Tái cấu hình lưới điện phân phối giảm tổn thất công suất sử dụng thuật toán runner root
Bài báo trình bày phương pháp tái cấu trúc lưới điện phân phối (LĐPP) sử dụng thuật toán tối ưu
Runner Root Algorithm (RRA). Hàm mục tiêu của bài toán là giảm tổn thất công suất tác dụng trên
LĐPP. RRA là thuật toán tối ưu mới được phát triển lấy ý tưởng từ sự nhân giống của một số loài
thực vật có thân bò lan vốn sinh sản qua các đốt thân và phát triển rễ tại các đốt thân để hút nước
và chất khoáng. Hiệu quả của phương pháp đề xuất được kiểm tra trên LĐPP 33 nút. Kết quả được
so sánh với giải thuật di truyền liên tục (CGA), cuckoo search (CSA) và một số nghiên cứu đã thực
hiện cho thấy RRA là phương pháp hiệu quả để giải bài toán tái cấu trúc.
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: Tái cấu hình lưới điện phân phối giảm tổn thất công suất sử dụng thuật toán runner root
oán được xây dựng dưới dạng “file.m” và chạy từ “Command Window” của phần mềm MATLAB trên máy tính có cấu trúc Intel Core i3 M 330 @ 2.13GHz, 1 CPU, 2 cores per CPU, Motherboard Aspire 4740, 2GB DDR3 RAM, Hard Drive ST9250320AS (250GB), Windows 7 SP1 (32-bit). Thông số của RRA sử dụng tính toán là số cây mẹ 𝑁 = 20; vòng lặp lớn nhất 𝑖𝑡𝑒𝑟𝑚𝑎𝑥 = 150; sự thay đổi tương đối giá trị hàm thích nghi tốt nhất trong hai vòng lặp 𝑡𝑜𝑙 = 0.01; số vòng lặp để khởi động lại thuật toán 𝑆𝑡𝑎𝑙𝑙𝑚𝑎𝑥 = 50. Do bởi số lượng khóa mở ban đầu trên lưới 33 là 5 nên kích thước của vector giải pháp của hệ thống được chọn là 𝑑𝑖𝑚 = 5. LĐPP 33 nút với 37 nhánh, 32 khóa điện thường đóng và 5 khóa điện thường mở được sử dụng để kiểm tra phương pháp đề nghị. Thông số đường dây và phụ tải của hệ thống được sử dụng trong [17] và sơ đồ đơn tuyến của hệ thống được mô tả như hình 2. Ngoài ra, tổn thất công suất ban đầu, điện áp nút thấp nhất và dòng điện định mức của các nhánh lần lượt là 202.69 kW, 0.9131 p.u và 255 A. 54 6 82 3 7 19 9 1211 1413 1615 1817 26 27 28 29 30 31 32 33 23 24 25 20 21 22 10 2 3 54 6 7 18 19 20 33 1 9 10 11 12 13 14 34 8 21 35 15 16 17 25 26 27 28 29 30 31 32 36 37 22 23 24 1 Hình 2. LĐPP IEEE 33 nút Ngoài ra, để đảm bảo sự công bằng trong so sánh, hai phương pháp tái cấu trúc sử dụng thuật toán di truyền với các biến liên TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Số 22 7 tục CGA [18] và thuật toán tìm kiếm CSA [19] được thực hiện trên cùng một máy tính. CGA dựa trên cơ chế chọn lọc tự nhiên sử dụng biến số thực là một thuật toán heuristic tổng quát nổi tiếng và nó phù hợp với bài toán mà các biến điều khiển là liên tục. CSA là thuật toán mới được phát triển lấy ý tưởng từ đặc điểm sinh sản ký sinh của một số loài chim tu hú. Cả hai thuật toán đã được áp dụng thành công vào các bài toán tái cấu trúc, trong đó CGA đã được sử dụng trong các nghiên cứu [20], [21], [22], [23] và CSA cũng đã chứng minh được khả năng của mình trong các nghiên cứu [24], [25]. Các thông số điều khiển của CGA và CSA được cài đặt trong phạm vi cho phép và giá trị tối ưu nhất được lựa chọn qua nhiều lần thực hiện. Kết quả, tỉ lệ chọn lọc tự nhiên và tỉ lệ đột biến của CGA lần lượt được xác định là 0.5 và 0.2 trong khi đối với CSA, xác suất phát hiện trứng lạ trong tổ của chim chủ là 0.2. Các thông số khác của hai thuật toán như kích thước quần thể, kích thước vector biến điều khiển và số vòng lặp lớn nhất được chọn tương tự như RRA. Hiệu quả của phương pháp đề xuất được trình bày trong bảng 1. Tổn thất công suất trên hệ thống đã giảm từ 202.69 kW trong cấu trúc ban đầu xuống 139.55 kW trong cấu trúc tối ưu. Điện áp nút thấp nhất cũng được cải thiện từ 0.9131 p.u. đến 0.9378 p.u. Bảng 1 cũng cho thấy, kết quả thực hiện bằng RRA bằng với kết quả thực hiện từ các phương pháp HBB-BC [26], MOIWO [27], HSA [28] và PSO [29] nhưng tốt hơn kết quả thực hiện bằng các phương pháp ACO [30] và FWA [11]’. Bảng 1. Kết quả RRA với CGA và CSA trên LĐPP 33 nút Phương pháp Khóa mở Hàm thích nghi Vòng lặp hội tụ Thời gian tính toán (s) Max Min Mean STD Mean STD RRA 7, 14, 9, 32, 37 139.55 139.55 139.55 8.6e-14 38.10 21.34 48.17 CGA 7, 14, 9, 32, 37 146.19 139.55 139.78 1.2121 54.63 29.86 39.26 CSA 7, 14, 9, 32, 37 140.28 139.55 139.58 0.1328 83.63 34.25 72.58 Điện áp các nút sau khi thực hiện tái cấu trúc được cho ở hình 3. Hình vẽ cho thấy điện áp tất cả các nút đã được cải thiện đáng kể sau khi tái cấu trúc. Hệ số mang tải trên các nhánh trên LĐPP 33 nút được ở hình 4 cho thấy không có nhánh nào vi phạm ràng buộc về dòng điện. Hình 3. Biên độ điện áp trước và sau tái cấu trúc trên LĐPP 33 nút TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) 8 Số 22 Hình 4. Hệ số mang tải trên các nhánh trước và sau tái cấu trúc trên LĐPP 33 nút Để so sánh RRA với CGA và CSA, bài toán tái cấu trúc được chạy 50 lần độc lập. Giá trị lớn nhất, nhỏ nhất, trung bình và độ lệch chuẩn của hàm thích nghi cũng như vòng lặp hội tụ được so sánh ở bảng 2. Từ bảng 2 cho thấy, kết quả thực hiện bằng phương pháp đề xuất tốt hơn hai phương pháp so sánh ở giá trị vòng lặp hội tụ. Mặc dù cả ba phương pháp đều tìm được giá trị hàm thích nghi nhỏ nhất và giá trị trung bình của hàm thích nghi của ba phương pháp gần bằng nhau. Tuy nhiên, số vòng lặp hội tụ trung bình của RRA là 38.1, trong khi đó đối với CGA và CSA lần lượt là 54.63 và 83.63. Hình 5. Đặc tính hội tụ của RRA, CGA và CSA trên LĐPP 33 nút trong sau 50 lần chạy Về thời gian tính toán, RRA mất 48.17 s để giải bài toán, chậm hơn CGA 8.91 s và nhanh hơn CSA 24.41 s. Mặc dù mất nhiều thời gian tính toán hơn so với CGA, nhưng rõ ràng thời gian tính toán trên được tính cho 150 vòng lặp trong khi đó RRA hội tụ sau 39 vòng lặp nhưng CGA hội tụ sau 55 vòng lặp. Đặc tính hội tụ trung bình và nhỏ nhất của RRA, CGA và CSA trên hệ thống 33 nút được cho trong hình 5 cho thấy đường đặc tính trung bình của RRA luôn thấp hơn CGA và CSA. Bảng 2. Kết quả RRA với CGA và CSA trên LĐPP 33 nút Phương pháp Khóa mở Hàm thích nghi Vòng lặp hội tụ Thời gian tính toán (s) Max. Min. Mean STD Mean STD RRA 7, 14, 9, 32, 37 139.55 139.55 139.55 8.6e-14 38.10 21.34 48.17 CGA 7, 14, 9, 32, 37 146.19 139.55 139.78 1.2121 54.63 29.86 39.26 CSA 7, 14, 9, 32, 37 140.28 139.55 139.58 0.1328 83.63 34.25 72.58 5. KẾT LUẬN Trong bài báo này, thuật toán RRA đã được áp dụng thành công để giải bài toán tái cấu trúc LĐPP. Hàm mục tiêu của bài toán là giảm tổn thất công suất tác dụng. Phương pháp đề xuất đã được kiểm tra trên hệ thống 33 nút. Kết quả tính toán cho thấy chất lượng giải pháp thu được có chất lượng tốt hơn so với thuật toán CGA và CSA với giá trị lớn nhất, trung bình và TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Số 22 9 độ lệch chuẩn của hàm thích nghi trong 50 lần chạy độc lập bé hơn so với CGA và CSA. Ngoài ra, phương pháp RRA có khả năng tìm được cấu trúc vận hành LĐPP với số vòng lặp nhỏ hơn nhiều so với phương pháp CGA và CSA. Vì vậy đây là công cụ tiềm năng và hiệu quả để giải bài toán tái cấu trúc LĐPP. TÀI LIỆU THAM KHẢO [1] S. Gopiya Naik, D.K. Khatod, and M.P. Sharma, “Optimal allocation of combined DG and capacitor for real power loss minimization in distribution networks,” International Journal of Electrical Power and Energy Systems, vol. 53, pp. 967–973, 2013. [2] A. Merlin and H. Back, “Search for a minimal loss operating spanning tree configuration in an urban power distribution system,” Proceeding in 5th power system computation conf (PSCC), Cambridge, UK, vol. 1, pp. 1–18, 1975. [3] S. Civanlar, J.J. Grainger, H. Yin, and S.S.H. Lee, “Distribution feeder reconfiguration for loss reduction,” IEEE Transactions on Power Delivery, vol. 3, no. 3, pp. 1217–1223, 1988. [4] D. Shirmohammadi and H.W. Hong, “Reconfiguration of electric distribution networks for resistive line losses reduction,” IEEE Transactions on Power Delivery, vol. 4, no. 2, pp. 1492–1498, 1989. [5] J.Z. Zhu, “Optimal reconfiguration of electrical distribution network using the refined genetic algorithm,” Electric Power Systems Research, vol. 62, no. 1, pp. 37–42, 2002. [6] R.T. Ganesh Vulasala, Sivanagaraju Sirigiri, “Feeder Reconfiguration for Loss Reduction in Unbalanced Distribution System Using Genetic Algorithm,” International Journal of Electrical and Electronics Engineering, vol. 3, no. 12, pp. 754–762, 2009. [7] P. Subburaj, K. Ramar, L. Ganesan, and P. Venkatesh, “Distribution System Reconfiguration for Loss Reduction using Genetic Algorithm,” Journal of Electrical Systems, vol. 2, no. 4, pp. 198–207, 2006. [8] K.K. Kumar, N. Venkata, and S. Kamakshaiah, “FDR particle swarm algorithm for network reconfiguration of distribution systems,” Journal of Theoretical and Applied Information Technology, vol. 36, no. 2, pp. 174–181, 2012. [9] T.M. Khalil and A.V. Gorpinich, “Reconfiguration for Loss Reduction of Distribution Systems Using Selective Particle Swarm Optimization,” International Journal of Multidisciplinary Sciences and Engineering, vol. 3, no. 6, pp. 16–21, 2012. [10] A.Y. Abdelaziz, S.F. Mekhamer, F.M. Mohammed, and M. a L. Badr, “A Modified Particle Swarm Technique for Distribution Systems Reconfiguration,” The online journal on electronics and electrical engineering(OJEEE), vol. 1, no. 1, pp. 121–129, 2009. [11] A. Mohamed Imran and M. Kowsalya, “A new power system reconfiguration scheme for power loss minimization and voltage profile enhancement using Fireworks Algorithm,” International Journal of Electrical Power and Energy Systems, vol. 62, pp. 312–322, 2014. [12] R.S. Rao, S. Venkata, L. Narasimham, M.R. Raju, and a S. Rao, “Optimal Network Reconfiguration of Large-Scale Distribution System Using Harmony Search Algorithm,” IEEE Transaction on Power System, vol. 26, no. 3, pp. 1080–1088, 2011. TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) 10 Số 22 [13] A.Y. Abdelaziz, F.M. Mohamed, S.F. Mekhamer, and M.A.L. Badr, “Distribution system reconfiguration using a modified Tabu Search algorithm,” Electric Power Systems Research, vol. 80, no. 8, pp. 943–953, 2010. [14] S.. Mirhoseini, S.M. Hosseini, M. Ghanbari, and M. Ahmadi, “A new improved adaptive imperialist competitive algorithm to solve the reconfiguration problem of distribution systems for loss reduction and voltage profile improvement,” International Journal of Electrical Power and Energy Systems, vol. 55, pp. 128–143, 2014. [15] A.R. Jordehi, “Optimisation of electric distribution systems: A review,” Renewable and Sustainable Energy Reviews, vol. 51, pp. 1088–1100, 2015. [16] F. Merrikh-Bayat, “The runner-root algorithm: A metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature,” Applied Soft Computing, vol. 33, pp. 292–303, 2015. [17] M.E. Baran and F.F. Wu, “Network reconfiguration in distribution systems for loss reduction and load balancing,” IEEE Transactions on Power Delivery, vol. 4, no. 2. pp. 1401–1407, 1989. [18] R.L. Haupt and S.E. Haupt, Practical Genetic Algorithms, Second. John Wiley & Sons, Inc., Hoboken, New Jersey, 2004. [19] X.S. Yang and S. Deb, “Cuckoo search via Lévy flights,” in 2009 World Congress on Nature and Biologically Inspired Computing, NABIC 2009 - Proceedings, 2009, pp. 210–214. [20] J. Mendoza, R. López, D. Morales, E. López, P. Dessante, and R. Moraga, “Minimal loss reconfiguration using genetic algorithms with restricted population and addressed operators: Real application,” IEEE Transactions on Power Systems, vol. 21, no. 2, pp. 948–954, 2006. [21] N. Gupta, a. Swarnkar, K.R. Niazi, and R.C. Bansal, “Multi-objective reconfiguration of distribution systems using adaptive genetic algorithm in fuzzy framework,” IET Generation, Transmission & Distribution, vol. 4, no. 12, p. 1288, 2010. [22] N. Gupta, A. Swarnkar, and K.R. Niazi, “Distribution network reconfiguration for power quality and reliability improvement using Genetic Algorithms,” International Journal of Electrical Power & Energy Systems, vol. 54, pp. 664–671, 2014. [23] J.C. Cebrian and N. Kagan, “Reconfiguration of distribution networks to minimize loss and disruption costs using genetic algorithms,” Electric Power Systems Research, vol. 80, no. 1, pp. 53–62, 2010. [24] T.T. Nguyen and A.V. Truong, “Distribution network reconfiguration for power loss minimization and voltage profile improvement using cuckoo search algorithm,” International Journal of Electrical Power and Energy Systems, vol. 68, pp. 233–242, 2015. [25] T.T. Nguyen, A.V. Truong, and T.A. Phung, “A novel method based on adaptive cuckoo search for optimal network reconfiguration and distributed generation allocation in distribution network,” International Journal of Electrical Power & Energy Systems, vol. 78, pp. 801–815, 2016. [26] M. Sedighizadeh, S. Ahmadi, and M. Sarvi, “An Efficient Hybrid Big Bang–Big Crunch Algorithm for Multi-objective Reconfiguration of Balanced and Unbalanced Distribution Systems in Fuzzy Framework,” Electric Power Components and Systems, vol. 41, no. 1, pp. 75–99, 2013. [27] D. Sudha Rani, N. Subrahmanyam, and M. Sydulu, “Multi-Objective Invasive Weed Optimization – An application to optimal network reconfiguration in radial distribution systems,” International Journal of Electrical Power & Energy Systems, vol. 73, pp. 932–942, 2015. TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Số 22 11 [28] R.S. Rao, K. Ravindra, K. Satish, and S.V.L. Narasimham, “Power Loss Minimization in Distribution System Using Network Reconfiguration in the Presence of Distributed Generation,” IEEE Transactions on Power Systems, vol. 28, no. 1, pp. 317–325, 2013. [29] A.Y. Abdelaziz, F.M. Mohammed, S.F. Mekhamer, and M.A.L. Badr, “Distribution Systems Reconfiguration using a modified particle swarm optimization algorithm,” Electric Power Systems Research, vol. 79, pp. 1521–1530, 2009. [30] Y.K. Wu, C.Y. Lee, L.C. Liu, and S.H. Tsai, “Study of reconfiguration for the distribution system with distributed generators,” IEEE Transactions on Power Delivery, vol. 25, no. 3, pp. 1678–1685, 2010. [31] H.D. Dehnavi and S. Esmaeili, “A new multiobjective fuzzy shuffled frog-leaping algorithm for optimal reconfiguration of radial distribution systems in the presence of reactive power compensators,” Turkish Journal of Electrical Engineering and Computer Sciences, vol. 21, no. 3, pp. 864–881, 2013. Giới thiệu tác giả: Tác giả Nguyễn Thanh Thuận tốt nghiệp đại học năm 2008; nhận bằng Thạc sĩ năm 2012; nhận bằng Tiến sĩ ngành kỹ thuật điện năm 2018 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Hiện nay tác giả công tác tại Trường Đại học Công nghiệp Thành phố Hồ Chí Minh. Lĩnh vực nghiên cứu: lưới điện phân phối, lưới điện truyền tải, năng lượng tái tạo. Tác giả Nguyễn Tùng Linh tốt nghiệp đai học ngành hệ thống điện năm 2005, nhận bằng Thạc sĩ năm 2010 tại Trường Đại học Bách khoa Hà Nội; bảo vệ luận án Tiến sĩ ngành kỹ thuật điều khiển tự động hóa năm 2018 tại Viện Hàn lâm Khoa học Công nghệ Việt Nam. Lĩnh vực nghiên cứu: hệ thống điện, ứng dụng AI cho hệ thống điện, lưới điện phân phối, tự động hóa hệ thống điện, lưới điện phân phối. . TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) 12 Số 22 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Số 22 13
File đính kèm:
- tai_cau_hinh_luoi_dien_phan_phoi_giam_ton_that_cong_suat_su.pdf