Ứng dụng thuật toán PSO cải tiến tính toán phân bố công suất tối ưu đa mục tiêu

B GIÁO D C VÀ ÀO T O
TR

NG

I H C CÔNG NGH TP. HCM

---------------

NGUY N V N KHÁNH

NG D NG THU T TOÁN PSO C I TI N
TÍNH TOÁN PHÂN B CÔNG SU T T I U
A M C TIÊU

LU N V N TH C S
Chuyên ngành: K thu t i n
Mã ngành: 60520202

TP. H CHÍ MINH, tháng 03 n m 2016


B GIÁO D C VÀ ÀO T O
TR

NG

I H C CÔNG NGH TP. HCM

---------------

NGUY N V N KHÁNH

NG D NG THU T TOÁN PSO C I TI N
TÍNH TOÁN PHÂN B CÔNG SU T T I U
A M C TIÊU
LU N V N TH C S
Chuyên ngành: K thu t i n
Mã ngành: 60520202
CÁN B

H

NG D N KHOA H C: PGS.TS VÕ NG C I U

TP. H CHÍ MINH, tháng 03 n m 2016


3

CÔNG TRÌNH
C HOÀN THÀNH T I
TR
NG
I H C CÔNG NGH TP. HCM

Cán b h

ng d n khoa h c : PGS.TS. VÕ NG C I U

Lu n v n Th c s

c b o v t i Tr
ngày 12 tháng 03 n m 2016

ng

i h c Công ngh TP. HCM

Thành ph n H i ng ánh giá Lu n v n Th c s g m:
(Ghi rõ h , tên, h c hàm, h c v c a H i ng ch m b o v Lu n v n Th c s )

TT
1
2
3
4
5

H và tên
PGS.TS. D ơng Hoài Ngh a
PGS.TS. Nguy n Thanh Ph ơng
PGS.TS. Lê Minh Ph ơng
TS. Võ Hoàng Duy
TS. ng Xuân Kiên

Xác nh n c a Ch t ch H i
s a ch a (n u có).

Ch c danh H i ng
Ch t ch
Ph n bi n 1

Ph n bi n 2
y viên
y viên, Th ký

ng ánh giá Lu n sau khi Lu n v n ã

Ch t ch H i

ng ánh giá LV

PGS.TS. D ơng Hoài Ngh a

c


3

TR

NG H CÔNG NGH TP. HCM
PHÒNG QLKH – TS H

C NG HÒA XÃ H I CH NGH A VI T NAM
c l p – T do – H nh phúc
TP. HCM, ngày..… tháng….. n m 2015

NHI M V LU N V N TH C S
H tên h c viên: NGUY N V N KHÁNH

Gi i tính: NAM

Ngày, tháng, n m sinh: 23-09-1982

Nơi sinh: QU NG NGÃI

Chuyên ngành: K thu t i n

MSHV: 1341830057

I- Tên

tài:

NG D NG THU T TOÁN PSO C I TI N TÍNH TOÁN PHÂN B CÔNG SU T T I
U A M C TIÊU
II- Nhi m v và n i dung:
- Trình bày bài toán phân b công su t t i u trong h th ng i n.
- Xây d ng gi i thu t cho thu t toán PSO c i ti n
- Áp d ng thu t toán PSO c i ti n gi i bài toán phân b công su t t i u a m c
tiêu.
- So sánh k t qu
- K t lu n và

t
a ra h

c v i các thu t toán khác.
ng phát tri n c a ! tài

III- Ngày giao nhi m v : 20-08-2015

IV- Ngày hoàn thành nhi m v : 20-02-2016
V- Cán b hư ng d n: PGS.TS. VÕ NG"C I#U
CÁN B H

NG D N

(H tên và ch$ ký)

PGS.TS. VÕ NG"C I#U

KHOA QU N LÝ CHUYÊN NGÀNH
(H tên và ch$ ký)


4

L I CAM OAN

Tôi xin cam oan ây là công trình nghiên c u c a riêng tôi. Các s li u, k t qu
nêu trong Lu n v n là trung th c và chưa t ng ư c ai công b trong b t k công trình
nào khác.
Tôi xin cam

oan r ng m i s

giúp

cho vi c th c hi n Lu n v n này

ã ư c c m ơn và các thông tin trích d n trong Lu n v n ã ư c ch rõ ngu n g c.

H c viên th c hi n Lu n v n

NGUY N V N KHÁNH


5

L I CÁM ƠN
c h t em xin chân thành bày t lòng bi t ơn sâu s c

Tr
i u, ng
giúp

i Th y ã t n tình h

i v i th y Võ Ng c

ng d n, cung c p nh ng tài li u vô cùng quí giá và

em trong su t quá trình nghiên c u th c hi n lu n v n.
Xin chân thành c m ơn quý Th y Cô khoa Cơ -

QLKH- TS H, tr
d y, truy n

ng

i n –

i n T và Phòng

i h c Công Ngh Thành Ph H Chí Minh ã t n tình gi ng

t tri th c khoa h c và giúp em tr

ng thành trong su t khóa h c c ng

nh trong cu c s ng.
C m ơn t t c các b n bè, toàn th h c viên l p 13SM 21, các quý
ã giúp

tôi trong su t khóa h c

Cu i cùng, tôi xin
M và V tôi ã

ng nghi p

n khi hoàn thành lu n v n.

c bày t lòng bi t ơn chân thành, sâu s c nh t

ng viên, giúp

n Cha

và t o m i i u ki n thu n l i cho tôi trong su t

quá trình h c t p và hoàn thành lu n v n này.

Tuy nhiên, do còn h n ch v ki n th c, kinh nghi m th c t , th i gian th c
hi n

tài, nên không tránh kh i nh ng sai l m, thi u sót. Kính mong th y h

quí th y, cô cùng các b n h c viên góp ý

lu n v n này

ng d n,

c hoàn thi n hơn.

Chân thành c m ơn!
Tp. H Chí Minh, tháng n m 2016

Nguy n V n Khánh


6

TÓM T T
Lu n v n

xu t m t ph

v i h s co (PG-PSOCF)

ng pháp t i u hóa b y àn pseudo-gradient

gi i quy t bài toán phân b công su t t i u a

m c tiêu (multiobjective optimal power flow -MOOPF).
t i u hóa b y àn thông th

ng d a vào h s co

cho bài toán t i u hóa. Ph

ng pháp

xu t

xu t PG-PSOCF là

t ng kh n ng tìm ki m

gi i quy t bài toán MOOPF

b ng cách gi m thi u chi phí và t ng phát th i t máy phát i n trong khi v n
áp ng các ràng bu c khác nhau c a cân b ng công su t tác d ng và ph n
phán, gi i h n công su t tác d ng và ph n kháng, gi i h n i n áp thanh cái,
gi i h n t bù và gi i h n truy n t i.
K t qu th nghi m trên h th ng IEEE 30-bus ã ch ra r ng ph
pháp

c

xu t là hi u qu h n so v i các ph

PG-PSOCF có th là m t ph

ng pháp hi u qu

ng pháp khác. Do ó,

ng
xu t

gi i quy t bài toán MOOPF.


7

ABSTRACT
This thesis proposes a pseudo-gradient based particle swarm optimization with
constriction factor (PG-PSOCF) method for solving multiobjective optimal power flow
(MOOPF) problem. The proposed PG-PSOCF is the conventional particle swarm
optimization based on constriction factor based on pseudo gradient to enhance its
search ability for optimization problems. The proposed method is to deal with the
MOOPF problem by minimizing the total cost and emission from generators while
satisfying various constraints of real and reactive power balance, real and reactive
power limits, bus voltage limits, shunt capacitor limits and transmission limits.
Test results on the IEEE 30-bus system have indicated that the proposed method
is more efficient than many other methods in the literature. Therefore, the proposed
PG-PSOCF can be an effectively alternative method for solving the MOOPF problem.


8

M CL C
CÔNG TRÌNH

C HOÀN THÀNH ................................................................. 2

NHI M V LU N V N ........................................................................................ 3
L I CAM OAN .................................................................................................... 4
L I C M ƠN ......................................................................................................... 5
TÓM T T LU N V N .......................................................................................... 6
ABSTRACT ............................................................................................................ 7
M C L C .............................................................................................................. 8
DANH M C CÁC T

VI T T T........................................................................ 10

DANH M C B NG ............................................................................................. 12
Ch

ng 1: GI I THI U CHUNG ......................................................................... 13
1.1.T ng quan v h
1.2. M c tiêu

ng nghiên c u ................................................................ 13

tài........................................................................................... 14

1.3. Ý ngh a khoa h c ...................................................................................... 15
1.4. Ph m vi và ph

ng pháp nghiên c u ......................................................... 16

1.5. N i dung lu n v n ..................................................................................... 16
Ch

ng 2: T NG QUAN V CÁC PH ƠNG PHÁP GI I B I TOÁN OPF ...... 17
2.1. Gi i thi u chung ........................................................................................ 17
2.2. Các ph

Ch

ng pháp ã s d ng gi!i bài toán OPF ........................................ 17

2.2.1. Ph

ng pháp Newton-Raphson (NR) ................................................ 19

2.2.2. Ph

ng pháp Differential Evolution (DE) ......................................... 22

2.2.3. Ph

ng pháp Tabu Search (TS)......................................................... 25

2.2.4. Ph

ng pháp Genetic Algorithm (GA) .............................................. 27

2.2.5. Ph

ng pháp Ant Colony Optimization (ACO) ................................. 30

2.2.6. Ph

ng pháp Simulated Annealing (SA) ........................................... 33

2.2.7. Ph

ng pháp Particle Swarm Optimization (PSO) ............................ 35

ng 3: THÀNH L P BÀI TOÁN MOOPF TRONG H TH"NG I N ........ 39
3.1. T ng quan v bài toán MOOPF ................................................................. 39
3.2. C s thành l p bài toán OPF .................................................................... 39


9

Ch

ng 4: ÁP D NG PH ƠNG PHÁP PSO C I TI N VÀO BÀI TOÁN

MOOPF ................................................................................................................. 43
4.1. Ph

ng pháp PSO c!i ti#n v i h s$ co ..................................................... 43

4.1.1. T$i u hóa ph%n t b%y àn .............................................................. 43
4.1.2. Khái ni m Pseudo-Gradient .............................................................. 44
4.1.3. Pseudo-Gradient d&a trên t$i u hóa b%y àn .................................... 45
4.2. Các b

c th&c hi n ph

ng pháp PG-PSOCF ' gi!i bài toán MOOPF .... 46

4.3. Fuzzy Based Mechanism cho l(i gi!i t$t nh)t ............................................ 50
Ch

ng 5: K T QU TÍNH TOÁN ...................................................................... 51
5.1. M ng i n chu*n IEEE–30 nút .................................................................. 51
5.2. Hàm m c tiêu chi phí ................................................................................ 53
5.3. Hàm m c tiêu phát th!i.............................................................................. 56
5.4. Hàm a m c tiêu ....................................................................................... 58

Ch

ng 6: K T LU N VÀ H

NG PHÁT TRI+N C,A

TÀI ..................... 60

6.1. K#t lu n ..................................................................................................... 60
6.2. H

ng phát tri'n c-a

tài........................................................................ 60

TÀI LI U THAM KH O ..................................................................................... 61

10

DANH M C CÁC T
PSO
OPF

PG-PSOCF

MO-OPF
IEEE

LP
NLP

QP
IPM

Particle Swarm Optimization
T i u hóa b y àn
Optimal power flow
Phân b công su t t i u
Pseudo gradient based particle swarm optimization with
constriction factor
PSO c i ti n v i h s co.
Multiobjective optimal power flow
Phân b công su t t i u a m c tiêu
Institute of Electrical and Electronics Engineers
Vi n k thu t i n i n t M

Linear programming
L p trình tuy n tính
Non-linear programming
L p trình phi tuy n tính
Quadratic programming
L p trình b c hai
Interior point method
Ph ơng pháp n i i m

NR
GA
SA

VI T T T

Newton-Raphson
Genetic Algorithm
Thu t toán di truy n
Simulated annealing
Thu t toán mô ph ng luy n kim


11

TS
EP
DE
ED
ORPD
ACO

Tabu Search
Gi i thu t tìm ki m Tabu
Evolutionary programming
Ch ơng trình ti n hóa
Differential Evolution
Ti n hóa khác
Economic Dispatch
i u
kinh t
Optimal Reactive Power Dispatch
i u
công su t ph n kháng
Ant Colony Optimization
Ph ơng pháp t i u hóa àn ki n

HT

H th ng i n

NST

Nhi m s c th


12

DANH M C CÁC B NG
STT

B ng

Trang

1

B ng 5.1. H s chi phí và phát th i c a các máy phát

52

2

B ng 5.2. Gi i h n các

53

3

4
5

ng dây truy n t i

B ng 5.3. K t qu cho b i PG-PSOCF

i v i tr

ng h p i u

chi

phí v i gi i h n i n áp nút khác nhau
B ng 5.4. K t qu so sánh cho tr

ng h p i u

chi phí v i gi i

ng h p i u

chi phí v i gi i

h n i n áp nút 1.05 pu
B ng 5.5. K t qu so sánh cho tr

54

55
55

h n i n áp nút 1.05 pu
6

B ng 5.6. K t qu cho b i PG-PSOCF

i v i tr

ng h p i u

56

phát th i v i các gi i h n i n áp nút khác nhau
7

B ng 5.7. K t qu so sánh cho tr

ng h p i u

phát th i v i gi i

ng h p i u

phát th i v i gi i

ng h p i u

a m c tiêu v i

57

h n i n áp nút 1.05 pu
8

B ng 5.8. K t qu so sánh cho tr

57

h n i n áp nút 1.1 pu
B ng 5.9. K t qu so sánh cho tr
9

gi i h n i n áp 1.05pu

59


13

Ch

ng 1

GI I THI U CHUNG
1.1.

T ng quan v h

ng nghiên c u

Bài toán phân b công su t t i u (OPF) ã có l ch s phát tri n t r t
lâu và có ý ngh a vô cùng quan tr ng trong quy ho ch và i u khi n h
th ng i n. M c ích chung c a bài toán OPF là c c ti u các chi phí c a h
th ng i n

áp ng nhu c u ph t i nh ng ph i duy trì

an toàn c a h

th ng (ph i gi cho m i thi t b c a h th ng n m trong ph m vi v n hành
mong mu n

ch

xác l p). i u này s tính

n công su t phát c c

c c ti u c a máy phát, dòng công su t bi u ki n c c
truy n t i và máy bi n áp c ng nh gi
gi i h n xác

nh.

n!ng i u khi n ch

t

i trên

c m c ích này OPF s ph i th c thi m i ch c

xác l p c a h th ng i n, các ch c n!ng này bao

i u khi n công su t tác d ng

i n áp c a máy phát.

ng dây

i n áp nút c a h th ng n m trong

g"m i u khi n máy phát và i u khi n h th ng truy n t i.
phát, OPF s

i và

u ra c a máy phát c ng nh

i v i h th ng truy n t i, OPF có th

s n c phân áp c a máy bi n áp i u áp d

i v i máy
i u khi n t#

i t i ho$c góc d ch pha c a máy

bi n áp d ch pha, i u khi n chuy n m ch r nhánh t t c các thi t b FACTS
[1, 2].

Trong th c t , bài toán OPF là m t hàm phi tuy n v i quy mô l n vì
ph i gi i nhi u bi n khác nhau ràng bu c hàm phi tuy n. Vì v y, Bài toán
OPF luôn là m t thách th c

i v i các ph ơng pháp gi i, $c bi t là

các hàm m c tiêu không kh vi thì không th
ph ơng pháp thông th

iv i

c gi i quy t b ng các

ng. Ngoài ra, các máy phát c ng là ngu"n phát ra

các oxit l u hu&nh (SOx), oxit nitơ (NOx) và carbon dioxit (CO2) trong khí
quy n. Vi c thay 'i lu t Không khí s ch c a M( n!m 1990 [3] ã bu c thay
'i chi n l

c phát i n

m b o m t m c ô nhi)m t i thi u.Vì v y, bài

toán OPF c ng nên bao g"m c bài toán phát th i t o thành bài toán OPF a


14

"ng th i gi m thi u t'ng chi phí

m c tiêu (MOOPF). Bài toán MOOPF s

và phát th i c a máy phát nhi t khi áp ng t t c ràng bu c c a h th ng

.

tài ã dùng ph ơng pháp PSO c i ti n (Pseudo-gradient based particle
swarm optimization with constriction factor - PG-PSOCF)
toán phân b công su t t i u a m c tiêu MOOPF.
t i u hóa b y àn thông th

ng d a vào h s co

cho bài toán t i u hóa. Ph ơng pháp

xu t

gi i quy t bài

xu t PG-PSOCF là
t!ng kh n!ng tìm ki m

gi i quy t bài toán MOOPF

b ng cách thi u chi phí và t'ng phát th i t máy phát i n trong khi v*n áp
ng các ràng bu c khác nhau c a cân b ng công su t tác d ng và ph n phán,
gi i h n công su t tác d ng và ph n kháng, gi i h n i n áp thanh cái, gi i
h n t bù và gi i h n truy n t i.
1.2.

M c tiêu c a

tài

n nay ã có m t s ph ơng pháp thông th
quy t các v n

ng

c

xu t

gi i

OPF nh ph ơng pháp d a trên gradient [5], l p trình tuy n

tính (LP) [6], l p trình phi tuy n tính (NLP) [1], l p trình b c hai (QP) [7],
ph ơng pháp Newton [8], l p trình semidefinite [9] và ph ơng pháp n i
i m (IPM) [10].... Nói chung, các ph ơng pháp thông th
dàng tìm th y các gi i pháp t i u cho m t v n
trong m t th i gian r t ng,n. Tuy nhiên, nh
khó kh!n khi

i phó v i các v n

ng có th d)

t i u hóa quy mô nh+

c i m chính c a chúng là g$p

t i u hóa không l"i v i ch c n!ng m c

tiêu không kh vi. Hơn n a, chúng c ng r t khó kh!n

i phó v i v n

quy mô l n do không gian tìm ki m l n, t n th i gian hay không có h i t .
Các ph ơng pháp tìm ki m meta-heuristic cho th y nó thích h p

v i các v n

t i u hóa ph c t p, $c bi t là cho nh ng hàm m c tiêu

không kh vi. M t s ph ơng pháp tìm ki m meta-heuristic c ng ã
d ng r ng rãi

i phó

gi i quy t bài toán OPF nh

c áp

ph ơng pháp Genetic

Algorithm (GA) [11], simulated annealing (SA) [12], Ph ơng pháp Tabu
Search (TS) [13], ph ơng pháp evolutionary programming (EP) [14, 15],
ph ơng pháp Differential Evolution (DE) [16], ph ơng pháp improved


15

particle swarm optimisation (IPSO) [17, 18], và thu t toán modified shuffle
frog leaping algorithm (MSFLA) [19].
Các thu t toán tìm ki m meta-heuristic có th kh,c ph c nh
c a các ph ơng pháp thông th
nh ng v n

ng; có ngh a là chúng có th

i phó v i

mà không yêu c u hàm m c tiêu là kh vi. Tuy nhiên, các

ph ơng pháp tìm ki m meta-heuristic không
l

c i m

t gi i pháp t i u và ch t

ng gi i pháp có th không cao khi gi i quy t bài toán v i quy mô l n và

ph c t p. Các gi i pháp thu

c t các ph ơng pháp này v i th i gian tính

toán dài. Vì v y, các ph ơng pháp lai c ng ã
các nh

c phát tri n

kh,c ph c

c i m c a ph ơng pháp meta-heuristic nh lai TS/SA [20], lai GA-

IPM [21], lai ti n hóa (hybrid differential evolution) [22], lai m và PSO
[23], và k( thu t tính toán m

(genetic-based fuzzy mathematical

programming technique) [24]. M c ích c a ph ơng pháp lai là t n d ng
nh ng l i th c a t ng ph ơng pháp ph n t

có

u t t hơn. M$c dù các ph ơng pháp lai có th có

c nh ng gi i pháp t i
c ch t l

ng gi i pháp

t t hơn so v i các ph ơng pháp riêng l-, th i gian tính toán lâu hơn so v i
các ph ơng pháp riêng l- do s k t h p c a nhi u ho t
th ng hybrid c ng th

ng. Hơn n a, h

ng ph c t p hơn nhi u so v i ph ơng pháp ph n t .

Vì th ch. có thu t toán d a trên trí thông minh nhân t o và ti n hóa mà i n
hình là ph ơng pháp PSO m i phù h p v i các lo i bài toán này và lo i tr
b+

c các v n

khó kh!n trên.

1.3.

Ý ngh a khoa h c, óng góp c a lu n v n
tài nghiên c u ã ng d ng ph ơng pháp PSO c i ti n và gi i

quy t bài toán t i u hóa phân b công su t a m c tiêu (c c ti u chi phí và
phát th i cho nhà máy i n) v i k t qu t t h n các ph ơng pháp khác. ông
th i, v i s c i ti n này s làm cho l i gi i c a bài toán h i t nhanh hơn.
i u này cho th y t m quan tr ng c a nó trong vi c tìm ra m t l i gi i t t
nh t, t i u nh t.


16

Thu t toán này

c áp d ng

gi i bài toán trên h th ng i n IEEE

30 nút và nút sánh v i các ph ơng pháp trí tu nhân t o khác.
1.4.

Ph m vi và ph
tài

ng pháp nghiên c u

c nghiên c u d a trên ph ơng pháp PSO c i ti n, xây d ng

mô hình toán h c c a bài toán g"m hàm chi phí và phát th i. /ng d ng tính

bài toán PG-PSOCF trên h th ng i n chu0n theo IEEE, so sánh v i các
ph ơng pháp khác nh m làm rõ s
Matlab
1.5.

u vi t c a

tài. Dùng ph n m m

gi i các thu t toán t i u.

N i dung c a lu n v n

Ch ơng 1: Gi i thi u chung
Ch ơng 2: T'ng quan v phân b công su t t i u
Ch ơng 3: Thành l p bài toán MOOPF trong h th ng i n
Ch ơng 4: Áp d ng ph ơng pháp PSO c i ti n vào bài toán MOOPF
Ch ơng 5: K t qu tính toán
Ch ơng 6: K t lu n và h

ng phát tri n c a

tài


17

Ch

ng 2

T NG QUAN V CÁC PH

NG PHÁP GI I

BÀI TOÁN OPF
2.1. Gi i thi u chung
Yêu c u quan tr ng nh t trong v n hành h th ng i n (HT ) là

m b o cho h

th ng làm vi c t i u và tin c y, mu n v y khi v n hành các ph n t trong HT
ph i

mb o

c các i u ki n sau ây:

-

m b o cung c p i n n ng liên t c.

-

m b o ch t l

ng i n n ng: gi cho i n áp và t n s n m trong gi i h n

cho phép.
-

m b o áp ng

-

mb o

c

th ph t i m t cách linh ho t.

c tính kinh t cao: gi m chi phí nhiên li u và gi m t n th t i n

n ng.
-

Gi m chi phí nhiên li u: s d ng hi u qu các ngu n n
ph i h p s d ng n

c c a th y i n,

c c a th y i n v i s d ng các nhà máy nhi t i n và

ph i h p gi a các nhà máy nhi t i n v i nhau…, sao cho chi phí s n xu t
i n n ng là nh nh t.
-

Gi m t n th t i n n ng: gi m t n th t i n n ng có ý ngh a r t l n trong v n
hành HT . Gi m t n th t i n bao g m thi t l p ch

s d ng i n, l a

ch n cơ c u thi t b v n hành h p lý và phân b công su t t i u gi a các
ph n t trong HT .
Trong ó bài toán phân b công su t t i u (OPF) là bài toán có ý ngh a quan
tr ng nh t và

c s d ng r ng rãi trong v n hành và quy ho ch HT . Modul OPF

là dòng t i thông minh s d ng các k thu t
khi n HT

trong khi v"n

m b o th a mãn

t

ng i u ch!nh s thi t l p i u
c các i u ki n v n hành và dòng

phân b t i v i các ràng bu c c th .
Bài toán OPF

c xem nh

là bài toán ghép

ôi c a

i u ph i kinh t

(Economic Dispatch – ED) và i u ph i t i u công su t ph n kháng (Optimal


18

Reactive Power Dispatch – ORPD). M c tiêu chính c a bài toán ED là xác
ho ch phát công su t

nh k

c c ti u hóa t ng chi phí v n hành h th ng mà không vi

ph m b t c ràng bu c v n hành nào c a h th ng nh quá t i

#ng dây hay

sai

l ch i n áp nút. Trong khi ó, m c tiêu c a i u ph i t i u công su t ph n kháng
là

nâng cao n

nh i n áp và gi m t n th t công su t truy n t i trên HT

mà

v"n th a mãn t t c các ràng bu c v n hành.

M c tiêu th nh t c a bài toán OPF là c c ti u t ng chi phí nhiên li u máy phát
trong khi v"n
trì

mb o

an toàn h th ng. T$ quan i m c a bài toán OPF, s duy

an toàn c a h th ng òi h i m%i thi t b v n hành trong HT ph i n m trong

ph m vi mong mu n & ch
su t

xác l p. Nó bao g m gi i h n c c ti u, c c

u ra c a máy phát, dòng công su t l n nh t trên

bi n áp c'ng nh gi

i công

#ng dây truy n t i và máy

i n áp m%i nút trong kho ng gi i h n an toàn.

M c tiêu th hai c a bài toán OPF là

xác

nh d li u chi phí biên c a h

th ng.
2.2. Các ph

ng pháp ã s d ng gi i bài toán OPF

Tr i qua hàng lo t các nghiên c u ã

c trình bày, tính

n nay có gi i pháp

v ph ơng pháp lu n có th nhóm l i hai ph ơng pháp c th nh sau:
-

Ph ơng pháp thông th #ng (c

-

Ph ơng pháp thông minh.

Phân lo i m%i ph ơng pháp

i n).

c trình bày theo sơ

h th ng nh sau:

18

Hình 2.1. Sơ
2.2.1. Ph

h th ng các ph ơng pháp gi i bài toán OPF

ng pháp Newton-Raphson (NR)

Ph ơng pháp Newton-Raphson (NR) [8] là ph ơng pháp có l ch s phát tri n
t$ r t lâu v i u i m n i tr i
và kh n ng h i t cao. S b
kho ng 2-5 b

i v i gi i tích ch

xác l p c a HT l n là t c

c l(p yêu c u c a ph ơng pháp th #ng ch! vào

c và h u nh không ph thu c vào kích th

ph ơng pháp NR th #ng

cc al

i i n. Do ó

c dùng ph bi n cho các HT l n và ph c t p

19
Tuy nhiên ph ơng pháp NR c'ng có tr& ng i là ph ng oán ban

u ph i g n

cho ph ơng pháp h i t , nh ng i u này không quan tr ng l)m vì

v i l#i gi i

d a vào kinh nghi m ta v"n có th
ph ơng pháp NR

a ra

c nh ng ph ng oán t t. Mô hình c a

c trình bày nh sau:

Hàm m c tiêu
Xét bài toán trong HT

có N nút và NG máy phát. M c tiêu là c c ti u t ng

chi phí v n hành c a nhà máy i n có hàm chi phí nh sau :
NG

Fc total =

$

h

α i Pgi2 + β i Pgi + γ i

i =1

(2.1)

Hàm ràng bu c b ng nhau

Pi ( V , δ ) − Pgi − Pload i = 0 V i: i = 1, 2, ....N
Qi ( V , δ ) − Q gi − Qload i = 0

(2.2)

V i: i = (NG+1), (NG+2), …, N (2.3)

Trong ó:
Pi: công su t th c bơm vào nút i và là hàm c a V , δ .

i v i nút t i thì

i = (NG +1), (NG + 2),...N và Pgi = 0.
Qi : công su t ph n kháng bơm vào nút i và là hàm c a V , δ .
Qgi : công su t ph n kháng phát t i nút i.
Hàm ràng bu c không b ng nhau
- Gi i h n v phát công su t th c

Pgi min ≤ Pgi ≤ Pgi max

v i: i = 1 ,2, ...NG

(2.4)

- Gi i h n v phát công su t ph n kháng

Q gi min ≤ Q gi ≤ Q gi max
- Gi i h n v biên

Vi

min

≤ Vi ≤ Vi

v i: i = 1, 2, ...NG

(2.5)

i n áp nút t i
max

v i: i = (NG + 1), (NG + 2),...N

(2.6)

v i : i = 1,2,...N

(2.7)

- Gi i h n v góc pha i n áp

δ i min ≤ δ i ≤ δ i max


20
- Công su t ph n kháng bơm vào nút i
N

Vi ∗ Vk [Gik sin(δ i − δ k ) − Bik cos(δ i − δ k )]

Qi =

(2.8)

k =1

Bài toán t i u hóa có ràng bu c có th

c chuy n sang bài toán t i u hóa

không ràng bu c b ng cách làm t ng ràng bu c dòng t i vào hàm m c tiêu.
Hàm Lagrange

L( Pg , V , δ ) =

NG

Fc ( Pgi ) +

i =1

λ pi [Pi ( V , δ ) − Pgi + Pload i ]

i =1
N

+

N

λ pi [Qi ( V , δ ) − Q gi + Qload i ]

(2.9)

i = NG +1

c gi i quy t n u các ph ơng trình sau

Bài toán t i u hóa

∂L
∂F
=
− λ pi = 0
∂Pgi ∂Pgi
∂L
=
∂δ i

N

λ pk
k =1

c th a mãn:

V i : i = 1, 2, ...NG (2.10)

∂Pk
∂Qk
λqk
= 0 V i : i = 2, 3,...N (2.11)
+
∂δ i
∂δ i
k = NG +1

Trong ó:

λ pk , λ qk : h
Các b
B

ng s Lagrange

c c a thu t toán NR

c 1: Kh&i t o l#i gi i bài toán OPF

- D

oán ban

u v gi i h n trên và gi i h n d

i c a hàm ràng bu c

không b ng nhau.
- D

oán ban

phát, n c thay
B

c 2:

uv

i n áp và góc pha i n áp, công su t

u ra c a máy

i i n áp, các nhân t trong hàm Lagrange.

ánh giá nh ng hàm ràng bu c không b ng nhau thêm vào ho(c l y

ra s d ng thông tin t$ nhân t Lagrange cho ràng bu c khó và ánh giá tr c
ti p

B

i v i hàm ràng bu c d*.
c 3: Xác

nh các giá tr c a l#i gi i OPF.

phát không vi ph m gi i h n.

m b o r ng ít nh t m t máy


21
B

c 4: Tính toán gradient và Hessian c a Lagrangian.

B

c 5: Gi i ph ơng trình [ H ] ∆z = ∇L( z ) .

B

c 6: C p nh t l#i gi i

B

c 7: Ki m tra ∆z < ε . N u th a chuy n

quay l i b

B

znew = zold − ∆z .
nb

c ti p theo, ng

cl i

c 4.

c 8: Ki m tra các i u ki n ràng bu c không b ng nhau. N u th a k t thúc

bài toán, ng
2.2.2. Ph

c l i quay l i b

c 2.

ng pháp Differential Evolution (DE)

Differential Evolution (DE) là m t thu t toán ti n hóa

c

xu t b&i Storn

và Price vào n m 1997. Ph ơng pháp DE [16] cho th y hi u qu trong vi c gi i
quy t bài toán t i u không tuy n tính v i các i u ki n ràng bu c khác nhau. +u

i m c a ph ơng pháp này là c u trúc ơn gi n, g n, ít thông s
h i t cao. Hàm m c tiêu có d ng b c hai dùng

i u khi n, i m

tính toán là c c ti u chi phí nhiên

li u máy phát v i các ràng bu c: gi i h n công su t th c và công su t ph n kháng
máy phát, i n áp các nút,
hình c a thu t toán DE

u phân áp và dòng công su t trên các

#ng dây. Mô

c trình bày nh sau:

Hàm m c tiêu
M(c dù h u h t các v n

t i u hóa phân b công su t trong HT là t ng chi

phí s n xu t i n n ng, trong m t vài tr #ng h p có th ch n hàm m c tiêu khác
ch,ng h n nh hàm t n th t công su t trên

#ng dây truy n t i và

c bi u di*n

nh ph ơng trình sau:

NL

Floss =

{

}

g i , j Vi 2 + V j2 − 2ViV j cos(δ i − δ j )

i =1

Trong ó
Vi :

biên

i n áp t i nút i.

Vj :

biên

i n áp t i nút j.

gi,j:
i:

i n d"n c a

#ng dây t$ i

góc pha i n áp t i nút i.

n j.

(2.12)


22
j:

góc pha i n áp t i nút j.

NL:

t ng s l

ng

#ng dây truy n t i.

Floss: hàm t n th t công su t.
Hàm ràng bu c b ng nhau
NB

PG ,i − PD ,i −

Vi V j Yi , j cos(θ i , j − δ i + δ j ) = 0

(2.13)

Vi V j Yi , j sin(θ i , j − δ i + δ j ) = 0

(2.14)

j =1

NB

QG ,i − QD ,i −
j =1

Trong ó:
PGi: công su t th c c a máy phát t i nút i;
QGi: công su t ph n kháng c a máy phát t i nút i;
PDi: công su t th c c a ph t i t i nút i;
QDi: công su t ph n kháng c a ph t i t i nút i;
NB: t ng s l
i,j:

ng nút;

góc pha c a nút t ng d"n các thành ph n i, j;

Yi,j: biên

c a nút t ng d"n các thành ph n i, j.

Hàm ràng bu c không b ng nhau

Vi min ≤ Vi ≤ Vi max

(2.15)

Ti min ≤ Ti ≤ Ti max

(2.16)

min
max
Qcomp
,i ≤ Qcomp ,i ≤ Qcomp ,i

(2.17)

max
PGmin
,i ≤ PG ,i ≤ PG ,i

(2.18)

Trong ó:

Vi min , Vi max : gi
Ti min , Ti max : gi

ih nd
ih nd

i và trên c a biên

i n áp t i nút i;

i và trên v trí n c c a máy bi n áp i;


23
max

min
Qcomp,i : gi i h n d i và trên c a ngu n công su t ph n
Qcomp
,i ,

kháng i;
max
PGmin
i và trên c a công su t th c t i máy phát i.
,i , PG ,i : gi i h n d

Các b
B

c c a thu t toán DE

c 1: M%i ph n t

i trong máy phát G là m t vector

xiG = ( xi ,1, ....., xi , D ). Thông s

u vào

a kích th

c

c th hi n nh sau:

xiG,k = x k min + rand (0,1) × ( x k max − x k min ) i ∈ [1, N p ], k ∈ [1, D ] (2.19)
Trong ó
Np: kích th
D: s l

c c a bài toán;

ng bi n i u khi n;

k: m%i bi n k trong m%i ph n t là d li u

u vào v i gi i h n xkmin

n

xkmax.
B

c 2:

i v i m%i i - (1,…,Np) tr ng l

ng khác nhau c a 2 bi n

ch n ng"u nhiên xr2, xr3 c ng thêm vào xr1 ta xây d ng vector

c

t bi n vi nh sau:

vi = x rG1 + F ( x rG2 − x rG3 )

(2.20)

Trong ó
i, r1 ,r2 , r3: ch! s
F: kích c. các b
B

t bi n .
c và

c l a ch n [0, 2]

c 3: M c tiêu vector xi là ph i h p v i vector

t bi n vi,

c trình bày

nh sau:

ui = uiG,k+1 =

vi ,k if rand k ,i ≤ CR or k = I rand
xiG,k+1 if rand k ,i > CR and k ≠ I rand

(2.21)

Trong ó
randk,i - [0,1] và Irand
i

[1,…,Np], k

c ch n ng"u nhiên trong kho ng [1,...,D]

[1,…,D]