Đặt vấn đề Điều độ tải kinh tế (ELD) là một trong những bài toán phức tạp nhất trong vận hành tốt ưu hệ thống điện, mục tiêu cụ thể là giảm chi phí nhiêu liệu sử dụng để phát điện và xem xét thêm nhiều ràng buộc liên quan đến các nhà máy điện. Bài toán này hướng đến các đối tượng khác nhau, ví dụ như các nhà máy nhiệt điện, các nhà máy thủy điện và các nhà máy năng lượng tái tạo như là tua-bin gió, nhà máy nhiệt mặt trời và pin quang vontanic. Trong báo cáo này, các nhà máy nhiệt điện là đối tượng được ưu tiên nghiên cứu, mà tại đây các đặc tính khác nhau của hàm mục tiêu và các ràng buộc khác nhau của nhà máy nhiệt điện cũng được xét đến. Sau cùng, bài toán này được mô hình hóa toán học dưới sự hiện diện của hàm mục tiêu và các ràng buộc.
Mục tiêu sẽ được mô tả trên đồ thị thông qua đường đặc tính dựa vào hàm chi phí nhiêu liệu và công suất đầu ra, trong khi đó các ràng buộc xem xét các điều kiện vận hành ổn định của các nhà máy nhiệt điện. Các nghiên cứu liên quan Trong nhiều thập kỉ qua, một lượng lớn các nghiên cứu tìm kiếm các tham số vận hành tối ưu của nhà máy nhiệt điện liên hợp hoặc các tổ máy phát trong mỗi nhà máy nhiệt điện bằng cách sử dụng nhiều thuật toán tối ưu, các thuật toán tối ưu này được phát triển dựa vào lý thuyết tối ưu hay các hiện tượng trong tự nhiên. Cơ bản, các phương pháp này được phân tách thành hai nhóm lớn, tại đây, nhóm thứ nhất phát tiển dựa trên mạng lưới nơ-ron và sao chép trong khi đó nhóm thứ hai dựa trên tìm kiếm heuristic. Những thuật toán trong nhóm đầu là hàm tối ưu Lagrange và iterative algorithm based method (IR-IAM) [1-2], Hopfield modelling framework (HMF) [3], linear programming techniques (LPT) [4], hierarchical algorithm (HA) [5], Hopfield neural network (HNN) [6], improved Hopfield neural network (IHNN) [7], augmented Lagrangian Hopfield network (ALHN) [8-10].
Mặc dù số lượng các phương trong nhóm thứ nhất nhiều đáng kể, nhưng lại ít hơn so với nhóm thứ hai, trong số đó bao gồm differential evolution (DE) [11], colonial competitive differential evolution (CCDE) [12], hybrid differential evolution with biogeography-based optimization (HDE-BBO) [13], Cuckoo search -1- Luan van algorithm (CSA) [14], One rank cuckoo search algorithm (ORCSA) [15], Local random search technique based modified Particle swarm optimization (LRS-MPSO) [16], self- updated parameter technique based PSO (SUP-PSO) [17], PSO with self-adaptively updated parameters (NAPSO) [18−19], iteration particle swarm optimization (IPSO) [20], Iteration PSO with time varying acceleration coefficients (IPSO-TVAC) [21], Species-based Quantum Particle Swarm Optimization (SQ-PSO) [22], krill herd algorithm (KHA) [23], Opposition-based krill herd algorithm (OKHA) [24], teaching technique and learning technique based algorithm (TLA) [25−26], Genetic Algorithm with updated multiplier (UM-GA) and modified Genetic Algorithm with updated multiplier (UM-MGA) [27], modified real-coded genetic algorithm (MRCGA ) [28], firefly algorithm (FA) [29], modified firefly algorithm (MFA) [30], improved firefly algorithm (IFA) [31], artificial immune system (AIS) [32], bacterial foraging algorithm (BFA) [33], multiple tabu search (MTS) [34], harmony search (HS) [35], natural updated harmony search harmony search (NUHS) [36], chaotic bat algorithm (CBA) [37], improved quantum-inspired evolutionary algorithm (IQEA) [38], exchange market algorithm (EMA) [39], biogeography-based optimization (BBO) [40], flower pollination algorithm (FPA) [41], competitive swarm optimizer (CSO) [42], Franklin law and Coulomb law based algorithm (FCA) [43], symbiotic organisms search (SOS) [44], improved symbiotic organisms search algorithm (ISOS) [44], and oppositional real coded chemical reaction optimization (ORCCRO) [45]. Về cơ bản, các ứng dụng của các phương pháp thuộc nhóm thứ nhất đối với bài toán ELD phức tạp đang dần ít sử dụng do còn nhiều hạn chế như là phụ thuộc nhiều vào đặc trưng của hệ thống được quan tâm, không ổn định đối với các hệ thống lớn và không có khả năng để giải các hàm phi tuyến tính. Thành công lớn nhất của nhóm thứ nhất đạt được khi áp dụng ALHN, thuật toán này có thể khắc phục một vài nhược điểm được đề cập nhưng vẫn không thể giải quyết triệt để các hàm phi tuyến. Do đó, không có bất kỳ sự phát triển nào của nhóm thuật toán thứ nhất trong những năm gần đây.
Thay vào đó, các ứng dụng của thuật toán heuristic đối với bài toán ELD như PSO, GA và DE, đã liên tục được phát triển cho tới nay. Nhiều phương pháp heuristic cổ điển như PSO, GA và DE được cải tiến bằng cách thêm vào một số thay đổi trong các phương trình tạo nghiệm -2- Luan van và kỹ thuật lựa chọn. Phương pháp DE được bao gồm các kỹ thuật đột biến, lai chéo và lựa chọn, nhược điểm của phương pháp này là dễ rơi vào các vùng tối ưu cục bộ do kém hiệu quả của kỹ thuật đột biến. Do đó, CCDE và HDE-BBO đã tập trung nâng cao kỹ thuật đột biến để tìm ra các nghiệm có triển vọng.
HDE-BBO đã đề xuất phương pháp lai tạo để chọn các mô hình khác nhau cho kỹ thuật đột biến trong khi các phương pháp khác của DE vẫn không thay đổi và được sử dụng trong HDE-BBO. CCDE đã được phát triển bằng cách sử dụng các kỹ thuật đột biến được đề xuất khác nhau dựa trên mô hình toán học của tiến hóa chính trị xã hội nhằm mục đích đa dạng hóa các chiến lược tìm kiếm và khai thác hiệu quả tìm kiếm cục bộ. Phương pháp này đã đề xuất một số lượng lớn các công thức đột biến và các giá trị khác nhau của tham số điều khiển, tham số này được điều chỉnh để đạt được nghiệm tốt nhất của các hệ thống khác nhau. Các nghiệm được tìm thấy có thể dẫn đến kết luận rằng thay đổi đột biến là lựa chọn phù hợp nhất.
CSA là một phương pháp được áp dụng rộng rãi và thành công cho vấn đề ELD do khai thác và khám phá tương ứng với khả năng tìm kiếm cục bộ và toàn bộ. Phương pháp này có lần tạo nghiệm trong mỗi lần lặp và phải có hai lựa chọn trong mỗi lần lặp. Tính năng này dường như mất nhiều thời gian hơn để CSA tìm kiếm nghiệm cho mỗi lần lặp nhưng nó mang lại kết quả cực kỳ hiệu quả và nhanh chóng. Trên thực tế, CSA đã nhìn thấy những điểm mạnh của nó thông qua một lượng lớn các trường hợp thử nghiệm trong [14].
Mặc dù CSA có thể đạt được kết quả số hứa hẹn tốt hơn so với các phương pháp hiện có khác, nhưng nó có thể được cải thiện tốt hơn liên quan đến chất lượng nghiệm và tốc độ tìm kiếm. ORCSA được xây dựng để rút ngắn thời gian tìm kiếm và giảm các bước tìm kiếm đang được sử dụng trong CSA như đã nói ở trên, chẳng hạn như hai thế hệ và hai lựa chọn trong mỗi lần lặp. Hầu hết các sửa đổi của PSO là để thay đổi công thức tính vận tốc nhưng vẫn giữ công thức xác định vị trí của mỗi cá thể. NAPSO [18- 19] đã đề xuất công thức mới tính toán vận tốc và điều chỉnh trọng lượng quán tính bằng cách sử dụng các nguyên lý mờ.
Ngoài ra, các tham số khác đã tự thiết lập để thích nghi. Phương pháp này được chạy cùng với cổ điển PSO và PSO với cơ chế mờ (FPSO) để chứng minh hiệu suất vượt trội của nó. LRS-MPSO [16] đã thêm một kỹ thuật tìm kiếm cục bộ và ghi nhớ vị trí xấu nhất của mỗi hạt. Hai sửa đổi này đã tăng cường khả năng khai thác và thăm dò.
Các so sánh kết quả đã chỉ ra LRS-MPSO có thể cải thiện hiệu quả đối với một số thử nghiệm, nhưng đối với một số trường hợp, phương pháp này không thể tìm ra nghiệm tối ưu tốt hơn. SUP-PSO [17] đã sử dụng hệ số co thắt được cải thiện và các hệ số gia tốc tự thích ứng cùng với sự thay đổi vận tốc tính toán. Do đó, phương pháp này rất vượt trội so với PSO để tìm kiếm các nghiệm tối ưu cho bài toán ELD. IPSO trong [20] là một phiên bản lạ của PSO vì vị trí hiện tại ngoại trừ vị trí sở hữu giá trị hàm đánh giá tố nhất được bổ sung thêm bước nhảy phù hợp.
Hơn nữa, nghiên cứu này cũng đề xuất một công thức mới tính toán vận tốc cực đại, khác hoàn toàn với tất cả các phiên bản khác của PSO. Hai sửa đổi đó có thể làm tăng khả năng nhảy ra khỏi các vùng tối ưu cục bộ và đạt đến các vùng tối ưu toàn cục. Vì vậy, phương pháp này tốt hơn nhiều so với PSO. IPSO-TVAC [21] đã sử dụng IPSO trong [20] và các hệ số tăng tốc thích ứng để làm đa dạng khả năng tìm kiếm toàn cục của PSO.
Kết quả là IPSO-TVAC hiệu quả hơn IPSO trong [20] và PSO. SQ- PSO, một phiên mới mới khác của Quantum PSO (QPSO), đã phân loại các nghiệm thành các nhóm khác nhau dựa trên chất lượng các nghiệm và bán kính. Các chiến lược khác nhau đã được áp dụng để tạo ra các nghiệm mới cho từng nghiệm được xem xét dựa trên sự đánh giá chất lượng và bán kính đó. Phương pháp này đã cho thấy sự cải thiện của nó so với QPSO và PSO thông qua một số hệ thống thử nghiệm.
KHA đã được sử dụng trong [23] trong khi việc tích hợp thuật toán KHA và phương pháp học hỏi dựa trên sự đối lập (KHA-OL) đã được phát triển trong [24] cho bài toán ELD. MRCGA, một phiên bản cải tiến của RCGA, đã sử dụng kỹ thuật giao thoa ràng buộc trung bình số học và kỹ thuật đột biến dạng sóng sin, hoàn toàn khác với RCGA. Ưu điểm của phương pháp cũng đã được chứng minh tốt hơn UM-GA và UM-MGA cũng như các phiên bản khác của GA. MFA và IFA là hai phiên bản cải tiến của FA trong đó hai phiên bản này có hai sự sửa đổi giống nhau đó là biến đổi công thức tính toán bán kính và kỹ thuật tính toán đột biến.
MFA đã sử dụng một tham số thích ứng liên quan đến vòng lặp trong khi đó IFA đã đề xuất các cải tiến khác nhau để tìm kiếm nghiệm mới. Cả MFA và IFA đều cho thấy kết quả tốt hơn FA nhưng hiệu suất của chúng vẫn còn khiêm tốn khi so sánh với các phương pháp khác. Đối với các phương pháp còn lại, hầu hết trong số chúng là các thuật toán ban đầu, chúng tìm kiếm nghiệm cho vấn đề ELD ngoại trừ -4- Luan van ISOS [44], đây là phiên bản sửa đổi của SOS. ISOS đã sử dụng hai mô hình khác nhau, được lấy từ CCDE, để thay thế cho kỹ thuật đột biến cổ xưa của SOS.
Những thay đổi như vậy có thể mang lại lợi thế cho ISOS so với SOS như giảm bớt các bước tính toán và thời gian mô phỏng. Mục tiêu đề tài - Đề xuất phương pháp cải tiến SSO một cách hiệu quả.