Điều độ công suất phản kháng tối ưu sử dụng thuật toán one rank Cuckoo Search
Đề tài nghiên cứu “Điều độ công suất phản kháng tối ưu sử dụng thuật toán
One Rank Cuckoo Search”. Hàm mục tiêu được đặt ra là cực tiểu tổn thất công suất tác
dụng thông qua các hàm tổn thất công suất, hàm về độ lệch điện áp và hàm về ổn định
điện áp với các điều kiện ràng buộc về công suất phát và điện áp máy phát, các chỉ số
chỉnh định của máy biến áp, công suất truyền tải trên đường dây và công suất phản
kháng của các dãy tụ. Thuật toán ORCS được dựa trên thuật toán Cuckoo search và
được cải tiến nhằm nâng cao khả năng giải quyết bài toán tối ưu và tốc độ hội tụ. Ứng
dụng giải bài toán ORPD trên các mạng điện chuẩn IEEE-118 nút và kết quả được so
sánh với các phương pháp tối ưu hoá khác.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Điều độ công suất phản kháng tối ưu sử dụng thuật toán one rank Cuckoo Search
tải và đường truyền dòng công suất. Ng, Nd, Nl lần lượt là số máy phát, số nút tải, số đường truyền. F(x,u) là hàm mục tiêu. Giới hạn của các biến lệ thuộc trong (4.9) được xác định dựa trên giá trị tính toán của chúng như sau: minmin maxmaxlim xxx xxx x (3.10) Trong đó: x và xlim được đưa ra cho giá trị tính toán và giới hạn của Qgi, Vli, Slmax. Mỗi tổ ban đầu được đặt là tốt nhất Xbestd (d = 1, 2,, Nd) với độ chất lượng tính theo (3.9) và tìm tổ chất lượng nhất Gbest trong các tổ đó. 3.2.2. Tạo giải pháp thông qua Lévy Flights Tạo một giải pháp mới ngẫu nhiên (trứng cuckoo) Xdnew bằng phép Lévy flight. Giải pháp mới nên được tính từ giải pháp cũ tốt nhất và đánh giá chất lượng bằng hàm chất lượng FTnew. Cách thực hiện đặc tính Lévy flight, ta sẽ sử dụng thuật toán Mantegna [16]. Giải pháp mới được tính như sau: 2 new newd d dX Xbest rand X (3.11) Trong đó α > 0 là bước tính; rand2 số là phân phối ngẫu nhiên trong [-1,1] và độ thay đổi ∆Xnewd. 370 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 )( )( )( GbestXbestvX d y xnew d (3.12) Trong đó: /1 y x rand rand (3.13) Trong đó randx và randy hai biến phân phối ngẫu nhiên với độ lệch chuẩn x() và y() được xác định bởi: /1 2 1 2 2 1 2 sin)1( )( x (3.14) 1)( y (3.15) Với là hệ số phân phối (0.3 1.99) và (.) là hàm phân phối gamma. 3.2.3. Cách tìm trứng lạ và ngẫu nhiên Việc tìm xác định hành động của sự khám phá một quả trứng lạ trong một tổ với xác suất pa cũng tạo ra một giải pháp mới cho các vấn đề tương tự như Lévy flights. Các giải pháp mới do hành động này có thể được tìm thấy trong các cách sau đây: dis dis d d dX Xbest K X (3.16) Trong đó Xbestd là một giải pháp được tạo ra thông qua Lévy flights cũng như trong mục 3.2.2 và K là hệ số cập nhật được xác định dựa trên xác suất của chim chủ phát hiện trứng lạ trong tổ của chúng: 41 , 0 , − ¹ anÕu rand pK ng îc l i (3.17) Và độ thay đổi Xddis được tính: )()( 215 dddisd XbestrandpXbestrandprandX (3.18) Với rand4 và rand5 là số phân phối ngẫu nhiên trong [0, 1] và randp1(Xbestd) và randp2(Xbestd) là nhiễu loạn ngẫu nhiên cho vị trí của tổ Xbestd. 3.2.4. Ràng buộc cho giải pháp mới Đối với các giải pháp mới thu được từ việc tính toán dòng công suất sử dụng phần mềm Matpower toolbox 4.1, giới hạn trên và giới luôn đảm bảo. Như mô tả trong phần hiệu chỉnh thứ hai trong mục 3.1.b, ràng buộc bởi giải pháp tốt nhất được sử dụng để xử lý các ràng buộc bất đẳng thức. PHÂN BAN TRUYỀN TẢI ĐIỆN | 371 3.2.5. Điều kiện dừng Thuật toán dừng khi số vòng lặp (Iter) đạt cực đại (Itermax). 3.2.6. Các bước thực hiện Trình tự các bước thực hiện của thuật toán ORCS giải bài toán ORPD: Bước 1: Chọn thông số cho ORCSA bao gồm số tổ Np, số vòng lặp tối đa Itermax. Khởi tạo số trứng của tổ như mục 3.2.1. Bước 2: Trong mỗi phần tử, tính giá trị của các biến lệ thuộc dựa trên tính dòng công suất dùng Matpower toolbox 3.1. Bước 3: Đánh giá hàm chất lượng để chọn Xbest và Gbest dựa trên giá trị của hàm chất lượng của chúng. Khởi tạo vòng lặp bắt đầu Iter = 1 và tỉ số one rank ror = 1. Bước 4: Tạo giải pháp mới cho trứng bị bỏ đi thông qua Lévy flights như mục 3.2.2. Bước 5: Khởi tạo giá trị ngẫu nhiên và so sánh với tỉ số ror. Nếu giá trị ngẫu nhiên nhỏ hơn ror, tiếp tục bước 6, ngược lại đến bước 9. Bước 6: Khám phá trứng lạ và ngẫu nhiên để tạo ra giải pháp mới trong mục 3.2.3. Bước 7: Thực hiện cơ chế ràng buộc bởi giải pháp tốt nhất để xác định giải pháp mới như mục 3.2.4. Bước 8: Tính toán như bước 2. Tính hàm fitness (3.9), sau đó sắp xếp và giữ giải pháp tốt nhất hiện tại. Đến bước 14. Bước 9: Thực hiện cơ chế ràng buộc bởi giải pháp tốt nhất để xác định giải pháp mới như mục 3.2.4. Bước 10: Tính toán như bước 2. Tính hàm fitness (3.9), sau đó sắp xếp và giữ giải pháp tốt nhất hiện tại. Bước 11: Khám phá trứng lạ và ngẫu nhiên để tạo ra giải pháp mới trong mục 3.2.3. Bước 12: Thực hiện cơ chế ràng buộc bởi giải pháp tốt nhất để xác định giải pháp mới như mục 3.2.4. Bước 13: Tính toán như bước 2. Tính hàm fitness (3.9), sau đó sắp xếp và giữ giải pháp tốt nhất hiện tại. Bước 14: Lấy tổ tốt nhất Gbest. Bước 15:Nếu vòng lặp hiện tại Iter bằng với vòng lặp cực đại thì dừng, không thì Iter = Iter + 1, tiếp tục bước 16. Bước 16: Nếu Gbest hiện tại không tốt hơn vòng lặp trước. Tính tỉ số one rank theo phương trình (3.3) và quay lại bước 5. 372 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 4. KẾT QUẢ TÍNH TOÁN Đề tài sử dụng thuật toán ORCS áp dụng vào bài toán ORPD trên mạng điện chuẩn IEEE-118 nút [20, 21] để kiểm chứng và so sánh các hàm mục tiêu với các điều kiện ràng buộc so với một số phương pháp trí tuệ nhân tạo như PSO, PSO-TVAC, HPSO-TVAC, CLPSO, FA. Từ đó ta có thể thấy được đặc điểm tối ưu của thuật toán ORCS so với các phương pháp khác. Thuật toán được thực hiện trên ngôn ngữ lập trình MATLAB R2009b và máy có cấu hình: tốc độ xử lý Intel Core i3 2 Duo CPU 2.50 GHz, RAM 2.00 GB. 4.1. Cấu trúc mạng IEEE-118 nút Hệ thống kiểm tra 118 nút, gồm 54 nút máy phát, 64 nút tải và 186 nhánh trong đó có 9 nhánh chỉnh nấc máy biến áp và 14 bộ tụ. Nhằm cực tiểu các hàm mục tiêu cho hệ thống này, có 77 biến kiểm soát bao gồm: điện áp ở 54 nút máy phát, nấc chỉnh của 9 máy biến áp và dòng công suất phản kháng của 14 khóa dãy tụ. Bảng 4.1. Đặc tính hệ thống IEEE-118 nút dùng để kiểm tra Hệ thống Số nhánh Số máy phát Số máy biến áp Số bộ tụ Số biến kiểm soát IEEE-118 nút 186 54 9 14 77 Bảng 4.2. Thông số cơ bản hệ thống IEEE-118 nút dùng để kiểm tra Hệ thống diP diQ giP giQ IEEE-118 nút 4242 1438 4357.28 650.7 4.2. Kết quả 4.2.1. Hàm cực tiểu tổn thất công suất Bảng 4.3. Kết quả so sánh phương pháp ORCS cho mạng IEEE-118 nút với hàm mục tiêu tổn thất công suất so với tài liệu tham khảo Phương pháp PSO-TVAC [22] HPSO-TVAC [22] ORCS Min Ploss (MW) 124.3335 116.2026 116.9774 Avg. Ploss (MW) 129.7494 117.3553 122.1781 Max Ploss (MW) 134.1254 118.1390 122.1781 Std.dev. Ploss (MW) 2.1560 0.4696 2.4681 VD 1.4332 1.8587 2.0636 Lmax 0.0679 0.0650 0.0632 Avg. CPU time (s) 85.32 85.25 104.062 PHÂN BAN TRUYỀN TẢI ĐIỆN | 373 4.2.2. Cực tiểu độ lệch điện áp ở nút tải để cải thiện biến dạng điện áp Bảng 4.4. Kết quả so sánh phương pháp ORCS cho mạng IEEE-118 nút với hàm mục tiêu độ lệch điện áp so với tài liệu tham khảo Phương pháp PSO-TVAC [22] HPSO-TVAC [22] ORCS Min VD 0.3921 0.2074 0.3101 Avg. VD 0.4724 0.2498 0.4345 Max VD 0.5407 0.3012 0.5827 Std.dev. VD 0.0316 0.0215 0.0596 Ploss (MW) 179.7952 146.8104 136.0782 Lmax 0.0667 0.0670 0.0672 Avg. CPU time (s) 78.70 74.90 137.640 4.2.3. Cực tiểu chỉ số ổn định điện áp nhằm nâng cao độ ổn định điện áp Bảng 4.5. Kết quả so sánh thuật toán ORCS cho mạng IEEE-118 nút với hàm mục tiêu chỉ số ổn định điện áp so với tài liệu tham khảo Phương pháp PSO-TVAC [22] HPSO-TVAC [22] ORCS Min Lmax 0.0607 0.0607 0.0595 Avg. Lmax 0.0609 0.0608 0.0633 Max Lmax 0.0613 0.0612 0.0712 Std.dev. Lmax 0.0001 0.0001 0.0023 Ploss (MW) 184.5627 155.3915 131.9501 VD 1.2103 1.34401 1.3862 Avg. CPU time (s) 119.22 119.16 137.316 374 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 4.2.4. So sánh các kết quả tốt nhất trong hệ thống IEEE-118 nút Bảng 4.6. Kết quả so sánh phương pháp ORCS cho mạng IEEE-118 nút so với tài liệu tham khảo Mục tiêu Phương pháp Tổn thất công suất (MW) Độ lệch điện áp (VD) Ổn định điện áp (Limax) PSO-TVAC[22] 124.3335 0.3921 0.0607 PSO[22] 131.99 2.2359 0.1388 CLPSO[24] 130.96 1.6177 0.0965 FA [23] 135.42 0.378 - ORCSA 116.9774 0.3101 0.0595 4.2.3. Nhận xét Dựa vào kết quả ta thấy phương pháp ORCS cho kết quả tốt so với các phương pháp khác với các hàm mục tiêu tổn thất công suất, độ lệch điện áp và chỉ số ổn định điện áp. Trong đó, kết quả của hàm mục tiêu tổn thất công suất, chỉ số ổn định điện áp và độ lệch điện áp đều thấp hơn các phương pháp khác. Ngoài ra, ta thấy thời gian chạy của phương pháp mặc dù hơi chậm so với những phương pháp khác nhưng vẫn nhanh và chấp nhận được. 5. KẾT LUẬN Đề tài trình bày phương pháp ORCS giải bài toán điều độ công suất phản kháng tối ưu trong hệ thống điện. Đề tài đã trình bày có hệ thống, rõ ràng, mạch lạc trong từng mạng điện cụ thể đã so sánh, nhận xét, đánh giá với nhiều phương pháp khác nhau để khẳng định tính chính xác và tin cậy của kết quả đạt được trong đề tài. Thông qua kết quả đạt được, phương pháp ORCS đã thành công trong việc tìm điểm hội tụ với tốc độ tương đối nhanh cũng như hiệu quả của phương pháp trong việc giải bài toán tối ưu. Mặc dù đề tài chỉ áp dụng trên mạng điện chuẩn IEEE-118 nút nhưng với khả năng của phương pháp trong việc giải những bài toán có hàm mục tiêu phức tạp, không khả vi, có các biến số rời rạc và phương pháp không bị hạn chế bởi số lượng nút hay bài toán có cấu trúc phức tạp hơn. Do đó, giải thuật này hoàn toàn có thể áp dụng trong hệ thống điện có số nút lớn hơn. Kết quả tính toán cho thấy khả năng linh hoạt, mạnh mẽ của phương pháp ORCS trong việc xác định lời giải tối ưu toàn cục và giải quyết bài toán ORPD một cách dễ dàng so với các phương pháp khác. Tuy nhiên, phương pháp ORCS cũng gặp một số PHÂN BAN TRUYỀN TẢI ĐIỆN | 375 nhược điểm giống như các phương pháp trí tuệ nhân tạo khác là kết quả tính toán phụ thuộc nhiều vào thông số cài đặt thuật toán và kinh nghiệm người lập trình, do đó mất rất nhiều thời gian để thử nghiệm và tìm ra kết quả tối ưu. Từ những kết quả đạt được và các ưu nhược điểm của đề tài đã nêu ở trên, tôi đưa ra hướng phát triển tiếp theo của đề tài góp phần hoàn thiện phương pháp ORCS để giải bài toán tối ưu ngày càng tốt hơn: Giải bài toán ORPD ứng dụng vào mạng điện có số lượng nút lớn hơn và có tính đến ảnh hưởng của các thiết bị FACTS. Kết hợp phương pháp ORCS với các phương pháp khác như: Fuzzy Logic, Genetic Algorithm, Neural Network và cải tiến phương pháp dựa trên nền tảng của phương pháp hiện có để tìm lời giải có thời gian hội tụ nhanh và chính xác hơn. TÀI LIỆU THAM KHẢO [1] J. Nanda, L. Hari, and M. L. Kothari, „Challenging algorithm for optimal reactive power dispatch through classical co-ordination equations”, IEE Proceedings - C, 139(2), 1992, pp. 93-101. [2] J. G. Vlachogiannis, and K. Y. Lee, “A Comparative study on particle swarm optimization for optimal steady-state performance of power systems”, IEEE Trans. Power Systems, 21(4), 2006, pp. 1718-1728. [3] D. Devaraj and J. Preetha Roselyn, “Genetic algorithm based reactive power dispatch for voltage stability improvement”, Electrical Power and Energy Systems, 32(10), 2010, pp. 1151-1156. [4] N. Grudinin, “Reactive power optimization using successive quadratic programming method”, IEEE Trans. Power Systems, 13(4), 1998, pp.1219-1225. [5] D. S. Kirschen, and H. P. Van Meeteren, “MW/voltage control in a linear programming based optimal power flow,” IEEE Trans. Power Systems, 3(2), 1988, pp.481-489. [6] S. Granville, “Optimal reactive power dispatch through interior point methods”, IEEE Trans. Power Systems, 9(1), 1994, pp.136-146. [7] K. Aoki, M. Fan and A. Nishikori, “OptimalVAR planning by approximation method for recursive mixed integer linear programming”, IEEE Trans. Power Systems, 3(4), 1988, pp.1741 - 1747. [8] L. L. Lai and J. T. Ma, “Application of evolutionary programming to reactive power planning– Comparison with nonlinear programming approach”, IEEE Trans. Power Systems, 12(1), 1997, pp.198-206. [9] D. Devaraj and J. Preetha Roselyn, “Genetic algorithm based reactive power dispatch for voltage stability improvement”, Electrical Power and Energy Systems, 32(10), 2010, pp.1151- 1156. [10] A. A. Abou El Ela, M. A. Abido, and S. R.Spea, “Differential evolution algorithm for optimal reactive power dispatch”, ElectricPower Systems Research, 81(2), 2011, pp.458-464. [11] A. Abou El-Ela, A. Kinawy, R. El-Sehiemy, M. Mouwafi, “Optimal reactive power dispatch using ant colony optimization algorithm”, Proceedings of the 14th International Middle East 376 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 Power Systems Conference (MEPCON’10), Cairo University, Egypt, Paper ID 315, December 19-21, 2010. [12] J.Kennedy R.Eberhart, “Particle Swarm Optimization”, Proc.IEEE Int.Conf.on Neural Networks, pp.1942-1948, 1995. [13] Ahmed, S. T., Amr, A.B. & Ibrahim, F. A. (2013). One Rank Cuckoo Search Algorithm with Application to Algorithmic, Trading Systems Optimization, International Journal of Computer Applications (0975 – 8887), 64(6), 30-37. [14] Yang, X.S. & Deb, S. (2009). Cuckoo search via Lévy flights. In Proc. World Congress on Nature & Biologically Inspired Computing (NaBIC 2009), India, 210-214. [15] Xiangtao, L. & Minghao, Y. (2013). A hybrid cuckoo search via Lévy flights for the permutation flow shop scheduling problem. Int. J. Prod Res, 51, 4732-54. [16] Mantegna, R.N. (1994). Fast, accurate algorithm for numerical simulation of Levy stable stochastic processes. Phys Rev E., 49, 4677-4683. [17] Ismail Musirin, Titik Khawa Abdul Rahman, “Evolutionary Programming Optimization Technique for Solving Reactive Power Planning in Power System”, Proceedings of the 6th WSEAS Int. Conf. on EVOLUTIONARY COMPUTING, Lisbon, Portugal, pp.239-244, June 16-18, 2005. [18] C.Thammasirirat, B. Marungsri, R. Oonsivilai, A. Oonsivilai, “Optimal Reactive Power Dispatch using Differential Evolution”, World Academy of Science, Engineering and Technology 60, 2011. [19] S. Durairaj, P. S. Kannan, D. Devaraj, “Application of Genetic Algorithm to Optimal Reactive Power Dispatch including Voltage Stability Constraint”, Journal of Energy & Environment 4, pp.63 – 73, 2005. [20] R. D. Zimmerman, C. E. Murillo-Sánchez, and R. J. Thomas, “Matpower's extensible optimal power flow architecture”, In Proc. Power and Energy Society General Meeting, IEEE, 2009, pp. 1-7. [21] I. Dabbagchi and R. Christie, “Power systems test case archive”, University of Washington,1993.Retrieved Feb. 20, 2011. from [22] Vo Ngoc Dieu and Peter Schegner, “Particle swarm optimization with constriction factor for optimal reactive power dispatch”, In Proceedings of the fifth Global Conference on Power Control and Optimization,PCO 2011, 1-3 June, 2011, Dubai, Unites Arab Emirate. [23] Abhishek Rajan, T. Malakar, “Optimal reactive power dispatch using hybrid Nelder–Mead simplex based firefly algorith”, Electrical Power and Energy Systems 66 (2015) 9–24. [24] K. Mahadevan and P. S. Kannan, “Comprehensive learning particle swarm optimization for reactive power dispatch”, Applied Soft Computing, 10(2), 2010, pp. 641- 652.
File đính kèm:
- dieu_do_cong_suat_phan_khang_toi_uu_su_dung_thuat_toan_one_r.pdf