Đặt vấn đề Nhƣ đã biết, nƣớc ta đang trong thời kỳ công nghiệp hóa, hiện đại hóa cùng với sự phát triển của nền kinh tế đa thành phần và sự gia tăng dân số thì nhu cầu tiêu thụ năng lƣợng không ngừng tăng lên trong đó năng lƣợng điện đóng một vai trò vô cùng quan trọng, do năng lƣợng điện có một ƣu điểm rất quan trọng là dễ dàng chuyển đổi thành các dạng năng lƣợng khác nhƣng lại ít tổn hao. Song song đó, nhu cầu về năng lƣợng điện ở nƣớc ta phân bố không đồng đều, phụ tải tập trung ở các thành phố lớn và các khu công nghiệp, rải rác ở miền núi và nông thôn. Vì vậy, hệ thống điện cũng liên tục đƣợc mở rộng và phát triển cả về nguồn và hệ thống điện theo nhu cầu tiêu thụ điện. Do tính chất tiêu thụ điện ở các vùng, các khu vực trong từng thời điểm lại khác nhau cho nên trào lƣu công suất trên các đƣờng dây truyền tải liên tục thay đổi theo thời gian nhƣ: tại một thời điểm trên hệ thống có những đƣờng dây bị quá tải trong khi các đƣờng dây khác non tải hoặc ngƣợc lại.
Bên cạnh đó, năng lƣợng điện hầu nhƣ không tích trữ đƣợc, vấn đề sản xuất- truyền tải- phân phối- tiêu thụ điện lại xảy ra đồng thời. Vì vậy, nếu có những biện pháp phân bố công suất thích hợp có thể làm thay đổi trào lƣu công suất, làm giảm quá tải cho một số đƣờng dây mà không cần phải cải tạo nâng cấp, đồng thời thõa mãn đƣợc các mục tiêu khác nhƣ: chi phí phát điện là nhỏ nhất, công suất phát ra đƣa đến nơi tiêu thụ là cao nhất, tổn thất công suất bé nhất, cải tiến và nâng cao chất lƣợng điện áp, có thể quản lý các ràng buộc về giới hạn công suất phát của các máy phát, giới hạn điện áp nút, giới hạn điều áp của máy biến áp 1 Luan van cũng nhƣ giới hạn về công suất truyền tải trên đƣờng dây thì hiệu quả đem lại sẽ tối ƣu nhất. Trong khi đó, phân bố công suất là bài toán quan trọng trong quy hoạch, thiết kế phát triển hệ thống điện trong tƣơng lai cũng nhƣ trong việc xác định chế độ vận hành tốt nhất của hệ thống điện hiện hữu. Do trong hệ thống điện luôn xảy ra những trƣờng hợp bất thƣờng không có lợi trong quá trình sản xuất điện năng nhƣ: quá tải, non tải và sự cố trong các phần tử của hệ thống điện… làm cho chi phí sản xuất tăng.
Thông tin chính có đƣợc từ khảo sát phân bố công suất là tỉ số điện áp và các pha tại các thanh cái, dòng công suất tác dụng, phản kháng và tổn hao trên các nhánh. Do đó, nó trở thành bài toán cơ bản và không thể thiếu trong phân tích hệ thống điện. Vậy, làm sao để phân bố công suất tối ƣu trong hệ thống điện mà chi phí trong quá trình sản xuất là nhỏ nhất hiện là hƣớng nghiên cứu đang đƣợc rất nhiều ngƣời quan tâm. Từ nhu cầu cấp thiết này, đề tài của luận văn đƣợc mang tên “phân bố công suất tối ƣu đa mục tiêu” trong hệ thống điện đƣợc đặt ra và đã có nhiều phƣơng pháp đƣợc áp dụng để tìm lời giải tối ƣu.
Đây là bài toán mà ngành điện phải giải quyết thông qua nhiều phƣơng pháp khác nhau. Một trong những phƣơng pháp đƣợc đề xuất hƣớng giải quyết phân bố công suất tối ƣu đa mục tiêu nhƣ là một công cụ để giải quyết vấn đề, đó là thuật toán PSO (Particle Swarm Optimization: tối ƣu hóa phần tử bầy đàn).2 Các nghiên cứu Đề tài phân bố công suất tối ƣu (OPF) đã có một lịch sử phát triển lâu dài trên 25 năm. Bài toán tổng quát là điều độ kinh tế và hạn chế các hoạt động khác đã đƣợc hƣớng dẫn và đƣợc đặt tên là phân bố công suất tối ƣu [1]. Bài toán phân bố công suất trong hệ thống điện có liên quan đến các phƣơng trình phi tuyến tĩnh mà nền tảng là dựa trên định luật Kirchhoff và các thông số cần tìm là công suất tác dụng, công suất phản kháng và điện áp tại các nút trong hệ thống.
2 Luan van Mục tiêu cơ bản của bài toán OPF là cực tiểu tổng chi phí nhiên liệu máy phát trong khi vẫn đảm bảo độ an toàn hệ thống. Từ quan điểm của bài toán OPF, sự duy trì độ an toàn hệ thống đòi hỏi mỗi thiết bị trong hệ thống điện phải đƣợc giữ hoạt động trong giới hạn cho phép để đảm bảo hệ thống hoạt động an toàn và ổn định. Nó bao gồm giới hạn công suất đầu ra máy phát trong khoảng lớn nhất và nhỏ nhất, dòng công suất lớn nhất trên đƣờng dây truyền tải và MBA cũng nhƣ giữ điện áp mỗi nút trong khoảng giới hạn an toàn. Mục tiêu thứ hai của bài toán OPF là để xác định dữ liệu chi phí biên của hệ thống.
Trên thực tế, đã có nhiều phƣơng pháp khác nhau đƣợc phát triển để giải quyết bài toán phân bố công suất bằng những thuật toán thông thƣờng nhƣ là: lập trình phi tuyến (NLP) [2-7], lập trình bậc 2 (QP) [8-13], lập trình tuyến tính (LP) [14-19], phƣơng pháp Newton [20-29], phƣơng pháp điểm nội (IP) [30-36], và phƣơng pháp tham số [37]. Hàm mục tiêu của bài toán phân bố công suất thông thƣờng chỉ quan tâm tổn thất công suất tối thiểu hoặc chi phí nhiên liệu phát điện tối thiểu. Các thuật toán tối ƣu hóa lập trình phi tuyến đƣợc sử dụng để giải quyết các mục tiêu phi tuyến và các hàm ràng buộc. Các ràng buộc là các đẳng thức hoặc bất đẳng thức.
Nhìn chung là thuật toán lập trình phi tuyến có khuyết điểm là sự hội tụ kém và thuật toán thì phức tạp [33,38]. Còn thuật toán lập trình bậc hai chính là lập trình phi tuyến với hàm mục tiêu là bậc hai với các ràng buộc là tuyến tính. Phƣơng pháp này có nhƣợc điểm là xấp xỉ chi phí hàm bậc hai từng đoạn [33]. Trong phƣơng pháp Newton, các điều kiện cần tối ƣu chính là điều kiện Kuhn-Tucker và phƣơng pháp này lặp đi lặp lại nhiều lần.
Nhƣợc điểm của phƣơng pháp Newton là tính hội tụ hay phân kỳ thì rất nhạy với các điều kiện ban đầu [39- 45]. 3 Luan van Phƣơng pháp điểm nội biến đổi các ràng buộc bất đẳng thức thành các ràng buộc đẳng thức bằng các biến slack không âm. Mặc dù phép tính khá hiệu quả nhƣng các bƣớc chọn không phù hợp thì không thể thực hiện đƣợc trong miền phi tuyến gốc, bị thiệt hại từ lúc khởi tạo, kết thúc, tiêu chuẩn tối ƣu và hầu nhƣ là không giải quyết đƣợc các hàm mục tiêu bậc hai phi tuyến. Nhìn chung, hầu hết các thuật toán phân bố công suất thông thƣờng đã đề cập ở trên chỉ phân tích độ nhạy và độ dốc dựa trên các thuật toán tối ƣu là hàm mục tiêu tuyến tính và hệ thống hạn chế xung quanh một điểm hoạt động.
Tuy nhiên, bài toán phân bố công suất tối ƣu (OPF) có tính phi tuyến cao và có nhiều mục tiêu. Do đó, các thuật toán phân bố công suất thông thƣờng mặc dù đƣợc xây dựng tốt, nhƣng không thể giải quyết đƣợc nhiều mục tiêu cần đề ra. Mặc dù có nhiều cải tiến nhƣng vẫn còn nhiều hạn chế vì trong hầu hết các trƣờng hợp các công thức toán học phải đƣợc giả thiết đơn giản hoá để bài toán có lời giải. Vì vậy, nó sẽ là rào cản lớn để giải quyết những vấn đề tồn đọng trong một hệ thống rộng lớn và đắt tiền.
Để khắc phục các nhƣợc điểm trên, một loạt các phƣơng pháp thông minh nhân tạo đƣợc phát triển trong thời gian qua để giải quyết các vấn đề OPF gồm có: thuật toán gen (GA) [46-49], mô phỏng luyện kim (SA) [50-52], tabu search (TS) [51,53], và thuật toán ACO [54]. Các kết quả đã báo cáo đầy hứa hẹn và phấn khởi cho nhiều nghiên cứu hơn nữa đi theo hƣớng này. Thuật toán GA (Genetic Algorithm) là phƣơng pháp tìm kiếm toàn cục ngẫu nhiên dựa theo sự đánh giá di truyền trên quần thể tự nhiên. Những lời giải ứng viên giải mã chuỗi hữu hạn gọi là nhiễm sắc thể (NST), mỗi NST phải trao đổi thông tin bằng cách sử dụng những toán tử mƣợn từ gen tự nhiên để làm ra lời giải tối ƣu.
Tuy nhiên, các nghiên cứu gần đây đã xác định một số khuyết điểm khi thực thi thuật toán GA [55]. Tính hiệu quả giảm trong việc ghép các hàm mục tiêu át chế cao nơi các thông số tối ƣu có liên quan chặt chẽ hay sự hội tụ sớm của GA làm giảm hiệu quả của nó và làm giảm khả năng tìm kiếm của nó. 4 Luan van Thuật toán SA (Simulated Annealing) là phƣơng pháp dựa trên việc tìm kiếm cục bộ, mỗi bƣớc di chuyển đƣợc chấp nhận nếu cải thiện đƣợc năng lƣợng hệ thống. SA khởi đầu với nhiệt độ cao, rồi đƣa ra tần suất phân bố cao để chấp nhận với các bƣớc di chuyển không đƣợc cải thiện.
Nhiệt độ và mức độ phân bố giảm bớt đáng kể nhƣ sự cải thiện của thuật toán về lời giải tối ƣu. Thuật toán SA là một meta-heuristic và cần nhiều yêu cầu chọn lựa để đƣa vào trong thuật toán thực tế. Rõ ràng có giao dịch giữa chất lƣợng giải pháp và thời gian tính toán cần thiết. Việc điều chỉnh đƣợc coi phụ thuộc vào nhiều lớp ràng buộc khác nhau và các thông số tinh chỉnh của thuật toán có thể khá nhạy.
Độ chính xác của các con số sử dụng để thêm vào SA có thể đem lại kết quả đầy ý nghĩa bằng chất lƣợng. Thuật toán TS (Tabu Search) là thuật toán tự khám phá tìm kiếm lời giải tối ƣu đƣợc áp dụng rộng rãi trong các bài toán tối ƣu hóa hệ thống điện với kết quả đạt đƣợc khá ấn tƣợng. Bằng cách sử dụng sự ghi nhớ uyển chuyển của lịch sử tìm kiếm để ngăn ngừa dao động và tránh bị kẹt ở giá trị tối ƣu cục bộ. TS có thể giải quyết đƣợc các bài toán không lồi, không phẳng… Thuật toán ACO (Ant Colony Optimization) đƣa ra cách tiếp cận mới mạnh mẽ và hiệu quả hơn cho những bài toán tối ƣu hóa phức tạp bằng việc sử dụng mô hình xác suất để tìm lời giải tối ƣu.
Thuật toán này dựa trên cách cử xử của đàn kiến đi tìm thức ăn. Trong khi tìm thức ăn các cá thể kiến tự động khởi tạo xung quanh khu vực tổ của chúng các thói quen riêng. Ngay khi có một cá thể kiến tìm đƣợc nguồn thức ăn, nó sẽ đánh giá chất lƣợng và số lƣợng thức ăn đó rồi mang về tổ số thức ăn tìm đƣợc.