ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH
TRƢỜNG ĐẠI HỌC BÁCH KHOA
--------------------
NGUYỄN TRỌNG TUÂN
ÁP DỤNG PHƢƠNG PHÁP GREY WOLF OPTIMIZER TÍNH
TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
Chuyên ngành:
THIẾT BỊ - MẠNG VÀ NHÀ MÁY ĐIỆN
Mã số:
60.52.50
LUẬN VĂN THẠC SĨ
TP. HỒ CHÍ MINH, tháng 12 năm 2014
Công trình đƣợc hoàn thành tại: Trƣờng Đại Học Bách Khoa – ĐHQG-HCM
Cán bộ hƣớng dẫn khoa học : .....................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Cán bộ chấm nhận xét 1 : ...........................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Cán bộ chấm nhận xét 2 : ...........................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Luận văn thạc sĩ đƣợc bảo vệ tại Trƣờng Đại học Bách Khoa, ĐHQG Tp. HCM
ngày . . . . . tháng . . . . năm . . . . .
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)
1. ..............................................................
2. ..............................................................
3. ..............................................................
4. ..............................................................
5. ..............................................................
Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trƣởng Khoa quản lý chuyên
ngành sau khi luận văn đã đƣợc sửa chữa (nếu có).
CHỦ TỊCH HỘI ĐỒNG
TRƢỞNG KHOA…………
Nhiệm vụ luận văn thạc sĩ
TRƢỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
KHOA ĐIỆN – ĐIỆN TỬ
Độc lập – Tự do – Hạnh Phúc
--------------------
---oOo--Tp. HCM, ngày...... tháng...... năm......
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ và tên học viên: NGUYỄN TRỌNG TUÂN
Phái: Nam
Ngày, tháng, năm sinh: 03/03/1988
Nơi sinh: TPHCM
Chuyên ngành: Thiết bị Mạng và Nhà máy điện
MSHV: 12924333
1- TÊN ĐỀ TÀI:ÁP DỤNG PHƢƠNG PHÁP GREY WOLF OPTIMIZER TÍNH TOÁN
ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
2- NHIỆM VỤ LUẬN VĂN:Tìm hiểu bài toán điều độ kinh tế hỗn hợp nhiệt điện, tìm hiểu
phƣơng pháp Grey Wolf Optimizer. Ứng dụng GWO vào giải bài toán điều độ kinh tế hỗn hợp
nhiệt điện, so sánh kết quả đạt đƣợc với các phƣơng pháp khác.
3- NGÀY GIAO NHIỆM VỤ: 18/08/2014
4- NGÀY HOÀN THÀNH NHIỆM VỤ: 07/12/2014
5- HỌ VÀ TÊN CÁN BỘ HƢỚNG DẪN: TS.LÊ KỶ
Nội dung và đề cƣơng Luận văn thạc sĩ đã đƣợc Hội Đồng Chuyên Ngành thông qua
CÁN BỘ HƢỚNG DẪN
CHỦ NHIỆM BỘ MÔN
(Họ tên và chữ ký)
QUẢN LÝ CHUYÊN NGÀNH
(Họ tên và chữ ký)
i
KHOA QL CHUYÊN NGÀNH
(Họ tên và chữ ký)
Lời cảm ơn
LỜI CẢM ƠN
Đầu tiên học viên xin tỏ lòng biết ơn chân thành, sâu sắc đến giảng viên hƣớng
dẫn TS. Võ Ngọc Điều và TS.Lê Kỷ. Em xin cám ơn các thầy đã tận tình giúp đỡ, cung
cấp nhiều tài liệu và kinh nghiệm quý báu giúp em hoàn thành luận văn này.
Xin cám ơn tập thể thầy cô bộ môn Hệ Thống Điện, khoa Điện-Điện Tử đã
truyền đạt những bài học quý giá trong những năm tháng học Đại Học và Cao học để
học viên có nền tảng kiến thức quý giá thực hiện luận văn.
Xin cám ơn Ban Giám Đốc, lãnh đạo phòng và bạn bè đồng nghiệp Công ty Thí
Nghiệm Điện Miền Nam đã giúp đỡ, tạo điều kiện thuận lợi cho tôi trong quá trình học
tập và thực hiện luận văn.
Xin cám ơn gia đình và những ngƣời thân đã luôn bên cạnh, động viên, tạo
nhiều điều kiện cho tôi trong suốt quá trình học tập.
Tp. Hồ Chí Minh, tháng 12 năm 2014
Ngƣời thực hiện
Nguyễn Trọng Tuân
ii
Tóm tắt luận văn
TÓM TẮT LUẬN VĂN
Luận văn trình bày thuật toán mới GWO (Grey Wolf Optimizer) để giải bài toán
điều độ kinh tế hỗn hợp nhiệt điện. Thuật toán GWOlấy cảm hứng từ hành vi tổ chức
bầy đàn và săn mồi của loài sói trong tự nhiên đƣợc nghiên cứu và mô hình toán học
thành một phƣơng pháp hiệu quả cho các bài toán tối ƣu. Giải thuật đƣợc lập trình và
chạy trên phần mềm Matlab,kết quả so sánh với nhiều phƣơng pháp khác cho thấy
GWO là một phƣơng pháp hữu hiệu, cho kết quả tốt với thời gian tính toán và tốc độ
hội tụ nhanh
iii
Abstract
ABSTRACT
This thesis presents a novel algorithm to solve combined heat and power
economic dispatch (CHPED) basing on GWO (Grey Wolf Optimizer). GWO is
inspired by the leadership hierarchy and hunting mechanism of grey wolves in nature
that is researched and mathematized, the algorithm is proved to be an effective
approach for optimization problems. GWO algorithm for CHPED is programed and
computed on Matlab, the results are compared with other algorithm. It is showed that
GWO is a effective technique, provides good solutions with less computational effort.
iv
Lời cam đoan
LỜI CAM ĐOAN
Tôi xin cam đoan luận văn này là công trình của bản thân. Các số liệu xác thực
và tài liệu trích dẫn tuân thủ theo quy định và có nguồn gốc rõ ràng.
Tp. Hồ Chí Minh, tháng 12 năm 2014
Ngƣời thực hiện
Nguyễn Trọng Tuân
v
Mục lục
MỤC LỤC
NHIỆM VỤ LUẬN VĂN THẠC SĨ...............................................................................i
LỜI CẢM ƠN .................................................................................................................ii
TÓM TẮT LUẬN VĂN ............................................................................................... iii
ABSTRACT ...................................................................................................................iv
LỜI CAM ĐOAN ........................................................................................................... v
DANH MỤC CÁC BẢNG TRONG LUẬN VĂN ......................................................ix
DANH MỤC CÁC HÌNH TRONG LUẬN VĂN ........................................................ x
CHỮ VIẾT TẮT TRONG LUẬN VĂN .....................................................................xii
CHƢƠNG 1: GIỚI THIỆU CHUNG
1.1
ĐẶT VẤN ĐỀ: ................................................................................................... 1
1.2
HƢỚNG TIẾP CẬN ĐỀ TÀI: ........................................................................... 2
1.3
MỤC TIÊU CỦA ĐỀ TÀI: ................................................................................ 3
1.4
TẦM QUAN TRỌNG CỦA ĐỀ TÀI: ............................................................... 3
1.5
PHẠM VI NGHIÊN CỨU: ................................................................................ 3
CHƢƠNG 2: TỔNG QUAN
2.1
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN: ........................... 4
2.2
TỔNG QUAN CÁC PHƢƠNG PHÁP ĐÃ ĐƢỢC ÁP DỤNG ĐỂ GIẢI BÀI
TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN ............................................... 5
2.2.1
Artificial Immune System (AIS) [18] .......................................................... 5
2.2.2
Time Varying Acceleration Coefficient Particle Swarm Optimization
(TVAC-PSO) [19] ..................................................................................................... 5
2.2.3
Differential Evolution (DE) [20] ................................................................. 6
2.2.4
Bee Colony Optimization (BCO) [14] ......................................................... 6
2.2.5
Particle Swarm Optimization with Improved Inertia Weight (PSO-IIW)
[21]
……………………………………………………………………………..6
vi
Danh mục các bảng trong luận văn
2.2.6
Cuckoo Search (CS) [16] ............................................................................. 7
2.2.7
Improved Particle Swarm Optimization (IPSO) [17] .................................. 7
CHƢƠNG 3: THÀNH LẬP BÀI TOÁN
3.1
Hàm mục tiêu: .................................................................................................... 8
3.2
Các ràng buộc của bài toán:................................................................................ 9
3.2.1
Ràng buộc đẳng thức: .................................................................................. 9
3.2.2
Ràng buộc bất đẳng thức: ............................................................................ 9
3.2.3
Ràng buộc đồng phát: ................................................................................ 10
3.3
Các ràng buộc khác: ......................................................................................... 10
3.3.1
Ràng buộc về tổn thất: ............................................................................... 11
3.3.2
Ràng buộc độ dốc tốc độ: .......................................................................... 11
3.3.3
Ràng buộc độ dự trữ nóng: ........................................................................ 11
3.3.4
Ràng buộc công suất truyền tải:................................................................. 12
CHƢƠNG 4: GIỚI THIỆU VỀ THUẬT TOÁN GWO VÀ PHƢƠNG PHÁP GIẢI
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
4.1
GIỚI THIỆU THUẬT TOÁN GWO: .............................................................. 13
4.1.1
Tổng quan: ................................................................................................. 13
4.1.2
Cấu trúc bầy đàn của loài sói: .................................................................... 13
4.1.3
Hành vi săn mồi của loài sói: ..................................................................... 15
4.1.4
Giải thuật của phƣơng pháp GWO: ........................................................... 19
4.2 ỨNG DỤNG GWO GIẢI BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT
ĐIỆN ........................................................................................................................... 22
4.2.1
Nhận dạng bài toán: ................................................................................... 22
4.2.2
Ràng buộc bất đẳng thức: .......................................................................... 22
4.2.3
Ràng buộc đồng phát: ................................................................................ 23
4.2.4
Ràng buộc đẳng thức: ................................................................................ 23
4.2.5
Giải thuật cho bài toán điều độ kinh tế hỗn hợp nhiệt điện: ...................... 24
vii
Danh mục các bảng trong luận văn
CHƢƠNG 5: KẾT QUẢ TÍNH TOÁNÁP DỤNG THUẬT TOÁN GWOGIẢI BÀI
TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
5.1
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 4 MÁY PHÁT ( 1 MÁY
PHÁT ĐIỆN, 2 MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA
TỔN THẤT................................................................................................................. 35
5.1.1
Trƣờng hợp PD = 200MW, HD = 115MWth: ............................................. 37
5.1.2
Trƣờng hợp PD = 175MW, HD = 110MWth: ............................................. 40
5.1.3
Trƣờng hợp PD = 225MW, HD = 125MWth: ............................................. 43
5.2
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 5 MÁY PHÁT ( 1 MÁY
PHÁT ĐIỆN, 2 MÁY PHÁT ĐỒNG PHÁT ,1 MÁY PHÁT NHIỆT VÀ 1 MÁY
PHÁT TUA BIN HƠI) BỎ QUA TỔN THẤT: ......................................................... 47
5.3
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 5 MÁY PHÁT ( 1 MÁY
PHÁT ĐIỆN, 3 MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA
TỔN THẤT : .............................................................................................................. 50
5.3.1
Trƣờng hợp PD = 300MW, HD = 150MWth: ............................................. 53
5.3.2
Trƣờng hợp PD = 250MW, HD = 175MWth: ............................................. 55
5.3.3
Trƣờng hợp PD = 160MW, HD = 220MWth: ............................................. 58
5.4
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 6 MÁY PHÁT ( 1 MÁY
PHÁT ĐIỆN, 4 MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA
TỔN THẤT : .............................................................................................................. 61
5.4.1
Trƣờng hợp PD = 500MW, HD = 300MWth: ............................................. 64
5.4.2
Trƣờng hợp PD = 450MW, HD = 300MWth: ............................................. 67
5.4.3
Trƣờng hợp PD = 250MW, HD = 300MWth: ............................................. 70
CHƢƠNG 6: TỔNG KẾT VÀ HƢỚNG NGHIÊN CỨU TIẾP THEO
6.1 TỔNG KẾT ĐỀ TÀI ............................................................................................ 74
6.2HƢỚNG NGHIÊN CỨU TIẾP THEO.................................................................. 74
TÀI LIỆU THAM KHẢO ........................................................................................... 75
LÝ LỊCH TRÍCH NGANG ......................................................................................... 78
viii
Danh mục các bảng trong luận văn
DANH MỤC CÁC BẢNG TRONG LUẬN VĂN
Bảng 5.1: Kết quả sau khi chạy GWO 50 lần
Bảng 5.2: So sánh kết quả giữa các phƣơng pháp
Bảng 5.3: Kết quả sau khi chạy GWO 50 lần
Bảng 5.4: So sánh kết quả giữa các phƣơng pháp
Bảng 5.5: Kết quả sau khi chạy GWO 50 lần
Bảng 5.6: So sánh kết quả giữa các phƣơng pháp
Bảng 5.7: Kết quả sau khi chạy GWO 50 lần
Bảng 5.8: So sánh kết quả giữa các phƣơng pháp
Bảng 5.9: Kết quả sau khi chạy GWO 50 lần
Bảng 5.10: So sánh kết quả giữa các phƣơng pháp
Bảng 5.11: Kết quả sau khi chạy GWO 50 lần
Bảng 5.12: So sánh kết quả giữa các phƣơng pháp
Bảng 5.13: Kết quả sau khi chạy GWO 50 lần
Bảng 5.14: So sánh kết quả giữa các phƣơng pháp
Bảng 5.15: Kết quả sau khi chạy GWO 50 lần
Bảng 5.16: So sánh kết quả giữa các phƣơng pháp
Bảng 5.17: Kết quả sau khi chạy GWO 50 lần
Bảng 5.18: So sánh kết quả giữa các phƣơng pháp
Bảng 5.19: Kết quả sau khi chạy GWO 50 lần
Bảng 5.20: So sánh kết quả giữa các phƣơng pháp
ix
Danh mục các hình trong luận văn
DANH MỤC CÁC HÌNH TRONG LUẬN VĂN
Hình 3.1: Đặc tính phát nhiệt-điện của máy phát đồng phát
Hình 4.1: Phân cấp trong bầy đàn của loài sói
Hình 4.2: Mô hình 2 chiều vị trí săn mồi của loài sói
Hình 4.3: Mô hình 3 chiều vị trí săn mồi của loài sói
Hình 4.4:Hành vi săn mồi của loài sói
Hình 4.5:Mô hình toán học hành vi săn mồi của loài sói
Hình 4.6: Lƣu đồ tổng quát thuật toán GWO
Hình 5.1 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2
Hình 5.2 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3
Hình 5.3: Kết quả chạy GWO 50 lần
Hình 5.4: So sánh kết quả giữa GWO, CS và IPSO
Hình 5.5: Kết quả chạy GWO 50 lần
Hình 5.6: So sánh kết quả giữa GWO, CS và IPSO
Hình 5.7: Kết quả chạy GWO 50 lần
Hình 5.8: So sánh kết quả giữa GWO, CS và IPSO
Hình 5.9: Kết quả chạy GWO 50 lần
Hình 5.10: So sánh kết quả giữa GWO, CS và IPSO
Hình 5.11: Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2
Hình 5.12: Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3
Hình 5.13: Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 4
Hình 5.14: Kết quả chạy GWO 50 lần
Hình 5.15: So sánh kết quả giữa GWO, CS và IPSO
Hình 5.16: Kết quả chạy GWO 50 lần
Hình 5.17: So sánh kết quả giữa GWO, CS và IPSO
Hình 5.18: Kết quả chạy GWO 50 lần
x
Danh mục các hình trong luận văn
Hình 5.19: So sánh kết quả giữa GWO, CS và IPSO
Hình 5.20: Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2
Hình 5.21: Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3
Hình 5.22: Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 4
Hình 5.23: Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 5
Hình 5.24: Kết quả chạy GWO 50 lần
Hình 5.25: So sánh kết quả giữa GWO và IPSO
Hình 5.26: Kết quả chạy GWO 50 lần
Hình 5.27: So sánh kết quả giữa GWO và IPSO
Hình 5.28: Kết quả chạy GWO 50 lần
Hình 5.29: So sánh kết quả giữa GWO và IPSO
xi
Chữ viết tắt trong luận văn
CHỮ VIẾT TẮT TRONG LUẬN VĂN
CHP: Combined Heat and Power
CHPED: Combined Heat and PowerEconomic Dispatch
GWO: Grey Wolf Optimizer
CS: Cuckoo Search
CSA: Cuckoo Search Algorithm
ACO: Ant Colony Optimizatio
ALHN: Augmented Lagrange Hopfield Network
BA: Bee Algorithm
BCO: Bee Colony Optimization
CGA: Conventional Genetic Algorithm
CGA-MU: Conventional Genetic Algorithm with Multiplier Updating
CHPED: Combined Heat and Power Economic Dispatch
DE: Differential Evolution
ED: Economic Dispatch
ELANN: Enhanced Lagrange Artificial Neural Network
EP: Evolutionary Programming
xii
Chữ viết tắt trong luận văn
FA: Firefly Algorithm
GA: Genetic Algorithm
HAS: Harmony Search Algorithm
IACSA: Improved Ant Colony Search Algorithm
IDE: Improved Differential Evolution
IGA-MU: Improved Genetic Algorithm with Multiplier Updating
IPSO: Improved Particle Swarm Optimization
LRSS-CSS: Lagrangian Relaxation with the Surrogate Subgradient using the Constant
Step Size
LRSS-SSBS: Lagrangian Relaxation with the Surrogate Subgradient using the Square
Summable But not Summable
MADS-DACE: Mesh Adaptive Direct Search-Design and Analysis of Computer
Experiments
MADS-LHS: Mesh Adaptive Direct Search- Latin Hypercube Sampling
MADS-PSO: Mesh Adaptive Direct Search- Particle Swarm Optimization
PSO: Particle Swarm Optimization
PSO-IIW: Particle Swarm Optimization with Improved Inertia Weight
SARGA: Self Adaptive Real-coded Genetic Algorithm
xiii
Chƣơng 1: Giới thiệu chung
CHƢƠNG 1
GIỚI THIỆU CHUNG
1.1
ĐẶT VẤN ĐỀ:
Trong những thập kỷ qua, nhu cầu năng lƣợng điện trên toàn thế giới tăng cao
do tăng trƣởng kinh tế. Nhiều nguồn nhiên liệu đƣợc phát minh và huy động vào chu
trình sản xuất năng lƣợng để đáp ứng nhu cầu ngày càng cao đó. Các nguồn nhiêu liệu
hiện nay đang sử dụng bao gồm: Nhiên liệu hóa thạch (Xăng, dầu, khí, than đá, …),
nhiên liệu sinh học, nhiên liệu tái tạo (năng lƣợng mặt trời, địa nhiệt, phong điện, thủy
điện, thủy triều,…). Tuy nhiên, nhiên liệu hóa thạch vẫn đóng một vai trò quan trọng
trong hệ thống sản xuất năng lƣợng của tất cả các quốc gia trên thế giới.
Để đáp ứng nhu cầu năng lƣợng tăng cao, các quốc gia càng đẩy mạnh khai thác
và sử dụng nhiên liệu hóa thạch. Việc này đồng nghĩa với các nguồn nhiêu liệu này
đang ngày càng cạn kiệt, bên cạnh đó tiêu thụ nhiều nhiên liệu hóa thạch gây ảnh
hƣởng lớn đối với môi trƣờng và làm biến đổi khí hậu. Do đó, bài toán đặt ra cấp thiết
cho các nhà khoa học và các nhà hoạch định năng lƣợng chiến lƣợc là nâng cao hiệu
suất các nhà máy phát điện, phát nhiệtđể giảm lƣợng nhiên liệu hóa thạch tiêu thụ.
Các máy phát điện truyền thống thông thƣờng chỉ sử dụng một phần năng lƣợng
đốt nóng từ nhiên liệu hóa thạch để làm quay tuabin, một phần lớn năng lƣợng dƣới
dạng nhiệt không đƣợc sử dụng khiến cho các tổ máy phát nhiệt điện có hiệu suất thấp.
Bên cạnh đó, tại các quốc gia thuộc vùng khí hậu ôn đới, nhu cầu về khí đốt và nhiên
liệu để sƣởi ấm, nấu nƣớng rất cao, hàng năm các quốc gia này tiêu tốn một lƣợng rất
lớn khí đốt, xăng dầu cho sinh hoạt cần đến nhiệt năng. Từ những nhu cầu thực tiễn đó,
khái niệm máy phát đồng phát (CHP – Combined Heat and Power) đƣợc ra đời.
Máy phát đồng phát là dạng máy phát có khả năng sản xuất ra hai loại năng
lƣợng: Điện năng và nhiệt năng cùng một lúc. Phần nhiệt năng không thể chuyển hóa
Trang 1
Chƣơng 1: Giới thiệu chung
thành điện năng đƣợc tận dụng để phục vụ cho các nhu cầu về nhiệt. Chính vì vậy các
máy phát CHP đạt đƣợc hiệu suất cao lên đến 80% [1], hiệu quả hơn nhiềuso với các
máy phát thông thƣờng chỉ đạt hiệu suất từ 50% đến 60%. [1]
Vì các lợi ích đáng kể nhƣ thế, các tổ máy CHP đƣợc ứng dụng rộng rãi trong
nhiều nhà máy điện. Tuy nhiên, để tối ƣu hóa hơn nữa chi phí vận hành các tổ máy,
đồng thời vẫn đảm bảo đáp ứng đầy đủ yêu cầu về công suất điện và nhiệt, bài toán tối
ƣu hóa hỗn hợp nhiệt điện CHPED (Combined Heat and PowerEconomic
Dispatch)đƣợc ra đời
Cho đến nay, các phƣơng pháp nổi bật để giải quyết bài toán CHPED nhƣ
Phƣơng pháp Lagrange [2], Lập trình tiến hóa (EP) [9], Giải thuật di truyền (GA) [15],
Mạng Hopfield Lagrange tăng cƣờng (ALHN) [3], Tối ƣu hóa bầy đàn cải tiến (IPSO)
[17], Phƣơng pháp Harmony Search (HS) [11], Phƣơng pháp con kiến (ACO) [7],
Phƣơng pháp con ong (BA) [14], … Việc tìm kiếm một phƣơng pháp để giải quyết bài
toán hiệu quả, nhanh chóng là điều mong muốn và cấp thiết.
1.2
HƢỚNG TIẾP CẬN ĐỀ TÀI:
Với bài toán tối ƣu đơn giản thì ta có thể tính trực tiếp hay dùng các phƣơng
pháp cổ điển. Bài toán CHPED thuộc dạng bài toán lớn, phi tuyến với nhiều ràng buộc
phức tạp. Nếu giải bằng các phƣơng pháp cổ điển thì thời gian tính toán sẽ lâu và bài
toán có thể không tìm ra kết quả. Những năm gần đây, các phƣơng pháp dạng
metaheuristic cho thấy kết quả tính toán nhanh hơn, cho lời giải tốt hơn. Bằng cách sử
dụng thuật toán tối ƣu hóa dạng metaheuristic để giải bài toán CHPED đã cho kết quả
tốt hơn nhiều
Một phƣơng pháp
mới đƣợc phát triển bởi Seyedali Mirjalili, Seyed
Mohammad Mirjalili và Andrew Lewis vào năm 2014 cũng thuộc meta-heuristic lấy
cảm hứng từ loài sói là Grey Wolf Optimizer (GWO) [2]. Phƣơng pháp này lấy cảm
Trang 2
Chƣơng 1: Giới thiệu chung
hứng từ cách phân cấp trong bầy đàn của loài sói và hành vi của chúng khi săn mồi
trong tự nhiên để phát triển nên giải thuật để giải các bài toán tối ƣu.
Phƣơng pháp GWO sẽ đƣợc áp dụng để giải bài toán điều độ kinh tế hỗn hợp
nhiệt điện và so sánh kế quả với các phƣơng pháp khác.
1.3
MỤC TIÊU CỦA ĐỀ TÀI:
Luận văn giới thiệu về phƣơng pháp mới để giải các vấn đề về tối ƣu, từ đó áp
dụng Grey Wolf Optimizer vào giải bài toán điều độ kinh tế hỗn hợp nhiệt điện. Mục
tiêu cuối cùng là dựa vào GWO để đƣa ra phƣơng án tối ƣu nhất, cực tiểu chi phí trong
vận hành hệ thống các tổ máy hỗn hợp nhiệt điện CHP.
1.4
TẦM QUAN TRỌNG CỦA ĐỀ TÀI:
Hiện nay chƣa có luận văn thạc sĩ, tiến sĩ, công trình nghiên cứu nào trong nƣớc
áp dụng thuật toán GWO để giải bài toán điều độ kinh tế hỗn hợp nhiệt điện.
1.5
PHẠM VI NGHIÊN CỨU:
Tìm hiểu về nguyên lý và lý thuyết của thuật toán GWO, bao gồm: Nguồn gốc
phƣơng pháp, nguyên lý, giải thuật, ƣu và nhƣợc điểm.
Từ các tìm hiểu ban đầu về GWO, áp dụng GWO vào giải bài toán điều độ kinh
tế hỗn hợp nhiệt điện CHPED cho hệ 4 tổ máy, 5 tổ máy và 6 tổ máy. Mỗi hệ có nhiều
trƣờng hợp khác nhau.
Lập trình phƣơng pháp giải và kiểm tra kết quả trên chƣơng trình matlab. Kết
quả giải bằng GWO đƣợc so sánh với các phƣơng pháp khác để đánh giá hiệu quả của
GWO cho bài toán CHPED.
Trang 3
Chƣơng 2: Tổng quan
CHƢƠNG 2
TỔNG QUAN
2.1
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN:
Tối ƣu hóa chiếm một vị trí quan trọng trong hệ thống năng lƣợng và là một kỹ
thuật thƣờng đƣợc sử dụng trong vận hành hệ thống điện. Tối ƣu hóa tìm cách phân bố
lại công suất yêu cầu cho các tổ máy trong phạm vi tính toán nhằm làm giảm chi phí và
cải thiện hiệu suất toàn bộ hệ thống. Hầu hết các vấn đề tối ƣu hóa hệ thống điện bao
gồm cả điều độ kinh tế (ED) đều có những đặc tính phi tuyến và khá phức tạp trong
việc phân chia công suất một cách kinh tế giữa những tổ máy đang hoạt động. Trong
thực tế, hàm mục tiêu của bài toán ED có những điểm gãy phụ thuộc vào ảnh hƣởng
của điểm van công suất và sự thay đổi dạng nhiên liệu, trong phạm vi nghiên cứu của
luận văn bỏ qua các điểm gãy này.
Bài toán điều độ kinh tế máy phát kết hợp nhiệt và điện (CHPED) tƣơng tự nhƣ
bài toán ED, nhƣng đƣợc áp dụng với máy phát kết hợp nhiệt và điện [1]. Ngoài việc
đáp ứng yêu cầu về điện, bài toán này phải đáp ứng thêm yêu cầu về nhiệt cũng nhƣ
thỏa mãn ràng buộc về vùng vận hành khả thi nhiệt-điện của máy phát đồng phát.
Thuật toán GWO mô phỏng theo cách phân cấp trong bầy đàn của loài sói và
hành vi của chúng khi săn mồi trong tự nhiên để phát triển nên giải thuật giải các bài
toán tối ƣu. Phân cấp trong bầy đàn của loài sói bao gồm: Alpha, Beta, Delta và
Omega, các hành vi khi săn mồi của loài sói đƣợc phân tích là: Tìm kiếm, bao vây và
tấn công.
Thuật toán GWO đã đƣợc kiểm chứng với 29 phƣơng trình thử nghiệm [2] và
cho kết quả rất tốt khi so sánh với các phƣơng pháp khác
nhƣ Particle Swarm
Optimization (PSO), Gravitational Search Algorithm (GSA), Differential Evolution
(DE), Evolutionary Programming (EP) và Evolution Strategy (ES).
Trang 4
Chƣơng 2: Tổng quan
2.2
TỔNG QUAN CÁC PHƢƠNG PHÁP ĐÃ ĐƢỢC ÁP DỤNG ĐỂ GIẢI BÀI
TOÁN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT ĐIỆN
2.2.1 Artificial Immune System (AIS) [18]
Hệ thống miễn dịch của con ngƣời bao gồm các tế bào, phân tử và các cơ quan
trong cơ thể có chức năng chống lại các nguồn bệnh lây nhiễm từ bên ngoài nhƣ virus
hay vi khuẩn. Hệ thống miễn dịch có thể phân biệt giữa các tế bào trong cơ thể và
nguồn bệnh bên ngoài (anti-gen). Sau khi phân loại, hệ thống miễn dịch tiến hành loại
bỏ các yếu tố gây bệnh, các antigen này sau đó đƣợc ghi nhớ và kích hoạt cơ chế tự
phòng ngừa cho tƣơng lai. Phƣơng pháp hệ thống miễn dịch đƣợc mô phỏng theo các
đặc tính của hệ thống miễn dịch của con ngƣời để giải bài toán tối ƣu. Phƣơng pháp
này đƣợc thử nghiệm, so sánh có kết quả tính toán nhanh hơn và hội tụ hơn so với
phƣơng pháp EP và PSO.
2.2.2 Time Varying Acceleration Coefficient Particle Swarm Optimization
(TVAC-PSO) [19]
Đây là một phƣơng pháp dựa trên quần thể, trong phƣơng pháp này cách thức
giải quyết là khuyến khích các cá thể đi lang thang qua toàn bộ không gian tìm kiếm.
Trong phần đầu tiên của việc tìm kiếm, không có gom cụm xung quanh tối ƣu cục bộ.
Trong các giai đoạn sau, hội tụ về phía tối ƣu toàn cầu đƣợc khuyến khích để tìm giải
pháp tối ƣu có hiệu quả. Trong TVAC, điều này đƣợc thực hiện bằng cách thay đổi các
hệ số tăng tốc với thời gian theo cách thức nhƣ vậy mà các thành phần nhận thức đƣợc
giảm trong khi các thành phần xã hội đƣợc tăng lên. Lúc khởi đầu, nhiều thành phần
nhận thức và một số ít thành phần xã hội cho phép các hạt di chuyển xung quanh
không gian tìm kiếm thay vì di chuyển theo hƣớng dân số sớm nhất. Các giai đoạn sau,
một số ít thành phần nhận thức và nhiều thành phần xã hội cho phép các hạt hội tụ về
tối ƣu toàn cầu.
Trang 5
- Xem thêm -