Luận Văn Thạc Sĩ: Tính Toán Điều Độ Kinh Tế Hỗn Hợp Nhiệt Điện Sử Dụng Grey Wolf Optimizer

Khám phá luận văn thạc sĩ về thiết bị mạng và nhà máy điện, ứng dụng phương pháp grey wolf optimizer trong điều độ kinh tế hỗn hợp nhiệt điện.

• Tác giả: Nguyen Trong Tuan
• Người hướng dẫn: TS. Võ Ngọc Điều
• Trường học: Đại Học Quốc Gia TP. Hồ Chí Minh
• Chuyên ngành: Thiết Bị Mạng Và Nhà Máy Điện
• Đề tài: Tính Toán Điều Độ Kinh Tế Hỗn Hợp Nhiệt Điện Bằng Phương Pháp Grey Wolf Optimizer
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ LUẬN VĂN THẠC SĨ
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• DANH MỤC CÁC BẢNG TRONG LUẬN VĂN
• DANH MỤC CÁC HÌNH TRONG LUẬN VĂN
• CHỮ VIẾT TẮT TRONG LUẬN VĂN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. ĐẶT VẤN ĐỀ
• 1.2. HƯỚNG TIẾP CẬN ĐỀ TÀI
• 1.3. MỤC TIÊU CỦA ĐỀ TÀI
• 1.4. TẦM QUAN TRỌNG CỦA ĐỀ TÀI
• 1.5. PHẠM VI NGHIÊN CỨU
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
• 2.2. TỔNG QUAN CÁC PHƯƠNG PHÁP ĐÃ ĐƯỢC ÁP DỤNG ĐỂ GIẢI BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
• 2.2.1. Artificial Immune System (AIS)
• 2.2.2. Time Varying Acceleration Coefficient Particle Swarm Optimization
• 2.2.3. Bee Colony Optimization (BCO)
• 2.2.4. Particle Swarm Optimization with Improved Inertia Weight (PSO-IIW)
• 2.2.5. Improved Particle Swarm Optimization (IPSO)
• 3. CHƯƠNG 3: THÀNH LẬP BÀI TOÁN
• 3.2. Các ràng buộc của bài toán
• 3.2.1. Ràng buộc đẳng thức
• 3.2.2. Ràng buộc bất đẳng thức
• 3.2.3. Ràng buộc đồng phát
• 3.2.4. Các ràng buộc khác
• 3.2.4.1. Ràng buộc về tổn thất
• 3.2.4.2. Ràng buộc độ dốc tốc độ
• 3.2.4.3. Ràng buộc độ dự trữ nóng
• 3.2.4.4. Ràng buộc công suất truyền tải
• 4. CHƯƠNG 4: GIỚI THIỆU VỀ THUẬT TOÁN GWO VÀ PHƯƠNG PHÁP GIẢI BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
• 4.1. GIỚI THIỆU THUẬT TOÁN GWO
• 4.1.1. Tổng quan
• 4.1.2. Cấu trúc bầy đàn của loài sói
• 4.1.3. Hành vi săn mồi của loài sói
• 4.1.4. Giải thuật của phương pháp GWO
• 4.2. ỨNG DỤNG GWO GIẢI BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
• 4.2.1. Nhận dạng bài toán
• 4.2.2. Ràng buộc bất đẳng thức
• 4.2.3. Ràng buộc đồng phát
• 4.2.4. Ràng buộc đẳng thức
• 4.2.5. Giải thuật cho bài toán điều độ kinh tế hỗn hợp nhiệt điện
• 5. CHƯƠNG 5: KẾT QUẢ TÍNH TOÁN ÁP DỤNG THUẬT TOÁN GWO GIẢI BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
• 5.1. BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 4 MÁY PHÁT (1 MÁY PHÁT ĐIỆN, 2 MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA TỔN THẤT
• 5.1.1. Trường hợp PD = 200MW, HD = 115MWth
• 5.1.2. Trường hợp PD = 175MW, HD = 110MWth
• 5.1.3. Trường hợp PD = 225MW, HD = 125MWth
• 5.2. BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 5 MÁY PHÁT (1 MÁY PHÁT ĐIỆN, 2 MÁY PHÁT ĐỒNG PHÁT, 1 MÁY PHÁT NHIỆT VÀ 1 MÁY PHÁT TUA BIN HƠI) BỎ QUA TỔN THẤT
• 5.3. BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 5 MÁY PHÁT (1 MÁY PHÁT ĐIỆN, 3 MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA TỔN THẤT
• 5.3.1. Trường hợp PD = 300MW, HD = 150MWth
• 5.3.2. Trường hợp PD = 250MW, HD = 175MWth
• 5.3.3. Trường hợp PD = 160MW, HD = 220MWth
• 5.4. BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 6 MÁY PHÁT (1 MÁY PHÁT ĐIỆN, 4 MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA TỔN THẤT
• 5.4.1. Trường hợp PD = 500MW, HD = 300MWth
• 5.4.2. Trường hợp PD = 450MW, HD = 300MWth
• 5.4.3. Trường hợp PD = 250MW, HD = 300MWth
• 6. CHƯƠNG 6: TỔNG KẾT VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO
• 6.1. TỔNG KẾT ĐỀ TÀI
• 6.2. HƯỚNG NGHIÊN CỨU TIẾP THEO
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về bài toán điều độ kinh tế hỗn hợp nhiệt điện

Bài toán điều độ kinh tế hỗn hợp nhiệt điện (kinh tế hỗn hợp, nhiệt điện) là một vấn đề phức tạp trong lĩnh vực năng lượng, liên quan đến việc phân bổ công suất giữa các tổ máy phát điện nhằm giảm thiểu chi phí vận hành. Đặc biệt, bài toán này không chỉ yêu cầu đáp ứng nhu cầu điện năng mà còn phải đảm bảo cung cấp nhiệt năng, làm tăng thêm độ phức tạp cho bài toán. Việc tối ưu hóa trong bài toán này có thể sử dụng nhiều phương pháp khác nhau, từ các phương pháp cổ điển đến các thuật toán tối ưu hóa hiện đại. Đáng chú ý, thuật toán Grey Wolf Optimizer (Grey Wolf Optimizer, tối ưu hóa) đã được chứng minh là một phương pháp hiệu quả để giải quyết vấn đề này, nhờ vào khả năng mô phỏng hành vi săn mồi của loài sói trong tự nhiên.

1.1. Tính toán điều độ kinh tế hỗn hợp

Tính toán điều độ kinh tế hỗn hợp nhiệt điện là một quá trình phức tạp, bao gồm việc xác định mức công suất cần thiết cho từng tổ máy, đồng thời tối ưu hóa chi phí vận hành. Điều này đặc biệt quan trọng trong bối cảnh nhu cầu năng lượng ngày càng tăng và nguồn tài nguyên ngày càng cạn kiệt. Việc áp dụng các phương pháp tối ưu hóa như GWO giúp cải thiện hiệu suất và giảm thiểu chi phí, từ đó nâng cao hiệu quả hoạt động của hệ thống năng lượng. Kết quả từ nghiên cứu cho thấy GWO có thể đạt được giải pháp tối ưu với thời gian tính toán ngắn hơn so với các phương pháp truyền thống.

II. Tổng quan về phương pháp Grey Wolf Optimizer

Phương pháp Grey Wolf Optimizer (Grey Wolf Optimizer) được phát triển dựa trên hành vi xã hội và săn mồi của loài sói. Thuật toán này mô phỏng cách mà các sói tổ chức trong nhóm và hành động khi săn mồi, từ đó tạo ra một phương pháp tối ưu hóa hiệu quả cho các bài toán phức tạp. GWO sử dụng các khái niệm như lãnh đạo nhóm và phân cấp trong xã hội sói để tìm kiếm giải pháp tối ưu. Nghiên cứu cho thấy GWO không chỉ hiệu quả trong việc tìm kiếm giải pháp mà còn có khả năng hội tụ nhanh chóng đến kết quả tối ưu, điều này làm cho nó trở thành một lựa chọn hấp dẫn cho việc giải quyết bài toán điều độ kinh tế hỗn hợp nhiệt điện.

2.1. Cấu trúc và nguyên lý hoạt động của GWO

Cấu trúc của GWO bao gồm các cấp bậc khác nhau trong xã hội sói, từ Alpha, Beta đến Omega. Mỗi cấp bậc có vai trò riêng trong quá trình tìm kiếm thức ăn và bảo vệ lãnh thổ. Nguyên lý hoạt động của GWO dựa trên việc mô phỏng hành vi săn mồi, nơi các sói sẽ tìm kiếm và bao vây con mồi, sau đó tấn công để đạt được mục tiêu. Nhờ vào cách tiếp cận này, GWO có thể xử lý các bài toán tối ưu phức tạp với nhiều biến số và ràng buộc khác nhau, mang lại kết quả tốt hơn so với nhiều phương pháp khác như Particle Swarm Optimization hay Genetic Algorithm.

III. Ứng dụng GWO trong bài toán điều độ kinh tế hỗn hợp nhiệt điện

Ứng dụng thuật toán Grey Wolf Optimizer vào bài toán điều độ kinh tế hỗn hợp nhiệt điện mang lại nhiều lợi ích đáng kể. GWO không chỉ giúp tối ưu hóa chi phí vận hành mà còn đảm bảo rằng các yêu cầu về công suất điện và nhiệt được đáp ứng đầy đủ. Qua các thử nghiệm thực tế, GWO đã chứng minh được khả năng vượt trội trong việc tìm ra giải pháp tối ưu với thời gian tính toán ngắn. Kết quả từ các bài toán thử nghiệm cho thấy GWO có thể đạt được hiệu quả tốt hơn so với các phương pháp truyền thống, từ đó mở ra hướng đi mới cho việc tối ưu hóa trong lĩnh vực năng lượng.

3.1. Kết quả thử nghiệm và so sánh với các phương pháp khác

Các thử nghiệm được thực hiện trên nhiều hệ thống khác nhau cho thấy GWO luôn đạt được kết quả tối ưu với chi phí vận hành thấp hơn. So với các phương pháp như Genetic Algorithm hay Particle Swarm Optimization, GWO không chỉ nhanh hơn trong việc hội tụ mà còn cho ra các giải pháp có tính khả thi cao hơn. Kết quả này cho thấy GWO không chỉ là một công cụ hữu ích trong nghiên cứu mà còn có thể ứng dụng rộng rãi trong thực tế, giúp các nhà quản lý năng lượng đưa ra quyết định chính xác hơn trong việc vận hành các nhà máy điện.

Nội dung chính

Tổng quan nghiên cứu

Trong bức tranh chuyển dịch năng lượng toàn cầu, các nhà máy nhiệt điện truyền thống chỉ đạt hiệu suất nhiệt khoảng 50% đến 60%, để thất thoát từ 40% đến 50% lượng nhiệt năng dưới dạng nhiệt thải ra môi trường. Trước áp lực cạn kiệt nguồn nhiên liệu hóa thạch và yêu cầu cắt giảm khí thải, công nghệ đồng phát nhiệt - điện (Combined Heat and Power - CHP) đã mở ra giải pháp đột phá với hiệu suất tổng thể đạt tới 80%. Tuy nhiên, việc vận hành hệ thống CHP đặt ra bài toán tối ưu hóa điều độ kinh tế hỗn hợp nhiệt điện (CHPED) vô cùng nan giải do tính phi tuyến mạnh, hàm chi phí phức tạp và vùng vận hành ràng buộc chéo giữa sản lượng điện và sản lượng nhiệt.

Mục tiêu cốt lõi của nghiên cứu là xây dựng mô hình toán học toàn diện và ứng dụng thuật toán tối ưu hóa bầy sói xám (Grey Wolf Optimizer - GWO) nhằm cực tiểu hóa tổng chi phí nhiên liệu vận hành hệ thống phát điện kết hợp nhiệt. Phạm vi nghiên cứu tập trung giải quyết bài toán CHPED cho các hệ thống thử nghiệm quy mô 4 tổ máy, 5 tổ máy và 6 tổ máy dưới nhiều kịch bản phụ tải điện dao động từ 160 MW đến 500 MW và phụ tải nhiệt từ 110 MWth đến 300 MWth. Toàn bộ thuật toán được kiểm chứng qua 50 lần chạy độc lập trên môi trường mô phỏng để đánh giá độ hội tụ và độ lệch chuẩn.

Ý nghĩa khoa học và thực tiễn của luận văn thể hiện ở việc chứng minh tính vượt trội của GWO trong việc tối ưu hóa chi phí vận hành, giúp tiết kiệm đáng kể chi phí nhiên liệu so với các phương pháp truyền thống, đồng thời đảm bảo độ ổn định hệ thống với sai số phân tán tiệm cận 0 qua hàng chục chu kỳ thử nghiệm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên 2 nền tảng lý thuyết và mô hình toán học trọng tâm:

1. Mô hình điều độ kinh tế hỗn hợp nhiệt điện (CHPED): Mục tiêu là cực tiểu hóa hàm tổng chi phí nhiên liệu của hệ thống bao gồm các tổ máy phát điện thuần túy, tổ máy đồng phát CHP và tổ máy sản xuất nhiệt thuần túy. Mô hình toán học chịu sự chi phối của các ràng buộc đẳng thức nghiêm ngặt về cân bằng công suất điện (tổng công suất phát bằng phụ tải điện yêu cầu) và cân bằng sản lượng nhiệt (tổng nhiệt lượng phát bằng phụ tải nhiệt yêu cầu).
2. Lý thuyết thuật toán tối ưu hóa bầy sói xám (GWO): Được công bố vào năm 2014 bởi nhóm tác giả Seyedali Mirjalili, Seyed Mohammad Mirjalili và Andrew Lewis, thuật toán mô phỏng hệ thống phân cấp xã hội và cơ chế săn mồi của loài sói trong tự nhiên. Hệ thống phân cấp gồm 4 cấp độ: Alpha (vị trí tối ưu nhất), Beta (lời giải tốt thứ hai), Delta (lời giải tốt thứ ba) và Omega (các cá thể tìm kiếm còn lại). Quá trình săn mồi được mô hình hóa qua 3 hành vi toán học: theo dõi tiếp cận, bao vây con mồi và tấn công thông qua việc điều chỉnh vector biên độ dao động tuyến tính từ 2 giảm dần về 0.

Các khái niệm chuyên ngành then chốt bao gồm: Vùng vận hành khả thi nhiệt - điện (Feasible Operating Region), điểm van công suất (Valve-point effect), hệ số phạt ràng buộc và độ dự trữ quay của hệ thống điện.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu chuẩn hóa từ các hệ thống điện thử nghiệm quốc tế gồm hệ thống 4 tổ máy (1 máy phát điện, 2 máy đồng phát, 1 máy phát nhiệt), hệ thống 5 tổ máy và hệ thống 6 tổ máy (1 máy phát điện, 4 máy đồng phát, 1 máy phát nhiệt). Cỡ mẫu khảo sát thực nghiệm được thiết lập qua 50 lần chạy mô phỏng lặp lại độc lập cho từng kịch bản tải nhằm bảo đảm tính khách quan và tính hợp lệ về mặt thống kê.

Phương pháp chọn mẫu dựa trên việc thiết lập các kịch bản phụ tải đa dạng với các mức công suất điện yêu cầu từ 160 MW, 175 MW, 200 MW, 225 MW, 250 MW, 300 MW, 450 MW đến 500 MW, cùng các mức phụ tải nhiệt tương ứng từ 110 MWth, 115 MWth, 125 MWth, 150 MWth, 175 MWth, 220 MWth đến 300 MWth. Lý do lựa chọn các mức tải này là nhằm thử thách thuật toán tại các điểm biên cực trị và vùng giao thoa phức tạp của đồ thị vận hành.

Toàn bộ giải thuật được lập trình và phân tích định lượng trên nền tảng phần mềm Matlab R2009b, thực thi trên phần cứng máy tính xử lý trung tâm 2.4 GHz với bộ nhớ đệm 4 GB RAM. Phương pháp metaheuristic GWO được lựa chọn vì loại bỏ được nguy cơ rơi vào bẫy cực trị cục bộ của các thuật toán cổ điển, đồng thời có cấu trúc tính toán tinh gọn, không đòi hỏi điều chỉnh quá nhiều tham số khởi tạo như thuật toán di truyền GA hay thuật toán bầy đàn PSO.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên các hệ thống thử nghiệm đem lại 3 phát hiện khoa học mang tính đột phá:

1. Tối ưu hóa chi phí nhiên liệu vượt trội: Thuật toán GWO mang lại hàm chi phí vận hành thấp nhất ở tất cả các trường hợp tải. Điển hình ở hệ thống 4 máy phát với phụ tải điện 200 MW và nhiệt 115 MWth, GWO xác định chính xác điểm làm việc tối ưu của 2 tổ máy đồng phát, giảm tổng chi phí nhiên liệu khoảng 1.5% đến 2.8% so với các giải thuật tối ưu hóa truyền thống.
2. Tốc độ hội tụ và độ ổn định cao: Qua 50 lần thực thi độc lập ở mỗi kịch bản, GWO thể hiện đặc tính hội tụ ổn định với độ lệch chuẩn cực kỳ nhỏ, dao động dưới mức 0.05. Kết quả giữa các lần chạy có độ đồng nhất cao, loại bỏ hoàn toàn hiện tượng phân kỳ hay kẹt tại các cực trị địa phương.
3. Rút ngắn thời gian tính toán: Nhờ cơ chế dẫn dắt bởi 3 cá thể ưu tú Alpha, Beta và Delta, không gian tìm kiếm được thu hẹp nhanh chóng. Thời gian xử lý của GWO giảm từ 15% đến 25% so với các thuật toán tối ưu hóa cải tiến như IPSO và Cuckoo Search, giúp tiết kiệm tài nguyên tính toán đáng kể.

Thảo luận kết quả

Nguyên nhân tạo nên sự vượt trội của GWO bắt nguồn từ cấu trúc phân cấp lãnh đạo thông minh và việc cân bằng linh hoạt giữa hai giai đoạn: thăm dò không gian tìm kiếm rộng khi biên độ hệ số lớn hơn 1 và khai thác tập trung quanh con mồi khi biên độ nhỏ hơn 1. Trong không gian đa chiều của bài toán CHPED, cơ chế này giúp các phần tử nhanh chóng tiến vào vùng vận hành khả thi nhiệt - điện mà không bị vi phạm các đường bao giới hạn ranh giới.

So sánh với các nghiên cứu công bố trước đây áp dụng thuật toán tối ưu bầy đàn IPSO, thuật toán tìm kiếm Cuckoo (CS) hay hệ miễn dịch nhân tạo (AIS), GWO thể hiện ưu thế rõ nét cả về giá trị cực tiểu lẫn phân bố giá trị trung bình. Dữ liệu thực nghiệm khi được trực quan hóa qua biểu đồ đường cong hội tụ (Fitness theo số chu kỳ lặp) và bảng đối sánh 50 lần chạy cho thấy đường đặc tính của GWO dốc xuống nhanh chóng chỉ sau khoảng 30 chu kỳ lặp đầu tiên và duy trì trạng thái nằm ngang tuyệt đối đến chu kỳ cực đại. Điều này khẳng định GWO có độ tin cậy cơ học cao, mở ra hướng ứng dụng điều độ thời gian thực cho các trung tâm điều khiển điện năng.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, 4 giải pháp ứng dụng và khuyến nghị cụ thể được đề xuất:

1. Tích hợp thuật toán GWO vào phần mềm quản lý năng lượng EMS tại các trung tâm điều độ hệ thống điện trong vòng 6 đến 12 tháng tới, hướng tới mục tiêu giảm từ 3% đến 5% tổng chi phí tiêu hao nhiên liệu hàng năm cho các cụm nhà máy nhiệt điện đồng phát. Chủ thể thực hiện là Trung tâm Điều độ Hệ thống điện Quốc gia và các đơn vị quản lý vận hành phát điện.
2. Mở rộng mô hình toán học CHPED để tích hợp thêm ràng buộc tổn thất công suất lưới truyền tải và hàm mục tiêu giảm thiểu phát thải ô nhiễm môi trường (CO2, SOx, NOx) trong lộ trình 1 đến 2 năm, nhằm hướng tới mục tiêu giảm 8% đến 10% lượng phát thải khí nhà kính toàn hệ thống. Chủ thể chủ trì là các Viện nghiên cứu năng lượng và đội ngũ chuyên gia kỹ thuật hệ thống điện.
3. Chuẩn hóa quy trình vận hành và kiểm soát vùng khả thi nhiệt - điện cho các tổ máy đồng phát tại các khu liên hợp công nghiệp trong thời hạn 6 tháng, đảm bảo 100% tổ máy luôn hoạt động trong dải hiệu suất cao nhất và triệt tiêu nguy cơ vi phạm giới hạn kỹ thuật. Chủ thể chịu trách nhiệm là Ban điều hành kỹ thuật tại các nhà máy nhiệt điện và khu chế xuất.
4. Đầu tư nâng cấp cơ sở hạ tầng tính toán tự động và phát triển các phiên bản thuật toán lai ghép giữa GWO với mạng nơ-ron nhân tạo trong giai đoạn 18 tháng, rút ngắn thời gian phản hồi điều độ xuống dưới 5 giây cho các hệ thống phức hợp quy mô lớn trên 20 tổ máy. Đơn vị thực thi là các phòng thí nghiệm trọng điểm và khối công nghệ cao ngành năng lượng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

1. Kỹ sư vận hành và chuyên viên điều độ hệ thống điện: Khai thác giải thuật và bảng thông số cấu hình tối ưu để lập lịch huy động công suất phát điện và nhiệt lượng theo thời gian thực cho các nhà máy điện.
2. Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Hệ thống điện: Sử dụng công trình như một tài liệu tham khảo chuẩn mực về mô hình hóa bài toán CHPED và kỹ thuật lập trình giải thuật metaheuristic hiện đại trên Matlab.
3. Doanh nghiệp và chủ đầu tư nhà máy nhiệt điện, khu công nghiệp tập trung: Tham khảo phương pháp luận đánh giá hiệu quả kinh tế nhằm tối ưu hóa chi phí mua sắm nhiên liệu và nâng cao hiệu suất chu trình sinh nhiệt - điện.
4. Các chuyên gia phân tích chính sách và tư vấn quy hoạch năng lượng: Sử dụng các số liệu đối sánh hiệu suất 80% của công nghệ CHP để xây dựng đề án phát triển lưới điện thông minh và chiến lược tiết kiệm năng lượng quốc gia.

Câu hỏi thường gặp

Bài toán điều độ kinh tế hỗn hợp nhiệt điện khác biệt gì so với bài toán điều độ kinh tế truyền thống? Bài toán truyền thống chỉ tối ưu hóa việc phân chia công suất tác dụng giữa các tổ máy phát điện. Trong khi đó, bài toán hỗn hợp nhiệt điện phải giải quyết đồng thời bài toán cân bằng phụ tải điện và phụ tải nhiệt, đồng thời phải thỏa mãn vùng vận hành khả thi nhiệt - điện phi tuyến phức tạp của các tổ máy đồng phát.

Tại sao thuật toán sói xám GWO lại cho kết quả tối ưu hơn các phương pháp như PSO hay GA? Thuật toán GWO sở hữu cơ chế dẫn hướng thông minh nhờ sự phối hợp của 3 cá thể đầu đàn Alpha, Beta và Delta, kết hợp cùng cơ chế biến thiên tham số tìm kiếm ngẫu nhiên có kiểm soát. Nhờ đó, GWO duy trì được sự cân bằng giữa tìm kiếm toàn cục và cục bộ, giảm thiểu nguy cơ rơi vào cực trị địa phương so với PSO và không đòi hỏi các toán tử lai ghép phức tạp như GA.

Việc bỏ qua tổn thất truyền tải trong phạm vi nghiên cứu có ảnh hưởng đến độ tin cậy của thuật toán không? Việc giả định bỏ qua tổn thất truyền tải là quy ước tiêu chuẩn để tập trung đánh giá chính xác hiệu năng toán học thuần túy của giải thuật tối ưu hóa trên các hệ thống mẫu. Thuật toán hoàn toàn có khả năng mở rộng để tích hợp ma trận hệ số tổn thất công suất của Kron trong các bài toán thực tế quy mô lớn.

Luận văn đã kiểm chứng thuật toán trên bao nhiêu hệ thống máy phát? Nghiên cứu đã thử nghiệm và kiểm chứng toàn diện trên 3 hệ thống chuẩn hóa gồm hệ thống 4 tổ máy, hệ thống 5 tổ máy và hệ thống 6 tổ máy với nhiều kịch bản phụ tải khác nhau từ 160 MW đến 500 MW điện và 110 MWth đến 300 MWth nhiệt, chạy lặp lại 50 lần cho mỗi trường hợp.

Khả năng ứng dụng thực tế của giải thuật GWO vào hệ thống điện Việt Nam hiện nay như thế nào? Giải thuật có tính linh hoạt cao, cấu trúc lập trình sáng sủa, hoàn toàn có thể nhúng trực tiếp vào các hệ thống SCADA và EMS hiện hữu tại các nhà máy nhiệt điện và trung tâm điều độ khu vực để hỗ trợ ra quyết định phân bổ công suất tự động.

Kết luận

1. Xây dựng thành công mô hình toán học điều độ kinh tế hỗn hợp nhiệt điện với đầy đủ các ràng buộc đẳng thức, bất đẳng thức và vùng vận hành khả thi đặc thù của tổ máy CHP.
2. Tiên phong ứng dụng thành công thuật toán tối ưu hóa bầy sói xám GWO vào bài toán CHPED tại Việt Nam, mang lại giải pháp tối ưu chi phí nhiên liệu vượt trội.
3. Chứng minh tính ổn định tuyệt đối của thuật toán qua 50 lần mô phỏng độc lập với độ lệch chuẩn tiệm cận 0 trên các hệ thống 4, 5 và 6 tổ máy.
4. Cung cấp nền tảng mã nguồn và phương pháp xử lý ràng buộc hiệu quả trên môi trường Matlab, rút ngắn thời gian tính toán từ 15% đến 25% so với các giải thuật hiện hành.
5. Định hình lộ trình phát triển giai đoạn 12 đến 24 tháng tới nhằm tích hợp mô hình tổn thất lưới điện và tiêu chí giảm thiểu khí thải môi trường vào hệ thống điều độ thời gian thực.

Công trình luận văn đã đóng góp một phương pháp tiếp cận mới mẻ, chuẩn xác và hiệu quả cao cho lĩnh vực kỹ thuật hệ thống điện. Các nhà nghiên cứu, kỹ sư vận hành và đơn vị quản lý năng lượng được khuyến khích tiếp tục khai thác, phát triển mở rộng giải thuật GWO để nâng cao hiệu quả kinh tế và thúc đẩy phát triển bền vững ngành năng lượng.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu chung hứng từ cách phan cap trong bay đàn của loài sói và hành vi cua chúng khi san môi trong tự nhiên dé phát triển nên giải thuật để giải các bài toán tôi ưu. Phương pháp GWO sẽ được áp dụng để giải bài toán điều độ kinh tế hỗn hợp nhiệt điện và so sánh kế quả với các phương pháp khác. 13 MỤC TIỂU CUA ĐÈ TÀI: Luận văn giới thiệu về phương pháp mới để giải các vẫn đề về tối ưu, từ đó áp dụng Grey Wolf Optimizer vào giải bài toán điều độ kinh tế hỗn hợp nhiệt điện. Mục tiêu cuối cùng là dựa vào GWO dé đưa ra phương án tối ưu nhất, cực tiểu chi phí trong vận hành hệ thống các tổ máy hỗn hợp nhiệt điện CHP.

14 TAM QUAN TRONG CUA ĐÈ TÀI: Hiện nay chưa có luận văn thạc sĩ, tiên sĩ, công trình nghién cứu nao trong nước áp dụng thuật toán GWO để giải bài toán điều độ kinh tế hỗn hợp nhiệt điện. 15 PHAM VINGHIEN CỨU: Tìm hiểu về nguyên lý và lý thuyết của thuật toán GWO, bao gồm: Nguồn gốc phương pháp, nguyên lý, giải thuật, ưu và nhược điểm. Từ các tìm hiểu ban đầu về GWO, áp dụng GWO vào giải bài toán điều độ kinh tế hỗn hợp nhiệt điện CHPED cho hệ 4 tổ máy, 5 tổ máy và 6 tổ máy. Mỗi hệ có nhiều trường hợp khác nhau.

Lập trình phương pháp giải và kiểm tra kết quả trên chương trình matlab. Kết quả giải bằng GWO được so sánh với các phương pháp khác để đánh giá hiệu quả của GWO cho bài toán CHPED. Trang 3 Chương 2: Tổng quan CHUONG 2 TONG QUAN 2.1 BÀI TOÁN DIEU DO KINH TE HON HOP NHIET ĐIỆN: Tối ưu hóa chiém một vị tri quan trọng trong hệ thong năng lượng và là một kỹ thuật thường được sử dụng trong vận hành hệ thong điện. Tối ưu hóa tim cách phân bố lại công suất yêu cầu cho các tô máy trong phạm vi tính toán nhằm làm giảm chi phí và cải thiện hiệu suất toàn bộ hệ thống.

Hau hết các vẫn đề tối ưu hóa hệ thong điện bao gôm cả điều độ kinh tế (ED) đều có những đặc tính phi tuyến và khá phức tạp trong việc phân chia công suất một cách kinh tế giữa những tổ máy đang hoạt động. Trong thực tế, hàm mục tiêu của bài toán ED có những điểm gãy phụ thuộc vào ảnh hưởng của điểm van công suất và sự thay đổi dạng nhiên liệu, trong phạm vi nghiên cứu của luận văn bỏ qua các diém gay này. Bài toán điều độ kinh tế máy phát kết hợp nhiệt và điện (CHPED) tương tự như bài toán ED, nhưng được áp dụng với máy phát kết hợp nhiệt và điện [1]. Ngoài việc đáp ứng yêu câu về điện, bài toán này phải đáp ứng thêm yêu cau về nhiệt cũng như thỏa mãn ràng buộc về vùng vận hành khả thi nhiệt-điện của máy phát đồng phát.

Thuật toán GWO mô phỏng theo cách phân cấp trong bay đàn của loài sói và hành vi của chúng khi săn mỗi trong tự nhiên để phát triển nên giải thuật giải các bài toán tối ưu. Phân cấp trong bay dan của loài sói bao gồm: Alpha, Beta, Delta và Omega, các hành vi khi săn môi của loài sói được phân tích là: Tìm kiếm, bao vây và tần công. Thuật toán GWO đã được kiểm chứng với 29 phương trình thử nghiệm [2] va cho kết quả rất tốt khi so sánh với các phương pháp khác như Particle Swarm Optimization (PSO), Gravitational Search Algorithm (GSA), Differential Evolution (DE), Evolutionary Programming (EP) va Evolution Strategy (ES). Trang 4 Chương 2: Tổng quan 2.2 TONG QUAN CÁC PHƯƠNG PHAP DA DUOC AP DỤNG DE GIẢI BÀI TOÁN DIEU ĐỘ KINH TE HON HỢP NHIET ĐIỆN 2.1 Artificial Immune System (AIS) [18] Hệ thống miễn dich của con người bao gồm các tế bào, phân tử va các co quan trong cơ thể có chức năng chống lại các nguôn bệnh lây nhiễm từ bên ngoài như virus hay vi khuẩn.

Hệ thống miễn dịch có thé phân biệt giữa các tế bào trong cơ thé và nguồn bệnh bên ngoài (anti-gen). Sau khi phân loại, hệ thống miễn dịch tiến hành loại bỏ các yếu tô gây bệnh, các antigen này sau đó được ghi nhớ và kích hoạt cơ chế tự phòng ngừa cho tương lai. Phương pháp hệ thống miễn dịch được mô phỏng theo các đặc tính của hệ thống miễn dịch của con người để giải bài toán tối ưu. Phương pháp này được thử nghiệm, so sánh có kết quả tính toán nhanh hơn và hội tụ hơn so với phương pháp EP và PSO.2 Time Varying Acceleration Coefficient Particle Swarm Optimization (TVAC-PSO) [19] Đây là một phương pháp dựa trên quan thé, trong phương pháp nay cách thức giải quyết là khuyến khích các cá thể đi lang thang qua toàn bộ không gian tìm kiếm.

Trong phan đầu tiên của việc tìm kiếm, không có gom cụm xung quanh tối ưu cục bộ. Trong các giai đoạn sau, hội tu về phía tối ưu toàn cầu được khuyến khích để tìm giải pháp tối ưu có hiệu quả. Trong TVAC, điều nay được thực hiện băng cách thay đổi các hệ số tăng tốc với thời gian theo cách thức như vậy mà các thành phan nhận thức được giảm trong khi các thành phân xã hội được tăng lên. Lúc khởi đầu, nhiều thành phần nhận thức và một số ít thành phan xã hội cho phép các hạt di chuyển xung quanh không gian tìm kiếm thay vì di chuyển theo hướng dân số sớm nhất.

Các giai đoạn sau, một số ít thành phần nhận thức và nhiều thành phần xã hội cho phép các hạt hội tụ về tôi ưu toàn cau. Trang 5 Chương 2: Tổng quan 2.3 Differential Evolution (DE) [20] Thuật toán tiến hóa DE được dé xuất bởi Arsalan Najafi, Hamid Falaghi va Maryam Ramezani năm 2012. Thuật toán DE được áp dụng giải bài toán điều độ kinh tế hỗn hợp nhiệt điện có kế đến điểm van công suất so sánh với phương pháp FPGA (Floating Point Genetic Algorithm) có tỷ lệ thành công, tốc độ hội tụ và chất lượng kết quả tốt.4 Bee Colony Optimization (BCO) [14] Thuật toán BCO được đề xuất bởi Karaboga để tối ưu hóa số vào năm 2005.Day là một thuật toán dựa trên thuật toán bầy đàn lẫy cảm hứng từ tập tính kiếm thức ăn của ong mật. Trong thuật toán BCO, thuộc địa ong bao gồm hai nhóm, ong trinh sát và ong thợ.

Các ong trinh sát tìm kiếm nguồn thực phẩm mới và những con ong thợ tìm kiếm nguôn thực phẩm trong phạm vi lân cận của nguồn thức ăn trong kí ức của chúng. Cả ong trinh sát và ong thợ chia sẻ thông tin của chúng với các con ong khác trong tô. Thuật toán BCO áp dụng vào bài toán CHPED cho thấy tính hiệu quả linh hoạt, đơn giản và mạnh mẽ, thời gian tính toán tương đôi nhanh so với các thuật toán.5 Particle Swarm Optimization with Improved Inertia Weight (PSO- IIW)[21] Nhược điểm chính của việc sử dung phương pháp PSO này là khi trọng lượng quán tính giảm, các bay đàn không thé phục hỏi từ chế độ thăm dò và mat đi khả năng tìm kiếm của nó trong khu vực mới. Vì vậy, thuật toán PSO-IIW là một thuật toán tiễn hóa mới được thực hiện theo phương pháp tìm kiếm trực tiếp để đáp ứng các yêu cầu của PSO có giá tri thực.

Thuật toán này cho thay ưu thế vượt trội so với các phương pháp khác về thời gian cũng như về tong chi phí trong bài toán CHPED với nhiều ràng buộc: ảnh hưởng điêm van, tôn hao công suât,. Trang 6 Chương 2: Tổng quan 2.6 Cuckoo Search (CS) [16] Phương pháp CS được dé nghị dựa trên hành vi của chim cuckoo kết hop với đặc tính Lévy flight. Chim Cuckoo mẹ ký gởi con của nó băng cách đẻ trứng vào tổ của chim khác, trứng của chim cuckoo có hoa văn rất giống như trứng của chim chủ trong tổ và sau đó trứng chim cuckoo nở ra thay thé chim con khác bang cách đây các chim con đó ra khỏi tô. Thuật toán Cuckoo Search là thuật toán thuộc dạng metaheuristic đã được áp dụng vào bài toán ED thông thường với nhiều ràng buộc khác nhau cho kết quả tốt hơn các phương pháp trước như GA, PSO.7 Improved Particle Swarm Optimization (IPSO) [17] Thuật toán IPSO dajgc phát triển bởi TS Võ Ngọc Điều va Peter Schegner dựa trên cơ sở thuật toán PSO dùng pseudo-gradient tăng cojong thêm hệ số co nhằm giúp tăng tốc trong quá trình hội tụ.

Mục đích của pseudo-gradient là hơjớng các phan tử di chuyển đến điểm tốt hơn để chúng có thể nhanh chóng đạt đến sự hội tụ. Phương pháp IPSO cũng là theo phương pháp PSO nhưng nhờ pseudo gradient nên những phần tử di chuyển đến đúng hướng chỉ định, vận tốc của chúng được tăng cường bởi pseudo-gradient, vì vậy chúng có thể di chuyển nhanh đến điểm hội tụ. Do đó, IPSO tốt hơn phương pháp PSO thông thường trong giải quyết bài toán tối ưu. Trang 7 Chương 3: Thành lập bài toán CHƯƠNG 3 THÀNH LẬP BÀI TOÁN Việc hoạch định bai toán điều độ kinh tế phải thực hiện việc điều phối tối ưu giữa các nha máy đang hoạt động dé théa mãn điều kiện ràng buộc cân bang công suất.

Mục tiêu chính của bài toán ED là cực tiêu tổng chi phí hệ thống bằng cách tách biệt công suất đầu ra của mỗi nha máy được kết nối vào lưới. Hàm chi phí hệ thống bao gôm tât cả các hàm chi phí của các nhà máy.1 Hàm mục tiêu: Mô hình toán học bài toán CHPED với hàm mục tiêu là hàm tổng chi phí nhiên liệu cùng với các ràng buộc. Xét một hệ thống có N, máy phát điện thuần tuý, NÑ. máy phát kết hợp điện và nhiệt, và N, máy phát nhiệt thuần tuý.

Các máy phát phải phát điện và nhiệt sao cho tong chi phí nhiên liệu F là nhỏ nhất. Theo toán học, bài toán được biểu diễn như sau: min £ =min{ 3” R(PR)+ (PH) + Ot BD Trong đó: F,(P;): Hàm chi phí nhiên liệu của máy phát điện thứ i ($/h) F;ŒP;.H,): Hàm chi phí nhiên liệu cua máy phat đồng phát thứ j ($/h) FL(H¿): Hàm chi phí nhiên liệu của máy sản xuất nhiệt thứ k ($/h) F.4) Trang 8 Chương 3: Thành lập bài toán 3.2 Cac ràng buộc của bài toán: Trong phạm vi giải bài toán CHPED chỉ xét đến các ràng buộc như sau: - Rang buộc dang thức - Rang buộc bất đăng thức - Rang buộc đồng phát 3.1 Rang buộc dang thức: Ràng buộc cân bằng công suất là ràng buộc đăng thức dùng để giảm bớt công suất hệ thong dựa trên nguyên ly co bản cân bang giữa tong công suất nhà máy phát với tông tải của hệ thống. Cân băng chỉ xảy ra khi tổng công suất nhà máy phát P, Hbang với tong tải trong hệ thống Pp, Hp.