Luận văn thạc sĩ thiết bị mạng và nhà máy điện ứng dụng thuật toán pseudo gradient particle swarm optimization để giải bài toán điều độ tối ưu công suất phản kháng

Luận văn về ứng dụng thuật toán PGPSO giải bài toán điều độ tối ưu công suất phản kháng trong hệ thống điện. Nghiên cứu mạng IEEE 30, 57, 118 nút.

• Tác giả: Trần Mỹ Thiện
• Người hướng dẫn: TS. Võ Ngọc Điều
• Trường học: Trường Đại học Bách khoa
• Chuyên ngành: Thiết bị, mạng và nhà máy điện
• Đề tài: Ứng dụng thuật toán Pseudo-Gradient Particle Swarm Optimization để giải bài toán điều độ tối ưu công suất phản kháng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Cách Tối Ưu Điều Độ Công Suất Phản Kháng 55

Bài toán điều độ tối ưu công suất phản kháng (ORPD) đóng vai trò then chốt trong việc quy hoạch và điều khiển hệ thống điện. Mục tiêu chính là giảm thiểu tổn thất công suất tác dụng trong toàn hệ thống. Các phương pháp truyền thống thường gặp ba vấn đề lớn: (1) không đảm bảo tìm được giải pháp tối ưu hoặc mắc kẹt tại các điểm tối ưu cục bộ, (2) dựa trên giả định sai lệch về tính liên tục và khả vi của hàm mục tiêu, (3) khó áp dụng cho các biến rời rạc. Do đó, các thuật toán dựa trên trí tuệ nhân tạo và tiến hóa, đặc biệt là phương pháp PSO (Particle Swarm Optimization), trở nên phù hợp hơn. Luận văn này tập trung vào việc sử dụng phương pháp Pseudo-gradient Particle Swarm Optimization (PGPSO), một cải tiến của PSO, để tăng tốc độ hội tụ và hiệu quả của giải pháp.

1.1. Ý nghĩa của Tối Ưu Công Suất Phản Kháng trong Lưới Điện

Trong hệ thống điện, điều độ tối ưu công suất phản kháng có mục tiêu chính là tối thiểu hóa tổn thất công suất tác dụng. Điều này được thực hiện thông qua việc tối ưu hóa các thông số điều khiển của hệ thống, đảm bảo tuân thủ các ràng buộc về đẳng thức và bất đẳng thức. Các ràng buộc đẳng thức bao gồm các phương trình cân bằng công suất. Các ràng buộc bất đẳng thức bao gồm giới hạn cho các thông số điều khiển (ví dụ: điện áp máy phát) và các giới hạn vận hành của hệ thống (ví dụ: dòng công suất trên đường dây).

1.2. Tại sao chọn Thuật Toán PGPSO để Giải Bài Toán ORPD

Bài toán ORPD là một bài toán tối ưu quy mô lớn, liên quan đến các hàm phi tuyến, không lồi và đa chế độ. Thuật toán PGPSO, một biến thể cải tiến của PSO, sử dụng hệ số co và vận tốc được điều chỉnh bởi pseudo-gradient, giúp các phần tử nhanh chóng di chuyển đến điểm hội tụ, từ đó giải quyết bài toán nhanh chóng và hiệu quả hơn. Sự hội tụ nhanh chóng này là một yếu tố quan trọng để đạt được giải pháp tối ưu trong khoảng thời gian thực tế.

II. Thách Thức Bài Toán Điều Độ Công Suất Phản Kháng 58

Việc giải quyết bài toán điều độ tối ưu công suất phản kháng gặp phải nhiều thách thức. Đầu tiên, không phải lúc nào cũng tìm được giải pháp tối ưu toàn cục. Các thuật toán thường dễ bị mắc kẹt ở các điểm tối ưu cục bộ, dẫn đến kết quả không mong muốn. Thứ hai, nhiều phương pháp truyền thống dựa trên giả định sai lầm về tính liên tục và khả vi của hàm mục tiêu. Trong thực tế, hệ thống điện có nhiều yếu tố rời rạc và không liên tục. Cuối cùng, việc áp dụng các phương pháp này cho các biến rời rạc (ví dụ: vị trí đặt tụ bù) gặp nhiều khó khăn. Do đó, việc phát triển các thuật toán mạnh mẽ và linh hoạt là rất quan trọng.

2.1. Vấn Đề Hội Tụ Cục Bộ trong Các Giải Thuật ORPD

Nhiều giải thuật tối ưu hóa được sử dụng để giải bài toán ORPD có xu hướng hội tụ về các điểm tối ưu cục bộ thay vì tìm kiếm giải pháp tối ưu toàn cục. Điều này dẫn đến kết quả không đạt yêu cầu và ảnh hưởng đến hiệu quả hoạt động của hệ thống điện. Để khắc phục vấn đề này, cần sử dụng các kỹ thuật như khởi tạo quần thể đa dạng, sử dụng các toán tử đột biến và lai ghép, hoặc áp dụng các thuật toán meta-heuristic.

2.2. Mô Hình Hóa Hệ Thống Điện Thực Tế Tính Liên Tục và Rời Rạc

Nhiều phương pháp giải bài toán ORPD giả định rằng hàm mục tiêu là liên tục và khả vi. Tuy nhiên, trong thực tế, hệ thống điện chứa nhiều yếu tố rời rạc, chẳng hạn như vị trí đặt tụ bù, nấc điều chỉnh của máy biến áp, và các thiết bị đóng cắt. Việc mô hình hóa chính xác các yếu tố này là rất quan trọng để đạt được kết quả chính xác và đáng tin cậy. Cần có các kỹ thuật đặc biệt để xử lý các biến rời rạc trong quá trình tối ưu hóa.

2.3. Ràng Buộc và Giới Hạn Vận Hành trong Bài Toán ORPD

Bài toán ORPD thường đi kèm với nhiều ràng buộc và giới hạn vận hành, bao gồm giới hạn điện áp, giới hạn công suất phản kháng, và giới hạn dòng điện trên các đường dây truyền tải. Việc đảm bảo tuân thủ các ràng buộc này trong quá trình tối ưu hóa là một thách thức lớn. Các giải thuật tối ưu hóa cần phải được thiết kế để xử lý các ràng buộc một cách hiệu quả, đảm bảo tính khả thi của giải pháp.

III. PGPSO Phương Pháp Tối Ưu Điều Độ Công Suất Phản Kháng 53

Thuật toán Pseudo-gradient Particle Swarm Optimization (PGPSO) là một phương pháp cải tiến của PSO nhằm tăng khả năng hội tụ của bài toán điều độ tối ưu công suất phản kháng. PGPSO kết hợp hệ số co và vận tốc, được tăng cường bởi pseudo-gradient. Pseudo-gradient hướng các phần tử di chuyển nhanh chóng đến điểm hội tụ, giúp giải bài toán nhanh hơn. Sự khác biệt chính giữa PGPSO và PSO là việc sử dụng thông tin gradient để cải thiện hướng tìm kiếm, dẫn đến tốc độ hội tụ nhanh hơn và hiệu quả hơn.

3.1. Giải Thích Chi Tiết Thuật Toán Pseudo Gradient PSO PGPSO

PGPSO là một cải tiến của thuật toán PSO truyền thống bằng cách sử dụng pseudo-gradient để hướng dẫn các hạt trong không gian tìm kiếm. Pseudo-gradient cung cấp thông tin về hướng tăng nhanh nhất của hàm mục tiêu, giúp các hạt di chuyển hiệu quả hơn đến vùng tối ưu. Điều này giúp tăng tốc độ hội tụ và giảm khả năng bị mắc kẹt trong các điểm tối ưu cục bộ.

3.2. Ưu Điểm Vượt Trội của PGPSO so với PSO Truyền Thống

So với PSO truyền thống, PGPSO có nhiều ưu điểm vượt trội. Thứ nhất, tốc độ hội tụ nhanh hơn, giúp giảm thời gian tính toán. Thứ hai, khả năng tìm kiếm giải pháp tối ưu toàn cục cao hơn, giảm thiểu nguy cơ bị mắc kẹt trong các điểm tối ưu cục bộ. Thứ ba, khả năng xử lý các bài toán phức tạp với nhiều ràng buộc tốt hơn. Nhờ đó, PGPSO là một lựa chọn hiệu quả cho bài toán ORPD.

3.3. Ứng Dụng PGPSO để Giải Bài Toán Tối Ưu Công Suất Phản Kháng

Để áp dụng PGPSO cho bài toán tối ưu công suất phản kháng, cần xác định hàm mục tiêu và các ràng buộc của bài toán. Sau đó, các hạt trong PGPSO sẽ được khởi tạo và di chuyển trong không gian tìm kiếm dựa trên thông tin về vị trí, vận tốc và pseudo-gradient. Quá trình lặp lại cho đến khi đạt được một giải pháp tối ưu hoặc đạt đến số lần lặp tối đa. Kết quả thu được sẽ cung cấp các thông số điều khiển tối ưu cho hệ thống điện.

IV. Nghiên Cứu Kiểm Chứng PGPSO trên Hệ Thống IEEE 57

Để kiểm chứng hiệu quả của PGPSO, luận văn này sử dụng ba mạng điện chuẩn IEEE: 30 nút, 57 nút và 118 nút. Kết quả thu được từ PGPSO được so sánh với các phương pháp PSO cải tiến khác và một số phương pháp trí tuệ nhân tạo khác. Các kết quả này cho thấy PGPSO có độ hội tụ nhanh và tính hiệu quả cao. Các thử nghiệm được thực hiện trên các hệ thống khác nhau để đánh giá tính tổng quát của phương pháp.

4.1. Thiết Lập Thử Nghiệm Mạng Điện IEEE 30 57 118 Nút

Các mạng điện IEEE 30 nút, 57 nút và 118 nút được sử dụng làm chuẩn để đánh giá hiệu quả của PGPSO. Các mạng này có cấu trúc và thông số khác nhau, đại diện cho các hệ thống điện có quy mô và độ phức tạp khác nhau. Việc sử dụng các mạng chuẩn giúp đảm bảo tính khách quan và so sánh được với các nghiên cứu khác.

4.2. So Sánh PGPSO với Các Phương Pháp Tối Ưu Hóa Khác

Kết quả thu được từ PGPSO được so sánh với các phương pháp PSO cải tiến khác, chẳng hạn như PSO với hệ số co, PSO với trọng số quán tính thay đổi theo thời gian, và các phương pháp trí tuệ nhân tạo khác như thuật toán di truyền (GA) và thuật toán thuộc địa kiến (ACO). Các so sánh này giúp đánh giá ưu điểm và nhược điểm của PGPSO so với các phương pháp khác.

4.3. Kết Quả Đánh Giá Độ Hội Tụ và Hiệu Quả của PGPSO

Kết quả thử nghiệm cho thấy PGPSO có độ hội tụ nhanh hơn và hiệu quả hơn so với các phương pháp khác. PGPSO có khả năng tìm kiếm giải pháp tối ưu toàn cục cao hơn và ít bị mắc kẹt trong các điểm tối ưu cục bộ. Điều này chứng minh rằng PGPSO là một phương pháp hiệu quả cho bài toán tối ưu công suất phản kháng.

V. Ứng Dụng Thực Tế Triển Khai PGPSO vào Lưới Điện 60

PGPSO không chỉ là một thuật toán lý thuyết mà còn có tiềm năng ứng dụng thực tế cao. Việc triển khai PGPSO vào lưới điện có thể giúp giảm tổn thất điện năng, cải thiện ổn định điện áp và nâng cao hiệu quả vận hành của hệ thống. Các ứng dụng tiềm năng bao gồm điều khiển các thiết bị FACTS (Flexible AC Transmission Systems), điều chỉnh nấc của máy biến áp và điều phối các nguồn năng lượng phân tán.

5.1. Giảm Tổn Thất Điện Năng Nhờ Tối Ưu Công Suất Phản Kháng

Một trong những lợi ích chính của việc tối ưu công suất phản kháng là giảm tổn thất điện năng trong hệ thống điện. Bằng cách điều chỉnh công suất phản kháng một cách tối ưu, có thể giảm thiểu dòng điện chạy trong các đường dây truyền tải, từ đó giảm tổn thất do điện trở. PGPSO có thể được sử dụng để tìm kiếm các cấu hình công suất phản kháng tối ưu, giúp tiết kiệm năng lượng và giảm chi phí vận hành.

5.2. Cải Thiện Ổn Định Điện Áp và Độ Tin Cậy Hệ Thống

Việc tối ưu công suất phản kháng cũng có thể giúp cải thiện ổn định điện áp và độ tin cậy của hệ thống điện. Điện áp không ổn định có thể gây ra các sự cố và làm gián đoạn cung cấp điện. PGPSO có thể được sử dụng để duy trì điện áp ổn định trong phạm vi cho phép, giúp đảm bảo hoạt động an toàn và tin cậy của hệ thống.

5.3. Điều Khiển Thiết Bị FACTS và Nguồn Phân Tán bằng PGPSO

PGPSO có thể được sử dụng để điều khiển các thiết bị FACTS (Flexible AC Transmission Systems) và các nguồn năng lượng phân tán một cách hiệu quả. Các thiết bị FACTS cho phép điều chỉnh điện áp, dòng điện và công suất phản kháng trên các đường dây truyền tải, giúp cải thiện hiệu suất và độ tin cậy của hệ thống. PGPSO có thể được sử dụng để tìm kiếm các cài đặt tối ưu cho các thiết bị này, giúp tận dụng tối đa tiềm năng của chúng.

VI. Kết Luận Hướng Phát Triển Thuật Toán PGPSO 51

Thuật toán PGPSO là một phương pháp hứa hẹn để giải quyết bài toán điều độ tối ưu công suất phản kháng. Các nghiên cứu đã chứng minh tính hiệu quả và độ tin cậy của thuật toán. Trong tương lai, có thể tiếp tục nghiên cứu và phát triển PGPSO để giải quyết các bài toán tối ưu phức tạp hơn trong hệ thống điện, chẳng hạn như tích hợp năng lượng tái tạo, điều khiển lưới điện thông minh và quản lý rủi ro.

6.1. Phát Triển PGPSO cho Bài Toán Tối Ưu Đa Mục Tiêu

Trong tương lai, có thể phát triển PGPSO để giải quyết các bài toán tối ưu đa mục tiêu trong hệ thống điện. Ví dụ, có thể đồng thời tối thiểu hóa tổn thất điện năng, cải thiện ổn định điện áp và giảm chi phí vận hành. Việc giải quyết các bài toán đa mục tiêu đòi hỏi các kỹ thuật đặc biệt để cân bằng các mục tiêu khác nhau và tìm kiếm các giải pháp Pareto tối ưu.

6.2. Tích Hợp Năng Lượng Tái Tạo và Lưới Điện Thông Minh

Việc tích hợp ngày càng nhiều nguồn năng lượng tái tạo (ví dụ: điện gió, điện mặt trời) vào lưới điện đặt ra nhiều thách thức mới cho bài toán tối ưu công suất phản kháng. Các nguồn năng lượng tái tạo thường có tính không ổn định và khó dự đoán, đòi hỏi các phương pháp điều khiển linh hoạt và thông minh. PGPSO có thể được tích hợp với các công nghệ lưới điện thông minh để đáp ứng các yêu cầu này.

6.3. Quản Lý Rủi Ro và Ứng Phó Sự Cố trong Hệ Thống Điện

PGPSO có thể được sử dụng để quản lý rủi ro và ứng phó với các sự cố trong hệ thống điện. Bằng cách dự đoán và đánh giá các rủi ro tiềm ẩn, có thể xây dựng các kế hoạch ứng phó hiệu quả, giúp giảm thiểu thiệt hại do các sự cố gây ra. PGPSO có thể được sử dụng để tìm kiếm các cấu hình vận hành tối ưu trong các tình huống khẩn cấp, giúp duy trì hoạt động ổn định của hệ thống.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu đề tài, trình bày lý do và mục tiêu của đề tài. Chương 2: Tổng quan về một số phương pháp giải bài toán ORPD. Đồng thời giới thiệu về phương pháp PSO và các phương pháp cải tiến thuật toán PSO. Chương 3: Thành lập bài toán ORPD với các hàm mục tiêu khác nhau và các điều kiện ràng buộc.

Chương 4: Trình bày khái niệm về pseudo-gradient, xây dựng thuật toán pseudo-gradient PSO và ứng dụng PGPSO để giải bài toán ORPD. Chương 5: Kết quả của thuật toán PGPSO giải bài toán ORPD với các mạng điện IEEE 30 nút, IEEE 57 nút, IEEE 118 nút và so sánh với các phương pháp khác. Chương 6: Đưa ra phần tổng kết về đề tài và hướng đề nghị phát triển của đề tài. HVCH: Trần Mỹ Thiện GVHD: TS.Võ Ngọc Điều CHƯƠNG 2 -3- CHƯƠNG 2 TỔNG QUAN CÁC PHƯƠNG PHÁP GIẢI BÀI TOÁN ORPD VÀ THUẬT TOÁN TIẾN HÓA PSO 2.

TỔNG QUAN CÁC PHƯƠNG PHÁP GIẢI BÀI TOÁN ORPD 2.Phương pháp DE (Differential Evolution)[8] DE là một thuật toán tiến hóa được đề xuất bởi Stonrn and Price vào năm 1997. Phương pháp DE cho thấy hiệu quả trong việc giải quyết bài toán tối ưu không tuyến tính với nhiều ràng buộc. DE có ưu điểm hơn các phương pháp tiến hóa khác đó là cấu trúc đơn giản, gọn, ít thông số điều khiển, điểm hội tụ cao. Hàm mục tiêu ORPD trong bài báo là cực tiểu chỉ số ổn định điện áp (L-index).

Cực tiểu F=max(Lj; j=1,2,…,n), trong đó n là số nút.1) Với các điều kiện ràng buộc là các đẳng thức: Pi  Vi  Vj[G ijcos(δi j )+Bijsin(δi ss j )]; (2.2) ji Qi  Vi  Vj[G ijsin(δij )+Bijcos(δi j )]; (2.3) ji Và các bất đẳng thức: Giới hạn trên và dưới của điện áp và công suất phản kháng máy phát Qgi ,min  Qgi  Qgi ,max ; i  1,.4) Vgi ,min  Vgi  Vgi ,max ; i  1,.5) Giới hạn trên và dưới của độ lớn điện áp thanh cái: Vi min  Vi  Vimax ,i  N l (2.6) Giới hạn trên và dưới của tỷ số nấc biến áp: Ti min  Ti  Timax ,i  N T (2.7) Giới hạn trên và dưới của bộ tụ công suất phản kháng: Qc min  Qc  Qc max ,i  N c (2.8) HVCH: Trần Mỹ Thiện GVHD: TS.Võ Ngọc Điều CHƯƠNG 2 -4- Trong đó Ng, Nl, Nc, NT lần lượt là tổng số nút máy phát, số đường truyền, số máy biến áp và số bộ tụ. Với những hàm hệ số phạt, hàm mục tiêu mới được viết thành Cực tiểu : NG 2 NL NC  FT  m ax( L j ; j  1, 2,.9) i 1 i 1 Sơ đồ thuật toán DE giải bài toán ORPD như sau: Bắt đầu Cài đặt thông số Khởi tạo quần thể riêng biệt Ước lượng quần thể riêng biệt Thực hiện phép tính đột biến Tăng số lần đếm Thực hiện phép tính giao nhau Thực hiện phép tính chọn lựa Tiêu chuẩn Sai dừng Đúng Dừng Hình 2.1: Sơ đồ thuật toán DE HVCH: Trần Mỹ Thiện GVHD: TS.Võ Ngọc Điều CHƯƠNG 2 -5- 2. Phương pháp ACO (Ant Colony Optimization)[3] Một trong những phương pháp tiến hóa dựa trên trí thông minh nhân tạo được giới thiệu gần đây là phương pháp ACO được đề 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 biểu cho việc sử dụng mô hình xác suất để 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 tổ của chúng các thói quen riêng. Ngay khi có 1 cá thể kiến tìm được nguồn thức ăn, nó sẽ đánh giá chất lượng và số lượng thức ăn đó và mang về tổ số thức ăn tìm được. Trong suốt quá trình quay về tổ cá thể kiến này sẽ để lại trên lối về loại pheromone do nó tiết ra.

Lượng pheromone để lại có thể 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 tổ của chúng và nguồn thức ăn đó. Nói chung phương pháp ACO giải quyết bài toán tối ưu hóa bằng 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 bố 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 rằng nghiên về sự lấy mẫu hơn là về lời giải chất lượng cao.

Theo bài báo này bài toán ORPD được biểu diễn như là bài toán tối ưu với tổn thất trên đường truyền. Đây là hàm điện áp máy phát và các khóa bộ tụ, được xác định như sau: NG NSW MinPL   (PL / VG )VG   (PL / QSW )QSW (2.10) G 1 SW 1 Trong đó: ∆P L là hàm mục tiêu của sự thay đổi tổn thất trên đường truyền. ∆VG và ∆QSW là sự thay đổi biến kiểm soát của điện áp máy phát và các khóa công suất phản kháng. NG là số nút máy phát.

HVCH: Trần Mỹ Thiện GVHD: TS.Võ Ngọc Điều CHƯƠNG 2 -6- NSW là số nút có các khóa bộ tụ. Giải thuật ACO được ứng dụng để giải bài toán ORPD như là một bài toán tối ưu với các điều kiện ràng buộc các biến kiểm soát và độc lập, giải thuật của thuật toán như sau: Bước 1: Sự khởi tạo – chèn các đoạn trên và dưới của các biến kiểm soát min m ax min m ax [ (VG , VG ) và (QSW , QSW ) ], thông số hệ thống, tạo không gian tìm kiếm với độ lớn là các biến kiểm soát (VG , QSW ) và chiều dài các giá trị ngẫu nhiên với độ lớn giống nhau của pheromone ban đầu mà chứa các thành phần có giá trị cân bằng rất nhỏ để đưa tất cả các cá thể kiến có cơ hội giống nhau khi tìm kiếm. Bước 2: Thực hiện vị trí đầu tiên – mỗi cá thể 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 dài giá trị phân phối ngẫu nhiên. Bước 3: Quy tắc chuyển tiếp – mỗi cá thể kiến đi đến vị trí kế tiếp trong khoảng những biến kiểm soát khác theo qui tắc chuyển tiếp có thể xảy ra và lệ thuộc vào lượng pheromine để 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 α và β. 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 các thể kiến có lộ trình khác nhau. Bước 5: Hàm phù hợp – sau khi tất cả các cá thể kiến hấp dẫn đến đường đi ngắn 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 pherormone trên chuyến đi tốt nhất trở thành dấu hiệu mạnh nhất để hấp dẫn các cá thể kiến trên đường đi.

Hơn nữa, pheromone trên những hướng đi khác biến mất. 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 thể kiến. HVCH: Trần Mỹ Thiện GVHD: TS.Võ Ngọc Điều CHƯƠNG 2 -7- Bắt đầu Khởi tạo: chọn thông số, giới hạn kiểm soát và pheromone ban đầu Khởi động ngẫu nhiên vị trí ban đầu của mỗi cá thể kiến Áp dụng giai đoạn quy tắc đường truyền Áp dụng qui tắc nâng cấp pheromone cục bộ Ước lượng hàm phù hợp Áp dụng qui tắc nâng cấp pheromone toàn cục Sai Lần lặp lớn nhất đến? Đúng Kết thúc Hình 2.2: Sơ đồ thuật toán ACO 2. Phương pháp GA (Genetic Algorithm) [30] Thuật toán GA (Genetic Algorithm) được phát minh bởi Holland vào đầu những năm 1970 là phương pháp tìm kiếm toàn cục ngẫu nhiên dựa theo sự đánh giá di truyền tự nhiên GA hoạt động trên quần thể của những lời giải ứng viên giải mã chuỗi hữu hạn gọi là nhiễm sắc thể (NST).

Thông thường các kết quả này được HVCH: Trần Mỹ Thiện GVHD: TS.Võ Ngọc Điều CHƯƠNG 2 -8- biểu diễn dưới dạng chuỗi số nhị phân hoặc các ký hiệu mã hóa khác được gọi là nhiễm sắc thể. Để thu được sự tối ưu, mỗi NST phải trao đổi thông tin bằng cách sử dụng những toán tử mượn từ gen tự nhiên để làm ra lời giải tối ưu. Ngoài ra, nó còn tìm ra nhiều kết quả một cách đồng thời mà các phương pháp thông thường không làm được. Vì thế, khả năng tìm ra kết quả tối ưu toàn cục được nâng lên.

Ưu điểm chính của GA là tìm ra kết quả gần tối ưu trong thời gian ngắn so với các phương pháp dò tìm ngẫu nhiên khác như Simulated annealing (SA) hay Qui hoạch động (DP).Tuy nhiên, GA phụ thuộc nhiều vào hàm tương thích, nhạy với tỉ lệ lai và đột biến, sơ đồ mã hóa các bit của nó, và độ dốc của đường cong không gian dò tìm dẫn đến lời giải. Bài báo trình bày việc giải bài toán phân bố tối ưu công suất phản kháng trong mạng điện IEEE 30 nút bao gồm các giới hạn ổn định điện áp. Mục đích của ORPD là cực tiểu tổn thất công suất thực trong hệ thống điện trong khi đó vẫn thỏa mãn điều kiện của thành phần và hệ thống. Mục tiêu này đạt được bởi sự điều chỉnh thích hợp của các biến công suất phản kháng như là độ lớn điện áp máy phát (Vgi), bộ tụ phát công suất phản kháng (Qci) và cài đặt nấc máy biến áp (tk).

Hàm mục tiêu: min Ploss   g k (Vi2  V j2  2Vi V jcos  ij ) (2.11) kN l Phương trình trên là hàm phi tuyến của điện áp nút và góc pha. Bài toán cực tiểu tùy thuộc vào điều kiện đẳng thức và bất đẳng thức sau đây: Điều kiện dòng công suất tải: NB Pi  Vi  Vj[G ijcos(i j )+Bijsin(i j )]  0;i  1,2,.12) j1 NB Qi -Vi  Vj[G ijsin(i j )  Bijcos(i j )]=0;i  1,2,.13) j1 Trong đó: Pi, Qi là công suất thực và phản kháng đưa vào mạng ở nút thứ i.