Tối ưu công suất năng lượng tái tạo gió và mặt trời với phương pháp coronavirus herd immunity

Luận văn thạc sĩ nghiên cứu kỹ thuật điện áp dụng phương pháp coronavirus herd immunity optimizer chio giải bài toán tối ưu, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Phạm Vương Hùng
• Người hướng dẫn: PGS. Võ Ngọc Điều
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Tối Ưu Công Suất Năng Lượng Tái Tạo Từ Gió Và Mặt Trời Bằng Phương Pháp Coronavirus Herd Immunity
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Mục tiêu nghiên cứu
• 1.2. Đối tượng nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Ý nghĩa khoa học của đề tài
• 1.5. Ý nghĩa thực tiễn của đề tài
• 1.6. Nội dung của luận văn
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. Bài toán phân bố công suất tối ưu cổ điển
• 2.2. Bài toán phân bố công suất tối ưu có xét nguồn năng lượng tái tạo
• 2.3. Định hướng nghiên cứu
• 3. CHƯƠNG 3: MÔ HÌNH BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU TÍCH HỢP NĂNG LƯỢNG TÁI TẠO
• 3.1. Mô hình toán học bài toán phân bố công suất tối ưu
• 3.2. Mô hình chi phí của máy phát nhiệt điện
• 3.3. Mô hình chi phí năng lượng điện gió và điện mặt trời
• 3.4. Chi phí phát thải
• 3.5. Hàm mục tiêu tối ưu hóa
• 3.6. Các ràng buộc của hệ thống
• 3.7. Mô hình ngẫu nhiên của năng lượng gió và mặt trời
• 4. CHƯƠNG 4: ÁP DỤNG THUẬT TOÁN CHIO CHO BÀI TOÁN OPF CÓ XÉT NGUỒN NĂNG LƯỢNG GIÓ VÀ MẶT TRỜI
• 4.1. Thuật toán CHIO
• 4.2. Các bước thực hiện của thuật toán CHIO
• 4.3. Áp dụng thuật toán CHIO vào bài toán OPF
• 5. CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG
• 5.1. Mạng điện IEEE 30 nút
• 5.2. Kết quả mô phỏng
• 5.2.1. Trường hợp 1: Khảo sát sự ảnh hưởng của công suất phát đối với chi phí điện gió và điện mặt trời
• 5.2.2. Trường hợp 2: Khảo sát sự ảnh hưởng của các tham số hàm mật độ xác suất đối chi phí điện gió và điện mặt trời
• 5.2.3. Trường hợp 3: Tối thiểu chi phí phát điện
• 5.2.4. Trường hợp 4: Tối thiểu chi phí phát điện và chi phí phát thải
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Tổng kết đề tài
• 6.2. Hướng phát triển đề tài
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu

Bài viết này nghiên cứu về việc tối ưu hóa năng lượng từ các nguồn năng lượng tái tạo như gió và mặt trời thông qua phương pháp Coronavirus Herd Immunity Optimizer (CHIO). Mục tiêu là giải quyết bài toán phân bố công suất tối ưu trong hệ thống điện, đặc biệt là trong bối cảnh gia tăng sự tham gia của năng lượng tái tạo. Nghiên cứu này không chỉ đề xuất một phương pháp mới mà còn cung cấp cái nhìn sâu sắc về cách thức hoạt động của các thuật toán tối ưu hóa trong lĩnh vực năng lượng. Việc áp dụng CHIO cho thấy tiềm năng lớn trong việc cải thiện hiệu suất và giảm thiểu chi phí sản xuất điện năng. Kết quả thu được từ nghiên cứu này cũng sẽ được so sánh với các phương pháp tối ưu hóa khác để khẳng định tính hiệu quả của thuật toán CHIO.

1.1 Mục tiêu nghiên cứu

Mục tiêu chính của nghiên cứu là phát triển một phương pháp hiệu quả để giải quyết bài toán phân bố công suất tối ưu với sự tham gia của năng lượng tái tạo. Điều này bao gồm việc tối đa hóa lợi nhuận và đảm bảo an toàn cho hệ thống điện. Nghiên cứu sẽ áp dụng phương pháp CHIO để phân tích và tối ưu hóa công suất trong mạng điện chuẩn IEEE 30 nút. Đây là một bước quan trọng trong việc nâng cao hiệu quả sử dụng năng lượng tái tạo trong thực tế.

1.2 Ý nghĩa thực tiễn

Nghiên cứu này có ý nghĩa quan trọng trong bối cảnh ngành điện Việt Nam đang chuyển mình sang thị trường điện cạnh tranh. Việc áp dụng các phương pháp tối ưu hóa như CHIO sẽ giúp các nhà đầu tư và nhà cung cấp năng lượng dự đoán chính xác hơn về chi phí đầu tư và vận hành hệ thống. Điều này không chỉ giúp nâng cao hiệu quả kinh tế mà còn góp phần phát triển bền vững cho ngành năng lượng, đặc biệt trong việc khai thác năng lượng tái tạo.

II. Tổng quan

Chương này sẽ trình bày tổng quan về bài toán phân bố công suất tối ưu cổ điển và những thách thức mà nó phải đối mặt khi có sự tham gia của năng lượng tái tạo. Các phương pháp cổ điển như lập trình tuyến tính và phương pháp Newton đã được sử dụng để giải quyết bài toán này, nhưng với sự gia tăng của năng lượng gió và mặt trời, các phương pháp này không còn đủ hiệu quả. Do đó, cần thiết phải phát triển những phương pháp tối ưu hóa mới, như CHIO, để giải quyết các vấn đề phức tạp hơn trong bài toán tối ưu hóa công suất.

2.1 Bài toán phân bố công suất tối ưu cổ điển

Bài toán phân bố công suất tối ưu (Optimal Power Flow - OPF) đã được nghiên cứu từ lâu và trở thành một trong những vấn đề quan trọng trong ngành điện. Mục tiêu của OPF là tìm ra điểm vận hành tối ưu để giảm thiểu chi phí sản xuất điện trong khi vẫn đảm bảo các ràng buộc về công suất và điện áp. Tuy nhiên, sự tham gia của năng lượng tái tạo đã làm cho bài toán này trở nên phức tạp hơn và đòi hỏi các phương pháp tối ưu hóa hiện đại hơn.

2.2 Bài toán OPF có xét nguồn năng lượng tái tạo

Trong bối cảnh hiện tại, việc tích hợp năng lượng tái tạo vào hệ thống điện đã trở thành một thách thức lớn. Nghiên cứu cho thấy rằng các phương pháp tối ưu hóa truyền thống không thể đáp ứng được nhu cầu của bài toán OPF khi có sự tham gia của năng lượng gió và mặt trời. Do đó, các thuật toán mới như CHIO được đề xuất để cải thiện khả năng tối ưu hóa và giảm thiểu chi phí phát điện. Việc áp dụng các thuật toán này không chỉ giúp giải quyết các vấn đề hiện tại mà còn mở ra hướng đi mới cho nghiên cứu trong tương lai.

III. Mô hình bài toán phân bố công suất tối ưu tích hợp năng lượng tái tạo

Chương này mô tả mô hình toán học cho bài toán phân bố công suất tối ưu với sự tham gia của năng lượng tái tạo. Mô hình bao gồm các yếu tố như chi phí phát điện, chi phí phát thải và các ràng buộc của hệ thống điện. Mô hình này sẽ được sử dụng để thử nghiệm và áp dụng thuật toán CHIO nhằm tìm ra giải pháp tối ưu cho bài toán. Việc xây dựng mô hình toán học chính xác là rất quan trọng để đảm bảo tính khả thi và hiệu quả của các giải pháp được đề xuất.

3.1 Mô hình chi phí của máy phát nhiệt điện

Mô hình chi phí cho máy phát nhiệt điện được xây dựng dựa trên các yếu tố như chi phí nhiên liệu và chi phí vận hành. Mô hình này sẽ giúp xác định chi phí phát điện tối thiểu cho các nguồn năng lượng truyền thống, từ đó làm cơ sở để so sánh với các nguồn năng lượng tái tạo như gió và mặt trời.

3.2 Mô hình chi phí năng lượng điện gió và điện mặt trời

Mô hình chi phí cho năng lượng điện gió và mặt trời sẽ được xây dựng dựa trên các yếu tố như chi phí đầu tư ban đầu, chi phí bảo trì và chi phí phát thải. Việc tính toán chính xác các yếu tố này sẽ giúp xác định được chi phí phát điện thực tế từ các nguồn năng lượng tái tạo, từ đó có thể tối ưu hóa việc sử dụng các nguồn năng lượng này trong hệ thống điện.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh ngành điện đang chuyển đổi mạnh mẽ sang thị trường tự do cạnh tranh, việc tối ưu hóa phân bố công suất trong hệ thống điện có sự tham gia ngày càng tăng của nguồn năng lượng tái tạo như gió và mặt trời trở thành một thách thức quan trọng. Theo ước tính, tổng công suất phụ tải trong mạng điện chuẩn IEEE 30 nút là khoảng 283 MW, với sự tham gia của các máy phát nhiệt điện, điện gió và điện mặt trời. Bài toán phân bố công suất tối ưu (Optimal Power Flow - OPF) nhằm mục tiêu giảm thiểu tổng chi phí phát điện, bao gồm chi phí nhiên liệu, chi phí dự trữ, chi phí phạt và chi phí phát thải, đồng thời đảm bảo các ràng buộc vận hành và an toàn của hệ thống điện.

Luận văn tập trung nghiên cứu áp dụng phương pháp Coronavirus Herd Immunity Optimizer (CHIO) - một thuật toán tối ưu hóa mới dựa trên mô hình miễn dịch bầy đàn trong đại dịch COVID-19 - để giải bài toán OPF có xét nguồn năng lượng tái tạo gió và mặt trời trên mạng điện IEEE 30 nút. Mục tiêu cụ thể là tối ưu hóa chi phí phát điện và chi phí phát thải trong khoảng thời gian nghiên cứu từ tháng 2 đến tháng 6 năm 2022 tại Việt Nam. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả vận hành hệ thống điện, giảm phát thải khí nhà kính và hỗ trợ phát triển bền vững ngành điện trong nước.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Bài toán phân bố công suất tối ưu (OPF): Mục tiêu là tìm các biến điều khiển như công suất phát của các máy phát nhiệt điện, điện gió, điện mặt trời và điện áp tại các nút máy phát để tối thiểu hóa tổng chi phí phát điện, đồng thời thỏa mãn các ràng buộc cân bằng công suất và giới hạn vận hành hệ thống.

• Mô hình chi phí phát điện: Bao gồm chi phí nhiên liệu bậc hai của máy phát nhiệt điện, chi phí trực tiếp, chi phí dự trữ và chi phí phạt của các nguồn năng lượng tái tạo. Chi phí phát thải được tính dựa trên thuế carbon áp dụng cho khí nhà kính thải ra.

• Mô hình ngẫu nhiên của nguồn năng lượng tái tạo: Tốc độ gió được mô hình hóa bằng phân phối Weibull với các tham số tỷ lệ và hình dạng, trong khi bức xạ mặt trời tuân theo phân phối lognormal. Các mô hình này phản ánh tính không chắc chắn và biến động của nguồn năng lượng tái tạo.

• Thuật toán Coronavirus Herd Immunity Optimizer (CHIO): Thuật toán tối ưu hóa dựa trên khái niệm miễn dịch bầy đàn, mô phỏng quá trình lây lan và miễn dịch của đại dịch COVID-19 để tìm kiếm lời giải tối ưu. CHIO cân bằng giữa khai thác và khám phá không gian tìm kiếm, có ưu điểm về tốc độ hội tụ và độ chính xác.

Các khái niệm chính bao gồm: miễn dịch bầy đàn, chi phí phát điện, chi phí phát thải, phân phối Weibull và lognormal, ràng buộc cân bằng và không cân bằng trong hệ thống điện.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được lấy từ mô hình mạng điện chuẩn IEEE 30 nút, bao gồm 3 máy phát nhiệt điện, 2 máy phát điện gió và 1 máy phát điện mặt trời. Các tham số chi phí, phát thải, và phân phối xác suất của nguồn năng lượng tái tạo được trích xuất từ các tài liệu chuyên ngành và mô phỏng Monte Carlo với 8000 kịch bản.

Phương pháp phân tích chính là áp dụng thuật toán CHIO để giải bài toán OPF với hàm mục tiêu tối thiểu hóa tổng chi phí phát điện và chi phí phát thải, đồng thời thỏa mãn các ràng buộc vận hành. Quy trình nghiên cứu gồm:

• Khởi tạo tham số thuật toán CHIO (quy mô quần thể HIS=50, số lần lặp tối đa Max_Itr=200, tỷ lệ sinh sản BRr=0, tuổi tối đa Max_Age=100).

• Tạo quần thể miễn dịch bầy đàn ban đầu.

• Tiến hóa quần thể theo các bước mô phỏng miễn dịch bầy đàn.

• Cập nhật và lựa chọn cá thể tốt nhất dựa trên giá trị hàm mục tiêu.

• Lặp lại quá trình cho đến khi đạt tiêu chí dừng.

Phần mềm MATLAB được sử dụng để mô phỏng và đánh giá kết quả. Cỡ mẫu 30 lần chạy độc lập được thực hiện để đảm bảo tính ổn định và tin cậy của kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Ảnh hưởng của công suất phát đến chi phí năng lượng tái tạo:

   • Chi phí trực tiếp của nhà máy điện gió tăng tuyến tính với công suất phát, trong khi chi phí dự trữ tăng nhanh hơn tốc độ giảm chi phí phạt, dẫn đến tổng chi phí tăng theo công suất.
   • Chi phí điện mặt trời đạt tối thiểu khi công suất phát khoảng 20 MW, không tăng tương ứng với công suất dự kiến.
   • Ví dụ, chi phí trực tiếp của nhà máy điện gió 1 tăng từ 0 đến khoảng 120 $/h khi công suất tăng từ 0 đến 75 MW.

2. Ảnh hưởng của tham số phân phối xác suất đến chi phí:

   • Chi phí điện gió tối thiểu khi tham số tỷ lệ (c) của phân phối Weibull khoảng 8; vượt quá giá trị này làm tăng chi phí do tăng chi phí phạt và dự trữ.
   • Chi phí điện mặt trời giảm đến mức thấp nhất tại giá trị trung bình (μ) của phân phối lognormal là 5.8, sau đó tăng do chi phí phạt tăng.
   • Ví dụ, chi phí điện gió 1 tăng khoảng 15% khi c tăng từ 8 đến 12.

3. Hiệu quả tối ưu hóa chi phí phát điện:

   • Phương pháp CHIO đạt tổng chi phí phát điện tối thiểu là 782.77 $/h, thấp hơn so với các thuật toán SHADE-SF (782.9 $/h), CSA và ABC.
   • Thời gian tính toán trung bình khoảng 234 giây cho 30 lần chạy độc lập.
   • Đường cong hội tụ cho thấy CHIO ổn định và hội tụ nhanh tại vòng lặp thứ 120.

4. Tối ưu hóa đa mục tiêu chi phí phát điện và phát thải:

   • Khi tính thêm chi phí phát thải với thuế carbon 20 $/tấn, tổng chi phí mục tiêu là 810.29 $/h, trong đó chi phí phát thải giảm còn 17.48 $/h so với trường hợp không tính thuế.
   • Mức độ thâm nhập của năng lượng tái tạo tăng lên, với công suất phát điện gió và mặt trời tăng lần lượt lên 32 MW và 104 MW.
   • CHIO vẫn cho kết quả tốt hơn các thuật toán so sánh với chi phí mục tiêu thấp hơn và độ ổn định cao.

Thảo luận kết quả

Kết quả cho thấy thuật toán CHIO có khả năng giải quyết hiệu quả bài toán OPF phức tạp có xét nguồn năng lượng tái tạo với các ràng buộc vận hành và chi phí đa dạng. Việc mô hình hóa chính xác đặc tính ngẫu nhiên của nguồn gió và mặt trời bằng phân phối Weibull và lognormal giúp phản ánh thực tế biến động công suất, từ đó tối ưu hóa chi phí dự trữ và phạt một cách hợp lý.

So với các thuật toán tối ưu hóa truyền thống và hiện đại khác, CHIO thể hiện ưu thế về tốc độ hội tụ và chất lượng lời giải, nhờ cơ chế mô phỏng miễn dịch bầy đàn và cách ly xã hội trong đại dịch COVID-19. Việc kết hợp chi phí phát thải vào hàm mục tiêu cũng góp phần thúc đẩy sử dụng năng lượng sạch, phù hợp với xu hướng giảm phát thải toàn cầu.

Dữ liệu có thể được trình bày qua các biểu đồ thể hiện sự thay đổi chi phí theo công suất phát, tham số phân phối, cũng như bảng so sánh chi phí tối ưu giữa các thuật toán. Điều này giúp minh họa rõ ràng hiệu quả và tính ổn định của phương pháp CHIO.

Đề xuất và khuyến nghị

1. Triển khai thuật toán CHIO trong hệ thống điều khiển lưới điện thông minh:

   • Mục tiêu: Tối ưu hóa phân bố công suất trong thời gian thực, giảm chi phí vận hành và phát thải.
   • Thời gian: Triển khai thử nghiệm trong vòng 12 tháng.
   • Chủ thể: Các công ty điện lực và nhà điều hành hệ thống.

2. Phát triển phần mềm mô phỏng tích hợp CHIO cho đào tạo và nghiên cứu:

   • Mục tiêu: Hỗ trợ đào tạo kỹ sư điện và nghiên cứu nâng cao về tối ưu hóa hệ thống điện có năng lượng tái tạo.
   • Thời gian: 6-9 tháng để phát triển và hoàn thiện.
   • Chủ thể: Các trường đại học và viện nghiên cứu.

3. Nâng cao mô hình dự báo và phân phối xác suất nguồn năng lượng tái tạo:

   • Mục tiêu: Cải thiện độ chính xác mô hình Weibull và lognormal, giảm sai số dự báo công suất.
   • Thời gian: Nghiên cứu liên tục, cập nhật hàng năm.
   • Chủ thể: Trung tâm nghiên cứu khí tượng và năng lượng tái tạo.

4. Khuyến khích chính sách hỗ trợ đầu tư năng lượng tái tạo dựa trên kết quả tối ưu hóa chi phí:

   • Mục tiêu: Tăng tỷ lệ thâm nhập năng lượng sạch, giảm phát thải khí nhà kính.
   • Thời gian: Chính sách dài hạn, 3-5 năm.
   • Chủ thể: Bộ Công Thương, các cơ quan quản lý nhà nước.

Đối tượng nên tham khảo luận văn

1. Kỹ sư và nhà quản lý ngành điện:

   • Lợi ích: Áp dụng thuật toán CHIO để tối ưu hóa vận hành hệ thống điện có năng lượng tái tạo, giảm chi phí và nâng cao độ tin cậy.
   • Use case: Lập kế hoạch điều độ công suất, quản lý chi phí vận hành.

2. Nhà nghiên cứu và sinh viên chuyên ngành kỹ thuật điện:

   • Lợi ích: Nắm bắt phương pháp tối ưu hóa mới, hiểu sâu về mô hình hóa nguồn năng lượng tái tạo và bài toán OPF.
   • Use case: Phát triển đề tài nghiên cứu, ứng dụng thuật toán CHIO trong các bài toán tương tự.

3. Các nhà hoạch định chính sách năng lượng và môi trường:

   • Lợi ích: Đánh giá hiệu quả kinh tế và môi trường của việc tích hợp năng lượng tái tạo, xây dựng chính sách hỗ trợ phù hợp.
   • Use case: Thiết kế chính sách thuế carbon, khuyến khích đầu tư năng lượng sạch.

4. Doanh nghiệp cung cấp giải pháp công nghệ cho ngành điện:

   • Lợi ích: Phát triển phần mềm và công nghệ điều khiển lưới điện thông minh dựa trên thuật toán CHIO.
   • Use case: Tích hợp thuật toán vào hệ thống SCADA, EMS để nâng cao hiệu quả vận hành.

Câu hỏi thường gặp

1. Thuật toán CHIO là gì và có ưu điểm gì so với các thuật toán khác?
   CHIO là thuật toán tối ưu hóa dựa trên mô hình miễn dịch bầy đàn trong đại dịch COVID-19, có ưu điểm về tốc độ hội tụ nhanh, khả năng tránh tối ưu cục bộ và dễ dàng triển khai. Ví dụ, trong nghiên cứu, CHIO đạt chi phí phát điện thấp hơn so với các thuật toán như SHADE-SF và ABC.

2. Tại sao phải mô hình hóa nguồn năng lượng tái tạo bằng phân phối xác suất?
   Năng lượng gió và mặt trời có tính biến động và không chắc chắn cao. Mô hình phân phối Weibull cho gió và lognormal cho mặt trời giúp phản ánh chính xác đặc tính này, từ đó tối ưu hóa chi phí dự trữ và phạt hiệu quả hơn.

3. Chi phí phát thải được tính như thế nào trong bài toán?
   Chi phí phát thải được tính dựa trên lượng khí nhà kính thải ra từ máy phát nhiệt điện, nhân với thuế carbon (ví dụ 20 $/tấn). Việc này khuyến khích tăng sử dụng năng lượng tái tạo để giảm phát thải.

4. Phạm vi áp dụng của kết quả nghiên cứu này là gì?
   Nghiên cứu áp dụng cho hệ thống điện quy mô vừa và nhỏ như mạng IEEE 30 nút, có thể mở rộng cho các hệ thống lớn hơn với điều chỉnh tham số. Phù hợp cho các quốc gia đang phát triển thị trường điện cạnh tranh và tăng cường năng lượng tái tạo.

5. Làm thế nào để triển khai thuật toán CHIO trong thực tế?
   Có thể tích hợp CHIO vào phần mềm điều khiển lưới điện hiện có, sử dụng dữ liệu vận hành thực tế để tối ưu hóa phân bố công suất theo thời gian thực hoặc lập kế hoạch dài hạn. Cần phối hợp với các nhà quản lý hệ thống và chuyên gia CNTT để đảm bảo hiệu quả.

Kết luận

• Thuật toán CHIO được áp dụng thành công để giải bài toán phân bố công suất tối ưu có xét nguồn năng lượng tái tạo gió và mặt trời trên mạng điện IEEE 30 nút.
• Kết quả mô phỏng cho thấy CHIO đạt hiệu quả tối ưu chi phí phát điện và chi phí phát thải vượt trội so với các thuật toán hiện có.
• Mô hình hóa chính xác đặc tính ngẫu nhiên của nguồn năng lượng tái tạo giúp cải thiện chất lượng lời giải và giảm chi phí dự trữ, phạt.
• Nghiên cứu góp phần nâng cao hiệu quả vận hành hệ thống điện, hỗ trợ phát triển bền vững ngành điện và giảm phát thải khí nhà kính.
• Các bước tiếp theo bao gồm triển khai thử nghiệm thuật toán trong hệ thống thực tế, phát triển phần mềm hỗ trợ và mở rộng nghiên cứu cho các hệ thống điện quy mô lớn hơn.

Hành động khuyến nghị: Các nhà quản lý và kỹ sư ngành điện nên xem xét áp dụng thuật toán CHIO trong quy trình điều độ và lập kế hoạch để nâng cao hiệu quả vận hành và giảm chi phí.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu Chương 2: Tổng quan Chương 3: Bài toán phân bố công suất tối ưu có xét nguồn năng lượng gió và mặt trời Chương 4: Áp dụng thuật toán CHIO cho bài toán OPF trong hệ thống điện Chương 5: Kết quả mô phỏng Chương 6: Kết luận và hướng phát triển 3 CHƯƠNG 2 TỔNG QUAN Bài toán phân bố công suất tối ưu cổ điển Phân bố công suất tối ưu (Optimal Power Flow - OPF) đã được đề xuất đầu tiên từ nhà nghiên cứu Carpentier năm 1962 [1]. Kể từ đó, OPF trở thành một trong những bài toán quan trọng trong hoạt động, sản xuất, kiểm soát và giám sát năng lượng trong hệ thống điện hiện đại [1]. Mục đích của việc giải bài toán phân bố công suất tối ưu (OPF) nhằm tìm một điểm vận hành ở trạng thái xác lập của các máy phát điện trong hệ thống sao cho cực tiểu tổng chi phí vận hành đồng thời thỏa mãn các cân bằng công suất trong mạng truyền tải cũng như các giới hạn vận hành và các ràng buộc hệ thống như công suất thực và công suất phản kháng của máy phát, điện áp nút, máy biến áp và hệ thống tụ bù. Thông thường, các kỹ thuật lập trình toán học có thể giải quyết bài toán này.

Tuy nhiên, ngày nay do có sự tham gia của năng lượng tái tạo gió và mặt trời đã làm cho bài toán OPF trở nên phức tạp hơn và các kỹ thuật lập trình toán học không còn là giải pháp tốt nhất. Vì vậy mà bài toán OPF đã được nghiên cứu rộng rãi trên thế giới và luôn cần có một thuật toán mạnh mẽ và hiệu quả hơn để giải quyết các vấn đề phức tạp đó. Bài toán OPF đã được giải quyết bởi rất nhiều phương pháp cổ điển trước đây. Chẳng hạn như phương pháp lập trình tuyến tính [2], phương pháp Newton [3], phương pháp điểm nội [4], và lập trình bậc hai [5].

Nhìn chung, các phương pháp cổ điển các thể tìm được lời giải tối ưu nhưng vẫn còn nhiều hạn chế đối với các bài toán có không gian tìm kiếm lớn. Một số hạn chế như không đảm bảo việc tìm kiếm tối ưu toàn cục, tính toán các bài toán phức tạp với thời gian dài và không phù hợp khi có các biến rời rạc. Trong vài thập kỷ qua, nhiều phương pháp tối ưu hóa đã được phát triển mạnh mẽ và đã cho thấy khả năng giải quyết được các bài toán phức tạp. OPF xem xét máy phát nhiệt điện đã được các nhà nghiên cứu trên thé giới nghiên cứu rộng rãi.

Một tài liệu gần đây đã mô tả ứng dụng của thuật toán tiến hóa hiện đại (EA) là thuật toán Differential Search Algorithm (DSA) [6] trong đó một số mục tiêu tiêu chuẩn trong bài toán OPF được tối ưu hóa cho hệ thống IEEE với máy phát nhiệt điện. Một thuật toán 4 tối ưu hóa tiêu chuẩn được cải thiện là Adaptive Group Search Optimization (AGSO) [7] để thực hiện nghiên cứu tương tự trong bài toán OPF. Thuật toán Improved Colliding Bodies Optimization (ICBO) được cải thiển được đề xuất trong [9] trong đó số lượng vật thể va chạm được tăng lên trong mỗi lần lặp để nâng cao hiệu suất của thuật toán khi áp dụng cho bài toán OPF. Một tài liệu gần đây [10] đã áp dụng thuật toán Moth Swarm Algorithm (MSA) vào bài toán OPF nhiều mục tiêu cho các hệ thống khác nhau để cho thấy hiệu quả của thuật toán về thời gian thực hiện nhanh và hội tụ nhanh.

Một số thuật toán tối ưu hóa gần đây cho bài toán OPF khác như: Artificial Bee Colony (ABC) [11], Black Hole (BH) [12], Differential Evolution (DE) [13], và Particle Swarm Optimization (PSO) [14]. Bài toán phân bố công suất tối ưu có xét nguồn năng lượng tái tạo Trong khi các tài liệu tham khảo nêu trên chỉ đề cập đến máy phát điện thông thường, một hệ thống bao gồm máy phát điện nhiệt điện và năng lượng gió đã được nghiên cứu gần đây để đạt được chi phí phát điện tối thiểu trong một số tài liệu. Thuật toán Gbest Guided Artificial Bee Colony (GABC) được áp dụng trong [15] để cải thiện kết quả bài toán OPF trong các tài liệu trước đây với các thiết lập tương tự. Tham khảo [16] đã đề xuất thuật toán Modified Bacteria Foraging Algorithm (MBFA) và giới thiệu mô hình máy phát điện cảm ứng nạp kép (DFIG) trong bài toán OPF để xác định các giới hạn về khả năng tạo công suất phản kháng.

Các thiết bị hỗ trợ công suất phản kháng bổ sung, bộ bù đồng bộ tĩnh (STATCOM) được tích hợp trong tài liệu [17] cho hệ thống có máy phát điện gió và nhiệt điện và bài toán OPF được giải quyết bằng cách sử dụng phương pháp Ant Colony Optimization (ACO). Các tác giả trong [18] đã đề xuất một mô hình để mô hình hóa chi phí điện tạo ra từ điện gió. Trong bài toán OPF, tài liệu [19] đã trình bày một mô hình ngẫu nhiên về điện gió. Trong cùng một vấn đề, các tác giả trong tài liệu [20] đã đưa vào mô hình DFIG của tuabin gió.

Tài liệu [21] đề xuất mô hình điều độ kinh tế động (DED) với sự thâm nhập của năng lượng gió quy mô lớn có xem xét các hạn chế về dự phòng rủi ro. Tài liệu [22] kết hợp hàm phát thải và hiệu ứng 5 tải điểm van của máy phát điện trong bài toán DED. Bài toán OPF cho một hệ thống kết hợp với điện mặt trời, máy phát nhiệt điện và pin được trình bày trong tài liệu [23]. Thủy điện được giới thiệu trong tài liệu [24] như một hình thức lưu trữ thay thế cho một hệ thống hỗn hợp độc lập tương tự bao gồm điện mặt trời, tuabin gió và máy phát điện diesel.

Việc tích hợp năng lượng điện gió và điện mặt trời vào lưới điện đã được nghiên cứu trong một số tài liệu. Tuy nhiên, các tài liệu này chủ yếu tập trung vào việc lập lịch thời gian thực của máy phát điện để vận hành tiết kiệm khi xem xét các chiến lược giá khác nhau giữa nhà điều hành tiện ích và nhà điều hành hệ thống độc lập (ISO). Vấn đề về kinh tế là mục tiêu chính. Tài liệu [25] coi là sự biến đổi từng phút của các nguồn năng lượng tái tạo.

Hệ thống hỗn hợp trong tài liệu [26] bao gồm máy phát điện diesel với nền tảng tối ưu hóa là các chức năng MATLAB cơ bản. Trong bài toán điều phối kinh tế (ED), các ràng buộc của hệ thống, đặc biệt là các hạn chế về các thông số hệ thống có thể thường bị bỏ qua; tuy nhiên, tuân thủ các ràng buộc hệ thống là điều bắt buộc trong bài toán OPF. Tài liệu [27] đã đề cập đến các ràng buộc hệ thống, nhưng chi tiết về việc thỏa mãn các ràng buộc đó chưa được đề cập rõ ràng. Hơn nữa, hồ sơ điện áp trong hệ thống, các khía cạnh phát thải thường không được giải quyết trong bài toán điều độ kinh tế.

Thách thức lớn nhất trong việc kết hợp điện gió và điện mặt trời trong hòa lưới là tính chất không liên tục của chúng. Thông thường các trang trại điện gió hoặc điện mặt trời thuộc sở hữu của các nhà điều hành tư nhân. Nhà điều hành hệ thống lưới (ISO) ký thỏa thuận mua điện theo dự kiến từ các nhà điều hành tư nhân này. Nhưng vì công suất phát thực tế từ các nguồn tái tạo này là không chắc chắn, đôi khi công suất điện có thể nhiều hơn công suất dự kiến dẫn đến việc ước tính thấp công suất sẵn có.

ISO phải chịu chi phí phạt vì công suất thặng dư sẽ bị lãng phí nếu không được sử dụng. Ngược lại, ước tính quá cao là kịch bản khi công suất tạo ra nhỏ hơn công suất dự kiến. Để giảm thiểu nhu cầu điện năng, ISO cần duy trì công suất dự trữ làm tăng chi phí vận hành của hệ thống. Do đó, bài toán OPF bao gồm các máy phát nhiệt điện, máy phát điện từ năng lượng gió và năng lượng mặt trời cần được nghiên cứu thêm.

6 Định hướng nghiên cứu Trong luận văn này sẽ đề xuất phương pháp tối ưu hóa miễn dịch đàn coronavirus (CHIO) để giải bài toán OPF có xét nguồn năng lượng tái tạo trong mạng điện IEEE 30 nút. Hàm mục tiêu được xây dựng trong luận văn này xem xét chi phí trực tiếp, chi phí phạt và chi phí dự trữ của các nguồn năng lượng tái tạo ngoài chi phí phát điện của các đơn vị phát nhiệt điện. Phân bố gió được mô hình hóa bằng hàm mật độ xác suất Weibull, bức xạ mặt trời được mô hình hóa bằng hàm mật độ xác suất lognormal. Hệ thống IEEE 30 nút được sửa đổi để phù hợp với máy phát điện gió và điện mặt trời.

Chi phí phát điện được tối ưu hóa và ảnh hưởng của sự thay đổi của chi phí dự trữ và chi phí phạt đối với việc điều độ công suất được nghiên cứu. Trong các nghiên cứu được thực hiện, thuế phát thải được kết hợp với hàm mục tiêu để nghiên cứu ảnh hưởng đến việc điều độ công suất của các máy phát điện. Các kết quả đạt được từ phương pháp CHIO sẽ được so sánh với các phương pháp khác để chứng minh tính xác thực và hiệu quả. 7 CHƯƠNG 3 MÔ HÌNH BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU TÍCH HỢP NĂNG LƯỢNG TÁI TẠO Mô hình toán học bài toán phân bố công suất tối ưu Bài toán phân bố công suất tối ưu – Optimal power flow (OPF) trong hệ thống điện nhằm mục đích xác định các biến điều khiển để tối ưu giá trị của một mục tiêu cho trước, thỏa mãn điều kiện về phân bố dòng công suất (điều kiện cân bằng) và ràng buộc vật lý của hệ thống.

Bài toán OPF được xây dựng trên cơ sở toán học sau: 𝑀𝑖𝑛 𝑓(𝑥) (3.1) Với các ràng buộc: 𝑔(𝑥, 𝑢) = 0 (3.3) Trong đó 𝑓(𝑥) là hàm mục tiêu, 𝑔(𝑥, 𝑢) và ℎ(𝑥, 𝑢) lần lượt là các ràng buộc cân bằng và ràng buộc không cân bằng. 𝑥 là các biến trạng thái và 𝑢 là các biến điều khiển. Trong đó các biến điều khiển bao gồm:  Công suất tác dụng của các nhà máy nhiệt điện, nhà máy điện gió, và nhà máy điện mặt trời trừ nút cân bằng.  Điện áp tại các nút máy phát.

Các biến trạng thái bao gồm:  Công suất tác dụng tại nút cân bằng.  Điện áp tại các nút tải.  Công suất phản kháng của các nút máy phát.  Công suất truyền trên đường dây.