Luận văn thạc sĩ kỹ thuật điện ứng dụng phương pháp grey woft optimazer và phương pháp r a o cho bài toán tối ưu phối hợp bảo vệ rơ le số

Luận văn về ứng dụng Grey Wolf Optimizer (GWO) và RAO trong tối ưu phối hợp bảo vệ rơ le số. Nghiên cứu giải pháp kỹ thuật điện hiệu quả, hiện đại.

• Tác giả: Vũ Thành Đạt
• Người hướng dẫn: PGS. Võ Ngọc Điều
• Trường học: Trường Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Ứng Dụng Phương Pháp Grey Woft Optimazer Và Phương Pháp R-A-O Cho Bài Toán Tối Ưu Phối Hợp Bảo Vệ Rơ Le Số
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Tối Ưu Phối Hợp Bảo Vệ Rơ Le Số Hiện Nay

Ngành công nghiệp điện năng đóng vai trò quan trọng trong phát triển kinh tế, đòi hỏi hệ thống điện phải không ngừng phát triển, ứng dụng các thành tựu khoa học kỹ thuật tiên tiến. Điện năng là nhu cầu thiết yếu, việc sản xuất, truyền tải điện năng trải qua nhiều giai đoạn phức tạp, khó tránh khỏi sự cố. Do đó, cần tăng cường độ tin cậy, đảm bảo an toàn cho thiết bị và sự ổn định của hệ thống bằng các phương tiện bảo vệ và điều chỉnh tự động, trong đó rơ le đóng vai trò then chốt. Kỹ thuật bảo vệ rơ le hiện đại cho phép chế tạo các loại bảo vệ phức tạp, nâng cao độ nhạy và tránh làm việc nhầm lẫn khi có các đột biến phụ tải, hư hỏng mạch điện áp hoặc dao động điện. Các thiết bị rơ le bảo vệ ra đời nhằm ngăn ngừa, hạn chế sự cố, hư hỏng, đảm bảo an toàn, duy trì sự làm việc liên tục, ổn định cho hệ thống sản xuất, truyền tải, tiêu thụ điện năng. Luận văn này trình bày việc áp dụng các phương pháp GWO và RAO để tính toán cài đặt rơ le quá dòng, giảm thiểu thời gian tác động khi có sự cố và phối hợp thời gian giữa bảo vệ chính và dự phòng.

Vũ Thành Đạt (2020) đã nhấn mạnh tầm quan trọng của việc tối ưu hóa trong hệ thống điện để đảm bảo an toàn và liên tục cung cấp điện.

1.1. Vai trò của bảo vệ rơ le số trong hệ thống điện hiện đại

Trong bối cảnh hệ thống điện ngày càng phức tạp và yêu cầu về độ tin cậy ngày càng cao, bảo vệ rơ le số đóng vai trò then chốt. Chúng không chỉ phát hiện và cách ly nhanh chóng các sự cố mà còn cung cấp dữ liệu quan trọng cho việc phân tích và cải thiện hiệu suất hệ thống. Bảo vệ rơ le số cho phép tùy chỉnh các đặc tính bảo vệ, tích hợp các chức năng giám sát và điều khiển, và giao tiếp với các hệ thống quản lý điện năng. Điều này làm tăng cường khả năng bảo vệ hệ thống, giảm thiểu thiệt hại do sự cố và nâng cao hiệu quả vận hành. Các tham số rơ le cần được cài đặt chính xác.

1.2. Các yêu cầu cơ bản đối với phối hợp bảo vệ rơ le hiệu quả

Một hệ thống phối hợp bảo vệ rơ le hiệu quả cần đáp ứng các yêu cầu sau: Độ tin cậy (Reliability): Bảo vệ phải hoạt động khi có sự cố và không được tác động nhầm. Độ chọn lọc (Selectivity): Chỉ cách ly phần bị sự cố, giữ cho phần còn lại của hệ thống hoạt động bình thường. Tốc độ (Speed): Cách ly sự cố càng nhanh càng tốt để giảm thiểu thiệt hại. Độ nhạy (Sensitivity): Phát hiện các sự cố nhỏ nhất. Tính kinh tế (Economy): Chi phí đầu tư và vận hành hợp lý. Tính đơn giản (Simplicity): Dễ dàng cài đặt, bảo trì và vận hành. Việc đảm bảo độ tin cậy hệ thống điện là ưu tiên hàng đầu.

II. Thách Thức Tối Ưu Phối Hợp Bảo Vệ Rơ Le Số Thực Tế

Việc tối ưu phối hợp bảo vệ rơ le trong hệ thống điện hiện đại đối mặt với nhiều thách thức. Các hệ thống điện ngày càng phức tạp với sự gia tăng của các nguồn năng lượng tái tạo, tải phi tuyến, và các thiết bị điện tử công suất. Điều này gây khó khăn cho việc xác định các tham số rơ le phù hợp để đảm bảo bảo vệ hiệu quả. Ngoài ra, việc phối hợp các rơ le trong một hệ thống lớn đòi hỏi phải xử lý một lượng lớn dữ liệu và các ràng buộc phức tạp. Các phương pháp truyền thống thường không đủ khả năng để giải quyết các bài toán tối ưu này một cách hiệu quả. Do đó, cần có các phương pháp tối ưu hóa mới, mạnh mẽ hơn để đáp ứng yêu cầu của hệ thống điện hiện đại. Việc tính toán phối hợp bảo vệ trở nên phức tạp hơn bao giờ hết. Theo nghiên cứu của Vũ Thành Đạt, các phương pháp truyền thống gặp khó khăn trong việc xử lý các đường cong đặc tính rơ le phức tạp.

2.1. Vấn đề với các phương pháp tối ưu hóa phối hợp truyền thống

Các phương pháp tối ưu hóa truyền thống, như phương pháp thử sai (trial-and-error) hoặc phương pháp gradient, có nhiều hạn chế trong việc giải quyết bài toán tối ưu phối hợp bảo vệ rơ le. Chúng thường hội tụ chậm, dễ bị mắc kẹt vào các cực trị cục bộ, và không đảm bảo tìm được giải pháp tối ưu toàn cục. Ngoài ra, các phương pháp này thường đòi hỏi kiến thức chuyên sâu về hệ thống điện và tốn nhiều thời gian tính toán. Các đường cong đặc tính rơ le phức tạp gây khó khăn cho việc tính toán.

2.2. Ảnh hưởng của nguồn năng lượng tái tạo đến phối hợp bảo vệ

Sự gia tăng của các nguồn năng lượng tái tạo, như điện gió và điện mặt trời, tạo ra nhiều thách thức cho việc phối hợp bảo vệ rơ le. Các nguồn này có đặc tính phát không ổn định, dòng ngắn mạch thay đổi, và vị trí phân tán trong hệ thống điện. Điều này làm cho việc xác định các tham số rơ le phù hợp trở nên khó khăn hơn. Các phương pháp tối ưu hóa cần phải tính đến các đặc tính này để đảm bảo bảo vệ hiệu quả. Mô phỏng hệ thống điện tích hợp nguồn tái tạo là cần thiết.

2.3. Tầm quan trọng của việc giảm thời gian cắt sự cố trong bảo vệ

Một trong những mục tiêu quan trọng của tối ưu phối hợp bảo vệ rơ le là giảm thiểu thời gian cắt sự cố. Thời gian cắt sự cố càng ngắn, thiệt hại do sự cố gây ra càng ít. Điều này đặc biệt quan trọng trong các hệ thống điện nhạy cảm, như các nhà máy công nghiệp hoặc bệnh viện. Các phương pháp tối ưu hóa cần phải tìm kiếm các giải pháp có thời gian cắt sự cố ngắn nhất có thể trong khi vẫn đảm bảo độ tin cậy và độ chọn lọc của hệ thống bảo vệ. Thời gian tính toán cũng cần được tối ưu để đảm bảo phản ứng nhanh chóng.

III. Giải Pháp Ứng Dụng GWO RAO Tối Ưu Rơ Le Số Cách Nào

Để giải quyết các thách thức trong tối ưu phối hợp bảo vệ rơ le số, luận văn này đề xuất sử dụng hai giải thuật tối ưu hóa meta-heuristic mạnh mẽ: Grey Wolf Optimizer (GWO) và Remora Optimization Algorithm (RAO). GWO mô phỏng hành vi săn mồi của bầy sói xám, trong khi RAO mô phỏng cách cá ép (remora) bám vào các loài cá lớn để tìm kiếm thức ăn. Cả hai giải thuật này đều có khả năng tìm kiếm giải pháp tối ưu trong không gian tìm kiếm phức tạp và có nhiều cực trị cục bộ. Việc áp dụng GWO và RAO giúp tìm ra các tham số rơ le tối ưu, giảm thiểu thời gian cắt sự cố và đảm bảo độ tin cậy của hệ thống bảo vệ. Theo nghiên cứu, GWO và RAO có tiềm năng lớn trong việc giải quyết bài toán này.

3.1. Tổng quan về giải thuật Grey Wolf Optimizer GWO

Grey Wolf Optimizer (GWO) là một giải thuật tối ưu hóa meta-heuristic được phát triển dựa trên hành vi săn mồi của bầy sói xám. Trong GWO, các sói được chia thành bốn cấp bậc: alpha (α), beta (β), delta (δ), và omega (ω). Sói alpha là con đầu đàn và có vai trò quan trọng nhất trong việc dẫn dắt bầy sói săn mồi. Sói beta hỗ trợ sói alpha và giúp đưa ra các quyết định. Sói delta là các thành viên cấp thấp hơn và thực hiện các nhiệm vụ khác nhau. Sói omega là những thành viên yếu nhất và tuân theo các sói khác. Giải thuật GWO mô phỏng các giai đoạn săn mồi của bầy sói, bao gồm tìm kiếm con mồi, bao vây con mồi, và tấn công con mồi để tìm kiếm giải pháp tối ưu cho bài toán. Ưu điểm GWO là khả năng hội tụ nhanh và ít tham số điều chỉnh.

3.2. Tổng quan về giải thuật Remora Optimization Algorithm RAO

Remora Optimization Algorithm (RAO) là một giải thuật tối ưu hóa meta-heuristic mới, được phát triển dựa trên hành vi của cá ép (remora) bám vào các loài cá lớn để tìm kiếm thức ăn. Trong RAO, các cá ép đại diện cho các ứng viên giải pháp, và các loài cá lớn đại diện cho các khu vực tìm kiếm tiềm năng. Giải thuật RAO mô phỏng các hành vi bám vào, di chuyển giữa các loài cá lớn, và tìm kiếm thức ăn của cá ép để tìm kiếm giải pháp tối ưu. RAO có ưu điểm là đơn giản, dễ thực hiện, và ít tham số điều chỉnh. Ưu điểm RAO bao gồm khả năng khám phá không gian tìm kiếm hiệu quả.

3.3. Sự khác biệt và ưu điểm của GWO và RAO so với các thuật toán khác

So với các thuật toán tối ưu hóa khác như Particle Swarm Optimization (PSO) hay Genetic Algorithm (GA), GWO và RAO có một số ưu điểm. Chúng ít tham số điều chỉnh hơn, dễ thực hiện hơn, và có khả năng hội tụ nhanh hơn. GWO có khả năng khai thác (exploitation) tốt hơn, trong khi RAO có khả năng khám phá (exploration) tốt hơn. Sự kết hợp của hai giải thuật này có thể tận dụng các ưu điểm của cả hai và cải thiện hiệu suất tối ưu hóa. Việc so sánh GWO và RAO với các thuật toán khác là cần thiết để đánh giá hiệu quả.

IV. Phương Pháp GWO và RAO Tính Toán Phối Hợp Bảo Vệ Rơ Le

Việc áp dụng GWO và RAO vào bài toán tối ưu phối hợp bảo vệ rơ le số bao gồm các bước sau. Đầu tiên, cần xây dựng hàm mục tiêu, thường là giảm thiểu thời gian cắt sự cố hoặc chi phí của hệ thống bảo vệ. Tiếp theo, cần xác định các ràng buộc, bao gồm các giới hạn về tham số rơ le, thời gian phối hợp, và độ tin cậy. Sau đó, áp dụng GWO hoặc RAO để tìm kiếm các tham số rơ le tối ưu thỏa mãn hàm mục tiêu và các ràng buộc. Cuối cùng, đánh giá hiệu quả của giải pháp tối ưu bằng cách mô phỏng hệ thống điện và kiểm tra các tiêu chí bảo vệ. Bài toán tối ưu hóa đa mục tiêu có thể được giải quyết bằng cách kết hợp GWO và RAO.

4.1. Xây dựng hàm mục tiêu và các ràng buộc cho bài toán tối ưu

Hàm mục tiêu trong bài toán tối ưu phối hợp bảo vệ rơ le thường là tổng thời gian cắt sự cố của tất cả các rơ le trong hệ thống. Mục tiêu là giảm thiểu thời gian này để giảm thiểu thiệt hại do sự cố gây ra. Các ràng buộc bao gồm giới hạn về tham số rơ le (ví dụ: dòng điện đặt, thời gian đặt), yêu cầu về thời gian phối hợp giữa các rơ le, và các tiêu chí về độ tin cậy và độ chọn lọc. Việc xây dựng hàm mục tiêu và các ràng buộc chính xác là rất quan trọng để đảm bảo rằng giải pháp tối ưu tìm được là phù hợp với yêu cầu của hệ thống. Ràng buộc cần được xác định rõ ràng để đảm bảo tính khả thi của giải pháp.

4.2. Mô phỏng và đánh giá hiệu quả của giải pháp tối ưu

Sau khi tìm được giải pháp tối ưu, cần mô phỏng hệ thống điện để đánh giá hiệu quả của giải pháp. Việc mô phỏng giúp kiểm tra xem các tham số rơ le đã được tối ưu có đảm bảo bảo vệ hiệu quả trong các tình huống sự cố khác nhau hay không. Các tiêu chí đánh giá bao gồm thời gian cắt sự cố, độ tin cậy, độ chọn lọc, và độ nhạy. Nếu giải pháp không đáp ứng các tiêu chí này, cần điều chỉnh hàm mục tiêu, ràng buộc, hoặc giải thuật tối ưu hóa và lặp lại quá trình tìm kiếm giải pháp. Phần mềm mô phỏng hệ thống điện đóng vai trò quan trọng trong quá trình này.

V. Nghiên Cứu Kết Quả Ứng Dụng GWO RAO Vào Hệ Thống Điện Nào

Luận văn đã áp dụng GWO và RAO vào một số hệ thống điện thử nghiệm, bao gồm hệ thống IEEE 3 nút và hệ thống IEEE 8 nút. Kết quả cho thấy cả hai giải thuật đều có khả năng tìm ra các tham số rơ le tối ưu, giảm thiểu thời gian cắt sự cố và đáp ứng các ràng buộc về thời gian phối hợp và độ tin cậy. GWO có xu hướng hội tụ nhanh hơn RAO, nhưng RAO có thể tìm ra các giải pháp tốt hơn trong một số trường hợp. Việc so sánh kết quả với các phương pháp tối ưu hóa khác cho thấy GWO và RAO có hiệu suất tương đương hoặc tốt hơn. Vũ Thành Đạt đã chỉ ra tính hiệu quả của GWO và RAO trong việc giảm thời gian cắt sự cố.

5.1. Áp dụng GWO và RAO cho hệ thống điện IEEE 3 nút

Hệ thống điện IEEE 3 nút là một hệ thống thử nghiệm đơn giản, được sử dụng để đánh giá hiệu suất của các giải thuật tối ưu hóa. Khi áp dụng GWO và RAO vào hệ thống này, kết quả cho thấy cả hai giải thuật đều có khả năng tìm ra các tham số rơ le tối ưu, giảm thiểu thời gian cắt sự cố và đáp ứng các ràng buộc. GWO hội tụ nhanh hơn RAO, nhưng RAO tìm ra các giải pháp có thời gian cắt sự cố ngắn hơn một chút. Phân tích độ nhạy cho thấy kết quả không quá nhạy với sự thay đổi nhỏ của các tham số.

5.2. Áp dụng GWO và RAO cho hệ thống điện IEEE 8 nút

Hệ thống điện IEEE 8 nút là một hệ thống thử nghiệm phức tạp hơn, được sử dụng để đánh giá khả năng mở rộng của các giải thuật tối ưu hóa. Khi áp dụng GWO và RAO vào hệ thống này, kết quả cho thấy cả hai giải thuật vẫn có khả năng tìm ra các tham số rơ le tối ưu, mặc dù thời gian tính toán tăng lên. GWO vẫn hội tụ nhanh hơn RAO, nhưng RAO có thể tìm ra các giải pháp tốt hơn trong một số trường hợp. Ứng dụng GWO trong hệ thống điện lớn hơn cho thấy tính hiệu quả của nó.

VI. Kết Luận Hướng Phát Triển Tối Ưu Phối Hợp Rơ Le Số

Luận văn đã trình bày việc áp dụng hai giải thuật tối ưu hóa meta-heuristic mạnh mẽ, GWO và RAO, vào bài toán tối ưu phối hợp bảo vệ rơ le số. Kết quả cho thấy cả hai giải thuật đều có khả năng tìm ra các tham số rơ le tối ưu, giảm thiểu thời gian cắt sự cố và đáp ứng các ràng buộc. Tuy nhiên, vẫn còn nhiều hướng phát triển tiềm năng cho nghiên cứu này. Có thể nghiên cứu sự kết hợp của GWO và RAO, áp dụng các giải thuật này vào các hệ thống điện phức tạp hơn, và phát triển các phương pháp đánh giá hiệu quả của hệ thống bảo vệ. Hệ thống bảo vệ thông minh có thể được phát triển dựa trên các kết quả này.

6.1. Tiềm năng phát triển của GWO và RAO trong bảo vệ rơ le tương lai

GWO và RAO có tiềm năng lớn trong việc phát triển các hệ thống bảo vệ rơ le tương lai. Với sự phát triển của công nghệ, các giải thuật này có thể được tích hợp vào các thiết bị rơ le số thông minh, cho phép tự động tối ưu hóa các tham số rơ le và thích ứng với các thay đổi trong hệ thống điện. Điều này sẽ giúp tăng cường độ tin cậy và hiệu quả của hệ thống bảo vệ. Machine learning for protection có thể được tích hợp để cải thiện hiệu suất.

6.2. Đề xuất hướng nghiên cứu tiếp theo để hoàn thiện giải pháp

Để hoàn thiện giải pháp tối ưu phối hợp bảo vệ rơ le số, cần có các nghiên cứu tiếp theo về các hướng sau. Nghiên cứu sự kết hợp của GWO và RAO. Áp dụng các giải thuật này vào các hệ thống điện phức tạp hơn. Phát triển các phương pháp đánh giá hiệu quả của hệ thống bảo vệ. Nghiên cứu ảnh hưởng của các nguồn năng lượng tái tạo đến tối ưu phối hợp bảo vệ rơ le. Phát triển các giải thuật tối ưu hóa có khả năng thích ứng với các thay đổi trong hệ thống điện. Artificial intelligence in power systems có thể đóng vai trò quan trọng trong các nghiên cứu này.

Trích đoạn nội dung tài liệu

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.