Chương 1: Giới thiệu Chương 2: Tổng quan Chương 3: Các phương pháp Cuckoo Search và mạng Hopfield Lagrange tăng cường Chương 4: Áp dụng các phương pháp thông minh nhân tạo điều độ tối ưu hệ thống thủy nhiệt điện ngắn hạn xét chiều cao cột nước cố định và bỏ qua ràng buộc thể tích hồ chứa Chương 5: Áp dụng các phương pháp Cuckoo Search điều độ hệ thống thủy nhiệt điện có xét đến thể tích hồ chứa Chương 6: Áp dụng các phương pháp Cuckoo Search điều độ tối ưu hệ thống thủy nhiệt điện xét chiều cao cột nước biến đổi Chương 7: Áp dụng các phương pháp Cuckoo Search phân bố công suất tối ưu cho hệ thống thủy nhiệt điện Chương 8: Tóm tắt 5 CHƯƠNG 2: TỔNG QUAN 2. Giới Thiệu Rất nhiều phương pháp tối ưu từ các thuật toán cổ điển đến các thuật toán hiện đại đã được áp dụng nhằm điều độ tối ưu hệ thống thủy nhiệt điện. Trong chương này, tổng quan về các bài toán điều độ hệ thống thủy nhiệt điện và các phương pháp đã áp dụng được trình bày. Phối Hợp Hệ Thống Thủy Nhiệt Điện Ngắn Hạn Với Chiều Cao Cột Nước Cố Định Bỏ Qua Các Ràng Buộc Về Hồ Chứa Trong nhiều năm qua, đã có nhiều phương pháp tối ưu được áp dụng để điều độ tối ưu hệ thống thủy nhiệt điện ngắn hạn với chiều cao cột nước cố định bỏ qua các ràng buộc về hồ chứa.
Cụ thể các phương pháp được áp dụng ở các công trình nghiên cứu như sau: - Newton-Raphson [1-2] - Powell’s sybrid [1] - Newton-Raphson dựa vào phân loại nhân tử Lagrange [3] - Lagrange dựa vào tuyến tính hóa phương trình kết hợp (LCEL) [4] - Lamda-gamma (λ-γ ) [2] - Lagrangian relaxation (LR) [5] - Hopfield neural networks (HNN) [6] - Evolutionary programming (EP) [7-8] - Artificial immune system (AIS) [8] - Particle swarm optimization (PSO) [8] - Differential evolutionary (DE) [8] - Modified Bacterial Foraging (MBFA) [9] - Gen dựa vào tối ưu gamma (OGB-GA) [10] - Fast Genetic (FGA) [11] - Predator prey optimization (PPO) [12] Trong số các phương pháp này, phương pháp ở các nghiên cứu [1-5] là phương pháp cổ điển và các phương pháp khác ở các nghiên cứu [6-12] thuộc các phương pháp thông minh nhân tạo. Nhóm phương pháp đầu tiên chủ yếu dựa vào Newton Raphson hoặc lý thuyết tối ưu Lagrange cổ điển hoặc cải tiến của hai phương pháp cổ điển này. Trong khi đó, nhóm phương pháp thứ hai tìm kiếm nghiệm tối ưu dưa vào một dân số xác định trước. Mặt khác, các phương pháp ở nhóm thứ nhất còn được gọi là các phương pháp tiền định, tìm kiếm nghiệm tối ưu dựa vào một đường tìm kiếm duy nhất với nghiệm ban đầu có chất lượng thấp nhất với hàm mục tiêu lớn nhất và các vi phạm ràng buộc gần như cực đại.
Các thuật toán tiền định chỉ có duy nhất một nghiệm tối ưu ở từng vòng lặp và nghiệm này được cải thiện dần khi số vòng lặp tăng dần, và đạt được nghiệm tốt nhất có hàm mục tiêu và vi phạm ràng buộc nhỏ nhất ở vòng lặp cuối cùng. Chất lượng nghiệm tối ưu này bị ảnh hưởng bởi giá trị khởi tạo ban đầu của tiến trình tính toán nên 6 điểm khởi tạo ban đầu đối với các phương pháp tiền định rất quan trọng. Tiêu chuẩn dừng quá trình tìm kiếm của phương pháp tiền định dựa vào sai số lớn nhất được xác định ngay từ ban đầu bởi người lập trình. Thật vậy, khi sai số lớn nhất càng nhỏ thì nghiệm tối ưu càng chất lượng về hàm mục tiêu và vi phạm ràng buộc.
Tuy nhiên, các phương pháp tiền định gặp khó khăn với việc giải quyết các bài toán có hàm mục tiêu và các ràng buộc không khả vi và khả năng ứng dụng cho các hệ thống lớn cũng bị giới hạn. Khác với các phương pháp tiền định, các phương pháp thông minh nhân tạo (ngoại trừ HNN [6]) khởi tạo một tập nghiệm ở thời điểm ban đầu của quá trình tìm kiếm. Các nghiệm này được tạo mới tại mỗi vòng lặp và chất lượng của chúng được đánh giá thông qua hàm thích nghi (fitness function) bao gồm giá trị của hàm mục tiêu cần được cực tiểu và lượng phạt do vi phạm các ràng buộc. Các phương pháp này dừng quá trình tìm kiếm dựa vào số vòng lặp tối đa được xác định từ trước và các nghiệm này có khả năng thỏa mãn tất cả các ràng buộc ngay cả khi số vòng lặp hiện tại nhỏ hơn số vòng lặp lớn nhất xác định trước rất nhiều.
Tuy nhiên, đôi khi các nghiệm này cũng có khả năng rơi ra ngoài vùng làm việc khả thi mặc dù số vòng lặp lớn nhất đã đạt được. Các phương pháp này được cho là hiệu quả hơn so với các phương pháp tiền định khi nó có thể giải được các bài toán mà hàm mục tiêu và các ràng buộc phức tạp cũng như các hệ thống lớn được xét đến. Phương pháp Newton Raphson [1-2] ổn định về tính toán, hiệu quả và giải nhanh cho các phương trình không tuyến tính. Do đó, nó là một tiềm năng lớn cho việc thực thi các bài toán tối ưu như điều độ kinh tế trong hệ thống thủy nhiệt điện.
Tuy nhiên, phương pháp Newton Raphson chủ yếu phụ thuộc vào quá trình thành lập và lấy nghịch đảo ma trận Jacobi, làm cho phương pháp này bị hạn chế áp dụng cho các bài toán lớn. Phương pháp Newton Raphson được đánh giá là phương pháp yếu nhất bởi vì quá trình hội tụ có thể không thành công mặc dù hệ thống xem xét chỉ có một nhà máy thủy điện và một nhà máy nhiệt điện [3]. Ở phương pháp LCEL [4], phương trình kết hợp được tuyến tính hóa và được giải để tìm các ràng buộc nguồn nước có sẵn từ các tổ máy phát. Do đó, các nhân tử Lagrange tương ứng với ràng buộc nguồn nước được tách ra từ công suất của các tổ máy.
Dựa vào nhân tử Lagrange của nguồn nước có thể tính được nhân tử Lagrange tương ứng với ràng buộc cân bằng công suất và cuối cùng công suất của các nhà máy thủy điện và nhiệt điện được tính toán như ở phương pháp Lambda-gama [2]. Các giá trị gama của các nhà máy thủy điện được chọn từ ban đầu và sau đó tiến trình lặp lambda được thực hiện để đạt được các giá trị công suất tại mỗi khoảng thời gian xem xét trong toàn bộ thời gian hoạch định. Phương pháp HNN [6] cũng là một phương pháp hiệu quả cho giải quyết các bài toán tối ưu. Để giải bài toán này, HNN xây dựng một hàm năng lượng bao gồm hàm chi phí bình phương, ràng buộc nguồn nước, ràng buộc cân bằng công suất và tổn thất công suất trên hệ thống điện.
Yếu tố chính để giải quyết tất cả các ràng buộc và hội tụ nhanh đến nghiệm tối ưu của phương pháp HNN hoàn toàn phụ thuộc vào 4 nhân tử Lagrange tương ứng với 4 ràng buộc ở trên mà việc chọn giá trị cho 4 nhân tử này là một việc không dễ dàng. Do đó, HNN phải đối mặt với 7 hội tụ chậm và để có thể áp dụng được phương pháp này các ràng buộc của bài toán nghiên cứu phải được tuyến tính hóa [13-14]. Cả GA và EP là các phương pháp tiến hóa để giải các bài toán tối ưu. Ở phương pháp GA, quá trình lai tạo và đột biến được yêu cầu nhằm đa dạng hóa các cá thể con.
Ở phương pháp EP, quá trình cũng gần như tương tự và quá trình đột biến là một kỹ thuật quan trọng của EP nhằm tạo ra các nghiệm mới hiệu quả [13]. Hơn thế nữa, việc tạo ra nghiệm mới và chọn lọc ở EP lần lượt là quá trình đột biến và quá trình tranh đấu nhưng ở GA các thủ tục này phức tạp hơn bởi các quá trình tái sản xuất, lai tạo và chọn lọc. Do đó, EP thuận lợi hơn GA. DE cũng là một phương pháp tiến hóa với ba quá trình chính như đột biến, lai tạo và chọn lọc.
Đột biến được sử dụng để tạo ra nghiệm mới và lai tạo là một kỹ thuật để giữ lại một dân số tốt cho quá trình tìm kiếm tiếp theo. Trong khi đó, chọn lọc được áp dụng để xác định nghiệm tốt nhất đến thời điểm hiện tại. Hiệu quả của đột biến và lai tạo chủ yếu phụ thuộc vào quá trình lựa chọn hai hệ số bao gồm hệ số đột biến và hệ số lai tạo, và quá trình lựa chọn ba nghiệm ngẫu nhiên cho quá trình đột biến. Giá trị của hệ số lai tạo được chọn từ 0 đến 1 nhưng giá trị lớn hơn nhiều, từ 0 đến 2 là vùng làm việc cho hệ số đột biến.
Các phương pháp DE có khả năng tìm kiếm trong một không gian lớn; tuy nhiên, việc chọn giá trị cho hệ số đột biến và lai tạo là một công việc phức tạp và phải trải qua nhiều lần chạy chương trình cho nhiều giá trị khác nhau để tìm giá trị tốt nhất. AIS được phát triển năm 1998 dựa trên ý tưởng sinh sản vô tính, tăng trưởng và già hóa trong cơ thể con người. AIS bao gồm ba quá trình chính: tăng trưởng, đột biến và chọn lọc nhưng tăng trưởng và đột biến là hai bước chính để tạo ra các nghiệm mới. Trong đó, tăng trưởng được sử dụng để tạo ra các kháng thể và quá trình đột biến sử dụng các kết quả từ quá trình tăng trưởng để tạo ra các nghiệm mới.
Ngoài ra, AIS còn sử dụng kỹ thuật loại bỏ các kháng thể già tương ứng với việc tránh hội tụ sớm đến nghiệm cực trị địa phương. Tính hiệu quả của AIS phụ thuộc vào quá trình đột biến và loại bỏ các kháng thể già. Do đó, việc chọn hệ số đột biến và hệ số loại bỏ các kháng thể già có ý nghĩa vô cùng quan trọng. AIS được cho là thuật toán dễ áp dụng với ít thông số điều khiển.
Tuy nhiên, nhược điểm của AIS là ở quá trình loại bỏ các kháng thể già. Nếu quá trình loại bỏ không hiệu quả thì AIS dễ hội tụ sớm và đạt cực trị địa phương không mong muốn. AIS đã được áp dụng thành công giải bài toán tối ưu thủy nhiệt điện và so sánh với các phương pháp EP, DE, PSO đạt hiệu quả tốt hơn về chi phí sản xuất điện [8]. Để thực thi cho hai hệ thống này, dân số của AIS chỉ được chọn bằng một nửa giá trị của ba phương pháp kia trong khi số vòng lặp lớn nhất của các phương pháp là như nhau.
Mặc dù vậy nhưng AIS vẫn đạt được chi phí thấp hơn so với các phương pháp khác. Thời gian tính toán thì các phương pháp này như nhau, khoảng một đến hai phút và được xem như hội tụ chậm.