Luận văn: Ứng dụng giải thuật PSO xác định thông số tối ưu cho bộ PSS

Luận văn thạc sĩ phân tích ứng dụng giải thuật pso để xác định thông số tối ưu cho bộ pss, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Nguyễn Hoàng Linh
• Người hướng dẫn: TS. Nguyễn Minh Tâm
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Điện
• Đề tài: Ứng dụng giải thuật PSO để xác định thông số tối ưu cho bộ PSS
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Giới thiệu về Giải thuật PSO và Bộ PSS

Giải thuật PSO (Particle Swarm Optimization) là một phương pháp tối ưu hóa hiện đại dựa trên hành vi của bầy chim và cá khi tìm kiếm thức ăn. Trong lĩnh vực hệ thống điện, PSO được ứng dụng để tối ưu thông số bộ PSS (Power System Stabilizer) nhằm nâng cao độ ổn định động của hệ thống. Bộ PSS là thiết bị điều khiển quan trọng được lắp đặt tại máy phát, giúp giảm dao động tần số thấp và cải thiện chất lượng điện. Sự kết hợp giữa PSO tối ưu PSS mang lại hiệu quả cao hơn so với phương pháp điều chỉnh thủ công truyền thống, đặc biệt trong hệ thống lưới điện phức tạp với nhiều máy phát.

1.1. Khái niệm Giải thuật PSO

Giải thuật PSO là thuật toán meta-heuristic được phát triển dựa trên mô phỏng hành vi xã hội của bầy đàn. Mỗi hạt (particle) trong bầy đàn tìm kiếm vị trí tối ưu dựa trên kinh nghiệm cá nhân và kinh nghiệm của cả nhóm. Thuật toán PSO hoạt động thông qua cơ chế cập nhật vị trí và vận tốc của các hạt, cho phép hệ thống hội tụ nhanh chóng đến giải pháp tối ưu mà không cần đạo hàm.

1.2. Vai trò của Bộ PSS trong Hệ thống Điện

Bộ PSS (Power System Stabilizer) là bộ điều khiển được kết nối với hệ thống kích từ của máy phát để phát sinh tín hiệu giảm chấn. Bộ điều khiển PSS giúp cải thiện độ ổn định động bằng cách làm giảm dao động công suất và tần số. Việc tối ưu thông số bộ PSS bằng giải thuật PSO cho phép xác định các hệ số điều khiển tối ưu, nâng cao hiệu suất và độ tin cậy của toàn bộ hệ thống.

II. Cơ chế Hoạt động của Giải thuật PSO trong Tối ưu PSS

Giải thuật PSO tối ưu thông số bộ PSS thông qua quá trình tìm kiếm lặp đi lặp lại trong không gian thông số. Mỗi hạt trong đàn biểu diễn một bộ thông số PSS tiềm năng (các hệ số Kp, Ki, Kd, T1, T2...). Hàm mục tiêu được xây dựng để đánh giá chất lượng của mỗi bộ thông số dựa trên tiêu chí ổn định (phần thực của cực, sai số độ lệch tốc độ, v.v.). Quá trình cập nhật vị trí và vận tốc của các hạt được điều khiển bởi hai thành phần: thành phần nhận thức (cognition) dựa trên kinh nghiệm cá nhân và thành phần xã hội (social) dựa trên kinh nghiệm tập thể. PSO tối ưu PSS có ưu điểm là hội tụ nhanh, không bị mắc vào cực trị địa phương như các phương pháp truyền thống.

2.1. Hàm Mục tiêu và Tiêu chí Tối ưu

Hàm mục tiêu trong tối ưu thông số PSS thường được định nghĩa dựa trên các tiêu chí hiệu suất như cực của hệ thống, độ lệch tốc độ, sai số toàn phương (ITAE). Tiêu chí tối ưu PSS nhằm giảm thiểu dao động và tăng tốc độ hội tụ về trạng thái bình thường. Việc lựa chọn hàm mục tiêu phù hợp là yếu tố qua trọng quyết định hiệu quả của giải thuật PSO trong điều chỉnh PSS.

2.2. Quá trình Cập nhật Vị trí và Vận tốc

Trong giải thuật PSO tối ưu PSS, vị trí và vận tốc của mỗi hạt được cập nhật theo công thức: vận tốc mới = wvận tốc cũ + c1r1*(vị trí tốt nhất cá nhân - vị trí hiện tại) + c2r2(vị trí tốt nhất toàn cục - vị trí hiện tại). Quá trình cập nhật này giúp các thông số bộ PSS dần hội tụ về giá trị tối ưu nhằm đảm bảo ổn định hệ thống điện.

III. Ứng dụng Thực tiễn PSO Tối ưu Thông số PSS

Ứng dụng PSO để tối ưu thông số bộ PSS đã được kiểm chứng hiệu quả qua các mô phỏng trên MATLAB/Simulink. Giải thuật PSO tối ưu PSS cho phép các nhà kỹ sư xác định chính xác các hệ số điều khiển mà phương pháp truyền thống khó đạt được. Trong các trường hợp nhiễu như ngắn mạch, thay đổi tải đột ngột, bộ PSS được tối ưu bằng PSO giảm dao động nhanh hơn và hiệu quả hơn. Kết quả mô phỏng cho thấy PSO tối ưu thông số bộ PSS có thể cải thiện thời gian giải tán dao động từ 5-10%, đồng thời nâng cao độ ổn định động của hệ thống liên kết. Phương pháp này đặc biệt hiệu quả trong hệ thống điện phức tạp với nhiều máy phát điện.

3.1. Kết quả Mô phỏng và So sánh

Các kết quả mô phỏng PSO tối ưu bộ PSS trên MATLAB Simulink cho thấy hiệu suất vượt trội so với PSS thông thường. Bộ PSS được tối ưu bằng giải thuật PSO giảm dao động tần số thấp hiệu quả hơn, với thời gian xác lập nhanh hơn khoảng 8-12%. Đặc biệt, tối ưu thông số bộ PSS bằng PSO giúp hệ thống ổn định trong các tình huống khủng hoảng như sự cố đường dây truyền tải.

3.2. Những Lợi ích của Phương pháp PSO

Phương pháp PSO tối ưu PSS mang lại nhiều lợi ích: tự động hóa quá trình điều chỉnh, giảm nhân công, khả năng thích ứng cao với các điều kiện vận hành khác nhau. Giải thuật PSO có thể xử lý các bài toán tối ưu phức tạp mà các phương pháp cổ điển không thể. Tối ưu thông số bộ PSS bằng PSO giúp tiết kiệm chi phí vận hành và bảo trì hệ thống điện.

IV. Hướng Phát triển và Kết luận về PSO Tối ưu PSS

Ứng dụng giải thuật PSO để tối ưu thông số bộ PSS là hướng đi tiến bộ trong lĩnh vực điều khiển hệ thống điện. Tuy nhiên, vẫn tồn tại những thách thức như tốc độ hội tụ trong các không gian tìm kiếm lớn, khả năng mắc vào cực trị địa phương. Các nghiên cứu tiếp theo nên tập trung vào cải tiến giải thuật PSO bằng cách kết hợp với các kỹ thuật khác như thuật toán di truyền, mô phỏng luyện đá để tối ưu thông số bộ PSS hiệu quả hơn. Ngoài ra, PSO tối ưu PSS có thể mở rộng ứng dụng trong các hệ thống điện với tái tạo năng lượng (năng lượng gió, mặt trời) và các hệ thống điện áp siêu cao. Việc tối ưu bộ PSS bằng giải thuật PSO góp phần nâng cao độ tin cậy, ổn định và hiệu suất kinh tế của toàn bộ hệ thống điện quốc gia.

4.1. Những Thách thức Hiện tại

Mặc dù PSO tối ưu thông số bộ PSS mang lại hiệu quả cao, nhưng vẫn có những hạn chế như tốc độ hội tụ chậm trong không gian tìm kiếm lớn, khả năng mắc vào cực trị địa phương trong một số bài toán phức tạp. Tối ưu bộ PSS bằng PSO cần điều chỉnh cẩn thận các tham số như hệ số quán tính (w), hệ số nhận thức (c1), hệ số xã hội (c2) để đạt kết quả tốt nhất.

4.2. Triển vọng Phát triển Tương lai

Triển vọng phát triển của giải thuật PSO tối ưu PSS rất lớn, đặc biệt trong bối cảnh chuyển đổi năng lượng xanh. Tối ưu thông số bộ PSS có thể kết hợp với machine learning để tự động điều chỉnh theo điều kiện vận hành thực tế. PSO tối ưu PSS sẽ đóng vai trò quan trọng trong việc quản lý lưới điện thông minh (smart grid) và cải thiện khả năng tiếp nhận nguồn năng lượng tái tạo.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về hệ thống điện.  Chương này gồm những nội dung sau :  Hệ thống điện và sự ổn định  Kỹ thuật điều khiển để hạn chế dao động trong hệ thống điện  Các loại bộ ổn định hệ thống điện  Mục tiêu nghiên cứu  Phạm vi nghiên cứu  Kết cấu của luận văn  Phương pháp nghiên cứu Chương 2: Thuật toán tối ưu hóa bầy đàn  Chương này tìm hiểu các vấn đề:  Lịch sử phát triển.  Các khái niệm cơ bản của giải thuật bầy đàn.  Mô tả thuật toán.

 Đặc điểm và ứng dụng của giải thuật bầy đàn Luận văn tốt nghiệp Trang 6 HVTH: Nguyễn Hoàng Linh GVHD: TS. Nguyễn Minh Tâm  Hiệu chỉnh bộ PSS bằng thuật giải bầy đàn Chương 3: Lý thuyết về bộ ổn định PSS.  Chương này tìm hiểu các vấn đề:  Nâng cao độ ổn định hệ thống điện  Bộ ổn định hệ thống điện  Công suất giảm chấn trong máy phát Chương 4: Xây dựng mô hình máy phát điện  Chương này tìm hiểu các vấn đề:  Nâng cao độ ổn định hệ thống điện  Phương trình góc công suất máy phát điện  Phương trình độ lệch tốc độ  Phương trình sức điện động quá độ trục q của máy phát điện  Phương trình tính sức điện động quá độ trục d (E’d)  Phương trình công suất trên đầu cực máy phát  Phương trình tính điện áp trục q của máy phát  Phương trình tính điện áp trục d của máy phát  Phương trình tính dòng điện trục d của máy phát  Phương trình tính dòng điện trục q của máy phát  Bộ ổn định PSS thông thường theo IEEE chuẩn PSS1A Chương 5: Kết quả mô phỏng. Chương 6: Kết luận và hướng phát triển của đề tài.7 Phương pháp nghiên cứu Trong đề tài này học viên đã sử dụng các phương pháp nghiên cứu: Phương pháp tham khảo tài liệu: bằng cách thu thập thông tin và tài liệu từ sách, tạp chí, báo điện tử và truy cập mạng internet.

Phương pháp quan sát: từ những ý tưởng và kiến thức vốn có kết hợp với sự hướng dẫn của giáo viên, người nghiên cứu đã mô phỏng có từ các đồ án trước và Luận văn tốt nghiệp Trang 7 HVTH: Nguyễn Hoàng Linh GVHD: TS. Nguyễn Minh Tâm các bài báo trên mạng internet, từ đó mô phỏng lại bằng phần mềm Matlab/Simulink để so sánh với kết quả đã có nhằm rút ra những kinh nghiệm trong việc mô phỏng, để từ đó chọn lọc phương pháp điều khiển tối ưu. Luận văn tốt nghiệp Trang 8 HVTH: Nguyễn Hoàng Linh GVHD: TS. Nguyễn Minh Tâm CHƢƠNG 2 GIẢI THUẬT TỐI ƢU HÓA BẦY ĐÀN Giải thuật tối ưu hóa bầy đàn (Particles Swarm Optimization - PSO), là phần thuộc lĩnh vực nghiên cứu quần thể thông minh (Swarm Intelligence SI), nằm trong tính toán tiến hóa – Evolution computation [17].

Những ý tưởng nghiên cứu trong quần thể thông minh dựa trên quan hệ, cách ứng xử của các cá thể trong quần thể và cách thức tự tổ chức, hoạt động của quần thể. Những ý tưởng này đều xuất phát từ việc quan sát các quần thể sinh vật trong tự nhiên. Như cách thức mà đàn chim tìm kiếm nguồn thức ăn, nguồn nước, cách mà đàn kiến tìm đường đi tới nguồn thức ăn từ tổ của chúng…[15] PSO là một hướng nghiên cứu mới và đang phát triển rất nhanh trong những năm gần đây. Nó đã được áp dụng thành công để giải nhiều bài toán tìm cực trị hàm số học phức tạp, cũng như một số bài toán tối ưu khác.

Chương này sẽ giới thiệu những vấn đề cơ bản nhất về giải thuật PSO.1 Lịch sử phát triển Con người đã khám phá ra nhiều điều thú vị về hành vi của các loài côn trùng động vật trong thế giới tự nhiên từ rất lâu. Hình ảnh một đàn chim tìm kiến thức ăn tìm nơi di trú, bầy kiến tìm thức ăn, đàn cá tìm kiếm nguồn thức ăn và đổi hướng khi gặp kẻ thù… Chúng ta gọi đó là kiểu quan hệ bầy đàn [15], [17]. Gần đây các nhà khoa học mới nghiên cứu, tìm hiểu về các loại quan hệ bầy đàn trong tự nhiên, để hiểu cách mà các sinh vật này giao tiếp, hoàn thành mục đích và tiến hóa. Họ đã ứng dụng những nghiên cứu này để giải các bài toán tối ưu như thiết kế mạng viễn thông, tự động nghiên cứu robot, xây dựng mô hình giao thông (traffic pattern) trong bài toán vận chuyển, ứng dụng trong quân sự, điều khiển động cơ… Lĩnh vực nghiên cứu và ứng dụng các tri thức về quan hệ bầy đàn trong tự động hóa được gọi là lĩnh vực quần thể thông minh.

Luận văn tốt nghiệp Trang 9 HVTH: Nguyễn Hoàng Linh GVHD: TS. Nguyễn Minh Tâm PSO là một trong nhiều hướng nghiên cứu trong bầy đàn thông minh (Swarm Intelligence – SI), cho đến hiện tại thì SI bao gồm các nhóm chính là:  Giải thuật tối ƣu hóa bầy kiến (Ant Colony Optimization – ACO) lấy ý tưởng từ cách đàn kiến tìm đường từ tổ tới nguồn thức ăn, cách chúng xây dựng đường đi bằng dấu vết sinh học (pheromone trails). Đây là một thuật toán tối ưu kiểu metaheuristic, được sử dụng để tìm kiếm các kết quả gần đúng trong các bài toán tối ưu tổ hợp. [17]  Trong thuật toán ACO dùng những chú kiến nhân tạo, những chú kiến này sẽ xây dựng những lời giải bằng cách di chuyển theo lược đồ của bài toán.

Chúng bắt chước những con kiến thật, để lại những dấu hiệu trên đường đi của mình để trong tương lai nhưng con kiến khác có thể tạo ra các lời giải tốt hơn. ACO đã được ứng dụng thành công để giải nhiều bài toán tối ưu.1: Mô tả kiến tìm đường.  Giải thuật tối ƣu hóa bầy đàn (Particle Swarm Optimization – PSO) lấy ý tưởng từ cách đàn chim tìm thức ăn, nguồn nước. Đây là giải thuật tối ưu toàn cục nhằm giải những bài toán mà lời giải tốt nhất có thể biểu diễn bằng một điểm, hay một mặt trong không gian n-chiều.

[15], [17] Theo giả thuyết của bài toán, các cá thể ban đầu được dựng lên trong không gian đó. Mỗi cá thể có một vận tốc ban đầu, và giữa các cá thể cũng có kênh liên lạc. Các cá thể sau đó di chuyển trong không gian lời giải, mỗi cá thể sẽ được đánh giá bằng một hay nhiều tiêu chuẩn thích nghi, dần dần các cá thể này sẽ di chuyển Luận văn tốt nghiệp Trang 10 HVTH: Nguyễn Hoàng Linh GVHD: TS. Nguyễn Minh Tâm về phía những cá thể tốt hơn trong phạm vi của chúng.

Ưu điểm của phương pháp này so với các phương pháp tối ưu toàn cục khác như mô phỏng tôi luyện (Simulated Annealing), di truyền (Genetic Algorithm) là với số lượng lớn cá thể có thể giúp giải thuật vượt qua được các cực trị cục bộ. Giải thuật tối ưu hóa bầy đàn – PSO lần đầu tiên được giới thiệu vào năm 1995 bởi Kennedy, J. Trong một hội thảo quốc tế của IEEE về mạng neural tại Perth, Australia. PSO là được khởi tạo bởi một nhóm ngẫu nhiên các particles, sau đó tìm kiếm giải pháp tối ưu bằng việc cập nhật các thế hệ (lần lặp).

Trong mỗi thế hệ, mỗi particle là được cập nhật bởi hai giá trị: giá trị thứ nhất, gọi là PBest là nghiệm tốt nhất đạt được cho tới thời điểm hiện tại. Giá trị thứ hai, gọi là GBest là nghiệm tốt nhất mà cá thể lân cận cá thể này đạt được cho tới thời điểm hiện tại [15]. Nói cách khác, mỗi cá thể trong quần thể cập nhật vị trí của nó theo vị trí tốt nhất của nó và của cá thể trong quần thể tính tới thời điểm hiện tại. Quá trình cập nhật các particle dựa trên hai công thức sau: vi(,km1)  w.2) Trong đó:  n: Số phần tử trong nhóm.

 d: Kích thước quần thể (dimension).  k: Số lần lặp lại.  vi(,km) : Vận tốc của cá thể thứ i tại thế hệ thứ k.  w: Hệ số trọng lượng quán tính.

 c1,c2: Hệ số gia tốc.  xi(,km) : Vị trí cá thể thứ i tại thế hệ thứ k.  Pbesti : Vị trí tốt nhất của cá thể thứ i.  Gbesti : Vị trí tốt nhất của cá thể trong quần thể.

Luận văn tốt nghiệp Trang 11 HVTH: Nguyễn Hoàng Linh GVHD: TS. Nguyễn Minh Tâm 2.2 Các khái niệm cơ bản trong giải thuật bầy đàn [17]  Cá thể: Mỗi cá thể trong thuật toán biểu diễn một lời giải của bài toán nhưng chưa phải là lời giải tối ưu. Tùy vào từng bài toán mà mỗi cá thể được biểu diễn bởi những cách khác nhau như chuỗi nhị phân, cây, chuỗi số, v.v…  Quần thể: Là một tập hợp các cá thể có cùng một số đặc điểm nào đấy. Trong giải thuật tối ưu bầy đàn thì quần thể là một tập các lời giải của một bài toán.

Các cá thể trong quần thể có thể có thông tin về toàn bộ quần thể hoặc chỉ có thông tin về một phần của quần thể, thông tin đó thường là thông tin về cá thể tốt nhất và được đánh giá thông qua giá trị của hàm mục tiêu.  Vị trí: Mỗi bài toán tối ưu có một không gian lời giải của nó, không gian đó có thể là một hoặc đa chiều. Mỗi lời giải trong bài toán có thể coi như một vị trí trong không gian đó.  Vận tốc: Trong PSO mỗi cá thể có một vận tốc riêng, vận tốc riêng này dùng để tính vị trí tiếp theo của cá thể trong không gian bài toán.

Nếu không gian bài toán là không gian n chiều, thì với mỗi cá thể mỗi chiều sẽ có một vận tốc, hay nói cách khác vận tốc cũng là một vector n chiều. Mỗi cá thể sẽ “di chuyển” trong không gian bài toán để tìm ra lời giải tối ưu. Tùy vào bài toán cụ thể mà có cách biểu diễn hàm vận tốc phù hợp, hàm vận tốc là một trong những tham số quan trọng bậc nhất trong giải thuật PSO, đôi khi chỉ cần thay đổi cách biểu diễn hàm vận tốc ta có thể giải một bài toán khác. Hàm mục tiêu: Là hàm mô tả yêu cầu bài toán cần đạt tới.

Hàm này dùng để đánh giá các lời giải của bài toán. Tùy vào từng bài toán mà hàm mục tiêu khác nhau.3 Mô tả thuật toán [15] Giả sử quần thể ban đầu gồm n cá thể (mỗi cá thể là một lời giải cho bài toán nhưng chưa tối ưu). Mỗi cá thể thứ i trong quần thể được biểu diễn bởi một vector vị trí xi và một vector vận tốc vi, i = 1,…n.  Hàm mục tiêu của bài toán được chọn là: Fitness   e2 (t )dt (2.