giờ chúng ta tìm hiểu làm cách nào mà một mô hình trong sinh hoạt như vậy có thể áp dụng trong tính toán và tạo ra thuật toán PSO mà chúng ta nhắc đến. Việc mô hình hóa này thường được gọi là quá trình mô phỏng sinh học (bioinspired) mà chúng ta thường thây trong các ngành khoa học khác. Một thuật toán được xây dựng dựa trên việc mô hình hóa các quá trình trong sinh học được gọi là thuật toán mô phỏng sinh học (bioinspired algorithms). Hãy xét bài toán tối ưu của ham số F trong không gian n chiều.
Mỗi vị trí trong không gian là một điểm tọa độ n chiêu. Ham F là hàm mục tiêu xác định trong không gian n chiều va nhận giá trị thực. Mục đích là tìm ra điểm cực tiểu của hàm F trong miền xác định nào đó.