Phân bố tối ưu công suất trong hệ thống điện bằng thuật toán ACO

Nội dung text: Phân bố tối ưu công suất trong hệ thống điện bằng thuật toán ACO

1. PHÂN BỐ TỐI ƯU CƠNG SUẤT TRONG HỆ THỐNG ĐIỆN BẰNG THUẬT TỐN ACO Phan Thị Thanh Bình, Nguyễn Tấn Dương Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh Tĩm tắt :Luận văn này giới thiệu thuật tốn ACO và các ứng dụng của thuật tốn trong một số nghành kỹ thuật, các phương pháp tối ưu phân bố cơng suất trong hệ thống điện. Luận văn trình bày thuật tốn ACO để giải quết bài tốn phân bố tối ưu cơng suất trong hệ thống điện. Thuật tốn đã thành cơng trong việc tìm điểm tối ưu với tốc độ hội tụ nhanh chĩng . Luận văn áp dụng giải bài tốn cho mạng điện IEEE 30 nút. Trong bài tốn so sánh , nhận xét kết quả hội tụ của hàm chi phí và phân bố cơng suất tối ưu tại các nút là tin cậy. kết quả đạt được của thuật tốn cho thấy khả năng linh hoạt mạnh mẽ của thuật tốn ACO trong việc giải bài tốn tối ưu tồn cục mà các phương pháp tối ưu khác khĩ đạt được. Giải thuật bài tốn hồn tồn cĩ thể áp dụng trong mạng điện cĩ số lượng nhà máy lớn. Tuy nhiên, thuật tốn ACO cũng cĩ những nhượt điểm là kết quả tính tốn phụ thuộc nhiều vào thơng số cài đặt thuật tốn và kinh nghiệm của người lập trình , do đĩ mất nhiều thời gian và cơng sức để thử nghiệm và kiểm tra. Abstract: This thesis introduces the ACO algorithm, the application of the ACO algorithm in a number of engineering disciplines the optimal flow power method in the power system. This thesis presents the ACO algorithm to solve the problem inclination optimal power flow in the power system. Algorithm was successful in finding the optimum point with rapid convergence rate. Thesis solve applied to IEEE 30 buses system.In comparison problems, comments convergence result of the cost function and optimal power distribution at the node is trusted. Results of the algorithm shows robust flexibility of ACO algorithms in solving global optimization problems that other optimization methods difficult to achieve. Algorithm problem can perfectly apply in electricity networks have a large number of plants. However, the ACO algorithm also has the drawback is that the calculation results depends on the settings and algorithms depends experienced programmers because it takes a lot of time and effort to test and inspect. 1
2. GIỚI THIỆU Tối ưu dịng cơng suất đã được giải quyết bằng phương pháp tối ưu cổ điển. OPF thường được xem như cực tiểu hàm mục tiêu đại diện cho chi phí máy phát hay tổn thất trong hệ thống truyền tải. ACO là một phương pháp nghiên cứu lấy cảm hứng từ việc mơ phỏng hành vi của đàn kiến trong tự nhiên nhằm mục tiêu giải quyết các bài tốn tối ưu phức tạp[2,3,4].Thuật tốn ACO là một thuật tốn rất mạnh trong tính tốn tiến hĩa nhờ cĩ các đặc điểm hội tụ và một vài tham số điều khiển. Giải thuật kiến đã nhận được sự chú ý rộng lớn nhờ vào khả năng tối ưu của nĩ trong nhiều lĩnh vực khác nhau. Khái niệm ACO lấy cảm hứng từ việc quan sát hành vi của đàn kiến trong quá trình chúng tìm kiếm nguồn thức ăn. Người ta đã khám phá ra rằng, đàn kiến luơn tìm được đường đi ngắn nhất từ tổ của chúng đến nguồn thức ăn. Phương tiện truyền đạt tín hiệu được kiến sử dụng để thơng báo cho những con kiến khác trong việc tìmđường đi hiệu quả nhất chính là mùi của chúng(pheromone).Tất cả đàn kiến sẽ cùng kéo về một đường đi mà cĩ vệt mùi nhiều nhất cĩ khuynh hướng trở thành đường đi ngắn nhất từ tổ đến nguồn thức ăn của chúng[6]. ACO là một kỹ thuật tiến hĩa cĩ nhiều ưu điểm nổi bật hơn so với các kỹ thuật tối ưu khác như: ACO cĩ nhiều khả năng hội tụ đối với các giải pháp tồn cầu bởi vì đồng thời nĩ đánh giá nhiều điểm trong khơng gian thơng số.Là thuật tốn khơng cần phải giả định rằng khơng gian tìm kiếm là khả vi hoặc liên tục. Đẩy nhanh quá trình ACO-OPF, các biến cĩ thể điều khiển tách rời để giới hạn cơng suất tác dụng và cơng suất phản kháng điều đĩ đạt đến hàm chi phí. Thơng số slack bus sẽ được tính lại trong quá trình dịng tải để cĩ hiệu quả ràng buộc cơng suất phản kháng. ACO đã ứng dụng thành cơng trong nhiều lĩnh vực. Cĩ nhiều bài báo đã đăng các ứng dụng thành cơng của ACO[9]. Cĩ thể điển hình một số lĩnh vực đã ứng dụng ACO thành cơng như nhân viên bán hàng du lịch[5]; ứng dụng trong sinh học; ứng dụng trong vấn đề định tuyến xe[7, 8, 9]; ứng dụng trong mạng viễn thơng [10]; ứng dụng trong bài tốn lập kế hoạch sản xuất[13, 14, 15]; ứng dụng vẽ đồ thị [11];ứng dụng trong vẽ đồ thị Hamiton[12];vấn đề tối ưu hĩa tổ hợp; ứng dụng trong lãnh vực tái cấu trúc lưới điện phân phối. . . . ACO cũng giống như thuật tốn tiến hĩa khác cĩ thể được ứng dụng để giải quyết vấn đề một cách tối ưu nhất và các vấn đề này cĩ thể được chuyển thành các bài tốn tối ưu. 2
3. XÂY DỰNG VẤN ĐỀ Theo tiêu chuẩn vấn đề OPF cĩ thể được viết dưới dạng sau: min{퐹 } 푠 푗푒 푡푡표: 푕 = 0 (1) 푣à ( ) ≥ 0 Ở đây F(x) là hàm mục tiêu, h(x) đại diện cho ràng buộc cân bằng, g(x) đại diện cho ràng buộc khơng cân bằngx là vector của biến điều khiển, đĩ là những biến mà cĩ thể thay đổi bởi một trung tâm điều khiển( phát ra cơng suất tác dụng, cơng suất phản kháng, biên độ điện áp bus. . v.v. ) Hàm mục tiêu Mục tiêu thường được sử dụng nhất trong việc xây dựng bài tốn OPF là giảm tối thiểu tổng chi phí cơng suất thực phát ra. Chi phí từng máy phát tạo ra là tổng của hàm mục tiêu, sự phát cơng suất tác dụng và là đại diện cho đường cong bậc hai của phương trình bậc hai. Hàm mục tiêu cho tồn bộ hệ thống điện cĩ thể được viết như tổng của các mơ hình chi phí bậc hai tại mỗi máy phát: 푛 2 F(x)= 푖=1( 푖 + 푖 푖 + 푖 푖 ) (2) ở đây Ng: số máy phát bao gồm cả nút chuẩn, Pgi: cơng suất tác dụng phát ra tại bus thứ i.ai, bi và ci là các hệ số của hàm chi phí máy phát thứ i. Loại ràng buộc cân bằng Trong khi cực tiểu chi phí hàm mục tiêu, điều này thì rất cần thiết để đảm bảo rằng máy phát vẫn đảm bảo nhu cầu tải Pd cộng với tổn thất trên đường dây.Thơng thường các phương trình dịng cơng suất thì được sử dụng như là ràng buộc cân bằng: ∆푃 푃 ( ,휃)−(푃 −푃 ) 푖 = 푖 푖 푖 (3) ∆푄푖 푄푖( ,휃)−(푄 푖 −푄 푖 ) ở đây cơng suất tác dụng và cơng suất phản kháng bơm vào bus thứ I được xác đinh theo phương trình: 푛 푠 푃푖( , 휃) = 푗 =1 푖 푗 ( 푖푗 cos 휃푖푗 + 푖푗 sin 휃푖푗 ) ; i= 2, nbus (4) 푛 푠 푄푖( , 휃) = 푗 =1 푖 푗 ( 푖푗 sin 휃푖푗 − 푖푗 cos 휃푖푗 ); i= npv+1,nbus (5) Trong đĩ gij là điện dẫn, bij là điện nạp, Vi là biên độ điện áp ở bus thứ I, 휃푖푗 là gĩc pha điện áp bus. Ràng buộc khơng cân bằng Những ràng buộc khơng cân bằng của OPF phản ánh giới hạn trên các thiết bị trong hệ thống điện như là giới hạn được tạo ra để đảm bảo hệ thống an tồn. Loại ràng buộc khơng cân bằng thường được sử dụng nhiều nhất là giới hạn điện áp bus ở máy phát và các bus tải, giới hạn 3
4. dưới điện áp bus ở các bus tải. Giới hạn cơng suất phản kháng ở bus máy phát. Ràng buộc khơng cân bằng vấn đề trên các biến được xem xét bao gồm: * Biên trên và dưới cơng suất tác dụng phát ở bus máy phát: 푖푛 푃 푖 ≤ 푃 푖 ≤ 푃 푖 , i=1, ng (6) * Biên trên và dưới cơng suất phản kháng tại bus máy phát và cơng suất bơm vào các thiết bị bù: 푖푛 푄 푖 ≤ 푄 푖 ≤ 푄 푖 , i=1, npv (7) * Biên trên và biên dưới điện áp ở tất cả các bus: 푖푛 푖 ≤ 푖 ≤ 푖 , i=1, nbus (8) * Biên trên và dưới gĩc pha điện áp bus: 푖푛 휃 푖 ≤ 휃 푖 ≤ 휃 푖 , i=1, nbus (9) Điều này cĩ thể thấy rằng hàm mục tiêu tổng quát hĩa F là một tuyến tính, số lượng ràng buộc cân bằng và khơng cân bằng tăng với kích thước của hệ thống phân phối. ứng dụng của một kỹ thuật tối ưu tiêu chuẩn như thuận tốn gradient dựa trên một hệ thống phân phối điện lớn với rất nhiều hàm mục tiêu là mơt tuyến tính và số lượng lớn ràng buộc là khơng đủ để giải quyết vấn đề này. Tối ưu đàn kiến trong tối ưu dịng cơng suất Mơ tả phương pháp tối ưu của đàn kiến. Trong việc tối ưu hĩa đàn kiến (ACO), một thuộc địa của kiến nhân tạo hợp tác trong việc tìm kiếm giải pháp tốt cho vấn đề tối ưu hĩa khĩ khăn. Hợp tác là một thiết kế then chốt thành phần của thuật tốn ACO. Lựa chọn là để phân bổ nguồn tính tốn đến một tập mối quan hệ các kiến (kiến nhân tạo) điều đĩ giao tiếp gián tiếp stigmery. Giải pháp tốt là đặc tính nổi bậc của các nhân tố hợp tác tương tác với nhau. Kiến nhân tạo cĩ tính chất đơi. Một mặt, chúng là một khái niệm trừu tượng của những đặc điểm hành vi của kiến thực mà dường như là trung tâm của con đường ngắn nhất tìm kiếm hành vi quan sát thấy trong đàn kiến thực. Mặt khác,chúng đã được làm giàu với một số tính năng mà khơng tìm thấy một đối tác tự nhiên. Trong thực tế, chúng ta muốn tối ưu hĩa đàn kiến là một phương pháp kỹ thuật để thiết kế và thực hiện các hệ thống phần mềm cho các giải pháp của vấn đề tối ưu hĩa. Do đĩ nĩ là hợp lý để cung cấp cho con kiến nhân tạo một số khả năng rằng, mặc dù khơng tương ứng với bất kỳ khả năng của kiến thực sự của chúng, làm cho chúng hiệu quảvà hiệu quả hơn. 푛 Số kiến là m và được cho bởi: m= 푖=1 (푖) ở đây bi(t) là số kiến trong trạng thái i ở thời gian t. 4
5. Mỗi kiến tạo ra một chuyến đi hồn chỉnh bằng cách chọn các thành phố theo một quy luật trạng thái xác suất. Theo xác suất tốn học mà kiến k trong thành phố r chọn để di chuyển đến thành phố s là [22]: −푖 훼 훽 푖=1[ .휏(푖,푠) .[η r,s ] 훼 푖 푠 ∈ 퐽 ( ) −푖.휏(푖,푣) . η(i,v) 훽 푃 , 푠 = 푣∈푗 푖=1 (10) 0 표푡푕푒 푤푖푠푒 τ là pheromone, η là tầm nhìn là nghịch đảo của khoảng cách δ (r, s).Jk (r) là tập hợp các thành phố cịn lại đến thăm bởi kiến k xác định ở thành phố r, α và β là hai hệ số mà làm cho thơng tin pheromone(mùi) hoặc các thơng tin tầm nhìn quan trọng với một thơng tin khác và tham số γ> 0 xác định ảnh hưởng tương đối của các giá trị tương ứng của pheromone quyết định trước đĩ, trước nơi trong hốn vị. Một giá trị γ = l kết quả trong đánh giá tổng kết mỗi 휏푖 , i≤ thì được đưa ra ảnh hưởng tương tự. Một giá trị 훾 ≤ 1 (훾 > 1)cung cấp các giá trị tương ứng với pheromone quyết định trước đĩ ảnh hưởng ít hơn. Giải pháp tốt nhất đã tìm thấy cho đến nay và trong hiện tại được sử dụng để cập nhật thơng tin pheromone. Tuy nhiên, trước đĩ, một số phần của pheromone đã được bay hơi theo: 휏 푠 = (1 − 휌)휏 푠 (11) Trong đĩ ρ là tỷ lệ bay hơicủa pheromonevới 0≤ < 1 và (1- p) là độ bền đường mịn.Lý do cho điều này là pheromone cũ khơng quá mạnh ảnh hưởng đến tương lai. Giả sử 휏 푠 (푡) là cường độ đường mịn ở trên biên (r,s) ở thời gian t. Mỗi kiến tại thời điểm t chọn thành phố kế tiếp, nơi mà kiến sẽ ở tại thời điểm t +1. Vì vậy, sau mỗi chu kỳ, sau mỗi kiến đã xác định một chiến đi pheromone trail được cập nhật bằng cách sử dụng các giải pháp được thành lập theo cơng thức sau: ( ) 휏 푠 푡 + 푛 = 휌. 휏 푠 푡 + =1 ∆휏 푠 (12) ( ) Trong đĩ ∆휏 푠 là sự đĩng gĩp kiến k để lại mùigiữa các thành phố r và s.Thơng thường 푄0 ( ) 퐿 ∆휏 푠 = 푛ế , 푠 ∈ 푡푕 ộ 푕푖ế푛đ푖 푖ế푛 (13) 0 á 푕 푕á Q0 là một hằng số liên quan đến số lượng pheromone đặt bởi các kiến và Lk là chiều dài chiến đi của kiến thứ k. Quá trình này sau đĩ đã được lặp và thuật tốn chạy cho đến khi một số tiêu chí dừng lại được đáp ứng, một số lượng nhất định của các thế hệ đã được thực hiện hoặc chất lượng trung bình của các giải pháp được tìm thấy bởi những con kiến của một thế hệ đã khơng thay đổi trong nhiều thế hệ. 5
6. ACO áp dụng OPF Mục tiêu của chúng ta là để giảm thiểu hàm mục tiêu của OPF xác định bởi (2), sử dụng vào tính tốn ràngbuộc cân bằng (3), và ràng buộc bất cân bằng (4). Hàm chi phí thực hiện trong ACO được định nghĩa là: 푛 2 푖푛 퐹푖 푃 푖 = 푖=1 푖 + 푖푃 푖 + 푖푃 푖 ; 푃 푖 ≤ 푃 푖 ≤ 푃 푖 ; i=1, ng (14) Việc tìm kiếm các thơng số thiết lập tối ưu được thực hiện sử dụng vào sự tính tốn một phần của ràng buộc cân bằng(3.3), trong đĩ trình bày các tổn thất cơng suất tác dụng truyền tải (PL) được phân phối trong khu vực khả thi. Việc tìm kiếm vector điều khiển tối ưu được thực hiện điều đĩ thể hiện hệ thốngtổn thất truyền tải (PL). Những tổn thất này cĩ thể xấp xỉ ở hệ số B như [18]: −1 휕푃 Pf= 1 − 퐿 (15) 휕푃 Những tổn thất này đã được biểu diễn như là một vector phạt cho bởi: 푃 푛 푛 (15) 퐿= 푖=1 푗 =1 푃 푖 . 푖푗 ,푃 푗 Tổn thất truyền tải cơng suất PL của một hệ thống cĩ thể được tính theo phương pháp hệ số- B[24] và được cho bởi: PL =푃 . . 푃 + 푃 . 0 + 00 (16) T Pg là một vector cột ng chiều của mỗi máy phát điện, Pg là ma trận kết hợp của Pg,B là một hệ số ma trận ng × ng,Bo là một vector cột hệ số chiều và B00 là một hệ số. Mục tiêu của chúng ta là để tìm kiếm (Pg) thiết lập trong giới hạn chấp nhận của chúng để đạt được các vấn đề tối ưu hĩa OPF. Ở lần khởi tạo ban đầu, (Pg) được lựa chọn ngẫu nhiên giữa Pgiminvà Pgimax. Việc sử dụng các hàm phạt trong nhiều OPF giải pháp kỹ thuật để xử lý ràng buộc bất cân bằng cĩ thể dẫn đến vấn đề hội tụ. Trong phương pháp này chỉ cĩ cơng suất tác dụng của máy phát được sử dụng trong hàm chi phí. Và những ràng buộc bất cân bằng được lên kế hoạch trong quá trình dịng tải. Bởi vì bản chất của vấn đề này là những ràng buộc được phân chia trong hai loại ràng buộc, ràng buộc cơng suất tác dụng đã được kiểm trasử dụng các quá trình ACO-OPF và ràng buộc cơng suất phản kháng đang được cập nhật bằng cách sử dụng quá trình dịng tải bằng phương pháp Newton-Raphson. Sau khi muc tiêu tìm kiếm được thực hiện, hay một sự phát cho phép đạt được bằng thuật tốn ACO. Nĩ cần thuyết để thực hiện một giải pháp cơng suất tải để điều chỉnh tốt trên các giá trị tối ưu thu được từ thuật tốn ACO-OPF. Điều này sẽ cung cấp điện áp, gĩc pha và nấc điều chỉnh đầu phân áp máy biến áp và phát ra cơng suất phản kháng nằm trong giới hạn. Để xác định cơng suất phản kháng và cơng suất tác dụng của máy phát điều này cho bởi slack generator dùng trong việc tính tốn cơng suất phản kháng ràng buộc khác nhau. 6
7. Ví dụ về ràng buộc cơng suất phản kháng là min và tốc độ phản ứng tối đa của các bus máy phát là min và max của các cấp điện áp của tất cả các bus. Tất cả những yêu cầu một chương trình dịng tải nhanh và mạnh với tính chất hội tụ tốt nhất.Sự phát triển quá trình dịng tải là dựatrên thuật tốn Newton-Raphson sử dụng kỹ thuật đa tối ưu [19, 20].Cĩ một vài thơng số được thiết lập cho các thuật tốn kiến, các thơng số này là:ρ tỷ lệ bay hơi, m là số lượng kiến của đàn, α và β hai hệ số. Trong trường hợp OPF các giá trị thu được bằng một giai đoạn tối ưu sơ bộ, trong đĩ chúng ta thấy các giá trị thực nghiệm tối ưu các thơng số phần lớn độc lập của vấn đề. Hàm phí ban đầu τo được cho bởi τo = (ng · L) -1 trong đĩ L là độ dài chuyến đi được sản xuất bởi phỏng đốn gần nhất. Số lượng kiến sử dụng là m = 20. Bất chấp vị trí ban đầu của chúng, kiến được đặt ngẫu nhiên, cĩ ít nhất một con kiến trong mỗi đơn vị máy phát. Một phương pháp cải thiện địa phương đề nghị của Johnson & McGeoch [21] gọi là phương pháp 3 lựa chọn giới hạn đã được điều chỉnh để sử dụng trong ACO. Nĩ liên quan đến vùng-trao đổi trong một nỗ lực để cải thiện một giải pháp. Nhưng chúng ta chọn một số ràng buộc về trao đổi để tránh thời gian tính tốn quá lâu. Tìm kiếm địa phương được áp dụng khi giải pháp được xây dựng và kết quả của giai đoạn này được sử dụng để cập nhật những con đường mịn pheromone. Thuật tốn ACO áp dụng cho OPF cĩ thể được mơ tả trong các bước sau: Bước 1 khởi tạo: Đặt t=0 { t là thời gian counter} Đối với mỗi đường (i,j), đặt một giá trị ban đầu 휏푖푗 (푡) và đặt∆휏푖푗 푡, 푡 + 푛 = 0; Nơi các kiến bi(t) trên mỗi bus i{ bi(t) là số kiến trên bus i ở thời gian t}. S=1{s là chỉ số danh sách tabu}; For i=1 to n do; For k=1 to bi(t) do; Tabu k(s)=i{ bus bắt đầu là yếu tố đầu tiên danh sách tabu của kiến thứ k}. Bước 2: lặp lại cho đến khi danh sách tabu đầy{ bước này sẽ lặp đi lặp lại (n-1) lần}. Đặt s=s+1; For i=1 to n do { cho mỗi bus}; For k=1 to bi(t) do { cho mỗi kiến k-th trên bus i vẫn khơng di chuyển}; Chọn bus j để di chuyển với xác suất pij(t) 훼 훽 [휏푖푗 ] [ ] 푖푗 푖 푗 ∈ 푗 (푡) = 훼 훽 푖푗 ∈퐽 [휏푖 ] . [ ] 푖 0 표푡푕푒 푤푖푠푒 Di chuyển kiến thứ k đến j { hướng này tạo ra các giá trị mới bj(t+1)} 7
8. Vào bus j trong tabu k(s). Bước 3 For k=1to m do { cho mỗi kiến} Tính Lk {kết quả từ danh sách tabu} For s=1 to n-1 do{scan danh sách tabu của kiến thứ k} Đặt (h,l)=(tabu k(s), tabu k(s+1)) {[h,l] là biên kết nối bus s và bus s+1 trong danh sách tabu kiến k} 푄 휏 (푡 + 푛) = ∆휏 (푡 + 푛) + 푕,푙 푕푙 퐿 Lk: chiều dài tương ứng ngang qua bởi kiến thứ k. Q: đại diện cho số lượng pheromone đặt bởi kiến thứ k. Bước 4 Đối với mỗi cạnh (i,j) tính 휏푖푗 (t+n) Đặt t=t+n Mỗi đường mịn (i,j) đặt ∆휏푖푗 (t,t+n)=0. Bước 5 Nhớ con đường tìm thấy ngắn nhất If (NC<NCMAX) hay ( khơng phải tất cả các kiến lựa chọn tour cùng đi) NC là số chu kỳ thuật tốn trong NC chu kỳ đã được thử nghiệm NCm các tour sau đĩ; Tất cả danh sách tabu rỗng Đặt s=1 For i=1 to n do For k=1 to bi(t) do Tabu k(s)=i{ sau một tour kiến thứ k lần nữa ở vị trí ban đầu} Đến bước 2 Else Xuất tour ngắn nhất và dừng lại. Áp Dụng Nghiên Cứu, Kết Quả và Thảo Luận Bài báo trình bày tính tốn phân bố cơng suất tối ưu trong mạng điện dùng thuật tốn ACO và áp dụng vào bài tốn mạng điện IEEE 30 nút và 26 nút.Thơng số đầu vào bao gồm thơng số đường dây, điện áp, cơng suất tải, tụ bù, đầu phân áp máy biến áp(MBA), các hệ số chi phí, ràng buộc cơng suất của các nhà máy, các thơng số giải thuật cài đặt vào thuật tốn ACO. 8
9. Phân bố tối ưu cơng suất trong mạng điện IEEE 30 nút Mạng điện gồm 30 nút (IEEE 30 bus test system) với 6 nhà máy điện(No=1, 2, 5, 8, 11 và 13, thiết bị bù cơng suất phản kháng, với 21 tải và 41 đường dây.Phân bố cơng suất tác dụng và cơng suất phản kháng các nhà máy điện đồng thời thỏa mãncác ràng buộc về độ lớn điện áp nút, giới hạn cơng suất các nhà máy điện, dung lượng bù, đầu phân áp máy biến áp để cực tiểu hàm chi phí nhiên liệu. Thơng số đầu vào mạng điện IEEE 30 nút Hàm chi phí cĩ dạng 2 푖 = 훼푖 + 훽푖푃푖 + 훾푖푃푖 ($/h) Chi phí vận hành máy phát tính bằng đơn vị $/h, với Pi tính bằng đơn vị MW cho như sau: 2 C1=0+2.0P1+0.00375푃1 2 C2=0+1.75P2+0.01750푃2 2 C5=0+1.0P5+0.06250푃5 2 C8=0+3.25P8+0.00834푃8 2 C11=0+3.00P11+0.02500푃11 2 C13=0+3.00P13+0.02500푃13 Bảng 1:Giới hạn cơng suất tác dụng phát mạng IEEE 30 buses[16]: Giới Hạn Cơng Suất Tác Dụng Phát Của 6 Nhà Máy Nút Máy phát Pmin, MW Pmax, MW 1 1 50 200 2 2 20 80 5 5 15 50 8 8 10 35 11 11 10 30 13 13 12 40 Bảng 2:Dữ liệu nút điều chỉnh điện áp: Dữ Liệu Nút Điều Chỉnh Điện Áp Thứ tự nút Biên độ điện áp Qmin Qmax 2 1,045 -20 100 5 1.010 -15 80 8 1.010 -15 60 11 1.082 -10 50 13 1.071 -15 60 9
10. Bảng 3: Đầu phân áp cho trong bảng, nút bên trái được giả thiết nút cĩ đầu phân áp DỮ LIỆU MÁY BIẾN ÁP Nhánh máy biến áp Chỉnh định đầu phân áp đvtđ 4 - 12 1.0129 6 - 9 1.0155 6 - 10 0.9629 28 – 27 0.9581 Bảng 4:Số liệu cơng suất kháng tụ bù ngang DỮ LIỆU CƠNG SUẤT KHÁNG TỤ BÙ NGANG Số thứ tự nút Qc, đvtđ 10 19.0 24 4,0 Hình 1: Hệ thống mạng IEEE- 30 bus Bảng 5. Kết quả so sánh mạng IEEE – 30 bus từ [17] Kết Quả Pmin[MW] Pmax[MW] N - R QN - OPF ACO-OPF Pg1[MW] 50 200 99.211 170.237 200.0000 Pg2[MW] 20 80 80.00 44.947 21.9144 Pg5[MW] 15 50 50.00 28.903 18.7395 Pg8[MW] 10 35 20.00 17.474 28.0767 Pg11[MW] 10 30 20.00 12.174 10.0000 Pg13[MW] 12 40 20.00 18.468 12.0000 Power loss [MW] 5.812 8.805 6.7915 Generation cost [$/hr] 901.918 807.782 802.433 10
11. Bảng 6.So sánh ACO-OPF với các phương pháp Genetic-OPF và EP-OPF[17] Kết Quả Pmin[MW] Pmax[MW] GA-OPF EP-OPF ACO-OPF Pg1[MW] 50 200 178.0872 173.8262 200.0000 Pg2[MW] 20 80 48.722 49.998 21.9144 Pg5[MW] 15 50 21.454 21.386 18.7395 Pg8[MW] 10 35 20.954 22.63 28.0767 Pg11[MW] 10 30 11.768 12.928 10.000 Pg13[MW] 12 40 12.052 12.012 12.0000 Generation cost[$/h] 802.4484 802.5557 802.433 Power loss [MW] 9.6372 9.3638 6.7915 Time [Sec] 315 51.4 31 Từ những kết quả trên cho thấy: Ở bảng 5 phương pháp ACO giải bài tốn phân bố cơng suất cho kết quả về cực tiểu hàm chi phí tốt hơn phương pháp tính tốn truyền thống khác.Ở bảng 6 thời gian tính tốt hơn phương pháp tính tốn Genetic và EP và cho hàm chi phí xấp xỉ với hai phương pháp. Phân bố cơng suất tối ưu trong mạng điện IEEE 26 nút Mạng điện gồm 26 nút (IEEE 26 bus test system) với 6 nhà máy điện, thiết bị bù cơng suất phản kháng Phân bố cơng suất tác dụng và cơng suất phản kháng các nhà máy điện đồng thời thỏa mãn các ràng buộc về độ lớn điện áp nút, giới hạn cơng suất các nhà máy điện, dung lượng bù, đầu phân áp máy biến áp để cực tiểu hàm chi phí nhiên liệu. Thơng số đầu vào mạng điện IEEE 26 nút 2 Hàm chi phí cĩ dạng: 푖 = 훼푖 + 훽푖푃푖 + 훾푖푃푖 ($/h) Chi phí vận hành máy phát tính bằng đơn vị $/h, với Pi tính bằng đơn vị MW cho như sau: 2 C1=240+7.0P1+0.0070푃1 2 C2=200+10.0P2+0.0095푃2 2 C3=220+8.5P3+0.0090푃3 2 C4=200+11.0P4+0.0090푃4 2 C5=220+10.5P5+0.0080푃5 2 C26=190+12.0P26+0.0075푃26 11
12. Bảng 7. Dữ liệu nút điều chỉnh điện áp[1] Dữ Liệu Nút Điều Chỉnh Điện Áp Thứ tự nút Biên độ điện áp Qmin Qmax 2 1.020 40 250 3 1.025 40 150 4 1.050 40 80 5 1.045 40 160 26 1.045 15 50 Bảng 8. Đầu phân áp, nút bên trái được giả thiết là nút cĩ đầu phân áp: Dữ Liệu Máy Biến Áp Chỉnh định đầu Nhánh máy biến áp phân áp đvtđ 2 – 3 0.960 2 – 13 0.960 3 – 13 1.017 4 - 8 1.050 4 – 12 1.050 6 – 19 0.950 7 - 9 0.950 Bảng 9. Số liệu cơng suất kháng tụ bù ngang: Dữ Liệu Cơng Suất Kháng Tụ Bù Ngang Thứ tự nút Qc, đvtđ 1 4.0 4 2.0 5 5.0 6 2.0 9 3.0 11 1.5 12 2.0 15 0.5 19 5.0 12
13. Bảng 10.Giới hạn cơng suất tác dụng phát: Giới Hạn Cơng Suất Tác Dụng Của Máy Phát Máy phát Pmin, MW Pmax, MW 1 100 500 2 50 200 3 80 300 4 50 150 5 50 200 26 50 120 11. Bảng so sánh ACO-OPF với GA-OPF Pmin Pmax GA-OPF ACO-OPF Pg1[MW] 100 500 444.8835 450.7112 Pg2[MW] 50 200 172.5925 170.3345 Pg3[MW] 80 300 268.7010 262.2140 Pg4[MW] 50 150 123.8442 136.4961 Pg5[MW] 50 200 173.4232 169.2820 Pg26[MW] 50 120 95.0846 86.2462 Power loss [MW] 15.53 12.2872 Generation cost [$/hr] 15483.72 15440.62 Phương pháp ACO giải bài tốn phân bố cơng suất cho kết quả về cực tiểu hàm chi phí tốt hơn phương pháp tính tốn truyền thống khác. Hình 2.Hình vẽ mạng điện IEEE 26 – bus 13
14. KẾT LUẬN Luận văn trình bày phương pháp thuật tốn ACO để giải quết bài tốn phân bố cơng suất tối ưu trong hệ thống điện. Thuật tốn đã thành cơng trong việc tìm điểm tối ưu và thời gian tính tốn nhanh.Nghiên cứu trong lĩnh vực metaheuristics đã cĩ thể thực hiện sự phát triển của các phương pháp tối ưu hĩa,mục tiêu cung cấp các giải pháp chất lượng cao cho các hệ thống phức tạp. Một đàn kiến tối ưu áp dụng cho tối ưu dịng cơng suất được giới thiệu và thử nghiệm trong hệ thống điện IEEE 30-Bus với sáu tổ máy phát điện đã được lựa chọn. Kết quả mơ phỏng cho thấy phương pháp tối ưu hĩa đàn kiến cĩ thể cho một kết quả tốt nhất với thời gian thấp. Trong phương pháp này, chỉ cĩ những hạn chế cơng suất tác dụng được thực hiện để tính tốn cài đặt giải pháp tối ưu sử dụng phương pháp ACO và những ràng buộc cơng suất phản kháng được thực hiện trong một dịng tải hiệu quả bằng cách tính tốn lại cơng suất tác dụng của slack bus. Phương pháp được đề xuất cĩ thể hữu ích cho hệ thống điện quy mơ lớn. Tài liệu tham khảo [1] Vận hành tối ưu hệ thống điện: PGS-TS.Quyền Huy Ánh. [2] M. Dorigo, G. Di Caro: The ant colony optimization metaheuristic, in D. Corne, M. Dorigo, F. Glover: New Ideas in Optimization, McGraw-Hill, 1997, p. 11-32. [3] M. Dorigo, G. Di Caro, L. M. Gambardella: Ant algorithms for discrete optimization, Artificial Life, Vol. 5, No. 2, 1999, p. 137-172. [4] M. Dorigo, V. Maniezzo, A. Colorni: Ant System, optimization by a colony of cooperating agents, IEEE Trans. System Man. and Cybernetics, Part B: Cybernetics, Vol. 26, No. 1, 1996, p. 29-41. [5] M. Dorigo, L. M. Gambardella: Ant colonies for the traveling salesman problem, BioSystems, Vol. 43, 1997, p. 73-81. [6] M. Dorigo, L. M. Gambardella: Ant colony System: a cooperative learning approach to the traveling salesman problem, IEEE Transactions on Evolutionary Computation, Vol. l, No. . [7] B. Bullnheimer, R. F. Hạti, C. Strauss: Applying the ant System to the vehicle routing problem, in S. Voss, S. Martello, I. H. Osman, C. Roucairol: MetaHeuristics: Advances and Trend in Local Search Paradigms for Optimization, Kluwer, 1999, p. 285-296. [8] B. Bullnheimer, R. F. Hạti, C. Strauss: An improved ant System algorithm for the vehicle routing problem, Ann. Oper. Res., Vol. 89, 1999, p. 319-328. 14
15. [9] L. M. Gambardella, E. Taillard, G.Agazzi: MACS-VRPTW a multiple ant colony System for vehicle routing problems with time Windows, in D. Corne, M. Dorigo, F. Glover, New Ideas in Optimization, McGraw-Hill, 1999, p. 63-76 [10] G. Di Caro, M. Dorigo: Ant colonies for adaptive routing in packet-switched communication networks, Proc. 5th Int. Conf. Parallel Problem Solving From Nature, Amsterdam, The Netherlands, 1998, p. 673-682. [11] D. Costa, A. Hertz: Ants can color graphs, J. Oper. Res. Soc., Vol. 48, 1997, p. 295-305. [12] I. A. Wagner, A. M. Bruckstein: Hamiltonian(t)-an ant inspired heuristic for recognizing Hamiltonian graphs, Proc. 1999 Congress on Evolutionary Computation, Washington, D.C., 1999, p. 1465-1469. [13] Bauer A., Bullnheimer B., Hartl R. F., Strauss C., Minimizing total tardiness on a single machine using ant colony optimization, Central Eur. J. Oper. Res., Vol. 8, No. 2, p. 125-141, 2000. [14] A. Colorni, M. Dorigo, V. Maniezzo, M. Trubian: Ant system for job-shop scheduling, Belgian J. Oper. Res., Statist. Comp. Sci. (JORBEL), Vol. 34, No. 1, 1994, p. 39-53. [15] M. Den Besteb, T. Stützle, M. Dorigo: Ant colony optimization for the total weighted tardiness problem, Proc. 6th Int. Conf. Parallel Problem Solving from Nature, Berlin, [16] Appendix – A, data for IEEE-30 Bus Test System. [17] Collective Intelligence for Optimal Power Flow Solution Using Ant Colony Optimization, Boumediène ALLAOUA* and Abdellah LAOUFI Bechar University, Departement of Electrical Engineering, B.P 417 BECHAR (08000) Algeria E-mail(s): elec_allaoua2bf@yahoo.fr, laoufi_ab@yahoo.fr (*elec_allaoua2bf@yahoo.fr) [18] Wood A. J., Wollenberg B.F., Power Generation, Operation and Control, 2nd Edition, John Wiley, 1996. [19] Stagg G. W., El Abiad A. H., Computer methods in power systems analysis, McGraw Hill International Book Company, 1968. [20] Kumar S., Billinton R., Low bus voltage and ill-conditioned network situation in a composite system adequacy evaluation, IEEE Transactions on Power Systems, Vol. PWRS-2, No. 3, 1987. [21] Johnson D.S., McGeoch L.A., The traveling salesman problem: a case study in local optimization, in E. H. L. Aarts, J. K. Lenstra: Local Search in Combinatorial Optimization, John Wiley and Sons, p. 215-310, 1997. [22]Merkle D., Middendorf M., An ant algorithm with a new pheromone evaluation rule for total tardiness problems, Proceedings of the EvoWorkshops 2000, Berlin, Germany: Springer- Verlag, Vol. 1803 then Lecture Notes in Computer Science, 2000, p. 287-296. 15
16. BÀI BÁO KHOA HỌC THỰC HIỆN CƠNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên cĩ xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa cĩ sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CĨ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2016-2017 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.