Quy hoạch và Vận Hành Kinh Tế trong Hệ Thống Điện Sử Dụng Meta-Heuristics Dựa trên Thuật Toán Tìm Kiếm Tổ Quạ

• Tác giả: Nguyen Phuc Khai
• Người hướng dẫn: Prof Goro Fujita
• Trường học: Shibaura Institute of Technology
• Chuyên ngành: Regional environment systems
• Đề tài: Economic planning and operation in electric power system using meta-heuristics based on Cuckoo Search Algorithm
• Loại tài liệu: Thesis
• Năm xuất bản: 2017

• Abstract
• Acknowledgements
• Contents
• 1. Chapter 1: Introduction
• 1.1. Economic operation
• 1.2. Process of economic operation in the control of a generating unit
• 2. Chapter 2
• 2.1. Apply a meta-heuristic for solving a problem
• 2.2. Effectiveness of meta-heuristics
• 3. Chapter 3: Self-Learning Cuckoo search algorithm
• 3.1. Cuckoo search Algorithm
• 3.1.1. Cuckoos breeding behavior
• 3.1.2. Lévy flight
• 3.1.3. Conventional Cuckoo search algorithm
• 3.2. Proposed Self-learning Cuckoo Search Algorithm
• 3.3. Evaluation on tested benchmarks
• 3.4. Applications on engineering problems
• 4. Chapter 4: Multi-Area Economic dispatch problem
• 4.1. Multi-area economic dispatch
• 4.1.1. Real balanced-power constraint
• 4.1.2. Limitation of output power
• 4.1.3. Limitation of transmission lines
• 4.1.4. Prohibited operating zone constraint
• 4.2. Previous works on Multi-area economic dispatch problem
• 4.3. Implementation for Multi-area economic dispatch problem
• 4.3.1. Determining output power of slack generator in each area
• 4.3.2. Overall procedure of the proposed method for MAED
• 5. Chapter 5: Optimal power flow problem
• 5.1. Power balance constraint
• 5.2. Limited constraints of generators
• 5.3. Shunt-VAR compensators capacity
• 5.4. Limitation of tap changers of transformers
• 5.5. Limitation of load bus voltages
• 5.6. Capacity of transmission lines
• 5.7. Previous works on optimal power flow studies
• 5.8. Implementation of Self-learning Cuckoo Search for OPF
• 5.8.1. Controllable and dependent variables
• 5.8.2. Example of Optimal power flow problem
• 5.8.2.1. Case study 1: IEEE 30-bus system
• 5.8.2.2. Case study 2: IEEE 57-bus system
• 5.8.2.3. Continuous variables of capacitors
• 5.8.2.4. Case study 3: IEEE 118-bus system
• 5.8.2.5. Case study 4: IEEE 300-bus system
• 6. Chapter 6: Optimal Reactive Power Dispatch
• 6.1. Previous works on optimal reactive power dispatch
• 6.2. Power balance constraint
• 6.3. Limitation constrains of generators
• 6.4. Limitation of shunt-VAR compensators
• 6.5. Limitation of transformer load changers
• 6.6. Limitation of load bus voltages
• 6.7. Limitation of transmission lines
• 6.8. Implementation of Self-Learning Cuckoo Search for ORPD
• 6.8.1. Case study 1: IEEE 30-bus system
• 6.8.2. Case study 2: IEEE 57-bus system
• 6.8.3. Case study 3: IEEE 118-bus system
• 7. Chapter 7: Optimal sizing and placement of shunt VAR compensators
• 7.1. Previous works on optimal reactive power dispatch
• 7.2. Objectives and operational constraints
• 7.2.1. The active power losses
• 7.2.2. The voltage deviation
• 7.2.3. The investment cost
• 7.3. Power balance constraint
• 7.4. Limitation of SVC devices
• 7.5. Limitation of bus voltages
• 7.6. Implementation and the fitness function
• 7.6.1. Limitation of solution vector and initialization
• 7.7. Case study 1: IEEE 30-bus system
• 7.8. Case study 2: IEEE 57-bus system
• 7.9. Case study 3: IEEE 118-bus system
• 7.10. Alignment with research issues
• Appendix A: Data of Multi-Area Economic Dispatch
• A.1. Data of 6 generators considering Prohibited Operation Zones
• A.2. Data of 10 generators considering Multiple fuel cost functions
• A.3. Data of 40 generators considering valve-point-effect fuel cost functions
• A.4. Data of 140 generators considering valve-point-effect fuel cost functions
• Appendix B: Data of the IEEE 30-bus system
• Appendix C: Data of the IEEE 57-bus system
• Appendix D: Data of the IEEE 118-bus system
• Appendix E: Data of the IEEE 300-bus system
• Appendix F: Matlab code of Self-Learning Cuckoo search algorithm for Example 4.1
• Bibliography
• List of Publications
• List of Figures
• List of Tables
• Abbreviations

I. Tổng Quan Tối Ưu Hệ Thống Điện Bằng Thuật Toán CSA

Tối ưu hóa hệ thống điện đóng vai trò quan trọng trong việc đảm bảo hiệu quả kinh tế và độ tin cậy của hệ thống. Mục tiêu chính là giảm thiểu chi phí sản xuất điện, giảm tổn thất điện năng và duy trì điện áp ổn định. Các bài toán tối ưu thường gặp trong hệ thống điện bao gồm điều độ kinh tế, điều khiển công suất phản kháng, và lập kế hoạch phát triển hệ thống. Các bài toán này thường phức tạp, có nhiều ràng buộc và đòi hỏi các phương pháp giải quyết hiệu quả. Trong những năm gần đây, các thuật toán meta-heuristic, như thuật toán tìm kiếm tổ quạ (CSA), đã được ứng dụng rộng rãi để giải quyết các bài toán tối ưu hóa trong hệ thống điện. Thuật toán tìm kiếm tổ quạ (CSA) là một phương pháp tối ưu hóa dựa trên hành vi sinh sản của chim cu cu, nổi tiếng với khả năng tìm kiếm lời giải tối ưu trong không gian tìm kiếm phức tạp.

1.1. Giới Thiệu Bài Toán Tối Ưu Hóa Hệ Thống Điện

Bài toán tối ưu hóa hệ thống điện nhằm tìm ra phương án vận hành và điều khiển hệ thống sao cho đạt được hiệu quả cao nhất về mặt kinh tế và kỹ thuật. Các yếu tố cần tối ưu bao gồm chi phí nhiên liệu, tổn thất điện năng, độ tin cậy cung cấp điện và chất lượng điện năng. Bài toán này thường bao gồm nhiều ràng buộc về công suất phát, điện áp, dòng điện và các giới hạn vận hành của thiết bị. Việc giải quyết bài toán tối ưu hóa này giúp cải thiện hiệu suất và độ ổn định của hệ thống điện.

1.2. Tổng Quan Thuật Toán Tìm Kiếm Tổ Quạ CSA

Thuật toán tìm kiếm tổ quạ (CSA) là một thuật toán meta-heuristic được phát triển dựa trên hành vi sinh sản của loài chim cu cu. Cu cu thường đẻ trứng của mình vào tổ của các loài chim khác, hy vọng rằng trứng của chúng sẽ được ấp và nuôi dưỡng. Thuật toán này mô phỏng quá trình tìm kiếm tổ của cu cu và loại bỏ những trứng (giải pháp) không phù hợp để tìm ra giải pháp tối ưu. CSA có ưu điểm là đơn giản, dễ cài đặt và có khả năng tìm kiếm lời giải tốt trong không gian tìm kiếm phức tạp.

II. Vấn Đề Thách Thức Tối Ưu Hệ Thống Điện Hiện Nay

Các hệ thống điện hiện đại phải đối mặt với nhiều thách thức, bao gồm sự gia tăng của năng lượng tái tạo (như điện mặt trời và điện gió), sự phức tạp của lưới điện thông minh, và nhu cầu ngày càng cao về độ tin cậy và an ninh hệ thống điện. Các phương pháp tối ưu hóa truyền thống thường gặp khó khăn trong việc giải quyết các bài toán có quy mô lớn và tính phi tuyến cao. Điều này đòi hỏi các phương pháp tối ưu hóa mới, hiệu quả hơn, có khả năng thích ứng với các thay đổi trong hệ thống và đảm bảo hiệu suất hoạt động tối ưu.

2.1. Tích Hợp Nguồn Năng Lượng Tái Tạo Biến Động

Việc tích hợp các nguồn năng lượng tái tạo như điện mặt trời và điện gió vào hệ thống điện đặt ra nhiều thách thức. Tính biến động của các nguồn này gây khó khăn trong việc duy trì sự cân bằng cung cầu và đảm bảo độ tin cậy của hệ thống. Các phương pháp tối ưu hóa cần phải tính đến yếu tố này để điều chỉnh công suất phát và điều khiển các thiết bị trong hệ thống một cách linh hoạt.

2.2. Quản Lý Lưới Điện Thông Minh Phức Tạp

Lưới điện thông minh với các thiết bị và hệ thống điều khiển phức tạp tạo ra một bài toán tối ưu hóa lớn và khó khăn. Việc điều khiển và phối hợp hoạt động của các thiết bị này đòi hỏi các thuật toán thông minh và khả năng xử lý dữ liệu lớn. Các phương pháp tối ưu hóa cần phải có khả năng thích ứng với sự thay đổi liên tục của hệ thống và đưa ra các quyết định điều khiển tối ưu trong thời gian thực.

2.3. Đảm Bảo An Ninh Và Độ Tin Cậy Hệ Thống Điện

An ninh hệ thống điện và độ tin cậy là những yếu tố quan trọng hàng đầu. Các phương pháp tối ưu hóa cần phải đảm bảo rằng hệ thống có thể hoạt động ổn định và an toàn trong các tình huống khẩn cấp, chẳng hạn như sự cố thiết bị hoặc mất nguồn cung cấp. Việc dự báo phụ tải, điều khiển dự phòng và bảo vệ hệ thống là những khía cạnh quan trọng cần được xem xét trong quá trình tối ưu hóa.

III. Giải Pháp Cải Tiến Thuật Toán Tìm Kiếm Tổ Quạ CSA

Để giải quyết các thách thức trong tối ưu hóa hệ thống điện, việc cải tiến thuật toán tìm kiếm tổ quạ là một hướng đi tiềm năng. Các cải tiến có thể tập trung vào việc tăng cường khả năng tìm kiếm toàn cục, cải thiện tốc độ hội tụ và giảm thiểu khả năng bị mắc kẹt trong các cực trị địa phương. Một số phương pháp cải tiến phổ biến bao gồm điều chỉnh tham số thuật toán, kết hợp CSA với các thuật toán khác, và sử dụng các kỹ thuật học máy để nâng cao hiệu quả.

3.1. Điều Chỉnh Tham Số Thuật Toán CSA

Việc điều chỉnh các tham số của thuật toán CSA như tỷ lệ phát hiện trứng lạ (Pa) và độ dài bước nhảy (Levy flight) có thể ảnh hưởng đáng kể đến hiệu quả của thuật toán. Các nghiên cứu đã chỉ ra rằng việc điều chỉnh tham số một cách động trong quá trình tìm kiếm có thể giúp CSA thích ứng tốt hơn với các bài toán khác nhau.

3.2. Kết Hợp CSA Với Các Thuật Toán Tối Ưu Hóa Khác

Việc kết hợp CSA với các thuật toán tối ưu hóa khác như giải thuật di truyền (GA) hoặc thuật toán bầy đàn (PSO) có thể tận dụng ưu điểm của từng thuật toán và tạo ra một phương pháp tối ưu hóa mạnh mẽ hơn. Ví dụ, CSA có thể được sử dụng để khám phá không gian tìm kiếm ban đầu, trong khi GA hoặc PSO có thể được sử dụng để tinh chỉnh giải pháp.

3.3. Ứng Dụng Học Máy Để Cải Thiện CSA

Các kỹ thuật học máy có thể được sử dụng để dự đoán hiệu suất của CSA và điều chỉnh các tham số của thuật toán một cách tự động. Ví dụ, một mô hình học máy có thể được huấn luyện để dự đoán khả năng hội tụ của CSA dựa trên đặc điểm của bài toán, từ đó điều chỉnh các tham số để tăng tốc độ hội tụ và cải thiện chất lượng giải pháp.

IV. Ứng Dụng CSA Cải Tiến Điều Khiển Tối Ưu Hệ Thống Điện

Thuật toán tìm kiếm tổ quạ cải tiến có thể được ứng dụng để giải quyết nhiều bài toán tối ưu hóa trong hệ thống điện, bao gồm điều độ kinh tế, điều khiển công suất phản kháng, và lập kế hoạch phát triển hệ thống. Việc ứng dụng CSA cải tiến giúp cải thiện hiệu suất hoạt động của hệ thống, giảm chi phí hệ thống điện, và nâng cao độ tin cậy. Nghiên cứu của Nguyen Phuc Khai đã chứng minh hiệu quả của thuật toán Self-Learning Cuckoo Search Algorithm (SLCSA) trong việc giải quyết các bài toán kinh tế của hệ thống điện.

4.1. Ứng Dụng CSA Cải Tiến Trong Điều Độ Kinh Tế

Điều độ kinh tế là bài toán xác định công suất phát của các nhà máy điện sao cho tổng chi phí nhiên liệu là nhỏ nhất, đồng thời đáp ứng nhu cầu phụ tải và các ràng buộc vận hành. CSA cải tiến có thể được sử dụng để giải quyết bài toán này một cách hiệu quả, đặc biệt là trong các hệ thống có nhiều nguồn năng lượng tái tạo và các nhà máy điện có đặc tính phi tuyến.

4.2. CSA Cải Tiến Cho Điều Khiển Công Suất Phản Kháng

Điều khiển công suất phản kháng là bài toán điều chỉnh điện áp và công suất phản kháng trong hệ thống điện để giảm tổn thất điện năng và duy trì điện áp ổn định. CSA cải tiến có thể được sử dụng để tối ưu hóa vị trí và kích thước của các thiết bị bù công suất phản kháng, cũng như điều khiển các thiết bị này trong thời gian thực.

4.3. CSA Cải Tiến Trong Lập Kế Hoạch Phát Triển Hệ Thống Điện

Lập kế hoạch phát triển hệ thống điện là bài toán xác định vị trí và thời điểm xây dựng các nhà máy điện và đường dây truyền tải mới để đáp ứng nhu cầu phụ tải trong tương lai. CSA cải tiến có thể được sử dụng để tối ưu hóa quy hoạch hệ thống, giảm chi phí đầu tư và đảm bảo độ tin cậy cung cấp điện trong dài hạn.

V. Kết Quả Đánh Giá Hiệu Quả CSA Trong Hệ Thống Điện

Nghiên cứu cho thấy thuật toán tìm kiếm tổ quạ cải tiến (SLCSA) mang lại hiệu quả cao hơn so với các phương pháp truyền thống và các biến thể CSA khác trong nhiều bài toán tối ưu hóa hệ thống điện. Khả năng hội tụ nhanh, độ chính xác cao và khả năng thích ứng với các bài toán phức tạp là những ưu điểm nổi bật của phương pháp này. Đặc biệt, SLCSA thể hiện hiệu quả vượt trội trong các hệ thống lớn và có tính phi tuyến cao.

5.1. SLCSA Cho Kết Quả Tốt Hơn CSA Truyền Thống

Các thử nghiệm trên các hệ thống điện khác nhau cho thấy SLCSA có khả năng tìm kiếm giải pháp tối ưu tốt hơn so với CSA truyền thống. SLCSA giảm thiểu được chi phí sản xuất điện, tổn thất điện năng, và cải thiện điện áp tốt hơn so với CSA thông thường.

5.2. SLCSA Thể Hiện Ưu Điểm Trong Hệ Thống Điện Lớn

Trong các hệ thống điện lớn với nhiều thành phần và ràng buộc phức tạp, SLCSA thể hiện ưu điểm vượt trội so với các phương pháp khác. Khả năng xử lý dữ liệu lớn và tìm kiếm giải pháp trong không gian tìm kiếm rộng lớn giúp SLCSA trở thành một công cụ hiệu quả cho tối ưu hóa hệ thống điện.

5.3. SLCSA Thích Ứng Tốt Với Tính Phi Tuyến Của Hệ Thống

Các bài toán tối ưu hóa trong hệ thống điện thường có tính phi tuyến cao do sự xuất hiện của các thiết bị phi tuyến và các ràng buộc phi tuyến. SLCSA có khả năng thích ứng tốt với tính phi tuyến này, giúp tìm ra các giải pháp tối ưu một cách hiệu quả.

VI. Tương Lai Hướng Phát Triển Thuật Toán CSA Cho Điện Năng

Trong tương lai, thuật toán tìm kiếm tổ quạ và các biến thể cải tiến của nó có tiềm năng lớn để được ứng dụng rộng rãi hơn trong lĩnh vực tối ưu hóa hệ thống điện. Các hướng nghiên cứu tiềm năng bao gồm phát triển các phiên bản CSA song song để tăng tốc độ tính toán, kết hợp CSA với các kỹ thuật học sâu để dự báo và điều khiển hệ thống, và ứng dụng CSA để giải quyết các bài toán tối ưu hóa phức tạp hơn, như quản lý microgrid và lưới điện thông minh.

6.1. Phát Triển CSA Song Song Để Tăng Tốc Độ Tính Toán

Việc phát triển các phiên bản CSA song song có thể giúp tăng tốc độ tính toán và giải quyết các bài toán tối ưu hóa lớn một cách nhanh chóng hơn. Các phiên bản song song có thể được triển khai trên các hệ thống tính toán hiệu năng cao, cho phép xử lý dữ liệu lớn và tìm kiếm giải pháp trong thời gian ngắn.

6.2. Kết Hợp CSA Với Học Sâu Để Dự Báo Và Điều Khiển

Việc kết hợp CSA với các kỹ thuật học sâu có thể giúp cải thiện khả năng dự báo và điều khiển hệ thống điện. Các mô hình học sâu có thể được sử dụng để dự đoán phụ tải, dự đoán sản lượng năng lượng tái tạo, và phát hiện các sự cố trong hệ thống. CSA có thể được sử dụng để tối ưu hóa các tham số của mô hình học sâu và điều khiển hệ thống dựa trên các dự báo này.

6.3. Ứng Dụng CSA Để Quản Lý Microgrid Và Lưới Điện Thông Minh

CSA có thể được ứng dụng để giải quyết các bài toán tối ưu hóa phức tạp trong microgrid và lưới điện thông minh. Các bài toán này bao gồm điều khiển dòng năng lượng, quản lý lưu trữ năng lượng, và điều khiển các thiết bị phân tán. Việc ứng dụng CSA giúp cải thiện hiệu suất hoạt động, giảm chi phí vận hành, và tăng độ tin cậy của các hệ thống này.