Luận văn thạc sĩ thiết bị mạng và nhà máy điện điều độ công suất phản kháng tối ưu sử dụng thuật toán artifical bee colony

Luận văn thạc sĩ kỹ thuật nghiên cứu thiết bị mạng và nhà máy điện điều độ công suất phản kháng tối ưu sử dụng thuật toán artifical bee, khảo sát thực trạng, phân tích nguyên

• Tác giả: Trác Minh Đang
• Người hướng dẫn: TS. Võ Ngọc Điều
• Trường học: Đại học Quốc gia TP. HCM
• Chuyên ngành: Thiết bị, mạng và nhà máy điện
• Đề tài: Tối Ưu Công Suất Phản Kháng Trong Nhà Máy Điện Bằng Thuật Toán Tổ Ong Nhân Tạo
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. LÝ DO CHỌN ĐỀ TÀI
• 1.2. MỤC TIỂU CỦA ĐỀ TÀI
• 1.3. PHẠM VI NGHIÊN CỨU
• 1.4. TÓM LƯỢC CÁC BÀI BÁO LIÊN QUAN ĐẾN ĐỀ TÀI
• 2. CHƯƠNG 2: TỔNG QUAN VỀ ĐIỀU ĐỘ CÔNG SUẤT PHẢN KHÁNG TỐI ƯU
• 2.1. GIỚI THIỆU
• 2.2. CÁC PHƯƠNG PHÁP ĐÃ SỬ DỤNG GIẢI BÀI TOÁN ORPD
• 3. CHƯƠNG 3: THÀNH LẬP BÀI TOÁN ORPD TRONG HỆ THỐNG ĐIỆN
• 4. CHƯƠNG 4: ÁP DỤNG THUẬT TOÁN ABC GIẢI BÀI TOÁN ORPD
• 4.1. THUẬT TOÁN ARTIFICIAL BEE COLONY (ABC)
• 4.2. MỘT SỐ THUẬT TOÁN ABC LIÊN QUAN
• 4.3. ÁP DỤNG THUẬT TOÁN ABC VÀO BÀI TOÁN ORPD
• 5. CHƯƠNG 5: KẾT QUẢ TÍNH TOÁN
• 5.1. MẠNG ĐIỆN CHUẨN IEEE-30 NÚT
• 5.2. MẠNG ĐIỆN CHUẨN IEEE-118 NÚT
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
• 6.1. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC HÌNH ẢNH
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC CÁC TỪ VIẾT TẮT
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về công suất phản kháng

Công suất phản kháng là một yếu tố quan trọng trong hệ thống điện, ảnh hưởng đến hiệu suất và ổn định của hệ thống. Việc tối ưu hóa công suất phản kháng giúp cải thiện chất lượng điện năng, giảm tổn thất công suất và nâng cao độ ổn định điện áp. Trong bối cảnh hiện nay, việc quản lý công suất phản kháng trở nên cần thiết hơn bao giờ hết, đặc biệt trong các nhà máy điện. Các phương pháp truyền thống đã được áp dụng, nhưng vẫn còn nhiều hạn chế. Do đó, việc nghiên cứu và áp dụng các thuật toán mới như thuật toán tổ ong nhân tạo (ABC) là rất cần thiết để giải quyết bài toán này.

1.1. Tầm quan trọng của công suất phản kháng

Công suất phản kháng không chỉ ảnh hưởng đến hiệu suất của hệ thống điện mà còn tác động đến sự ổn định của điện áp. Việc điều chỉnh công suất phản kháng giúp giảm thiểu tổn thất công suất và cải thiện độ ổn định điện áp. Các nhà máy điện cần phải có các biện pháp hiệu quả để quản lý công suất phản kháng, từ đó đảm bảo cung cấp điện năng liên tục và ổn định. Nghiên cứu cho thấy rằng việc tối ưu hóa công suất phản kháng có thể giảm thiểu chi phí vận hành và nâng cao hiệu quả sử dụng năng lượng.

II. Phương pháp tối ưu hóa công suất phản kháng

Bài toán điều độ công suất phản kháng tối ưu (ORPD) đã được nghiên cứu và phát triển qua nhiều năm. Các phương pháp như Evolutionary Programming (EP), Differential Evolution (DE), và Genetic Algorithm (GA) đã được áp dụng để giải quyết bài toán này. Tuy nhiên, những phương pháp này vẫn gặp phải một số hạn chế trong việc tìm kiếm giải pháp tối ưu. Thuật toán tổ ong nhân tạo (ABC) được đề xuất như một giải pháp tiềm năng, nhờ vào khả năng hội tụ nhanh và hiệu quả trong việc tìm kiếm giải pháp tối ưu. Nghiên cứu cho thấy rằng ABC có thể cải thiện đáng kể hiệu suất so với các phương pháp truyền thống.

2.1. Các phương pháp truyền thống

Các phương pháp truyền thống như Quadratic Programming (QP) và Linear Programming (LP) đã được sử dụng để giải quyết bài toán ORPD. Tuy nhiên, những phương pháp này thường gặp khó khăn trong việc xử lý các điều kiện ràng buộc phi tuyến và không khả vi. Điều này dẫn đến việc cần thiết phải phát triển các phương pháp mới, có khả năng xử lý tốt hơn các vấn đề phức tạp trong hệ thống điện. Thuật toán tổ ong nhân tạo (ABC) đã chứng minh được khả năng vượt trội trong việc tối ưu hóa công suất phản kháng, nhờ vào cơ chế tìm kiếm thông minh và khả năng thích ứng với các điều kiện thay đổi.

III. Ứng dụng thuật toán tổ ong nhân tạo trong ORPD

Thuật toán tổ ong nhân tạo (ABC) đã được áp dụng để giải quyết bài toán điều độ công suất phản kháng tối ưu. Nghiên cứu cho thấy rằng ABC có khả năng tìm kiếm giải pháp tối ưu một cách hiệu quả, giảm thiểu tổn thất công suất và cải thiện độ ổn định điện áp. Kết quả từ các mô phỏng trên các mạng điện chuẩn như IEEE-30 và IEEE-118 cho thấy rằng ABC không chỉ đạt được kết quả tốt hơn so với các phương pháp truyền thống mà còn có thời gian tính toán ngắn hơn. Điều này cho thấy giá trị thực tiễn của việc áp dụng ABC trong quản lý công suất phản kháng.

3.1. Kết quả so sánh với các phương pháp khác

Kết quả từ việc áp dụng thuật toán tổ ong nhân tạo (ABC) cho thấy sự cải thiện rõ rệt trong việc tối ưu hóa công suất phản kháng. So với các phương pháp như Differential Evolution (DE) và Genetic Algorithm (GA), ABC cho thấy khả năng hội tụ nhanh hơn và đạt được giá trị tối ưu tốt hơn. Các nghiên cứu đã chỉ ra rằng ABC có thể giảm thiểu tổn thất công suất tác dụng và cải thiện độ lệch điện áp, từ đó nâng cao hiệu quả hoạt động của hệ thống điện. Điều này khẳng định giá trị và tính ứng dụng thực tiễn của ABC trong lĩnh vực này.

IV. Kết luận và hướng phát triển

Nghiên cứu về tối ưu hóa công suất phản kháng trong nhà máy điện bằng thuật toán tổ ong nhân tạo (ABC) đã mở ra nhiều hướng đi mới trong việc quản lý và vận hành hệ thống điện. Kết quả đạt được cho thấy ABC không chỉ hiệu quả trong việc tối ưu hóa mà còn có khả năng thích ứng với các điều kiện thay đổi trong hệ thống. Hướng phát triển tiếp theo có thể tập trung vào việc cải thiện thuật toán ABC, kết hợp với các phương pháp khác để nâng cao hiệu suất và khả năng ứng dụng trong các hệ thống điện phức tạp hơn.

4.1. Hướng nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các biến thể của thuật toán tổ ong nhân tạo (ABC) để giải quyết các bài toán tối ưu hóa phức tạp hơn trong hệ thống điện. Việc kết hợp ABC với các phương pháp tối ưu hóa khác như Particle Swarm Optimization (PSO) hoặc Ant Colony Optimization (ACO) có thể tạo ra những giải pháp tối ưu hơn cho bài toán điều độ công suất phản kháng. Điều này không chỉ giúp nâng cao hiệu quả mà còn mở rộng khả năng ứng dụng của ABC trong các lĩnh vực khác nhau.

Nội dung chính

Tổng quan nghiên cứu

Điều độ công suất phản kháng tối ưu (ORPD) là một bài toán quan trọng trong vận hành và quản lý hệ thống điện nhằm nâng cao chất lượng điện năng, đảm bảo ổn định điện áp, giảm tổn thất công suất và tiết kiệm chi phí vận hành. Theo ước tính, tổn thất công suất trong hệ thống điện có thể chiếm đến khoảng 5-10% tổng công suất truyền tải, gây ảnh hưởng lớn đến hiệu quả kinh tế và độ tin cậy của hệ thống. Bài toán ORPD tập trung vào việc điều chỉnh các biến điều khiển như điện áp thanh cái máy phát, tỷ số nấc biến áp và công suất phản kháng của các dãy tụ bù sao cho hàm mục tiêu cực tiểu tổn thất công suất tác dụng đồng thời thỏa mãn các điều kiện ràng buộc vận hành.

Mục tiêu cụ thể của nghiên cứu là áp dụng thuật toán Artificial Bee Colony (ABC) để giải bài toán ORPD, so sánh hiệu quả với các thuật toán tiến hóa và trí tuệ nhân tạo khác như PSO, GA, DE, ACO trên các hệ thống điện chuẩn IEEE-30 nút và IEEE-118 nút. Phạm vi nghiên cứu được thực hiện trong khoảng thời gian từ tháng 01 đến tháng 06 năm 2014 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh. Ý nghĩa của nghiên cứu thể hiện qua việc cải thiện độ ổn định điện áp, giảm tổn thất công suất truyền tải, góp phần nâng cao hiệu quả vận hành hệ thống điện và giảm chi phí năng lượng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Bài toán điều độ công suất phản kháng tối ưu (ORPD): Mục tiêu là cực tiểu hàm tổn thất công suất tác dụng, độ lệch điện áp và chỉ số ổn định điện áp, đồng thời thỏa mãn các ràng buộc bằng và không bằng như phương trình cân bằng công suất, giới hạn điện áp, công suất phản kháng máy phát, tỷ số nấc biến áp và công suất truyền tải trên đường dây.

• Thuật toán Artificial Bee Colony (ABC): Mô phỏng hành vi tìm kiếm thức ăn của đàn ong mật gồm ba nhóm ong: Employed, Onlooker và Scout. Thuật toán sử dụng cơ chế chia sẻ thông tin và tìm kiếm vị trí nguồn thức ăn tối ưu dựa trên kinh nghiệm và sự khám phá ngẫu nhiên, có ưu điểm hội tụ nhanh, dễ thực hiện và ít tham số điều khiển.

• Các thuật toán tiến hóa và trí tuệ nhân tạo khác: Bao gồm Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Differential Evolution (DE), Ant Colony Optimization (ACO), được sử dụng làm cơ sở so sánh hiệu quả giải bài toán ORPD.

Các khái niệm chính bao gồm: hàm mục tiêu (tổn thất công suất, độ lệch điện áp, chỉ số ổn định điện áp), biến điều khiển (điện áp máy phát, tỷ số nấc biến áp, công suất phản kháng dãy tụ), biến phụ thuộc (điện áp tải, công suất phản kháng máy phát, dòng công suất truyền tải), và các điều kiện ràng buộc vận hành.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là mô hình hệ thống điện chuẩn IEEE-30 nút và IEEE-118 nút, được mô phỏng trên phần mềm MATLAB R2009b với toolbox Matpower 4.0 để tính toán dòng công suất và đánh giá hàm mục tiêu. Cỡ mẫu gồm 10 cá thể (ong Employed và Onlooker) trong thuật toán ABC, số vòng lặp tối đa là 250, giới hạn số lần thử không cải thiện vị trí nguồn thức ăn là 100.

Phương pháp phân tích bao gồm:

• Khởi tạo ngẫu nhiên các vị trí nguồn thức ăn (lời giải) trong không gian biến điều khiển.

• Tính toán giá trị hàm mục tiêu và đánh giá chất lượng lời giải.

• Cập nhật vị trí nguồn thức ăn theo cơ chế của các nhóm ong Employed, Onlooker và Scout.

• Lặp lại quá trình cho đến khi đạt số vòng lặp tối đa hoặc điều kiện dừng.

Timeline nghiên cứu kéo dài 6 tháng, từ tháng 01 đến tháng 06 năm 2014, bao gồm các bước: khảo sát tài liệu, xây dựng mô hình toán học, triển khai thuật toán ABC, thực hiện mô phỏng trên hệ thống chuẩn, so sánh kết quả và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả giảm tổn thất công suất: Trên hệ thống IEEE-30 nút, thuật toán ABC đạt giá trị tổn thất công suất tối thiểu là 4.3436 MW, thấp hơn so với các phương pháp PSO-TVAC (4.3815 MW) và HPSO-TVAC, cho thấy khả năng tối ưu vượt trội của ABC với mức giảm khoảng 1% so với các thuật toán khác.

2. Độ lệch điện áp và ổn định điện áp được cải thiện: Kết quả mô phỏng cho thấy độ lệch điện áp tại các nút tải giảm đáng kể, chỉ số ổn định điện áp Limax cũng được duy trì trong giới hạn cho phép, đảm bảo vận hành an toàn và ổn định hệ thống.

3. Tốc độ hội tụ nhanh: Biểu đồ hội tụ hàm mục tiêu trên mạng IEEE-30 nút cho thấy thuật toán ABC đạt giá trị tối ưu trong khoảng 250 vòng lặp, nhanh hơn hoặc tương đương với các thuật toán tiến hóa khác, thể hiện tính hiệu quả trong việc tìm kiếm lời giải tối ưu.

4. Khả năng xử lý các ràng buộc phi tuyến và biến rời rạc: Thuật toán ABC xử lý tốt các điều kiện ràng buộc phức tạp của bài toán ORPD, bao gồm giới hạn điện áp, công suất phản kháng, và các biến điều khiển rời rạc như đóng ngắt dãy tụ bù, điều chỉnh nấc biến áp.

Thảo luận kết quả

Nguyên nhân của hiệu quả vượt trội của thuật toán ABC nằm ở cơ chế tìm kiếm cân bằng giữa khai thác và khám phá, dựa trên hành vi tự nhiên của đàn ong mật, giúp tránh bị kẹt tại các cực tiểu cục bộ. So với các thuật toán như PSO hay GA, ABC không yêu cầu các tham số khó xác định như tỷ lệ đột biến hay tỷ lệ lai, làm tăng tính ổn định và khả năng áp dụng rộng rãi.

Kết quả nghiên cứu phù hợp với các báo cáo trong ngành, đồng thời mở rộng ứng dụng thuật toán ABC trong lĩnh vực điều khiển hệ thống điện, đặc biệt trong bài toán ORPD vốn có tính phi tuyến và đa chế độ. Dữ liệu có thể được trình bày qua biểu đồ hội tụ hàm mục tiêu, bảng so sánh giá trị tổn thất công suất và độ lệch điện áp giữa các phương pháp, giúp minh họa rõ ràng ưu điểm của thuật toán ABC.

Đề xuất và khuyến nghị

1. Triển khai thuật toán ABC trong hệ thống điều khiển thực tế: Khuyến nghị các nhà quản lý và kỹ sư vận hành hệ thống điện áp dụng thuật toán ABC để tối ưu điều độ công suất phản kháng, nhằm giảm tổn thất và nâng cao chất lượng điện năng trong vòng 1-2 năm tới.

2. Phát triển phiên bản thuật toán ABC song song: Đề xuất nghiên cứu và ứng dụng thuật toán Parallel Artificial Bee Colony (PABC) để tăng tốc độ xử lý, phù hợp với các hệ thống điện lớn và phức tạp như mạng IEEE-118 nút, thực hiện trong 1 năm tiếp theo.

3. Kết hợp thuật toán ABC với các kỹ thuật học máy: Khuyến khích nghiên cứu tích hợp ABC với các mô hình học sâu hoặc học tăng cường để cải thiện khả năng dự báo và điều khiển tự động trong hệ thống điện thông minh, triển khai trong 3 năm tới.

4. Đào tạo và nâng cao nhận thức cho cán bộ kỹ thuật: Tổ chức các khóa đào tạo chuyên sâu về thuật toán ABC và các phương pháp tối ưu hiện đại cho kỹ sư vận hành và quản lý hệ thống điện, nhằm nâng cao năng lực ứng dụng công nghệ mới, thực hiện liên tục hàng năm.

Đối tượng nên tham khảo luận văn

1. Kỹ sư và chuyên gia vận hành hệ thống điện: Giúp hiểu rõ về bài toán ORPD và ứng dụng thuật toán ABC để tối ưu hóa vận hành, giảm tổn thất và nâng cao độ ổn định điện áp.

2. Nhà nghiên cứu và sinh viên ngành điện – điện tử: Cung cấp kiến thức chuyên sâu về các thuật toán tiến hóa, trí tuệ nhân tạo và ứng dụng thực tiễn trong hệ thống điện, hỗ trợ phát triển đề tài nghiên cứu mới.

3. Các nhà quản lý và hoạch định chính sách năng lượng: Tham khảo để xây dựng các chiến lược phát triển hệ thống điện thông minh, áp dụng công nghệ tối ưu nhằm nâng cao hiệu quả và bền vững.

4. Nhà phát triển phần mềm và công nghệ điều khiển: Hướng dẫn thiết kế và triển khai các giải pháp phần mềm tối ưu điều độ công suất phản kháng dựa trên thuật toán ABC, phục vụ cho các hệ thống SCADA và EMS.

Câu hỏi thường gặp

1. Thuật toán Artificial Bee Colony là gì và tại sao được chọn để giải bài toán ORPD?
   ABC là thuật toán tối ưu dựa trên hành vi tìm kiếm thức ăn của đàn ong mật, có ưu điểm hội tụ nhanh, dễ thực hiện và ít tham số điều khiển. Thuật toán này phù hợp với bài toán ORPD do khả năng xử lý các hàm mục tiêu phi tuyến và ràng buộc phức tạp.

2. Bài toán ORPD có những thách thức gì trong việc giải quyết?
   ORPD là bài toán phi tuyến, đa chế độ với nhiều ràng buộc bằng và không bằng, bao gồm biến rời rạc và liên tục. Các phương pháp cổ điển thường gặp khó khăn trong việc hội tụ nhanh và tìm lời giải tối ưu toàn cục.

3. Kết quả của thuật toán ABC so với các thuật toán khác như thế nào?
   Thuật toán ABC đạt giá trị tổn thất công suất thấp hơn khoảng 1% so với PSO-TVAC và các thuật toán tiến hóa khác trên hệ thống IEEE-30 nút, đồng thời có tốc độ hội tụ nhanh và ổn định hơn.

4. Thuật toán ABC có thể áp dụng cho các hệ thống điện lớn hơn không?
   Có, nghiên cứu đã áp dụng thành công trên hệ thống IEEE-118 nút. Để nâng cao hiệu quả, có thể phát triển phiên bản song song (PABC) nhằm tăng tốc độ xử lý và khả năng mở rộng.

5. Làm thế nào để triển khai thuật toán ABC trong thực tế?
   Cần tích hợp thuật toán vào phần mềm điều khiển hệ thống điện, phối hợp với các công cụ mô phỏng như Matpower, đồng thời đào tạo nhân sự vận hành để sử dụng hiệu quả thuật toán trong quản lý và điều độ công suất phản kháng.

Kết luận

• Thuật toán Artificial Bee Colony (ABC) được áp dụng thành công để giải bài toán điều độ công suất phản kháng tối ưu (ORPD) trên các hệ thống điện chuẩn IEEE-30 và IEEE-118 nút.
• Kết quả cho thấy ABC vượt trội về khả năng giảm tổn thất công suất, cải thiện độ lệch điện áp và chỉ số ổn định điện áp so với các thuật toán tiến hóa khác.
• Thuật toán có tốc độ hội tụ nhanh, dễ thực hiện và xử lý tốt các ràng buộc phi tuyến và biến rời rạc trong bài toán ORPD.
• Nghiên cứu đề xuất phát triển các phiên bản thuật toán ABC song song và tích hợp với các kỹ thuật học máy để nâng cao hiệu quả trong tương lai.
• Khuyến nghị triển khai thuật toán ABC trong thực tế vận hành hệ thống điện nhằm nâng cao hiệu quả và độ tin cậy, đồng thời đào tạo nhân sự để ứng dụng công nghệ mới.

Hành động tiếp theo là thử nghiệm thuật toán ABC trên các hệ thống điện thực tế và phát triển phần mềm hỗ trợ điều độ công suất phản kháng tối ưu, góp phần hiện đại hóa ngành điện Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu chung. Chương 2: Tổng quan về điều độ công suất phản kháng tối ưu. Chương 3: Thành lập bài toán ORPD trong hệ thống điện. Chương 4: Áp dụng thuật toán ABC để giải bài toán ORPD.

Chương 5: Kết quả tính toán. Chương 6: Kết luận và hướng phát triển của đề tải. Võ Ngọc Điều HVTH: Trac Minh Dang Chương 2 TONG QUAN VE DIEU ĐỘ CÔNG SUAT PHAN KHÁNG TOI UU 2. GIỚI THIEU Yêu cầu quan trọng nhất trong vận hành hệ thống điện (HTĐ) là đảm bảo cho hệ thống làm việc tối ưu và tin cậy, muốn vậy khi vận hành các phan tử trong hệ thống điện phải đảm bảo được các điều kiện sau đây: - Điện năng phải được cung cấp liên tục.

- Điện áp và tần số phải nằm trong giới hạn cho phép. - Đáp ứng được đồ thị phụ tải một cách nhanh chóng và linh hoạt. - Đảm bao được tính kinh tế cao: giảm chi phí nhiên liệu và giảm ton that điện năng. Trong đó bải toán điều độ công suất phản kháng tối ưu (ORPD) là bài toán có ý nghĩa quan trọng, rất được quan tâm và được sử dụng rộng rãi trong vận hành và quy hoạch hệ thống điện do những ưu điểm mà bài toán mang lại góp phần không nhỏ trong việc đảm bảo các điều kiện nêu trên.

Mục tiêu chính của bài toán ORPD là nâng cao 6n định điện áp, cải thiện biến dạng điện áp và giảm tốn thất công suất truyền tải trên hệ thống điện mà vẫn thỏa mãn tất cả các ràng buộc vận hành cho phép. CÁC PHƯƠNG PHÁP ĐÃ SỬ DỤNG GIẢI BÀI TOÁN ORPD 2. Phương pháp EP (Evolutionary Programming){ 7, 2] Trong phan đầu tiên của bài báo, bai toán ORPD có ham mục tiêu là cực tiểu ton thất công suất. Công suất phan kháng thêm vao ở nút máy phát được xem như là một biến số để giảm tốn thất đường truyền của hệ thong dé kiểm tra.

Trong bài báo này thuật toán EP được dùng để giải bài toán ORPD dựa trên sự tham gia của nút máy phát. Lưu đồ thuật toán EP để tối ưu hóa ORPD mang IEEE 30 nút như sau: - Bước 1: Cài đặt các điều kiện của ORPD, như tong tôn thất < tốn thất cai đặt và V,,(nut) = Ve. - Bước 2: Dua ra ngâu nhiên các sÔ XỊ, X2, X3, X4 Va Xs. Võ Ngọc Điều HVTH: Trac Minh Dang - Bước 3: Kiểm tra vi phạm các điều kiện.

Nếu vi phạm các điều kiện, đi đến Bước 2 ngược lại đi đến Bước 4. - Bước 4: Lắp đầy các cá thể trong vùng. - Bước 5: Nếu vùng chưa đây, đi về Bước 2 ngược lại đi đến Bước 6. - Bước 6: Xác định giá tri Xmin VỀ Xmạx: - Bước 7: Qui giá tri x1, Xa, X3, X4 và xs cho Qor, Qos, Qos, Qei1 và Qoi3 trong hé thong.

- Bước 8: Tinh hàm phù hop để chạy chương trình dòng tai để ước lượng tong ton that. - Bước 9: Xác định loss min, loss max, loss avg va load sum (dùng dé ước lượng thống kê). - Bước 10: Thay đôi thế hệ đầu xị, x, x3, X4 Và Xs (khởi động thế hệ con cháu sau). - Bước 11: Tính lại hàm phù hợp dùng thế hệ con cháu (chạy dòng tải để ước lượng lại tổng tốn thất).

- Bước 12: Kết nối cha mẹ và con cháu. - Bước 13: Thực hiện sự chọn lựa bởi quá trình cạnh tranh. - Bước 14: Sao chép thế hệ mới. - Bước 15: Nếu nghiệm không hội tụ, lặp lại Bước 6 đến Bước 14 ngược lại đi đến Bước 16.

Phương pháp DE (Differential Evolution)[18, 2] DE là một thuật toán tiễn hóa được dé xuất bởi Storn and Price vào năm 1997. Phương pháp DE cho thấy hiệu quả trong việc giải quyết bài toán tối ưu không tuyến tính với nhiễu điều kiện ràng buộc. DE có ưu điểm hơn các phương pháp tiến hóa khác đó là cau trúc đơn giản, gọn, ít thông số điều khiến và điểm hội tụ cao. Hàm mục tiêu ORPD trong bài báo là cực tiểu chỉ số 6n định điện áp (Lindex).

Cực tiêu F = max(L¡): j=l, 2, ., n trong đó n là SỐ nút.1) Với các điều kiện ràng buộc là các đăng thức: CBHD: TS. Võ Ngọc Điều HVTH: Trac Minh Dang P.3) ja Và các bat đăng thức: Giới hạn trên và dưới của điện áp và công suât phản kháng máy phát min s Q„ s Qui max 34 = NA (2.4) = Vũ mịn = Vụ = Vụ, max >!v (2.5) Giới hạn trên và dưới của độ lớn điện áp thanh cái Vyimin = Vi S Vinomax sl HEN, (2.6) Giới hạn trên va dưới của ty sô nâc biên áp T„¿„ <T,<T CN: (2.7) Giới hạn trên và dưới của dãy tụ Qo min = Ọ, = s CN, (2.8) Trong đó: Ng, Ni, Nr, Ne lần lượt là tong số nút máy phát, số đường truyền, số máy biến áp và số dãy tụ. Với những hàm hệ số phạt, hàm mục tiêu mới được viết thành: F, =max(L,)+K 9 (Qe -=Q:Qo") KY, -=v)’ +KỀNG, - cy Nog h No (2.9) + Kd Wo - Vào" + aX _tm3 Sơ đồ thuật toán DE giải bài toán ORPD: CBHD: TS. Võ Ngọc Điều HVTH: Trac Minh Dang Bắt đầu A Cài đặt thong số .ấ xi Vv Khởi tao quân thé riêng biệt Vv Ước lượng quan thé riêng biệt Vv Thực hiện phép tính đột bién Tăng sô lân đêm Vv Thực hiện phép tính giao nhau Vv Thực hiện phép tính chọn lựa Tiêu chuân Sal dừng Hình 2.1: Sơ đồ thuật toán DE CBHD: TS.

Võ Ngọc Điều HVTH: Trac Minh Dang 10 2. Phương pháp ACO (Ant Colony Optimization)[11, 2] Một trong những phương pháp tiễn hóa dựa trên tri thông minh nhân tao được giới thiệu gần đây là phương pháp ACO được dé xuất bởi Marco Dorigo năm 1992. ACO đưa ra cách tiếp cận mới mạnh mẽ và hiệu quả hơn cho những bài toán tối ưu hóa phức tạp, thuật toán này tiêu biéu cho việc sử dụng mô hình xác suất dé tìm lời giải tối ưu. Phương pháp này dựa trên cách cư xử của đàn kiến đi tìm thức ăn.

Trong khi tìm thức ăn các cá thể kiến tự động khởi tạo xung quanh khu vực tô của chúng các thói quen riêng. Ngay khi có 1 cá thé kiến tìm được nguồn thức ăn, nó sẽ đánh giá chất lượng và số lượng thức ăn đó và mang vẻ tổ số thức ăn tìm được. Trong suốt quá trình quay về tô cá thé kiến này sẽ dé lại trên lối về loại pheromone do nó tiết ra. Lượng pheromone dé lại có thé phụ thuộc vào chất lượng và số lượng thức ăn, lượng pheromone này sẽ dẫn các cá thể kiến khác tới nguồn thức ăn này.

Sự truyền đạt không trực tiếp này giữa các cá thể kiến qua chất pheromone để lại trên lối mòn cho phép chúng tìm được đường đi ngắn nhất giữa tô của chúng và nguôn thức ăn đó. Nói chung phương pháp ACO giải quyết bài toán tối ưu hóa bang cách lặp lại 2 bước sau: - Lời giải được xây dựng dựa trên mô hình chất pheromone đặc trưng của loài kiến mà sự phân bé tần suất được thông số hóa qua không gian bài toán. - Lời giải được sử dụng để thay đổi các giá trị của chất đặc trưng với cách mà được nghĩ răng nghiên về sự lay mẫu hon là về lời giải chất lượng cao. Theo bài báo này bài toán ORPD được biểu diễn như là bài toán tối ưu với ton thất trên đường truyền.

Đây là hàm điện áp máy phát và các khóa dãy tụ được xác định như sau: Ng Ngự MinAP, = (6P, /9V¿)AV, + & (OP, / AQyy AQ ey (2.10) =l =l Trong đó: AP, là hàm mục tiêu của sự thay đối ton thất trên đường truyền. AV, và AQ. là sự thay doi biến kiểm soát của điện áp máy phát và các khóa công suất phản kháng. Võ Ngọc Điều HVTH: Trac Minh Dang II NG là số nút máy phát.

Now là số nút có các khóa day tu. Giải thuật ACO được ứng dụng để giải bai toán ORPD như là một bài toán tối ưu với các điều kiện ràng buộc các biến kiểm soát và độc lap, giải thuật của thuật toán như sau: - Bước 1: Sự khởi tạo - chèn các đoạn trên và dưới của các biến kiểm soát [(AVTMTM AVE) và (AQTM" AQTM*) ], thông số hệ thông, tao không gian tìm kiếm với độ lớn là các biến kiểm soát (AV,.) và chiều dài các giá trị ngẫu nhiên với độ lớn giống nhau của pheromone ban đầu mà chứa các thành phan có giá trị cân bang rất nhỏ để đưa tất cả các cá thể kiến có cơ hội giỗng nhau khi tìm kiếm. - Bước 2: Thực hiện vị trí đầu tiên - mỗi cá thé kiến được định vị trạng thái ban đầu một cách ngẫu nhiên trong phạm vi hợp lý của mỗi biến kiểm soát trong không gian tìm kiếm với một cá thể kiến trong mỗi biến kiểm soát với chiều dải giá trị phân phối ngẫu nhiên. - Bước 3: Qui tắc chuyên tiếp - mỗi cá thể kiến đi đến vị trí kế tiếp trong khoảng những biến kiểm soát khác theo qui tắc chuyển tiếp có thé xảy ra và lệ thuộc vào lượng pheromone dé lại và tầm nhìn xa được nghịch đảo của hàm mục tiêu.

Trong đó, ảnh hưởng của pheromone và tầm nhìn xa ở mỗi cá thể phụ thuộc vào hai thông số œ va ÿ. - Bước 4: Cập nhật lại pheromone cục bộ - lượng pheromone cập nhật cục bộ giữa các cá thể kiến là khác nhau bởi vì mỗi cá thể kiến có lộ trình khác nhau. - Bước 5: Hàm phù hợp - sau khi tất cả các cá thể kiến bị hấp dẫn đến đường đi ngăn nhất mà ở đó có lượng pheromone mạnh nhất, thì nghiệm tốt nhất của hàm mục tiêu đã đạt được. - Bước 6: Cập nhật lại pheromone toàn cục - lượng pheromone trên chuyến đi tốt nhất trở thành dấu hiệu mạnh nhất dé hấp dẫn các cá thé kiến trên đường đi.

Hơn nữa, pheromone trên những hướng đi khác biên mat. Võ Ngọc Điều HVTH: Trac Minh Dang 12 - Bước 7: Kết thúc chương trình - chương trình kết thúc khi đi đến số lần lặp lớn nhất hoặc nghiệm tốt nhất đạt được mà không có sự chậm trễ của các cá thé kién. Bat dau y Khởi tao: chọn thông sô, giới hạn kiêm soát và pheromone ban đầu % r Khởi tạongâu nhiên vi trí ban dau của môi cá thê kiên r Áp dụng giai đoạn quy tắc đường truyền Vv Ap dung quy tắc nâng cấp pheromone cục bộ ÀÁ Ước lượng hàm phù hợp Vv Ap dung quy tac nang cấp pheromone toàn cục Lần lặp lớn Sai nhat dén Hình 2.2: So đồ thuật toán ACO CBHD: TS. Võ Ngọc Điều HVTH: Trac Minh Dang 13 2.