Chương 1: Giới thiệu chung Kết quả cho thấy các phương pháp GWO cho kết quả nhanh và ổn định hơn so với các phương pháp trước đó. Kết quả của phương pháp RAO cho kết quả rất tốt và thời gian hôi tụ nhanh, có thể áp dụng cho các bài toán nhỏ và trung bình. Áp dụng và xác nhận tính hiệu quả của phương pháp được đề xuất bằng cách tính toán một mạng điện cụ thể, xác nhận các kết quả của phối hợp điều chỉnh tối ưu. Trang 3 Chương 2: Tổng quan CHƯƠNG 2 TỔNG QUAN 2.
TỔNG QUAN VẤN ĐỀ Tối ưu hóa chiếm một vị trí quan trọng trong hệ thống năng lượng và là một kỹ thuật quan trọng thường được sử dụng trong hệ thống điện.Các phương pháp đặt ra nhằm giải quyết vấn đề tối ưu hóa thời gian vận hành nhằm đảm bảo tính chọn lọc, độ tin cậy, tốc độ và nhằm phối hợp các rơ le khi sự cố quá dòng xảy ra. Phương pháp GWO mô phỏng theo cách phân bầy trong bầy đàn của loài sói và hành vi săn mồi trong tự nhiên để phát triển nên giải thuật tối ưu. Phân cấp trong bầy đàn của đàn sói bao gồm Anpha, Beta, Delta và Omega các hành vi săn mồi của chúng được phân thành: tìm kiếm, bao vây và tấn công. Phương pháp GWO được kiểm chứng với 29 phương trình thử nghiệm và cho kết quả rất tốt so với các phương pháp như Particle Swarm Otimization (PSO), Gravitational Search Algorithm (GSA), Evolutionary Programing (EP), Evolution Strategy (ES).
Phương pháp RAO nghiên cứu tập trung vào phát triển các kỹ thuật tối ưu hóa đơn giản mà có thể cung cấp các giải pháp hiệu quả cho các vấn đề phức tạp thay vì tìm kiếm phát triển các thuật toán ẩn dụ. Giữ thời điểm này theo quan điểm, thuật toán cụ thể số ít các thuật toán tối ưu hóa được phát triển trong nghiên cứu này. Giải thuật RAO được kiểm chứng tốt trên 23 hàm chuẩn cho kết quả rất tốt. CÁC PHƯƠNG PHÁP ĐÃ ĐƯỢC ÁP DỤNG TRONG BÀI TOÁN TỐI ƯU HÓA PHỐI HỢP BẢO VỆ RƠ LE 2.
Phương pháp Seeker Optimization (giải thuật tìm kiếm tối ưu) [6] Phương pháp seeker optimization là phương pháp tính toán dựa trên hành vi tìm kiếm của con người liên quan đến trí nhớ, kinh nghiệm, lý luận và nguồn kiến thức được học. Sự tiến hóa của loài người tạo ra cộng đồng dân số. Ở đây, mỗi cá nhân là một đối tượng tìm Trang 4 Chương 2: Tổng quan kiếm. Tất cả các tìm kiếm được trong không gian tìm kiếm hoặc là trong cộng đồng dân số được chia ngẫu nhiên cho mỗi cá nhân.
Tất cả các cá nhân tìm kiếm và chia sẻ cho nhau để tìm được vùng tìm kiếm tối ưu.Chìa khóa của phương pháp seeker optimization là chuỗi các hành động xác định tìm kiếm trực tiếp và từng bước dựa trên các ràng buộc của các hàm liên quan, Phương pháp seeker optimization cho kết quả nhanh và hội tụ tốt hơn so với phương pháp MINLP. Phương pháp Time Vary Acceleration Coeffcient Particle Swarm Optimization (TVAC-PSO) [4] Thuật toán tối ưu PSO là một trong những phương pháp được xây dựng dựa trên trí tuệ bầy đàn để tìm ra lời giải cho các bài toán tối ưu hoá trên các không gian tìm kiếm rộng lớn nào đó. PSO là quá trình rút kết từ các kết quả sự mô hình hoá việc tìm kiếm thức ăn của bầy đàn nên nó được xếp vào loại thuật toán tối ưu sử dụng trí tuệ bầy đàn. Để hiểu rõ hơn về thuật toán PSO thì ta coi kỹ về các ví dụ trên về quá trình tìm kiếm thức ăn của bầy đàn như hình trên.
Với số lượng lớn cá thể và không gian tìm kiếm thức ăn rộng lớn lúc này là toàn bộ không gian ba chiều cho đàn chim trên không và trong nước đối với đàn cá. Quá trình tìm kiếm được mô tả chi tiết như sau: − Mỗi con chim hoặc con cá xem như là một cá thể, tại một thời điểm bắt đầu tìm kiếm đàn bay hay bơi theo một hướng ngẫu nhiên nào đó − Sau một thời gian tìm kiếm thức ăn, cả bầy đàn đã tìm được thức ăn nhưngtrong quá trình tìm kiếm thì mỗi cá thể khác nhau tìm lượng thức ăn khác nhau không cá thể nào giống cá thể nào. Vì vậy có nghĩa là có cá thể tìm được lượng thức ăn nhiều, có cá thể tìm được luợng thức ăn ít và có cá thể không tìm được lượng thức ăn nào; − Dựa trên kết quả tìm kiếm thức ăn đó mà các cá thể gửi các thông tin và tín hiệu đến các cá thể khác đang tìm kiếm ở các vùng lân cận, tín hiệu này nhanh chóngđược truyền đến tất cả các cá thể trong bầy đàn. Dựa vào thông tin nhận được của các cá thể mà mỗi cá thể điều chỉnh hướng bay hay hướng bơi và vận tốc theo hướng khác nhau về nơi có nhiều thức ăn nhiều nhất.
Trang 5 Chương 2: Tổng quan Quá trình tìm kiếm thức ăn dựa trên mô tả trên được gọi là cơ chế tìm kiếm dựa trên trí tuệ bầy đàn. Quá trình này giúp cả bầy đàn chim hay đàn cá tìm ra nơi có thức ăn nhiều và nhanh nhất trong không gian tìm kiếm vô cùng rộng lớn. Trong phương pháp này cách thức giải quyết là các cá thể đi tìm kiếm lang thang trong không gian tìm kiếm. Trong phần đầu tiên của việc tìm kiếm, không có gom cụm xung quanh tối ưu cục bộ.
Trong các giai đoạn sau, việc tìm kiếm hội tụ về phía tối ưu được khuyến khích tìm kiếm theo phương pháp tối ưu. Trong TVAC điều này được thể hiện bằng cách thay đổi hệ số tăng tốc với thời gian theo cách thức như vậy mà các thành phần nhận thức được giảm trong khi các thành phần trong quần thể tăng lên. Lúc khởi đầu nhiều thành phần nhận thức và một số ít thành phần trong quần thể được cho phép di chuyển xung quanh tìm kiếm thay vì đi theo hướng đông nhất. Giai đoạn sau các thành phần tìm kiếm xung quanh và nhiều thành phần trong phần đông hội tụ lại tối ưu.
Phương pháp này thường được sử dụng trong bài toán phối hợp tối ưu hóa bảo vệ rơ le kết quả khá tốt. Phương pháp Mix Integer Non-Linear Programing (MINLP) [6] Phương pháp Mix Integer Non-Linear Programing là phương pháp đề cập tối ưu hóa với các biến liên tục, rời rạc và các hàm phi tuyến để đạt được các điều kiện ràng buộc của các hàm mục tiêu. MINLP được giải quyết bằng chương trình GAMs của máy tính. Phương pháp MINLP thường được sử dụng trong bài toán phối hợp tối ưu hóa bảo vệ rơ le và cho tỷ lệ thành công cao nhưng không được tốt so với các phương pháp còn lại.
Phương pháp Hybrid Genetic Algorithm (HGA) [12] Phương pháp Genetic Algorithm là một thuật toán di truyền, một dân số của các giải pháp ứng cử viên (được gọi là cá nhân, sinh vật, hoặc kiểu hình) đến một vấn đề tối ưu hóa được phát triển hướng tới các giải pháp tốt hơn. Mỗi giải pháp ứng cử viên có một tập hợp các thuộc tính (nhiễm sắc thể của nó hoặc kiểu gen) có khả năng bị đột biến và thay đổi; Theo truyền thống, các giải pháp được đại diện trong nhị phân là chuỗi 0 và 1, nhưng cũng có thể mã hóa khác. Sự tiến hóa thường bắt đầu từ một dân số ngẫu nhiên tạo ra các cá nhân, và là một quá trình lặp, với dân số trong mỗi lặp gọi là một thế hệ. Trong mỗi thế hệ, Trang 6 Chương 2: Tổng quan các phòng tập thể dục của mỗi cá nhân trong dân số được đánh giá; các tập thể dục thường là giá trị của các chức năng mục tiêu trong vấn đề tối ưu hóa đang được giải quyết.
Các cá nhân phù hợp hơn được lựa chọn ngẫu nhiên từ dân số hiện tại, và bộ gen của mỗi cá nhân được sửa đổi (kết hợp lại và có thể bị đột biến) để tạo thành một thế hệ mới. Thế hệ mới của các giải pháp ứng cử viên sau đó được sử dụng trong lặp tiếp theo của thuật toán. Thường thuật toán chấm dứt khi một số thế hệ tối đa đã được sản xuất, hoặc một mức độ thể dục thỏa đáng đã đạt được cho dân số.Một thuật toán di truyền điển hình đòi hỏi: một đại diện di truyền của miền giải pháp, chức năng thể dục để đánh giá miền giải pháp. Một đại diện tiêu chuẩn của mỗi giải pháp ứng cử viên là một mảng các bit.
Mảng của các loại và cấu trúc khác có thể được sử dụng trong thực chất theo cùng một cách. Các tài sản chính mà làm cho các đại diện di truyền thuận tiện là các bộ phận của họ được dễ dàng căn chỉnh do kích thước cố định của họ, tạo điều kiện cho các hoạt động đơn giản chéo. Biến đại diện chiều dài cũng có thể được sử dụng, nhưng CrossOver thực hiện là phức tạp hơn trong trường hợp này. Các đại diện giống như cây được khám phá trong lập trình di truyền và biểu đồ hình thức được khám phá trong lập trình tiến hóa, một kết hợp của cả hai nhiễm sắc tuyến tính và cây được khám phá trong lập trình biểu hiện Gene.
Một khi các đại diện di truyền và chức năng tập thể được định nghĩa, một ga tiến hành để khởi tạo một dân số của các giải pháp và sau đó để cải thiện nó thông qua ứng dụng lặp lại của các đột biến, crossover, đảo ngược và các nhà khai thác lựa chọn. Phương pháp Hybrid GA là phương pháp cải thiện được tính hội tụ của tiêu chuẩn GA trong vùng tuyến tính thường được áp dụng cho các bài toán hệ thống lớn cho kết quả tối ưu so với các phương pháp khác. Phương pháp Modified Adaptive Particle Swarm Optimization (MAPSO) [9] Thuật toán tối ưu PSO là một trong những phương pháp được xây dựng dựa trên trí tuệ bầy đàn để tìm ra lời giải cho các bài toán tối ưu hoá trên các không gian tìm kiếm rộng lớn nào đó. PSO là quá trình rút kết từ các kết quả sự mô hình hoá việc tìm kiếm thức ăn Trang 7 Chương 2: Tổng quan của bầy đàn nên nó được xếp vào loại thuật toán tối ưu sử dụng trí tuệ bầy đàn.
Để hiểu rõ hơn về thuật toán PSO thì ta coi kỹ về các ví dụ trên về quá trình tìm kiếm thức ăn của bầy đàn. Modified Adaptive Particle Swarm Otimization là phương pháp nâng cao hiệu quả tìm kiếm của phương pháp PSO để điều kiển được vùng tìm kiếm và sự hội tụ của hàm mục tiêu.
