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.