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.