Xác định tối ưu vị trí Tua-bin trong trang trại gió sử dụng thuật toán tìm kiếm

PHÂN BAN NGUỒN ĐIỆN | 191 
2.3. Đặc tuyến tua-bin gió 
Đặc tuyến tua-bin gió được xác định bởi các nhà sản xuất tua-bin giúp cho việc 
ước tính sản lượng điện gió tại khu vực trại gió. Mô hình chính xác đặc tuyến tua-bin rất 
quan trọng trong việc ước đoán năng lượng điện gió và hỗ trợ việc mở rộng trang trại 
gió. Nhiều phương pháp tiếp cận đối với đặc tuyến tua-bin gió đã được giới thiệu, trong 
đó bao gồm xấp xỉ đa thức [16]. Trong bài báo này, mô hình đa thức bậc 9 được đánh 
giá phù hợp nhất. 
Hình 2.3 và Hình 2.4 cho thấy so sánh giữa mô hình đa thức và đặc tuyến tua-bin 
gió thực tế đề xuất của bài báo. 
Hình 2.3: Đặc tuyến tua bin gió GE 1.68-82.5 Hình 2.4: Đặc tuyến tua-bin gió FL MD 77 
2.4. Mô hình tính toán sản lượng điện gió 
2.4.1. Mô hình đặc trưng gió 
Đặc trưng thống kê gió thường được mô hình bởi hai yếu tố khác nhau: hướng gió 
và tốc độ gió. Hướng gió được biểu diễn bởi xác suất xảy ra cho từng sector tạo thành 
bởi hoa gió (wind rose). Nghiên cứu này đề xuất sử dụng hoa gió 12 sector vì được sử 
dụng rộng rãi cho thiết kế trang trại gió và đặc trưng tốc độ gió thường được mô tả bởi 
phân bố Welbull. Phân bố Weibull được xác định bởi các thông số c, k theo công thức 
(2.1). 
2.4.2. Sản lượng điện gió 
Sản lượng điện gió được tính: 
ܧ(ܲ, ߠ) = න ݂(ݒ)݌(ݒ, ܿ(ߠ), ݇(ߠ))݀ݒ
ஶ
଴
 (2.4)
Trong đó, p(v, c, k) là phân bố xác suất tốc độ gió, cho bởi công thức (2.1) và f(v) 
đặc tuyến tua-bin gió. 
0
0.2
0.4
0.6
0.8
1
1.2
0
200
400
600
800
1000
1200
1400
1600
3 8 13 18 23
C
t
P 
[k
W
]
v [m/s]
Power curve
Ninth degree
Ct curve
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0
200
400
600
800
1000
1200
1400
1600
3 8 13 18
C
t
P 
[k
W
]
v [m/s]
Power curve
Ninth degree
Ct curve
192 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 
2.4.3. Hàm mục tiêu 
Đề tài này đề xuất tối ưu bố trí tua-bin trong trang trại gió với mục tiêu tối đa sản 
lượng điện gió thu được Obj = max [ΣE(P)]. 
3. THUẬT TOÁN ÁP DỤNG 
Bài báo đề xuất áp dụng một số thuật toán tìm kiếm: 
1. Paiticle Swam Optimization [17]: PSO là thuật toán tối ưu dựa trên quần thể và 
ngẫu nhiên. PSO lấy cảm hứng từ hành vi đàn cá và đàn chim, được phát triển bởi 
Kennedy and Eberhart năm 1995. PSO đặc biệt phù hợp cho các vấn đề liên tục. 
2. Grey Wolf Optimizer [8]: GWO lấy cảm hứng từ những con sói xám. Thuật 
toán GWO bắt chước hệ thống cấp bậc chỉ huy và cơ chế săn bắt của con sói xám trong 
tự nhiên. Ba bước chính của việc săn bắt, tìm kiếm con mồi, bao quanh con mồi và tấn 
công con mồi. 
3. Whale Optimization Algorithm [7]: WOA bắt chước các hành vi săn mồi của cá 
voi. Thuật toán lấy cảm hứng từ chiến lược săn bong bóng. Các bước chính của thuật 
toán: Bao vây con mồi, phương pháp tấn công và tìm kiếm con mồi. 
4. Moth-flame optimization algorithm [18]: MFO lấy cảm hứng từ phương pháp 
chuyển hướng của bướm đêm trong tự nhiên gọi là định hướng ngang. Bướm đêm bay 
trong đêm bằng cách duy trì một góc cố định đối với Mặt Trăng, một cơ chế rất hiệu quả 
cho việc di chuyển trong một đường thẳng cho khoảng cách xa. 
5. Thuật toán tối ưu trong phần mềm WindPRO: Các công trình nghiên cứu trước 
đó dự đoán rằng, phần mềm windPRO tối ưu hóa vị trí tua-bin trong trang trại gió sử 
dụng thuật toán tương tự như thuật toán tham lam (greedy algorithm) [19]. Thuật toán 
tham lam là thuật toán theo phương pháp kỹ thuật phỏng đoán để tìm được vị trí tối ưu 
toàn cầu gần đúng bằng cách làm cho tối ưu cục bộ ở từng giai đoạn. 
Kết quả bố trí tối ưu vị trí tua-bin trong trang trại gió sử dụng các thuật toán trên 
sẽ được so sánh với bố trí tối ưu từ phần mềm windPRO (module OPTIMIZE) với cùng 
dữ liệu đầu vào. Để đánh giá khách quan hiệu quả sử dụng các thuật toán đề xuất, toàn 
bộ trang trại gió đã được bố trí tối ưu sẽ được tính toán và phân tích bởi phần mềm 
WAsP. 
3.1. Tối ưu bố trí vị trí tua-bin trong trang trại gió 
Lưu đồ thực hiện bố trí tua-bin trong trang trại gió được thể hiện trong Hình 3.1. 
PHÂN BAN NGUỒN ĐIỆN | 193 
Hình 3.1: Lưu đồ bố trí tối ưu vị trí tua-bin trong trang trại gió 
 Bước 1. Dữ liệu thô gió, địa hình, độ nhám bề mặt, chướng ngại vật và dữ liệu 
máy phát điện gió sẽ được đưa vào phần mềm WAsP xử lý và đầu ra của quá trình 
này là bản đồ mật độ năng lượng gió (wind resource map). 
 Bước 2. Bản đồ mật độ năng lượng gió sẽ được sử dụng làm dữ liệu đầu vào cho 
windPRO, PSO, GWO, WOA, MFO bố trí tối ưu vị trí tua-bin. 
 Bước 3. Trại gió sau khi được bố trí tối ưu bởi các thuật toán đề xuất trên sẽ được 
tính toán lại và phân tích bởi phần mềm WAsP. 
 Bước 4. Kết luận và đề xuất giải pháp tốt nhất bố trí tối ưu trại gió. 
4. KẾT QUẢ TÍNH TOÁN VÀ ĐÁNH GIÁ THUẬT TOÁN ÁP DỤNG 
4.1. Các kịch bản xem xét 
Bài báo đề xuất ba kịch bản của trang trại gió thực tế đang vận hành tại Việt Nam 
với giả định khác nhau để xem xét toàn diện và đánh giá hiệu quả thuật toán. 
194 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 
Bảng 4.1. Các kịch bản bố trí tối ưu vị trí tua-bin trong trang trại gió 
Kịch bản Kịch bản 1 Kịch bản 2 Kịch bản 3 
Trại gió Ngoài khơi Ngoài khơi Đất liền 
Công suất trại gió 16.8 MW 104 MW 30 MW 
Tua bin gió 10 x 1.68 MW 62 x 1.68 MW 20 x 1.5 MW 
Loại tua-bin gió GE 1.68 - 82.5 GE 1.68 - 82.5 FL MD 77 
Đặc tuyến tua-bin gió Hình 2.3 Hình 2.3 Hình 2.4 
4.2. Kịch bản 1 
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 1, Hình 4.1 – Hình 4.6. 
Bảng 4.2. Tổng hợp kết quả tính toán 
Mô tả Gross AEP Net AEP Wake loss Capacity factor 
 [GWh] [GWh] [%] [%] 
Hiện hữu 67.945 63.369 6.73 43.06 
windPRO 69.144 65.608 5.11 44.58 
PSO 68.299 65.159 4.60 44.28 
GWO 68.468 65.708 4.03 44.65 
WOA 67.993 65.301 3.96 44.37 
MFO 67.753 65.734 2.98 44.67 
So sánh thuật toán tốt nhất (MFO) với: 
Hiện hữu -0.28% 3.73% -3.75 1.61 
windPRO -2.01% 0.19% -2.13 0.09 
PHÂN BAN NGUỒN ĐIỆN | 195 
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 1 
Hình 4.1: Trại gió hiện hữu Hình 4.2: Tối ưu sử dụng windPRO Hình 4.3: Tối ưu sử dụng PSO 
Hình 4.4: Tối ưu sử dụng GWO Hình 4.5: Tối ưu sử dụng WOA Hình 4.6: Tối ưu sử dụng MFO 
P
H
Â
N
 B
A
N
 N
G
UỒ
N
 Đ
IỆ
N
 | 195
196 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 2 
Hình 4.7. Trại gió hiện hữu Hình 4.8. Tối ưu sử dụng windPRO Hình 4.9. Tối ưu sử dụng MFO 
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 3 
Hình 4.10. Trại gió hiện hữu Hình 4.11. Tối ưu sử dụng windPRO Hình 4.12. Tối ưu sử dụng MFO 
196 | HỘ
I N
G
HỊ K
H
O
A
 HỌ
C
 V
À
 C
Ô
N
G
 N
G
HỆ
 Đ
IỆ
N
 LỰ
C
 T
O
À
N
 Q
UỐ
C
 2
0
17
PHÂN BAN NGUỒN ĐIỆN | 197 
Nhận xét 
 Các thuật toán đề xuất (GWO và MFO) bố trí tối ưu tốt hơn phần mềm windPRO, 
trong đó thuật toán MFO cho kết quả tốt nhất. Thuật toán MFO cho sản lượng lớn 
hơn 0.19% so với windPRO và 3.73% so với trại gió hiện hữu. 
 Kết quả tính toán bằng chương trình thực hiện nghiên cứu cho kết quả sai lệch -
2.85% sản lượng và tổn thất do che chắn sai lệch 2.87% so với phần mềm WAsP. 
4.3. Kịch bản 2 
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 2, Hình 4.7 – Hình 4.9. 
Bảng 4.3. Tổng hợp kết quả tính toán 
Mô tả Gross AEP Net AEP Wake loss Capacity factor 
 [GWh] [GWh] [%] [%] 
Hiện hữu 431.94 391.883 9.27 42.95 
windPRO 439.987 390.255 11.30 42.77 
MFO 432.155 392.285 9.23 42.99 
So sánh thuật toán MFO với: 
Hiện hữu 0.05% 0.10% -0.04 0.04 
windPRO -1.78% 0.52% -2.07 0.22 
Nhận xét 
 Các thuật toán đề xuất MFO bố trí tối ưu tốt hơn phần mềm windPRO. Thuật toán 
MFO cho sản lượng cao hơn 0.52% so với windPRO và cao hơn 0.10% so với trại 
gió hiện hữu. 
 Kết quả tính toán bằng chương trình nghiên cứu cho kết quả sai lệch -4.90% sản 
lượng và tổn thất do che chắn sai lệch 4.39% so với phần mềm WAsP. 
4.4. Kịch bản 3 
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 3, Hình 4.10 – Hình 4.12. 
198 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 
Bảng 4.4. Tổng hợp kết quả tính toán 
Mô tả Gross AEP Net AEP Wake loss Capacity factor 
 [GWh] [GWh] [%] [%] 
Hiện hữu 94.373 90.686 3.91 34.51 
windPRO 96.641 92.695 4.08 35.27 
MFO 95.183 91.495 3.87 34.82 
So sánh thuật toán đề xuất MFO với: 
Hiện hữu 0.86% 0.89% -0.04 0.31 
windPRO -1.51% -1.29% -0.21 -0.46 
Nhận xét 
 Các thuật toán đề xuất MFO bố trí tối ưu gần bằng phần mềm windPRO. Thuật 
toán MFO cho sản lượng thấp hơn -1.29% so với windPRO và cao hơn 0.89% so 
với trại gió hiện hữu. 
 Kết quả tính toán bằng chương trình nghiên cứu cho kết quả sai lệch -1.74% sản 
lượng và tổn thất do che chắn sai lệch 1.65% so với phần mềm WAsP. 
4.5. Nhận xét 
Bảng 4.5. Tổng hợp kết quả tính toán các kịch bản 
Kịch bản Kịch bản 1 Kịch bản 2 Kịch bản 3 
windPRO ave 63.738 371.137 91.086 
 std 0 0 0 
 Min value 63.738 371.137 91.086 
 Max value 63.738 371.137 91.086 
PSO ave 63.234 
 std 0.429 
 Min value 62.402 
 Max value 64.006 
PHÂN BAN NGUỒN ĐIỆN | 199 
Kịch bản Kịch bản 1 Kịch bản 2 Kịch bản 3 
GWO ave 64.164 
 std 0.667 
 Min value 62.985 
 Max value 65.110 
WOA ave 63.630 
 std 0.491 
 Min value 62.531 
 Max value 64.519 
MFO ave 64.731 375.690 90.867 
 std 0.477 4.030 0.676 
 Min value 63.724 365.965 89.928 
 Max value 65.369 379.665 91.880 
Từ Bảng 4.5 nhận thấy rằng: 
 Trong hầu hết các kịch bản xem xét, MFO cho kết quả tốt nhất (ave). 
 Giá trị tính toán dao động gần tương đương nhau (std). 
 Khoảng hội tụ (GWh/MW) giữa các lần chạy là gần bằng nhau, tối đa là 0.132 
GWh/MW. 
Kết quả tính toán cũng cho thấy rằng mô hình toán và chương trình thực hiện 
nghiên cứu cho kết quả sai khác nhỏ hơn 5% về sản lượng điện trại gió so với phần 
mềm thương mại WAsP, cho thấy đề tài có thể áp dụng thực tế để tính toán năng 
lượng gió. 
Để đánh giá được các thuật toán sử dụng có ý nghĩa về mặt thống kê, kiểm định 
phi tham số Wilcoxon ranksum test được sử dụng. Nếu hai tập dữ liệu có ý nghĩa về mặt 
thống kê nếu giá trị p nhỏ hơn 0.05 [20]. 
Bảng 4.6. Giá trị p của kiểm định Wilcoxon ranksum test 
Mô tả windPRO PSO GWO WOA MFO 
Kịch bản 1 N/A 5.08E-05 2.92E-06 0.02952 1.08E-07 
Kịch bản 2 N/A - - - 0.04762 
Kịch bản 3 N/A - - - 0.00148 
200 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017 
Giả định trại gió tối ưu bởi phần mềm windPRO là tập chuẩn, kiểm định giả 
thuyết các thuật toán đề xuất có ý nghĩa về mặt thống kê, Bảng 4.6. cho thấy giá trị ݌ <
0.05. Như vậy, kết quả tối ưu các thuật toán đề xuất có ý nghĩa thống kê. 
Ngoài ra, dễ dàng nhận thấy rằng, các kịch bản bố trí tua bin off-shore, thuật toán 
đề xuất cho kết quả tốt hơn windPRO. Kịch bản còn lại bố trí tua-bin cho trại gió on-
shore thuật toán đề xuất gần bằng (thấp hơn) tối ưu windPRO. Chứng tỏ, để có thể áp 
dụng đề tài cho trại gió on-shore có địa hình phức tạp cần được nghiên cứu thêm nhằm 
lựa chọn mô hình toán học thích hợp trong tương lai. 
5. KẾT LUẬN 
Bài báo đã giải quyết được mô hình toán học tính toán sản lượng điện gió, bố trí 
tối ưu vị trí tua-bin trong trang trại gió sử dụng một số thuật toán tìm kiếm vừa được 
công bố (GWO, WOA, MFO). Kết quả được so sánh với tối ưu bằng thuật toán sử dụng 
rộng rãi PSO và phần mềm thương mại windPRO cho thấy thuật toán MFO phù hợp bố 
trí tua-bin trong trang trại gió, cho kết quả tốt hơn thuật toán PSO và cạnh tranh với 
phần mềm windPRO. 
Mô hình toán học và chương trình sử dụng cho đề tài để tính toán sản lượng điện 
gió, tính toán tổn thất do hiệu ứng che chắn so sánh với tính toán bằng thương mại 
WAsP cho kết quả sai lệch nhỏ hơn 5%. Kết quả này khẳng định có thể áp dụng công 
trình nghiên cứu này vào thực tế để tính toán sản lượng điện gió và bố trí tối ưu vị trí 
tua-bin cho trang trại gió. 
MFO bố trí tối ưu vị trí tua-bin trong trang trại gió tốt hơn phần mềm windPRO 
cho trại gió off-shore và gần bằng windPRO cho trại gió on-shore. Ngoài ra, kết quả 
tính toán sản lượng điện gió so với phần mềm WAsP sai lệch 5% cho thấy cần tiếp tục 
nghiên cứu về mô hình toán cho việc tính toán sản lượng điện gió và tính toán tổn thất 
hiệu ứng che chắn gió trong tương lai. 
TÀI LIỆU THAM KHẢO 
[1] Javier Serrano González, Manuel Burgos Payán, Jesús Manuel Riquelme Santos, 
Francisco González-Longatt. A review and recent developments in the optimal wind-
turbine micro-siting problem. Renewable and Sustainable Energy Reviews 2014; 30: 
133–144. 
[2] Jensen N.O. A note on wind generator interaction. Technical report Riso-M-2411; 1983. 
[3] Katic I, Højstrup J, Jensen N. A simple model for cluster efficiency. In: EWEC 86; 1986. 
[4] Le Thanh Thoa, Vo Ngoc Dieu. Optimal Layout for Off-shore Wind Farms Using 
Metaheuristic Search Algorithms. GMSARN International Journal 11 (2017) 1 - 15. 
[5] DTU Wind Energy. Wind energy industry-standard software - WAsP. 
 Accessed: 2016-12-02. 
PHÂN BAN NGUỒN ĐIỆN | 201 
[6] WindPRO-EMD International A/S.  Accessed: 2016-12-02. 
[7] Seyedali Mirjalili, Andrew Lewis. The Whale Optimization Algorithm. Advances in 
Engineering Software 2016; 95:51–67. 
[8] Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis. Grey Wolf Optimizer. 
Advances in Engineering Software 2014; 69:46–61. 
[9] Wolpert DH, Macready WG. No free lunch theorems for optimization. Evolut Comput, 
IEEE Trans 1997;1:67–82. 
[10] Seyedali Mirjalili.  Accessed: 2016-12-02. 
[11] Gary L. Johnson, "Wind Energy Systems”, Manhattan, Kansas State University, 2006. 
[12] Rabia Shakoor, Mohammad Yusri Hassan, Abdur Raheem, Yuan-Kang Wu. Wake effect 
modeling: A review of wind farm layout optimization using Jensen's model. Renewable 
and Sustainable Energy Reviews 2016; 58: 1048–1059. 
[13] Werle M. A new analytical model for wind turbine wakes. Report no. FD. Vol. 200801; 
2008. 
[14] Kusiak A, Song Z. Design of wind farm layout for maximum wind energy capture. 
Renewable Energy 2010;35:685–94. 
[15] DTU Wind Energy. Wind energy industry-standard software - WAsP. 
 Accessed: 2016-12-02. 
[16] Raj MSM, Alexander M, Lydia M. Modeling of wind turbine power curve. ISGT-India IEEE 
PES 2011:144–8. 
[17] R.C. Eberhart, J. Kennedy, A new optimizer using particle swarm theory, in: Proceedings 
of the Sixth International Symposium on Micro Machine and Human Science, 1995, pp. 
39–43. 
[18] Seyedali Mirjalili, Moth-flame optimization algorithm: A novel nature-inspired heuristic 
paradigm, Knowledge-Based Systems 89 (2015) 228–249. 
[19] Fagerfjäll P., “Optimizing wind farm layout, more bang for the buck using mixed integer 
linear programming”, Department of Mathematical Sciences, Chalmers University of 
Technology, 2010, Göteborg, Sweden. 
[20] Derrac J, García S, Molina D, Herrera F. A practical tutorial on the use of nonparametric 
statistical tests as a methodology for comparing evolutionary and swarm intelligence 
algorithms. Swarm Evolut Comput 2011;1:3–18.