Tài liệu áp dụng phương pháp grey wolf optimizer tính toán điều độ kinh tế hỗn hợp nhiệt điện

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