Tổng quan về luận án

Trong bức tranh tổng thể của hệ thống năng lượng hiện đại, lưới điện phân phối (LĐPP) giữ vai trò huyết mạch khi trực tiếp truyền tải và phân phối điện năng từ các trạm biến áp trung gian đến từng hộ tiêu thụ cuối cùng. Do đặc thù vận hành ở cấp điện áp thấp và dòng điện lớn so với lưới truyền tải, tổn hao công suất trên LĐPP chiếm tỷ trọng cao nhất trong toàn bộ tổn thất kỹ thuật của hệ thống điện quốc gia. Nhằm giải quyết bài toán suy giảm tổn thất công suất tác dụng ($P_{loss}$) và nâng cao chất lượng điện áp trong bối cảnh tốc độ đô thị hóa gia tăng nhanh chóng, phương pháp tái cấu trúc lưới điện phân phối (Distribution Network Reconfiguration - DNR) nổi lên như một giải pháp kinh tế - kỹ thuật mang tính đột phá. Luận án khẳng định bản chất ưu việt của phương pháp này: "tái cấu trúc lưới là phương pháp không cần chi phí để cải tạo lưới điện, bằng cách đóng hoặc mở các cặp khóa điện có sẵn trên lưới để giảm tổn thất điện năng và thỏa các yêu cầu vận hành hệ thống điện".

Về mặt học thuật, bài toán tái cấu trúc LĐPP là bài toán tối ưu hóa tổ hợp phi tuyến nguyên hỗn hợp (Mixed-Integer Nonlinear Programming - MINLP) với không gian tìm kiếm mở rộng theo cấp số nhân $2^n$ (với $n$ là tổng số khóa điện phân đoạn và khóa liên lạc), chịu sự ràng buộc nghiêm ngặt về cấu trúc vận hành hình tia (radial topology), an toàn điện áp và giới hạn dòng điện nhánh. Khi tích hợp thêm nguồn điện phân tán (Distributed Generation - DG) như năng lượng mặt trời, tua-bin gió, micro-turbine hay pin nhiên liệu (dung lượng từ vài kW đến 50 MW), sự biến thiên đa chiều của dòng công suất đặt ra thách thức cực lớn cho các thuật toán tối ưu hóa truyền thống.

Luận án của nghiên cứu sinh Trần Thế Tùng, dưới sự hướng dẫn của PGS. TS. Võ Ngọc Điều tại Trường Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh (Chuyên ngành Kỹ thuật điện, Mã số: 60520202), đã giải quyết căn cơ các rào cản tính toán trên thông qua hệ thống câu hỏi và giả thuyết nghiên cứu tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để khắc phục hiện tượng rơi vào cực tiểu địa phương và đẩy nhanh tốc độ hội tụ khi giải bài toán tái cấu trúc LĐPP đơn mục tiêu trên các hệ thống quy mô lớn?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để tối ưu hóa đồng thời vị trí và dung lượng nguồn phân tán DG kết hợp tái cấu trúc lưới mà không làm gia tăng tổn thất do hiện tượng phân tán ngược công suất?
  • Câu hỏi nghiên cứu 3 (RQ3): Thiết lập cơ chế tối ưu hóa đa mục tiêu nào để tìm kiếm tập nghiệm Pareto cân bằng tối ưu giữa giảm tổn thất công suất tác dụng, thu hẹp sai lệch điện áp nút và nâng cao chỉ số ổn định điện áp?

Hệ thống giả thuyết tương ứng gồm:

  • Giả thuyết 1 (H1): Việc tích hợp bản đồ hỗn loạn (Chaotic maps) vào thuật toán tìm kiếm phân dạng ngẫu nhiên (SFS) và ứng dụng thuật toán tìm kiếm dựa trên quan hệ sinh vật cộng sinh (SOS) sẽ giải quyết triệt để sự mất cân bằng giữa khả năng khai thác (exploitation) và khám phá (exploration) trên không gian nghiệm lớn.
  • Giả thuyết 2 (H2): Thuật toán đa mục tiêu mới Non-dominated Sorting Stochastic Fractal Search (NSSFS) xây dựng trên kỹ thuật sắp xếp nhanh không vượt trội và khoảng cách mật độ sẽ tạo ra mặt biên Pareto vượt trội hơn các thuật toán kinh điển như NSGA-II, MOPSO và MOMVO.
  • Giả thuyết 3 (H3): Ứng dụng lý thuyết đồ thị dựa trên vòng cơ bản (fundamental loops) sẽ loại bỏ hoàn toàn các cấu hình lưới không khả thi trước khi phân tích dòng công suất, tiết kiệm vượt bậc thời gian tính toán.

Phạm vi thực nghiệm của công trình bao phủ toàn diện từ các mạng chuẩn quốc tế IEEE (33 nút, 69 nút, 119 nút), các hệ thống thực tế quốc tế (84 nút Đài Loan, 136 nút Brazil) cho đến hệ thống thực tế quy mô lớn 272 nút tại xuất tuyến 475TH và 477TH thuộc huyện Tân Châu, tỉnh Tây Ninh, Việt Nam.

+-------------------------------------------------------------------------------+
|                       KHUNG NGHIÊN CỨU TỔNG THỂ CỦA LUẬN ÁN                   |
+-------------------------------------------------------------------------------+
                                        |
         +------------------------------+-------------------------------+
         |                                                              |
         v                                                              v
+-------------------------------+                       +-------------------------------+
| TÁI CẤU TRÚC ĐƠN MỤC TIÊU     |                       | TÁI CẤU TRÚC ĐA MỤC TIÊU      |
| - Hàm mục tiêu: Min(Ploss)    |                       | - Min(Ploss), Min(VD),        |
| - Thuật toán: SFS, CSFS, SOS  |                       |   Max(VSI)                    |
| - Tích hợp tối ưu vị trí,     |                       | - Thuật toán phát triển:      |
|   dung lượng nguồn DG         |                       |   NSSFS (Pareto Front)        |
+-------------------------------+                       +-------------------------------+
         |                                                              |
         +------------------------------+-------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| THỰC NGHIỆM VÀ KIỂM CHỨNG TRÊN HỆ THỐNG ĐA QUY MÔ:                            |
| IEEE 33, 69, 119 nút | 84 nút Đài Loan | 136 nút Brazil | 272 nút Tân Châu    |
+-------------------------------------------------------------------------------+

Literature Review và Positioning

Nghiên cứu tái cấu trúc hệ thống phân phối khởi nguồn từ công trình nền tảng của Merlin và Back (1975) với giải thuật heuristic dạng nhánh và cận (branch-and-bound), khởi đầu bằng một lưới điện đóng tất cả các khóa và mở dần các nhánh có dòng điện nhỏ nhất để đạt cấu trúc hình tia. Dù mang tính khai phá, phương pháp này không tính toán mức giảm tổn thất $\Delta P$ theo từng bước phân bố phụ tải. Shirmohammadi và Hong (1989) đã khắc phục nhược điểm trên bằng kỹ thuật "bơm vào/rút ra" dòng điện không đổi để phân bố lại phụ tải, cho phép kiểm tra điện áp nút và khả năng mang tải của nhánh sau mỗi lần mở khóa. Tuy nhiên, khối lượng tính toán vẫn rất lớn với $2 \times n$ thao tác phân tích dòng công suất trên toàn lưới. Civanlar et al. (1988) và Baran & Wu (1989) tiếp tục đơn giản hóa bài toán bằng kỹ thuật trao đổi nhánh (branch exchange) và công thức xấp xỉ dòng công suất, nhưng dễ rơi vào các điểm cực tiểu cục bộ do tính tổ hợp phức tạp.

Sự bùng nổ của trí tuệ nhân tạo đã mở ra kỷ nguyên meta-heuristic trong giải quyết bài toán DNR:

  • Thuật toán di truyền (GA) của Nara et al. (1992) mã hóa trạng thái khóa điện qua chuỗi nhiễm sắc thể nhưng gặp khó khăn khi phát sinh các cá thể vi phạm ràng buộc hình tia hoặc gây cô lập nút.
  • Tìm kiếm Tabu (TS) của Jeon & Goswami sử dụng hàm phạt nhưng đòi hỏi số lần lặp lớn.
  • Tối ưu hóa bầy đàn (PSO) của Kennedy & Eberhart (1995), giải thuật đàn ong (ABC), đàn kiến (ACS), tìm kiếm chim Cuckoo (CSA) của Rajabioun (2011), và tìm kiếm hòa âm (HSA) lần lượt được đề xuất nhằm nâng cao tốc độ hội tụ.
                           TIẾN TRÌNH PHÁT TRIỂN HỌC THUẬT
+-------------------------------------------------------------------------------+
| 1975: Merlin & Back      -> Heuristic mở nhánh dòng nhỏ nhất                  |
| 1989: Shirmohammadi-Hong -> Kỹ thuật dòng bơm/rút, kiểm tra ràng buộc áp/tải  |
| 1989: Baran & Wu         -> Trao đổi nhánh (Branch Exchange) xấp xỉ công suất |
| 1992-2015: GA, PSO, CSA  -> Kỷ nguyên Meta-heuristic đơn mục tiêu             |
| 2015-nay: Salimi (SFS)   -> Khái niệm phân dạng ngẫu nhiên                    |
| 2022: LUẬN ÁN ĐỀ XUẤT    -> CSFS, SOS, và Đột phá Đa mục tiêu NSSFS           |
+-------------------------------------------------------------------------------+

Mặc dù vậy, văn hiến học thuật tồn tại hai luồng quan điểm và khoảng trống lớn:

  1. Tranh luận về phương pháp xử lý đa mục tiêu: Một trường phái tiếp cận bằng phương pháp tổng trọng số (weighted sum) để biến đổi bài toán đa mục tiêu thành đơn mục tiêu. Tuy nhiên, phương pháp này đòi hỏi phải chạy thuật toán nhiều lần với các tổ hợp trọng số biến thiên từ 0 đến 1, tiêu tốn thời gian tính toán khủng khiếp và không thể biểu diễn được bề mặt Pareto thực sự đối với các hàm mục tiêu không lồi. Trường phái thứ hai áp dụng tập nghiệm Pareto nhưng các thuật toán đa mục tiêu phổ biến (NSGA-II, MOPSO) thường bị suy giảm độ phân tán khi giải bài toán tối ưu rời rạc có ràng buộc cấu trúc chặt chẽ.
  2. Khoảng trống về tích hợp nguồn DG: Nhiều công trình tiền nhiệm chỉ giải bài toán tái cấu trúc độc lập hoặc giả định vị trí DG cố định. Luận án trích dẫn cảnh báo quan trọng từ y văn học thuật: "việc xác định dung lượng cũng như vị trí đặt DG không chính xác sẽ dẫn đến lượng công suất tổn thất lớn hơn so với trước khi đặt DG".

Luận án định vị chính xác khoảng trống nghiên cứu này và tạo ra bước tiến vượt bậc so với các công trình quốc tế khi đồng thời giải quyết bài toán tái cấu trúc kết hợp định cỡ, định vị DG dưới cả hai lăng kính đơn mục tiêu và đa mục tiêu trên các lưới điện thực tế siêu lớn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và phát triển ba trụ cột lý thuyết tối ưu hóa toán học áp dụng vào kỹ thuật hệ thống điện:

  1. Mở rộng lý thuyết tìm kiếm phân dạng ngẫu nhiên (SFS) của Hamid Salimi (2015): SFS mô phỏng hiện tượng khuếch tán rẽ hướng (diffusion-limited aggregation) dựa trên bước nhảy Gaussian. Luận án đã sáng tạo phát triển thuật toán Chaotic SFS (CSFS) bằng cách tích hợp bản đồ hỗn loạn Gauss/mouse map vào hệ số ngẫu nhiên $\varepsilon'$, phá vỡ sự phân bố đều truyền thống, giúp quần thể giải pháp thoát khỏi bẫy cực trị cục bộ trong không gian phi tuyến đa cực trị: $$x_{i+1} = \begin{cases} 1 & \text{nếu } x_i = 0 \ \frac{1}{\text{mod}(x_i, 1)} & \text{ngược lại} \end{cases}$$

  2. Thiết lập thuật toán tối ưu đa mục tiêu mới - NSSFS: Luận án kết hợp nguyên lý phân loại không vượt trội (Fast Non-dominated Sorting), kỹ thuật khoảng cách mật độ (Crowding Distance) và cơ chế chọn lọc tinh hoa (Elitist Selection) của Deb et al. vào cấu trúc khuếch tán đa tầng của SFS, hình thành nên thuật toán NSSFS có khả năng định vị chính xác biên Pareto tối ưu toàn cục.

  3. Hiện thực hóa lý thuyết cộng sinh sinh thái (SOS): Ứng dụng mô hình tương tác sinh học (Hỗ sinh - Mutualism, Hội sinh - Commensalism, Ký sinh - Parasitism) của Cheng & Prayogo vào hệ thống điện mà hoàn toàn không cần tinh chỉnh các thông số thuật toán đặc thù, chứng minh tính thích ứng xuất sắc trên hệ thống quy mô lớn.

                           CƠ CHẾ PHÂN TẦNG THUẬT TOÁN NSSFS
+-------------------------------------------------------------------------------+
|                            TẬP QUẦN THỂ BAN ĐẦU                               |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| QUÁ TRÌNH KHUẾCH TÁN (DIFFUSION) & CẬP NHẬT (UPDATING PROCESS 1 & 2)          |
| -> Sinh các cá thể mới dựa trên bước nhảy Gaussian ngẫu nhiên                 |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| KỸ THUẬT SẮP XẾP NHANH KHÔNG VƯỢT TRỘI (FAST NON-DOMINATED SORTING)           |
| -> Phân hạng cá thể thành các mặt trận Pareto: Front 1, Front 2, ... Front k  |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| TÍNH TOÁN KHOẢNG CÁCH MẬT ĐỘ (CROWDING DISTANCE ASSIGNMENT)                   |
| -> Đảm bảo tính đa dạng và độ dàn trải đồng đều của tập nghiệm                |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| CƠ CHẾ LỰA CHỌN TINH HOA (ELITIST SELECTION MECHANISM)                        |
| -> Chọn lọc N cá thể xuất sắc nhất chuyển sang thế hệ kế tiếp                 |
+-------------------------------------------------------------------------------+

Khung phân tích độc đáo

Mô hình phân tích của luận án tích hợp đồng thời ba hàm mục tiêu kỹ thuật có tính tương hỗ và xung đột sâu sắc:

$$\min f_1 = P_{loss} = \sum_{k=1}^{N_{br}} R_k \cdot I_k^2$$

$$\min f_2 = VD = \sum_{i=1}^{N_{bus}} |V_i - V_{ref}|$$

$$\max f_3 = VSI_j = |V_i|^4 - 4(P_j X_{ij} - Q_j R_{ij})^2 - 4(P_j R_{ij} + Q_j X_{ij})|V_i|^2$$

Khung phân tích được bao bọc bởi hệ thống điều kiện biên ngặt nghèo:

  • Ràng buộc cân bằng công suất: $$P_{source} + \sum P_{DG} = \sum P_{load} + P_{loss}$$
  • Ràng buộc giới hạn điện áp và dòng điện: $$V_{min} \le V_i \le V_{max} \quad (\forall i \in N_{bus}); \quad I_k \le I_{k,max} \quad (\forall k \in N_{br})$$
  • Ràng buộc cấu trúc hình tia và không cô lập: Sử dụng ma trận liên thuộc vòng cơ bản dựa trên lý thuyết đồ thị (Graph Theory) để bảo đảm cấu trúc hình tia: $$\sum k_{ij} = N_{bus} - N_{sub}$$

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên nền tảng triết lý thực chứng (Positivism), kết hợp chặt chẽ giữa suy diễn toán học hình thức và mô phỏng số thực nghiệm đa tầng. Luận án chia quy trình kiểm chứng thành 4 cấp độ phân tầng:

  • Cấp độ 1: Đánh giá hiệu năng thuần toán học của NSSFS trên 8 hàm thử nghiệm đa mục tiêu phi tuyến phức tạp (ZDT1, ZDT2, ZDT3, ZDT6, KUR, LAU, MUR, POL).
  • Cấp độ 2: Thực nghiệm đơn và đa mục tiêu trên các lưới điện chuẩn IEEE (33, 69, 119 nút).
  • Cấp độ 3: Kiểm tra tính mở rộng trên hệ thống thực tế quốc tế (84 nút Đài Loan, 136 nút Brazil).
  • Cấp độ 4: Ứng dụng trên lưới điện công nghiệp thực tế 272 nút tại Tây Ninh, đối soát kết quả bằng phần mềm công nghiệp PSS/ADEPT 5.
                    CÁC CẤP ĐỘ THỰC NGHIỆM VÀ KIỂM CHỨNG
+-------------------------------------------------------------------------------+
| Cấp độ 1: 8 hàm chuẩn toán học (ZDT1-6, KUR, LAU, MUR, POL)                   |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| Cấp độ 2: Mạng chuẩn quốc tế IEEE (33 nút, 69 nút, 119 nút)                  |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| Cấp độ 3: Lưới phân phối thực tế quốc tế (84 nút Đài Loan, 136 nút Brazil)   |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| Cấp độ 4: Lưới điện thực tế siêu lớn 272 nút Tân Châu, Tây Ninh, Việt Nam     |
+-------------------------------------------------------------------------------+

Quy trình nghiên cứu rigorous

Quy trình giải bài toán DNR tích hợp DG loại bỏ hoàn toàn các cấu hình không khả thi thông qua các bước logic nghiêm ngặt:

  1. Thiết lập ma trận vòng cơ bản: Xác định các vòng lặp độc lập khi tất cả các khóa liên lạc được đóng kín. Mỗi biến quyết định đại diện cho một khóa mở trong từng vòng lặp.
  2. Tính toán trào lưu công suất: Áp dụng phương pháp quét thuận nghịch (Forward/Backward Sweep) để xác định phân bố điện áp và dòng điện.
  3. Cập nhật quần thể: Thực hiện các toán tử khuếch tán Gaussian, cập nhật xác suất $P_{ai}$, hoặc chuyển đổi trạng thái cộng sinh (Mutualism/Commensalism/Parasitism).
  4. Kiểm tra giới hạn và phạt vi phạm: Xử lý các vi phạm điện áp, dòng điện nhánh và công suất phát ngược của DG thông qua hàm phạt động.
                       LƯU ĐỒ THIẾT KẾ THỰC NGHIỆM CHẶT CHẼ
+-------------------------------------------------------------------------------+
|                          KHỞI TẠO TẬP QUẦN THỂ                                |
|  - Trích xuất cấu hình khóa từ Ma trận vòng cơ bản (Lý thuyết đồ thị)         |
|  - Thiết lập vị trí và dung lượng phát của các nguồn phân tán DG              |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
|              GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT (POWER FLOW SOLVER)              |
|  - Thuật toán Backward/Forward Sweep & Đối soát PSS/ADEPT 5                  |
|  - Tính toán tổn thất Ploss, phân bố điện áp Vi, chỉ số VSI                   |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
|            KIỂM TRA CÁC RÀNG BUỘC VẬN HÀNH VÀ CẤU TRÚC HÌNH TIA               |
|  - Kiểm tra giới hạn điện áp [Vmin, Vmax], dòng điện nhánh Imax               |
|  - Đánh giá tính khả thi cấu hình; loại bỏ cấu hình vi phạm                   |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
|        TIẾN HÓA QUẦN THỂ THEO THUẬT TOÁN (CSFS / SOS / NSSFS)                 |
|  - Khai thác không gian nghiệm & định vị nghiệm Pareto không vượt trội        |
+-------------------------------------------------------------------------------+

Data và phân tích

Độ chuẩn xác và tính bao quát của các bộ dữ liệu thực nghiệm được thể hiện qua các chỉ số đo lường chất lượng mặt biên Pareto:

  • Khoảng cách thế hệ (Generational Distance - GD): Đánh giá khoảng cách từ tập nghiệm tìm được đến mặt biên Pareto thực sự.
  • Khoảng cách phân bố (Spacing - SP): Đo lường mức độ đồng đều giữa các nghiệm liên tiếp trên biên Pareto.
  • Thể tích bao quát (Hypervolume - HV) & Độ rộng mặt biên ($\Delta$): Đánh giá mức độ bao phủ và tính đa dạng của tập nghiệm tối ưu.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt bậc của thuật toán SFS và CSFS trong việc giảm tổn thất công suất: Trên các hệ thống thử nghiệm IEEE 33, 69, 119 nút và hệ thống thực tế 84, 136 nút, thuật toán CSFS và SFS liên tục xác lập cấu hình vận hành tối ưu có mức tổn thất công suất thấp hơn đáng kể so với các công bố trước đây sử dụng GA, PSO, CSA, ABC và HSA. Cụ thể, trên mạng IEEE 33 nút, tổn thất công suất giảm mạnh mẽ, cấu hình điện áp các nút cuối đường dây được nâng lên trên mức giới hạn kỹ thuật cho phép ($0.95\text{ p.u.}$).

  2. Sự tương tác cộng hưởng phi tuyến giữa tái cấu trúc và tối ưu hóa DG: Kết quả mô phỏng trên 7 kịch bản vận hành độc lập chứng minh: Nếu chỉ thực hiện tái cấu trúc lưới đơn thuần hoặc chỉ tối ưu hóa vị trí/dung lượng DG đơn lẻ, mức giảm tổn thất chỉ đạt mức trung bình. Tuy nhiên, khi kết hợp đồng thời tái cấu trúc và tối ưu hóa DG thông qua thuật toán SFS/SOS, hiệu quả giảm tổn thất đạt mức tối đa, triệt tiêu hoàn toàn hiện tượng sụt áp tại các nút chịu tải nặng.

  3. Khả năng mở rộng quy mô phi thường của thuật toán SOS trên lưới điện 272 nút: Tại lưới điện Tân Châu - Tây Ninh (gồm 2 xuất tuyến 475TH và 477TH với 272 nút), thuật toán SOS đã chứng minh sức mạnh khi tìm ra cấu hình đóng/mở khóa tối ưu và phân bổ DG hợp lý mà không cần căn chỉnh thông số ban đầu. Kết quả mô phỏng trên MATLAB hoàn toàn khớp với kết quả kiểm tra chéo trên phần mềm PSS/ADEPT 5, xác nhận tính chính xác tuyệt đối của thuật toán khi triển khai thực tế.

  4. Sự vượt trội của NSSFS trên các chỉ số Pareto quốc tế: So sánh định lượng trên các hàm thử nghiệm chuẩn và hệ thống phân phối đa mục tiêu cho thấy NSSFS đạt giá trị Hypervolume (HV) cao nhất và Spacing (SP) nhỏ nhất, vượt trội hoàn toàn so với NSGA-II, MOPSO và MOMVO. Tập nghiệm thỏa hiệp do NSSFS cung cấp mang lại độ mịn và tính dàn trải vượt trội, hỗ trợ đắc lực cho việc ra quyết định vận hành.

                   SO SÁNH ĐỊNH TÍNH VÀ ĐỊNH LƯỢNG CÁC THUẬT TOÁN
+---------------+------------------------+---------------------+-------------------+
| Thuật toán    | Số lượng thông số cần  | Khả năng thoát cực  | Hiệu năng trên    |
|               | tinh chỉnh ban đầu     | tiểu địa phương     | lưới lớn (>200 nút|
+---------------+------------------------+---------------------+-------------------+
| GA            | Cao (Crossover, Mutate)| Thấp (Dễ bẫy)       | Kém               |
| PSO           | Trung bình (w, c1, c2) | Trung bình          | Trung bình        |
| SFS / CSFS    | Thấp (Gaussian, Chaos) | Rất cao             | Tốt               |
| SOS           | Cực thấp (Parameter-   | Xuất sắc            | Vượt trội         |
|               | free)                  |                     | (272 nút)         |
| NSSFS         | Đa mục tiêu tích hợp   | Toàn cục (Pareto)   | Tối ưu đa mục tiêu|
+---------------+------------------------+---------------------+-------------------+

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp khung phương pháp luận hoàn chỉnh kết hợp giữa vật lý phân dạng (Fractals), lý thuyết hỗn độn (Chaos) và sinh học cộng sinh vào kỹ thuật điện lực.
  • Về mặt phương pháp luận: Chuẩn hóa quy trình xử lý ràng buộc hình tia bằng lý thuyết đồ thị vòng cơ bản, giải quyết triệt để vấn đề bùng nổ tổ hợp trong tối ưu hóa mạng lưới.
  • Về mặt thực tiễn và chính sách: Cung cấp công cụ tính toán quy hoạch đắc lực cho Tập đoàn Điện lực Việt Nam (EVN) và các Tổng công ty Điện lực. Việc tối ưu hóa vận hành thông qua đóng mở khóa điện hiện hữu giúp tiết kiệm hàng tỷ đồng chi phí đầu tư nâng cấp đường dây và lắp đặt tụ bù, đồng thời tạo cơ chế tích hợp an toàn các nguồn năng lượng tái tạo phân tán theo định hướng Quy hoạch điện VIII.

Limitations và Future Research

Mặc dù đạt được những bước tiến đột phá, luận án thẳng thắn chỉ ra các giới hạn kỹ thuật mang tính tiền đề:

  • Giả định phụ tải và nguồn phát tĩnh: Mô hình nghiên cứu giả định phụ tải và công suất phát của nguồn DG ở trạng thái dừng (static snapshots). Trong thực tế, đồ thị phụ tải biến thiên 24 giờ liên tục và công suất phát từ năng lượng tái tạo (điện mặt trời, điện gió) mang tính bất định cao (stochastic nature).
  • Mô hình lưới điện cân bằng 3 pha: Các phép tính trào lưu công suất được thực hiện trên sơ đồ đơn tuyến tương đương, chưa xét đến tính bất đối xứng nghiêm trọng của phụ tải 1 pha trên lưới phân phối hạ áp.
  • Bỏ qua động học quá độ của khóa chuyển mạch: Chưa mô hình hóa chi phí hao mòn cơ khí và tuổi thọ thiết bị khi thực hiện thao tác đóng cắt liên tục trên các thiết bị đóng cắt tự động (Recloser/LBS).

Chương trình nghiên cứu 10 năm tới mở ra các hướng phát triển chiến lược:

  1. Phát triển mô hình tái cấu trúc động theo thời gian thực (Dynamic DNR) tích hợp hệ thống lưu trữ năng lượng (BESS) và trạm sạc xe điện (EV).
  2. Ứng dụng kỹ thuật tối ưu hóa ngẫu nhiên (Stochastic Optimization) và tối ưu hóa bền vững (Robust Optimization) để quản lý rủi ro bất định từ nguồn năng lượng tái tạo.
  3. Mở rộng thuật toán NSSFS cho hệ thống phân phối 3 pha không cân bằng và tích hợp điều khiển điện áp - công suất phản kháng (Volt-VAR Optimization).

Tác động và ảnh hưởng

Công trình luận án mang lại những tác động sâu rộng trên cả ba bình diện:

                            CÁC TRỤ CỘT TÁC ĐỘNG CHÍNH
+-------------------------------------------------------------------------------+
| 1. HỌC THUẬT QUỐC TẾ:                                                         |
|    Công bố trên các diễn đàn ISI/Scopus Q1/Q2; định hình chuẩn so sánh mới    |
|    cho các giải thuật meta-heuristic trong tối ưu hóa hệ thống điện.          |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| 2. CÔNG NGHIỆP ĐIỆN LỰC (EVN / DSOs):                                         |
|    Chuyển giao giải thuật tối ưu hóa vận hành, giảm tổn thất kỹ thuật hàng    |
|    năm trên lưới điện thực tế mà không đòi hỏi chi phí đầu tư hạ tầng mới.    |
+-------------------------------------------------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| 3. MÔI TRƯỜNG VÀ XÃ HỘI:                                                      |
|    Cắt giảm hàng ngàn tấn phát thải CO2 nhờ giảm tổn thất truyền tải; nâng    |
|    cao độ tin cậy và chỉ số cấp điện liên tục (SAIDI, SAIFI) cho xã hội.      |
+-------------------------------------------------------------------------------+
  • Tác động học thuật: Đóng góp các công bố quốc tế uy tín, thiết lập chuẩn so sánh hiệu năng mới cho các giải thuật meta-heuristic ứng dụng trong bài toán kỹ thuật điện phức tạp.
  • Chuyển dịch công nghiệp: Ứng dụng trực tiếp tại Công ty Điện lực Tây Ninh và các công ty điện lực thành viên thuộc Tổng công ty Điện lực miền Nam (EVNSPC), mang lại công cụ số hóa giúp các kỹ sư điều độ lựa chọn phương thức vận hành tối ưu chỉ trong vài giây.
  • Lợi ích kinh tế - môi trường: Giảm tổn thất điện năng trực tiếp tương đương với việc tiết kiệm hàng triệu kWh điện thương phẩm mỗi năm, gián tiếp cắt giảm hàng ngàn tấn phát thải khí nhà kính $CO_2$ từ các nhà máy nhiệt điện than.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Kỹ thuật Điện / Tối ưu hóa: Tiếp cận mã nguồn phương pháp luận toán học tiên tiến (NSSFS, CSFS, SOS) và bộ dữ liệu thực nghiệm chuẩn hóa trên hệ thống 272 nút.
  • Kỹ sư vận hành và điều độ hệ thống phân phối (DSOs): Sở hữu giải thuật tin cậy để lập kế hoạch đóng cắt khóa phân đoạn và điều độ công suất phát nguồn phân tán DG theo từng kịch bản vận hành thực tế.
  • Các nhà hoạch định chính sách và Quản lý năng lượng: Có cơ sở khoa học định lượng để ban hành quy chuẩn kỹ thuật về tỷ lệ thâm nhập tối đa của nguồn điện phân tán vào lưới điện trung áp mà vẫn duy trì ổn định hệ thống.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc thiết lập thành công thuật toán tối ưu hóa đa mục tiêu NSSFS (Non-dominated Sorting Stochastic Fractal Search). Bằng cách tích hợp kỹ thuật phân loại không vượt trội và khoảng cách mật độ vào nguyên lý khuếch tán phân dạng của Hamid Salimi, NSSFS đã giải quyết hoàn hảo bài toán tìm kiếm tập nghiệm Pareto đồng đều trên không gian nghiệm đa chiều phi tuyến, khắc phục nhược điểm mất tính đa dạng của NSGA-II và MOPSO.

  2. Đột phá phương pháp luận so với các nghiên cứu kinh điển trước đây? So với phương pháp heuristic mở nhánh của Merlin & Back (1975) và kỹ thuật bơm dòng của Shirmohammadi & Hong (1989), phương pháp của luận án xử lý trực tiếp bài toán phi tuyến nguyên hỗn hợp toàn cục mà không cần xấp xỉ tuyến tính. Đồng thời, việc ứng dụng ma trận liên thuộc vòng cơ bản (Fundamental Loop Matrix) từ lý thuyết đồ thị giúp loại trừ $100%$ các cấu hình lưới không thỏa mãn cấu trúc hình tia ngay từ bước sinh quần thể, giảm thiểu tối đa số lần giải bài toán trào lưu công suất.

  3. Phát hiện gây bất ngờ nhất có số liệu thực nghiệm chứng minh là gì? Hiện tượng phân tán ngược công suất gây gia tăng tổn thất: Khi đặt DG có dung lượng lớn tại các vị trí ngẫu nhiên mà không tái cấu trúc lưới, tổn thất công suất tác dụng của hệ thống tăng cao hơn so với trạng thái ban đầu không có DG. Tuy nhiên, khi áp dụng thuật toán SOS/CSFS để đồng thời tái cấu trúc và phân bổ lại DG, tổn thất công suất giảm sâu kỷ lục, và điện áp nút nhỏ nhất ($V_{min}$) trên mạng IEEE 33 nút được cải thiện ngoạn mục từ $0.913\text{ p.u.}$ lên trên $0.965\text{ p.u.}$.

  4. Quy trình tái lập nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không? Luận án cung cấp chi tiết toàn bộ thông số kỹ thuật nhánh, phụ tải của các lưới điện thử nghiệm (Phụ lục 1), sơ đồ nguyên lý xuất tuyến 475TH & 477TH lưới điện Tân Châu (Phụ lục 2), cấu trúc ma trận tham số thuật toán (số cá thể $N_p$, số lần khuếch tán $N_D$, số vòng lặp tối đa $MaxIter$) và kết quả đối soát bằng phần mềm thương mại PSS/ADEPT 5 (Phụ lục 3), đảm bảo khả năng tái lập độc lập $100%$.

  5. Chương trình nghiên cứu dài hạn được vạch ra như thế nào? Lộ trình 10 năm hướng tới việc tự động hóa hoàn toàn bài toán tái cấu trúc theo thời gian thực (Real-time Automated DNR) tích hợp trí tuệ nhân tạo học tăng cường sâu (Deep Reinforcement Learning) trên nền tảng lưới điện thông minh (Smart Grid) có sự tham gia của phụ tải điều khiển được (Demand Response) và nguồn năng lượng tái tạo biến đổi.

Kết luận

Luận án tiến sĩ của tác giả Trần Thế Tùng là một công trình khoa học mẫu mực, hoàn chỉnh và có tính đóng góp vượt bậc cho ngành Kỹ thuật Điện với các kết quả then chốt:

  1. Ứng dụng và chuẩn hóa thành công các thuật toán meta-heuristic hiện đại SFS, CSFS và SOS để giải quyết triệt để bài toán tái cấu trúc lưới điện phân phối đơn mục tiêu có xét đến nguồn phân tán DG.
  2. Sáng tạo và phát triển đột phá thuật toán đa mục tiêu mới NSSFS, chứng minh hiệu năng vượt trội qua 8 hàm thử nghiệm toán học chuẩn và các bài toán tái cấu trúc đa mục tiêu phức tạp.
  3. Giải quyết xuất sắc bài toán tối ưu hóa quy mô lớn trên lưới điện thực tế 272 nút Tân Châu, Tây Ninh, chứng thực độ chính xác bằng phần mềm PSS/ADEPT 5.
  4. Xây dựng giải pháp kỹ thuật toàn diện giúp giảm tối đa tổn thất công suất tác dụng, nâng cao biên độ ổn định điện áp và tối ưu hóa vị trí/dung lượng nguồn điện phân tán.
  5. Mở ra các hướng nghiên cứu liên ngành mới kết hợp giữa lý thuyết hỗn độn, hình học phân dạng, sinh thái học cộng sinh và trí tuệ nhân tạo trong quy hoạch, vận hành hệ thống điện thông minh hiện đại.