ĈҤI HӐC QUӔC GIA TP.HCM
75ѬӠ1*ĈҤI HӐC BÁCH KHOA
TRҪN QUANG MINH
PHÂN BӔ CÔNG SUҨT TӔ,Ѭ87521*+ӊ THӔ1*Ĉ,ӊN
&Ï;e7ĈӂN NHIӊ7ĈӜ CÁC PHҪN TӰ
Chuyên ngành: Kӻ thuұWÿLӋn
Mã sӕ:
8520201
LUҰ19Ă17+Ҥ&6Ƭ
TP. HӖ CHÍ MINH, tháng 08 QăP1
i
&Ð1*75Î1+ĈѬӦC HOÀN THÀNH TҤI
75ѬӠ1*ĈҤI HӐC BÁCH KHOA ± Ĉ+4*-HCM
Cán bӝ Kѭӟng dүn khoa hӑc: PGS.TS Võ NgӑFĈLӅu
Cán bӝ chҩm nhұn xét 1: TS. TrҫQ+RjQJ/ƭQK
Cán bӝ chҩm nhұn xét 2: 76'ѭѫQJ7KDQK/RQJ
LuұQYăQWKҥFVƭÿѭӧc bҧo vӋ tҥL7UѭӡQJĈҥi hӑF%iFK.KRDĈ+4*
Tp. HCM, ngày 14 tháng 8 QăP 2021 (trӵc tuyӃn).
Thành phҫn HӝLÿӗQJÿiQKJLiOXұQYăQWKҥFVƭJӗm:
1. Chӫ tӏch:
PGS.TS NguyӉQ9ăQ/LrP
2. 7KѭNtTS. HuǤnh Quang Minh
3. Phҧn biӋn 1: TS. TrҫQ+RjQJ/ƭQK
4. Phҧn biӋn 2: 76'ѭѫQJ7KDQK/RQJ
5. Ӫy viên:
3*6769NJ3KDQ7~
Xác nhұn cӫa Chӫ tӏch HӝLÿӗQJÿiQKJLiOXұQYăQYj7Uѭӣng Khoa quҧn lý chuyên
ngành sau khi luұQYăQÿmÿѭӧc sӱa chӳa (nӃu có).
CHӪ TӎCH HӜ,ĈӖNG
75ѬӢNG KHOA Ĉ,ӊN ± Ĉ,ӊN TӰ
ii
ĈҤI HӐC QUӔC GIA TP.HCM
CӜNG HÒA XÃ HӜI CHӪ 1*+Ƭ$9,ӊT NAM
75ѬӠ1*ĈҤI HӐC BÁCH KHOA
Ĉӝc lұp - Tӵ do - Hҥnh phúc
NHIӊM VӨ LUҰ19Ă17+Ҥ&6Ƭ
Hӑ tên hӑc viên:
TRҪN QUANG MINH
MSHV: 1870639
1Jj\WKiQJQăPVLQK
22/10/1996
1ѫLVLQK Nha Trang
Chuyên ngành:
Kӻ thuұWÿLӋn
Mã sӕ:
8520201
7Ç1Ĉӄ TÀI:
I.
PHÂN BӔ CÔNG SUҨT TӔ,Ѭ87521*+ӊ THӔ1*Ĉ,ӊ1&Ï;e7ĈӂN
NHIӊ7ĈӜ CÁC PHҪN TӰ
II. NHIӊM VӨ VÀ NӜI DUNG:
-
Nghiên cӭu giҧi thuұt lai giӳa tӕLѭXEҫ\ÿjQYjWLӃn hóa vi phân
-
Nghiên cӭu bài toán phân bӕ công suҩWFy[pWÿӃn nhiӋWÿӝ
-
Ӭng dөng giҧi thuұt lai vào bài toán phân bӕ công suҩt tӕLѭXFyNӇ ÿӃn nhiӋt
ÿӝ
III. NGÀY GIAO NHIӊM VӨ: 22/02/2021
IV. NGÀY HOÀN THÀNH NHIӊM VӨ: 13/06/2021
V. CÁN BӜ +ѬӞNG DҮN : PGS. TS. VÕ NGӐ&Ĉ,ӄU
Tp. HCM, ngày . . . . tháng . . . . Qăm . . . . .
CÁN BӜ +ѬӞNG DҮN
(Hӑ tên và chӳ ký)
CHӪ NHIӊM BӜ 0Ð1Ĉ¬27ҤO
(Hӑ tên và chӳ ký)
75ѬӢNG KHOA Ĉ,ӊN ± Ĉ,ӊN TӰ
(Hӑ tên và chӳ ký)
iii
LӠI CҦ0Ѫ1
Trong suӕt quá trình hӑc tұp ӣ 7UѭӡQJĈҥi hӑc Bách KhoaW{LÿmQKұQÿѭӧc
sӵ JL~Sÿӥ nhiӋt tình tӯ thҫ\F{.KRDĈLӋn - ĈLӋn tӱ FNJQJQKѭFiFDQKFKӏ hӑc viên
cùng khóa.
'RÿyW{L[LQFKkQWKjQKFҧPѫQFiFWKҫy cô, các anh chӏ hӑFYLrQYjÿһc
biӋt là thҫy Võ NgӑF ĈLӅX QJѭӡL ÿm Wұn tình chӍ dүn, tҥR ÿLӅu kiӋn ÿӇ tôi hoàn
thành luұQYăQWKҥFVƭQj\
Ĉӗng thӡLW{LFNJQJJӣi lӡi cҧPѫQWyLJLDÿuQKÿmOX{QErQFҥQKJL~Sÿӥ tôi
trong quá trình hӑc tұp tҥLWUѭӡng.
Tôi xin trân trӑng cҧPѫQ.
Tp. Hӗ &Kt0LQKWKiQJQăP
1Jѭӡi thӵc hiӋn
Trҫn Quang Minh
iv
TÓM TҲT LUҰ19Ă17+Ҥ&6Ƭ:
Trên thӵc tӃ NKL Fy GzQJ ÿLӋn chҥy trong dây dүn thì nó sӁ làm phát sinh
nhiӋWÿӝ bên trong dây dүn. Và khi nhiӋWÿӝ dây dүQWKD\ÿәLFNJQJOjPFKRJLiWUӏ
ÿLӋn trӣ WKD\ÿәi theo. Tuy nhiên bài toán phân bӕ công suҩt và phân bӕ công suҩt
tӕLѭXWUX\Ӆn thӕng bӓ qua sӵ phát nhiӋWÿӇ ÿѫQJLҧn viӋc tính toán. Vì thӃ các kӃt
quҧ ÿҥWÿѭӧc WKѭӡng sӁ có sai sӕ.
Vì thӃ ÿӇ giҧm các sai sӕ này, sӵ phát nhiӋt cӫa dây dүn cҫQ ÿѭӧc kӇ ÿӃn
trong phân bӕ công suҩt tӕLѭX. Trong luұQYăQQj\ sӁ thӵc hiӋn viӋc giҧi bài toán
phân bӕ công suҩt tӕLѭX truyӅn thӕng (Optimal power flow) và phân bӕ công suҩt
tӕL ѭX có kӇ ÿӃn nhiӋW ÿӝ (Temperature dependent optimal power flow) bҵng
SKѭѫQJSKiSODLJLӳa tӕLѭXEҫ\ÿjQ3DUWLFOHVSDZPRSWLPL]DWLRQYjWLӃn hóa vi
phân (Differential evolution) trong các mҥQJ ÿLӋn chuҭn IEEE 30 nút và 118 nút.
Các kӃt quҧ mô phӓng sӁ ÿѭӧc so sánh vӟLFiFEjLEiRYjF{QJWUuQKÿmÿѭӧc công
bӕ ÿӇ ÿҧm bҧo tính xác thӵFFNJQJQKѭWtQKKLӋu quҧ cӫa giҧi thuұt.
v
ABTRACT:
In practice, when curent flows through a conductor, it raises the conductor
temperature. When the conductor temperature is variable, the conductor resistance
is also variable. However, in conventional power flow and optimal power flow,
temperature effect is neglected. This cause the results from those approaches
usually have errors.
To reduce errors, temperature effect should be included in power flow and
optimal power flow calculation. This thesis proposes hybrid differential - particle
swarm optimization algorithm to solve temperature dependent optimal power flow
on IEEE 30 and 118 bus system. The results obtained will be compared to other
SDSHUVWRSURYHWKHDOJRULWKP¶VHIIHFWLYHQHVVDQGYDOLGDWLRQ
vi
LӠ,&$0Ĉ2$1:
7{L[LQFDPÿRDQQJKLrQFӭu này do chính tôi thӵc hiӋQYjFKѭDÿѭӧc công
bӕ trong bҩt kǤ công trình nghiên cӭu nào. Các sӕ liӋu, trích dүn trong luұQYăQQj\
ÿҧm bҧo tính chính xác, trung thӵc và tin cұy.
Hӑc viên
HuǤnh Quang Minh
vii
MӨC LӨC:
MӨC LӨC: ............................................................................................................. vii
DANH MӨC CÁC BҦNG: ..................................................................................... ix
DANH MӨC CÁC HÌNH: ...................................................................................... xi
DANH MӨC VIӂT TҲT: ...................................................................................... xii
&+ѬѪ1**,ӞI THIӊU CHUNG ......................................................................1
1.1.
Ĉһt vҩQÿӅ: .......................................................................................................1
1.2.
Mөc tiêu nghiên cӭu: ......................................................................................1
1.3.
3KѭѫQJSKiSWLӃp cұn:....................................................................................1
1.4.
Phҥm vi nghiên cӭu: .......................................................................................2
1.5.
ĈӕLWѭӧng nghiên cӭu: ....................................................................................2
1.6.
Ý nJKƭDNKRDKӑc: ...........................................................................................2
1.7.
éQJKƭDWKӵc tiӉn: ............................................................................................3
&+ѬѪ1*7ӘNG QUAN.....................................................................................4
2.1.
Bài toán phân bӕ công suҩt có kӇ ÿӃn nhiӋWÿӝ (TDPF): .............................4
2.2.
Bài toán phân bӕ công suҩt tӕLѭXFyNӇ ÿӃn nhiӋWÿӝ (TDOPF):...............5
2.3.
ĈӏQKKѭӟng nghiên cӭu: .................................................................................6
&+ѬѪ1*;Æ<'ӴNG BÀI TOÁN PHÂN BӔ CÔNG SUҨT TӔ,Ѭ8&Ï
;e7ĈӂN NHIӊ7ĈӜ ..............................................................................................7
3.1.
Mô hình các phҫn tӱ: ......................................................................................7
3.1.1.
Ĉѭӡng dây và máy biӃn áp:.....................................................................7
3.1.2.
Máy phát: ..................................................................................................7
3.1.3.
Phө tҧi: ......................................................................................................8
3.1.4.
Các phҫn tӱ bù: ........................................................................................8
3.2.
Mô hình các phҫn tӱ Fy[pWÿӃn nhiӋWÿӝ: .....................................................8
3.2.1.
Mô hình nhiӋt tәng quát: .........................................................................9
3.2.2.
Ĉѭӡng dây trên không: ..........................................................................10
3.2.3.
Cáp ngҫm: ...............................................................................................11
3.2.4.
Máy biӃn áp: ...........................................................................................12
3.3.
Mô hình bài toán phân bӕ công suҩt có kӇ ÿӃn nhiӋWÿӝ: ..........................12
3.4.
Mô hình bài toán phân bӕ công suҩt tӕLѭXFy[pWÿӃn nhiӋWÿӝ: .............15
viii
&+ѬѪ1*È3'Ө1*3+ѬѪ1*3+È3/$I GIӲA TIӂN HÓA VI PHÂN
VÀ TӔ,Ѭ8%Ҫ<Ĉ¬1&+2%¬,72È1 ............................................................19
4.1.
3KѭѫQJSKiSWӕLѭXEҫ\ÿjQ362 ...........................................................19
4.1.1.
Khái quát vӅ PSO: ..................................................................................19
4.1.2.
&iFEѭӟc thӵc hiӋQSKѭѫQJSKiS362 ..............................................19
4.2.
3KѭѫQJSKiSWLӃn hóa vi phân (DE): ..........................................................20
4.2.1.
Khái quát vӅ DE: ....................................................................................20
4.2.2.
&iFEѭӟc thӵc hiӋQSKѭѫQJSKiS'(.................................................20
4.3.
3KѭѫQJSKiSODL+'(-PSO: ........................................................................21
4.3.1.
Khái quát vӅ HDE-PSO: ........................................................................21
4.3.2.
&iFEѭӟc thӵc hiӋQSKѭѫQJSKiS+'(-PSO: ....................................21
4.3.3.
Giҧi bài toán TDPF trong bài toán TDOPF: .......................................22
4.4.
Áp dөQJSKѭѫQJSKiSODL+'(-PSO vào bài toán TDOPF: ....................23
&+ѬѪ1*.ӂT QUҦ MÔ PHӒNG .................................................................26
5.1.
Các hӋ thӕQJÿLӋn mô phӓng: ......................................................................26
5.1.1.
Mҥng IEEE 30 nút: ................................................................................26
5.1.2.
Mҥng IEEE 118 nút: ..............................................................................27
5.2.
KӃt quҧ mô phӓng mҥng IEEE 30 nút: .......................................................27
5.2.1.
KӃt quҧ mô phӓng bài toán OPF truyӅn thӕng: ..................................27
5.2.2.
KӃt quҧ mô phӓng bài toán TDOPF: ...................................................30
5.3.
KӃt quҧ mô phӓng mҥng IEEE 118 nút: .....................................................34
5.3.1.
KӃt quҧ mô phӓng bài toán OPF truyӅn thӕng: ..................................35
5.3.2.
KӃt quҧ mô phӓng bài toán TDOPF: ...................................................37
&+ѬѪ1*.ӂT LUҰ19¬+ѬӞNG PHÁT TRIӆ1Ĉӄ TÀI.......................41
6.1.
KӃt luұn:.........................................................................................................41
6.2.
+ѭӟng phát triӇQÿӅ tài: ...............................................................................41
TÀI LIӊU THAM KHҦO: .....................................................................................43
PHӨ LӨC:................................................................................................................47
ix
DANH MӨC CÁC BҦNG:
Bҧng 5.1: Thông sӕ cӫDSKѭѫQJSKiS+'(-PSO, DE và PSO cho mҥng IEEE 30
nút ..............................................................................................................................28
Bҧng 5.2: Chi phí thҩp nhҩt, cao nhҩWWUXQJEuQKÿӝ lӋch chuҭn và tӍ lӋ thành công
cӫDSKѭѫQJSKiSODL+'(-PSO, DE và PSO trong mҥng IEEE 30 nút ...................28
Bҧng 5.3: So sánh chí phí thҩp nhҩt cӫDSKѭѫQJSKiS+'(-PSO vӟLFiFSKѭѫQJ
pháp khác...................................................................................................................29
Bҧng 5.4: Chi phí thҩp nhҩt, cao nhҩWWUXQJEuQKÿӝ lӋch chuҭn và tӍ lӋ thành công
cӫDSKѭѫQJSKiS+'(-PSO trong mҥng IEEE 30 nút .............................................31
Bҧng 5.5: Chi phí thҩp nhҩt, cao nhҩWWUXQJEuQKÿӝ lӋch chuҭn và tӍ lӋ thành công
cӫDSKѭѫQJSKiS'(WURQJPҥng IEEE 30 nút .........................................................32
Bҧng 5.6: Chi phí thҩp nhҩt, cao nhҩWWUXQJEuQKÿӝ lӋch chuҭn và tӍ lӋ thành công
cӫDSKѭѫQJSKiS362WURQJPҥng IEEE 30 nút.......................................................32
Bҧng 5.7: So sánh chi phí thҩp nhҩt và tәn thҩt cӫDSKѭѫQJSKiS+'(-PSO vӟi
SKѭѫQJSKiS*$%&>@WURQJPҥng IEEE 30 nút ..................................................33
Bҧng 5.8: Thông sӕ cӫDSKѭѫQJSKiS+'(-PSO, DE và PSO cho mҥng IEEE 30
nút ..............................................................................................................................35
Bҧng 5.9: Chi phí thҩp nhҩt, cao nhҩWWUXQJEuQKÿӝ lӋch chuҭn và tӍ lӋ thành công
cӫDSKѭѫQJSKiSODL+'(-PSO, DE và PSO trong mҥng IEEE 118 nút .................35
Bҧng 5.10: So sánh chi phí thҩp nhҩt cӫDSKѭѫQJSKiS+'(-PSO vӟLFiFSKѭѫQJ
pháp khác...................................................................................................................36
Bҧng 5.11: Chi phí thҩp nhҩt và tәn thҩWWѭѫQJӭng ӣ mӛi giá trӏ ܴܶܽ ݁ݏܴ݅݀݁ݐcӫa
SKѭѫQJSKiS+'(-PSO trong mҥng IEEE 118 nút..................................................38
Bҧng 5.12: Chi phí thҩp nhҩt, cao nhҩWWUXQJEuQKÿӝ lӋch chuҭn và tӍ lӋ thành
công cӫDSKѭѫQJSKiS+'(-PSO so vӟi DE, PSO ӭng vӟi giá trӏ
ܴܶܽ=݁ݏܴ݅݀݁ݐ250C ....................................................................................................38
Bҧng A.1: Giӟi hҥn công suҩt tác dөng, công suҩt phҧn kháng và các hӋ sӕ chi phí
nhiên liӋu cӫa các máy phát ӣ mҥng IEEE 30 nút ....................................................47
Bҧng A.2: Giӟi hҥQÿѭӡng dây ӣ mҥng 30 nút ........................................................47
Bҧng A.3: Giӟi hҥn công suҩt tác dөng, công suҩt phҧn kháng và các hӋ sӕ chi phí
nhiên liӋu cӫa các máy phát ӣ mҥng 118 nút ............................................................47
Bҧng A.4: Giӟi hҥQÿѭӡng dây ӣ mҥng 118 nút ......................................................49
Bҧng A.5: Các biӃQÿLӅu khiӇn trong lҫn chҥy tӕt nhҩt cӫa bài toán OPF ӣ mҥng
IEEE 30 nút ...............................................................................................................50
x
Bҧng A.6: Các biӃQÿLӅu khiӇn trong lҫn chҥy tӕt nhҩt cӫa bài toán OPF ӣ mҥng
IEEE 118 nút .............................................................................................................50
xi
DANH MӨC CÁC HÌNH:
Hình 3.16ѫÿӗ WѭѫQJÿѭѫQJFӫDÿѭӡng dây vӟLÿҫu phân áp máy biӃn áp .............7
Hình 3.2: Mô hình nhiӋt tәng quát .............................................................................9
Hình 4.1: /ѭXÿӗ giҧi thuұt lai HDE-PSO áp dөQJÿӇ giҧi bài toán TDOPF ..........25
Hình 5.1: HӋ thӕQJÿLӋn IEEE 30 nút ......................................................................26
Hình 5.2: HӋ thӕQJÿLӋn IEEE 118 nút ....................................................................27
Hình 5.3: Chí phí nhiên liӋu trong 50 lҫn chҥy thành công ӣ mҥng IEEE 30 nút ...29
Hình 5.4: Ĉһc tính hӝi tө cӫDSKѭѫQJSKiS+'(-PSO, DE và PSO ӣ mҥng IEEE
30 nút .........................................................................................................................30
Hình 5.5: Ĉһc tính hӝi tө cӫDSKѭѫQJSKiSODL+'(-PSO, DE và PSO ӭng vӟi
ܴܶܽ = ݁ݏܴ݅݀݁ݐ250C ӣ mҥng IEEE 30 nút ................................................................33
Hình 5.6: Chi phí và tәn thҩt theo tӯng giá trӏ ܴܶܽ ݁ݏܴ݅݀݁ݐsӱ dөQJSKѭѫQJSKiS
HDE-PSO ӣ mҥng IEEE 30 nút ................................................................................34
Hình 5.7: Chí phí nhiên liӋu trong 20 lҫn chҥy thành công ӣ mҥng IEEE 118 nút .36
Hình 5.8: Ĉһc tính hӝi tө cӫDSKѭѫQJSKiS+'(-PSO, DE và PSO ӣ mҥng IEEE
118 nút .......................................................................................................................37
Hình 5.9: Ĉһc tính hӝi tө cӫDSKѭѫQJSKiSODL+'(-PSO, DE và PSO ӭng vӟi
ܴܶܽ = ݁ݏܴ݅݀݁ݐ250C ӣ mҥng IEEE 118 nút ..............................................................39
Hình 5.10: Chi phí và tәn thҩt theo tӯng giá trӏ ܴܶܽ ݁ݏܴ݅݀݁ݐsӱ dөQJSKѭѫQJSKiS
HDE-PSO ӣ mҥng IEEE 118 nút ..............................................................................39
xii
DANH MӨC VIӂT TҲT:
OPF
Optimal power flow
TDOPF
Temperature dependent optimal power flow
TDPF
Temperature dependent power flow
NLP
Nonlinear programming
QP
Quadratic programming
LP
Linear programming
IPM
Interior point method
PSO
Particle swarm optimization
DE
Differential evolution
GA
Genetic algorithm
MDE
Modified differential evolution
MSA
Moth swarm algorithm
ABC
Artificial bee colony algorithm
GABC
G-best guided artificial bee colony algorithm
EP
Evolutionary programming
ARCBBO
Adaptive Real Coded Biogeography-Based
Optimization
GWO
Grey Wolf Optimizer
KHA
Krill Herd algorithm
IKHA
Improved Krill Herd algorithm
TS
Tabu search algorithm
GBICA
Gaussian bare-bones imperialist competitive algorithm
MGBICA
Modified Gaussian bare-bones imperialist competitive
algorithm
MFO
MRWKဨIODPHRSWLPL]DWLRQDOJRULWKP
IMFO
Improved moth‐flame optimization algorithm
HSA
Harmony search algorithm
xiii
FHSA
Fuzzy harmony search algorithm
BSA
Backtracking search optimization algorithm
ICBO
Improved colliding bodies optimization algorithm
SSA
Salp swarm optimizer
FAHSPSO-DE
Fuzzy adaptive hybrid self-adaptive particle swarm
optimization
SFSA
Stochastic fractal search algorithm
ISFSA
Improved stochastic fractal search algorithm
HDE-PSO
Hybrid differential evolution - particle swarm
optimization
1
&+ѬѪ1**,ӞI THIӊU CHUNG
1.1. Ĉһt vҩQÿӅ:
ThӃ giӟi hiӋQQD\ÿDQJSKҧLÿӕi mһt vӟi nhiӅXNKyNKăQQjROjYҩQÿӅ thiӃu
OѭѫQJWKӵc, y tӃ, khӫng hoҧQJQăQJOѭӧQJÿһc biӋWOjÿLӋn QăQJ) «GRVӵ JLDWăQJ
dân sӕ quá nhanh. Ӣ Qѭӟc ta, thӫ\ÿLӋn gҫQQKѭÿmKӃt tiӅPQăQJNKDLWKiFQKLӋt
ÿLӋn than khi vұn hành lҥi gây ô nhiӉPP{LWUѭӡng, các nguӗQQăQJQăQJOѭӧng tái
tҥo thì không әQÿӏnh và tӕn kém trong viӋFOѭXWUӳ. Vì thӃ, tӕLѭXF{QJVXҩWÿmYj
ÿDQJOjYҩQÿӅ ÿѭӧc giӟi chuyên môn và các nhà nghiên cӭu quan tâm. Tuy nhiên,
trong bài tӕLѭXSKkQEӕ công suҩt truyӅn thӕng, sӵ ҧQKKѭӣng nhiӋWÿӝ ÿѭӧc bӓ qua
ÿӇ ÿѫQJLҧn quá trình tính toán. 'Rÿy các kӃt quҧ WKѭӡng có sai sӕ và không chính
xác, và vì thӃ có thӇ ҧQKKѭӟQJÿӃn công tác vұn hành, quy hoҥch, dӵ báo trong hӋ
thӕQJÿLӋn. Cho nên viӋF[pWÿӃn ҧQKKѭӣng cӫa nhiӋWÿӝ trong bài toán tӕLѭXSKkQ
bӕ công suҩt trong hӋ thӕQJÿLӋn là rҩt cҫn thiӃWÿӇ ÿҧm bҧo tính chính xác cӫa kӃt
quҧ bài toán.
1.2. Mөc tiêu nghiên cӭu:
Tӯ nhӳng thӵc trҥng trên, mөc tiêu cӫDÿӅ tài này là giҧi bài toán tӕLѭXF{QJ
suҩWFy[pWÿӃn nhiӋWÿӝ vӟi hàm mөc tiêu là cӵc tiӇu chi phí nhiên liӋu. Bӣi vì tính
chҩt phӭc tҥp cӫa bài toán này, cҫn có mӝWSKѭѫQJSKiSWKұt sӵ hiӋu quҧ ÿӇ ÿҧm
bҧo chҩWOѭӧng cӫa lӡi giҧi.
Và luұQYăQÿӅ xuҩWSKѭѫQJSKiSODLJLӳa tiӃn hóa vi phân và tӕLѭXEҫ\ÿjQ
ÿӇ giҧi bài toán tӕL ѭX F{QJ VXҩt có kӇ ÿӃn nhiӋW ÿӝ trong các mҥQJ ÿLӋn chuҭn
IEEE 30 nút và 118 nút. Các kӃt quҧ ÿҥWÿѭӧc sӁ ÿѭӧc so sánh vӟi kӃt quҧ tӯ các bài
báo, nghiên cӭXÿmÿѭӧc công bӕ ÿӇ chӭng minh tính xác thӵc và hiӋu quҧ.
1.3. 3KѭѫQJSKiSWLӃp cұn:
Trong vài thұp kӍ qua, có nhiӅXSKѭѫQJSKiSJLҧLWtFKÿѭӧc phát triӇQÿӇ giҧi
bài toán tӕL ѭX F{QJ VXҩW QKѭ QRQOLQHDU SURJUDPPLQJ 1/3 TXDGUDWLF
programming (QP), linear programming (LP), interior point method (IPM). Bên
cҥQKÿyFiFSKѭѫQJSKiSKHXULVWLFFNJQJOLrQWөFÿѭӧc phát triӇQYjÿӅ xuҩt, có thӇ
kӇ ÿӃQ QKѭ SKѭѫQJ SKiS WLӃn hóa vi phân (DE), tӕL ѭX Eҫ\ ÿjQ 362 genetic
2
algorithm (GA), PRWKဨIODPHRSWLPL]DWLRQDOJRULWKP (MFO)«ĈLӇm mҥnh cӫa các
SKѭѫQJSKiSJLҧi tích là có thӇ WuPÿѭӧc giá trӏ tӕLѭXWRjQFҫu. Tuy nhiên hӋ thӕng
ÿLӋn trong thӵc tӃ là mӝt hӋ thӕng rҩt phi tuyӃn và phӭc tҥSÿһc biӋt khi các hàm
mөc tiêu không liên tөc hoһc không khҧ vi thì sӁ rҩW NKy NKăQ ÿӇ áp dөng các
SKѭѫQJSKiSJLҧi tích. Và trong nhӳQJWUѭӡng hӧSWUrQFiFSKѭѫQJSKiSKHXULVWLF
sӁ FyѭXÿLӇPYѭӧt trӝLKѫQ FiFSKѭѫQJ pháp giҧi tích YuFiFSKѭѫQJSKiSKHXULVWLF
có thӇ áp dөQJÿѭӧc ngay cҧ khi hàm mөc tiêu không khҧ vi và không liên tөc. Tuy
nhiên kӃt quҧ ÿҥWÿѭӧc tӯ SKѭѫQJSKiSKHXULVWLFVӁ NK{QJÿҧm bҧo là giá trӏ tӕLѭX
toàn cҫu. Vì thӃ G ÿm [Xҩt hiӋn rҩt nhiӅu giҧi thuұW KHXULVWLF QKѭQJ OƭQKYӵc này
vүQWKXK~Wÿѭӧc sӵ quan tâm cӫa các nhà nghiên cӭu nhҵm cái tiӃn hoһc tҥo ra các
giҧi thuұt mӟLÿӇ WuPUDÿѭӧc các giá trӏ tӕLѭXWӕWKѫQQӳa. Và giҧi thuұt lai giӳa
tiӃn hóa vi phân và tӕL ѭX Eҫ\ ÿjQ Oj Pӝt trong sӕ nhӳQJ SKѭѫQJ SKiS KHXULVWLF.
Vӟi viӋc kӃt hӧSFiFFѫFKӃ cӫa tiӃn hóa vi phân và tӕLѭXEҫ\ÿjQJLҧi thuұt lai
này hӭa hҽn sӁ là mӝt giҧi thuұt mҥnh, có khҧ QăQJiSGөQJÿӇ giҧi các bài toán tӕi
ѭXNK{QJQKӳng trong mҥQJÿLӋn nhӓ mà còn trong các mҥQJÿLӋn lӟn và phӭc tҥp.
1.4. Phҥm vi nghiên cӭu:
Phҥm vi nghiên cӭu cӫa luұQYăQQj\OjiSGөQJSKѭѫQJSKiSODLÿӇ giҧi bài
toán tӕLѭXF{QJVXҩt có kӇ ÿӃn nhiӋWÿӝ vӟi hàm mөc tiêu là cӵc tiӇu chi phí nhiên
liӋu trong các mҥQJÿLӋn chuҭn IEEE 30 nút và 118 nút.
1.5. Ĉӕi Wѭӧng nghiên cӭu:
-
3KѭѫQJ SKiS WLӃn hóa vi phân, tiӃn hóa bҫ\ ÿjQ Yj SKѭѫQJ SKiS ODL JLӳa
tiӃn hóa vi phân và tӕLѭXEҫ\ÿjQ
-
Phân bӕ công suҩt có kӇ ÿӃn nhiӋW ÿӝ sӱ dөQJ SKѭѫQJ SKiS 1HZWRQRaphson
-
Phҫn mӅm MATLAB
1.6. éQJKƭDNKRDKӑc:
Trong bái toán tӕLѭXF{QJ suҩt truyӅn thӕng, sӵ WiFÿӝng cӫa nhiӋWÿӝ ÿѭӧc
bӓ TXDÿӇ ÿѫQJLҧn viӋFWtQKWRiQ1KѭQJYLӋc này làm cho chúng ta không có cái
QKuQÿ~QJNKLWUrQWKӵc tӃ, nhiӋWÿӝ, tәn thҩWYjÿLrQWUӣ có mӕi quan hӋ chһt chӁ,
phө thuӝc lүn nhau. LuұQYăQQj\VӁ làm rõ sӵ WiFÿ{QJTXDOҥi cӫDFiFÿҥLOѭѫQJ
3
ÿyFNJQJQKѭVӵ WiFÿӝng cӫa nhiӋWÿӝ lên kӃt quҧ ÿҫu ra cӫa bҧi toán tӕLѭXSKkQEӕ
công suҩt.
1.7. éQJKƭDWKӵc tiӉn:
Vӟi viӋc xem xét thêm mӝt hiӋQWѭӧng vұt lý, ӣ ÿk\OjVӵ phát nhiӋt cӫa thiӃt
bӏ ÿLӋn, vào quá trình tính toán sӁ giúp làm cho kӃt quҧ cӫa bài toán tӕLѭXF{QJVXҩt
càng thêm chính xác và sát vӟi giá trӏ thӵc tӃ. Tӯ ÿyJL~SFKRcác công tác vұn hành,
dӵ báo, quy hoҥch trong hӋ thӕQJÿLӋn trӣ QrQFKtQK[iFKѫQ
4
&+ѬѪ1*TӘNG QUAN
2.1. Bài toán phân bӕ công suҩt có kӇ ÿӃn nhiӋWÿӝ (TDPF):
MһFGÿLӋn trӣ cӫa các thiӃt bӏ trong hӋ thӕQJÿLӋn phө thuӝc vào nhiӋWÿӝ
cӫa chính thiӃt bӏ, tuy nhiên bài toán phân bӕ công suҩt truyӅn thӕng bӓ qua tác
ÿӝng cӫa nhiӋWÿӝ7KD\YjRÿyÿLӋn trӣ cӫa máy biӃQiS ÿѭӡng dây trên không
hay cáp ngҫPÿѭӧc cho là hҵng sӕ. Vì thӃ kӃt quҧ WtQKWRiQÿһc biӋt là tәn thҩt trên
FiFÿѭӡQJGk\FNJQJQKѭWәng tәn thҩWÿӅu có sai sӕ.
7URQJ F{QJ WiF ÿiQK JLi WUҥng thái hӋ thӕQJ ÿLӋQ ÿLӋn trӣ cӫD ÿѭӡng dây
ÿѭӧc cho là hҵng sӕ bӣLYuWiFÿӝng cӫa nhiӋWÿӝ là không nhiӅu [2]. Tuy nhiên khi
ÿLӋn trӣ cӫDFiFQKiQKGk\NK{QJÿѭӧc cұp nhұt theo nhiӋWÿӝ thì khi hӋ thӕQJÿLӋn
ÿҫy tҧi, sai sӕ tәn thҩt trên các nhánh dây có thӇ lên tӟi 30% và sai sӕ tәng tәn thҩt
có thӇ lên tӟi 10% [2, 3]. Và khi sai sӕ lӟQQKѭYұy có thӇ ҧQKKѭѫQJWӟi bài toán
liên quan tӟi tәn thҩWQKѭ
-
Giám sát giӟi hҥn nhiӋt cӫDÿѭӡng dây [4]
-
ĈiQKJLiWәn thҩt và các bài toán liên quan trong thӏ WUѭӡQJÿLӋn cҥnh
tranh [2]
-
Tính toán hӋ sӕ phҥt trong bài toán ÿLӅXÿӝ tӕLѭX [5]
-
Bài toán tӕLѭXÿһc biӋt là tӕLѭXWәng tәn thҩt cӫa hӋ thӕQJÿLӋn [6].
Trong hӋ thӕQJÿLӋQFiFÿҥLOѭӧng nhiӋWÿӝ, tәn thҩWYjÿLӋn trӣ có mӕi quan
hӋ chһt chӁ vӟi nhau. NhiӋWÿӝ cӫDÿѭӡng dây là mӝt hàm phө thuӝc vào tәn thҩt
WUrQÿѭӡQJGk\7ѭѫQJWӵ, tәn thҩWWUrQÿѭӡng dây là mӝt hàm phө thuӝFÿLӋn trӣ
ÿѭӡQJGk\9jFKtQKÿLӋn trӣ cӫa dây dүn lҥi là mӝt hàm phө thuӝc vào nhiӋWÿӝ.
&iFSKѭѫQJWUuQKOLrQKӋ giӳa nhiӋWÿӝ YjÿLӋn trӣ cӫa các phҫn tӱ trong hӋ thӕng
ÿLӋn có thӇ ÿѭӧc tìm WURQJ>@7URQJFKѭѫQJVDXVӁ trình bày các mô hình này.
7URQJ>@ÿmÿӅ xuҩt bài toán phân bӕ công suҩt có kӇ ÿӃn nhiӋWÿӝ (TDPF),
WURQJÿó FyWKrPFiFSKѭѫQJWUuQKOLrQKӋ giӳDFiFÿҥLOѭӧng nhiӋWÿӝ, tәn thҩt và
ÿLӋn trӣ7URQJFKѭѫQJVDXVӁ trình bày cө thӇ bài toán TDPF
5
2.2. Bài toán phân bӕ công suҩt tӕLѭXcó kӇ ÿӃn nhiӋWÿӝ (TDOPF):
Bài toán tӕLѭXF{QJVXҩt (OPF) là bài toán tìm kiӃPÿLӇm vұn hành mà ӣ ÿy
thӓDPmQÿѭӧc mӝt mөFWLrX[iFÿӏnh, có thӇ kӇ ÿӃQQKѭFӵc tiӇu chi phí nhiên liӋu
hay cӵc tiӇu tәng tәn thҩt, bҵQJFiFKÿLӅu chӍnh các thông sӕ ÿLӅu khiӇn trong khi
các ràng buӝc vұt lý cӫa hӋ thӕQJÿLӋn không bӏ vi phҥm.
ĈӇ giҧi bài toán tӕLѭXF{QJVXҩt, rҩt nhiӅu giҧi thuұWÿmÿѭӧc phát triӇn và
ÿҥWÿѭӧc nhӳng thành công có thӇ kӇ ÿӃn QKѭWӕLѭXEҫ\ÿjQ362>@WLӃn hóa vi
phân (DE) [12, 13], modified DE (MDE) [14], moth swarm algorithm (MSA) [15],
artificial bee colony algorithm (ABC) [16], g-best guided artificial bee colony
algorithm (GABC) [17], evolutionary programming (EP) [18], Adaptive Real
Coded Biogeography-Based Optimization (ARCBBO) [19], Grey Wolf Optimizer
(GWO) [20], Krill Herd algorithm (KHA) và improved Krill Herd algorithm
(IKHA) [21], tabu search algorithm (TS) [22], Gaussian bare-bones imperialist
competitive algorithm (GBICA) và modified Gaussian bare-bones imperialist
competitive algorithm (MGBICA) [23], moth ‐ flame optimization algorithm
(MFO) và improved moth‐flame optimization algorithm (IMFO) [24], harmony
search algorithm (HSA) và fuzzy harmony search algorithm (FHSA) [25],
backtracking search optimization algorithm (BSA) [26], improved colliding bodies
optimization algorithm (ICBO) [27], Salp swarm optimizer (SSA) [28], fuzzy
adaptive hybrid self-adaptive particle swarm optimization (FAHSPSO-DE) [29],
stochastic fractal search algorithm (SFSA) và improved stochastic fractal search
algorithm (ISFSA) [30].
Có thӇ QyLSKѭѫQJSKiS'(Yj362OjSKѭѫQJSKiSWӕLѭXÿѭӧc ӭng dөng
rӝng rãi và phә biӃQ KѫQ Fҧ. Ngoҧi ra các biӃn thӇ cӫD FK~QJ FNJQJ OLrQ WөF ÿѭӧc
phát triӇn và công bӕ QKѭ 0'( >14]. MDE sӱ dөng vector ܺ௦௧ thay cho vector
ngүu nhiên ܺଵ ӣ JLDLÿRҥn ÿӝt biӃQÿӇ WăQJNKҧ QăQJKӝi tөÿӗng thӡi trӑng sӕ vi
phân ܨFNJQJÿѭӧFWKD\ÿәi ӣ tӯng vòng lһSWKD\YuOjÿѭӧc chӑn là hҵng sӕ3KѭѫQJ
pháp MSA [15] lҩy cҧm hӭng tӯ cách mà nhӳQJFRQEѭӟPÿrPEӏ thu hút bӣi ánh
WUăQJYjÿѭӧc áp dөQJÿӇ tӕLѭXFiFORҥi chi phí nhiên liӋu trong mҥQJÿLӋn IEEE 30
6
nút. Giҧi thuұt ABC lҩy cҧm hӭng tӯ cách thӭc tìm kiӃm thӭFăQFӫa bҫy ong, trong
ÿy QJXӗn thӭF ăQ Yj FiF FRQ ong thӧ là 2 thành phҫQ FѫEҧn cӫa giҧi thuұt. Giҧi
thuұt ABC [16@ÿmÿѭӧc áp dөQJÿӇ tӕLѭXFKLSKtQKLrQOLӋu, giҧm tәn thҩt, nâng
cao әQÿӏQKÿLӋn áp ӣ mҥQJÿLӋn IEEE 9 nút và 30 nút. Giҧi thuұt GABC [17] là
mӝt phiên bҧn cҧi tiӃn cӫDSKѭѫQJSKiS$%&YjÿmWKjQKF{QJWURQJYLӋc giҧi bài
toán tӕLѭXSKkQEӕ công suҩt truyӅn thӕQJYjÿһc biӋt là bài toán tӕLѭXSKkQEӕ
công suҩt có kӇ ÿӃn nhiӋW ÿӝ ӣ mҥng 30 nút, 57 nút, 2383 winter peak polish và
2736 summer peak polish3KѭѫQJSKiS(3>8] sӱ dөQJFѫFKӃ tiӃQKyDÿӇ giҧi bài
WRiQ 23) WK{QJ TXD FiF EѭӟF ÿӝt biӃn và chӑn lӑc. Giҧi thuұt ARCBBO [19] sӱ
dөQJFѫFKӃ ÿӝt biӃQÿmÿѭӧc cҧi tiӃQJL~SQkQJFDRÿăFWtQKKӝi tө cӫa giҧi thuұt.
Giҧi thuұt GWO [20] mô phӓng cách mà bӕn loҥi chó sói trong mӝW ÿiQ VyL EDo
gӗPĮȕįȦYjFiFKFK~QJJLDR WLӃp, ra quyӃWÿӏQKÿӇ giҧi quyӃt bài toán OPF
trong mҥng IEEE 30 nút 118 nút. Giҧi thuұt KHA và phiên bҧn cҧi tiӃQ,.+$ÿѭӧc
ÿӅ xuҩt trong [21@ÿӇ giҧi bài toán OPF vӟi các hàm mөc tiêu khác nhau trong các
hӋ thӕQJ ÿLӋn ,((( Yj Q~W 3KѭѫQJ SKiS 6)6$ Yj SKLrQ Eҧn cái tiӃn
,6)6$ÿѭӧFÿӅ xuҩWWURQJ>@ÿӇ giҧi bài toán OPF vӟi nhiӅu hàm mөc tiêu khác
nhau trong mҥng IEEE 30, 57 và 118 nút.
&iFSKѭѫQJSKiSWUrQQKuQFKXQJÿmWKjQKF{QJWURQJYLӋc giҧi bài toán OPF
truyӅn thӕng. Tuy nhiên hҫu hӃt các giҧi thuұW WUrQ FKѭD ÿѭӧF ÿӇ giҧi bài toán
TDOPF, ngoài trӯ SKѭѫQJSKiS*$%&WURQJ>@
2.3. ĈӏQKKѭӟng nghiên cӭu:
Trong luұQYăQQj\VӁ ÿӅ xuҩWSKѭѫQJSKiSODLJLӳa tiӃn hóa vi phân và tӕi
ѭXEҫ\ÿjQ+'(-362ÿӇ giҧi bài toán OPF truyӅn thӕng và bài toán TDOPF trong
các mҥQJÿLӋn chuҭn IEEE 30 nút và 118 nút. Các kӃt quҧ ÿҥWÿѭӧc tӯ SKѭѫQJSKiS
lai sӁ ÿѭӧc so sánh vӟLFiFSKѭѫQJSKiSNKiFÿӇ chӭng minh tính xác thӵc và hiӋu
quҧ.
- Xem thêm -