618139116luan An Tien Si Ncs Le Dinh Luong

LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả
nêu trong luận án là trung thực và chưa từng được ai công bố trong bất kỳ công trình
nào khác.
Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện luận án này đã được
cảm ơn và các thông tin trích dẫn trong luận án đã được chỉ rõ nguồn gốc.
Tác giả luận án
Lê Đình Lương
i
LỜI CÁM ƠN
Luận án Tiến sĩ này được thực hiện tại Trường Đại học Công nghệ TP.HCM
dưới sự hướng dẫn khoa học của GS.TSKH. Hồ Đắc Lộc và PGS.TS. Võ Ngọc Điều.
Nghiên cứu sinh xin bày tỏ lòng biết ơn sâu sắc tới các Thầy về định hướng
khoa học, liên tục quan tâm, tạo điều kiện thuận lợi trong suốt quá trình nghiên cứu
hoàn thành cuốn luận án này. Nghiên cứu sinh xin được chân thành cảm ơn các nhà
khoa học, tác giả các công trình công bố đã trích dẫn trong luận án vì đã cung cấp
nguồn tư liệu quý báu, những kiến thức liên quan trong quá trình nghiên cứu hoàn
thành luận án.
Nghiên cứu sinh xin trân trọng cảm ơn Lãnh đạo Trường Đại học Công nghệ
TP.HCM, Hội đồng khoa học, Hội đồng Tiến sĩ của Nhà trường vì đã tạo điều kiện để
nghiên cứu sinh được thực hiện và hoàn thành chương trình nghiên cứu của mình.
Nghiên cứu sinh xin được chân thành cảm ơn Quý Thầy trong các hội đồng xét
duyệt đề cương, hội đồng bảo vệ chuyên đề tổng quan, hội đồng bảo vệ chuyên đề 2,
chuyên đề 3 vì đã có những ý kiến đóng góp chỉ dẫn về học thuật để nghiên cứu sinh
cải thiện nội dung nghiên cứu của mình. Xin chân thành cám ơn Viện Kỹ thuật
HUTECH, Viện Đào tạo Sau đại học và các nhà khoa học thuộc Trường Đại học Công
nghệ TP.HCM cũng như các nghiên cứu sinh khác về sự hỗ trợ trên phương diện hành
chính, hợp tác có hiệu quả trong suốt quá trình nghiên cứu khoa học của nghiên cứu
sinh.
Cuối cùng là sự biết ơn tới gia đình và những người bạn thân thiết vì đã liên tục
động viên để duy trì nghị lực, sự cảm thông, chia sẻ về thời gian, sức khỏe và các khía
cạnh của cuộc sống trong cả quá trình để hoàn thành luận án.
Tác giả luận án
Lê Đình Lương
ii
TÓM TẮT LUẬN ÁN
Luận án này trình bày một số phương pháp cải tiến các thuật toán tiến hóa để
giải quyết bài toán điều độ kinh tế, điều độ tối ưu trong hệ thống điện có và không có
thiết bị FACTS. Các bài toán giải quyết với nhiều mức độ phức tạp của hàm chi phí
khác nhau: hàm chi phí nhiên liệu dạng đường cong bậc hai, hàm chi phí nhiên liệu có
xét ảnh hưởng của điểm van công suất, hàm chi phí đa nhiên liệu, hàm chi phí đa nhiên
liệu có xét ảnh hưởng của điểm van công suất, hàm chi phí đa nhiên liệu có xét vùng
cấm vận hành của tổ máy. Tính toán các mạng điện với nhiều mức độ quy mô khác
nhau bao gồm: mạng điện 10, 20, 40, 80, 160 nhà máy, mạng điện IEEE 30 nút, IEEE
57 nút và IEEE 118 nút. Các thuật toán đề xuất gồm có:
 Thuật toán tối ưu bầy đàn với hệ số quán tính thay đổi theo thời gian
(PSO TVIW)
 Thuật toán tối ưu bầy đàn với hệ số kinh nghiệm thay đổi theo thời gian
(PSO TVAC)
 Thuật toán tối ưu bầy đàn tự tổ chức với hệ số kinh nghiệm thay đổi theo thời
gian (SOH PSO TVAC)
 Thuật toán tối ưu bầy đàn cân bằng ngẫu nhiên (SWT PSO)
 Thuật toán tối ưu bầy đàn cải tiến (IPSO)
 Ứng dụng thuật toán đàn ong nhân tạo (ABC) vào giải bài toán điều độ tối ưu
trong hệ thống điện
 Phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm hài hòa
(DEHS)
 Phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm theo lực hấp
dẫn (DEGSA)
iii
Các thuật toán đề xuất bên trên được ứng dụng vào tính toán điều độ kinh tế và
điều độ tối ưu trong hệ thống điện như sau:
Trường hợp 1: Ứng dụng 8 thuật toán đề xuất bên trên vào tính toán điều độ
kinh tế mạng điện 40 nhà máy có xét ảnh hưởng của điểm van công suất. Kết quả thu
được cho thấy 3 phương pháp DEHS, DEGSA và SWT-PSO vượt trội hơn các phương
pháp còn lại về giá trị cực tiểu hàm chi phí, thời gian tính toán và đặc tuyến hội tụ. Do
đó, những thuật toán này sẽ được áp dụng vào tính toán nhiều mạng điện phức tạp và
có quy mô lớn hơn.
Trường hợp 2: Tính toán bài toán điều độ kinh tế có số lượng máy phát lớn với
đường cong chi phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất. Ba thuật
toán DEGSA, DEHS và SWT-PSO lần lượt được thử nghiệm trên hệ thống 10, 20, 40,
80, 160 nhà máy. Kết quả tính toán được so sánh với các phương pháp đã được trình
bày trong các bài báo trước đây như: IEP, MPSO, CEP, FEP, IFEP, ELANN, CGA,
IGA_AMUM, CGA_MU, IGA_MU, GA, CPSO, MSFLA…
Trường hợp 3: Tính toán bài toán điều độ công suất tối ưu truyền thống hàm
chi phí dạng đường cong bậc hai trên các mạng điện IEEE 30 nút, IEEE 57 nút và
IEEE 118 nút. Kết quả tính toán được so sánh với các phương pháp đã được trình bày
trong các bài báo trước đây như: IHDE, DSA, CS, ISA, HCSA, MOALO…
Trường hợp 4: Tính toán bài toán điều độ công suất tối ưu có xét ảnh hưởng
của điểm van công suất trên mạng điện IEEE 30 nút. Kết quả tính toán được so sánh
với các phương pháp đã được trình bày trong các bài báo trước đây như: IEP, SADE-
ALM, MDE, SOH PSO TVAC…
Từ các trường hợp kiểm tra 2, 3, 4 cho thấy hai thuật toán DEHS và DEGSA có
kết quả tính toán tốt hơn so với thuật toán SWT-PSO trong hầu hết các bài toán áp
dụng. Do đó, thuật toán DEHS và DEGSA sẽ được áp dụng vào tính toán trong trường
hợp kiểm tra 5.
iv
Trường hợp 5: Tính toán bài toán điều độ công suất tối ưu có xét thiết bị
FACTS. Hai thuật toán DEHS và DEGSA được ứng dụng vào tính toán các trường hợp
mạng điện IEEE 30 nút có xét thiết bị TCSC, mạng điện IEEE 30 nút có xét thiết bị
SVC, mạng điện IEEE 30 nút có xét thiết bị TCSC và SVC, mạng điện IEEE 30 nút có
xét thiết bị SVC, TCSC và TCPST. Kết quả tính toán được so sánh với trường hợp
không có thiết bị FACTS và với các phương pháp đã được trình bày trong các bài báo
trước đây như: TS/SA, PSO… Thuật toán DEHS đã cho ra kết quả vượt trội hơn so với
thuật toán DEGSA cũng như kết quả các thuật toán tham khảo từ các bài báo trước
đây.
Luận án đã trình bày một cách có hệ thống, dẫn dắt bài toán từ đơn giản đến
phức tạp, từ mạng điện nhỏ đến mạng điện có số lượng máy phát lớn. Trong từng bài
toán cụ thể đã so sánh, nhận xét, đánh giá với nhiều nguồn tài liệu khác nhau để khẳng
định tính chính xác và tin cậy của kết quả đạt được trong luận án.
Kết quả tính toán cho thấy khả năng linh hoạt, mạnh mẽ của các thuật toán đề
xuất trong việc xác định lời giải tối ưu toàn cục mà các phương pháp tối ưu số khó đạt
được. Đối với những bài toán có hàm mục tiêu không khả vi, có các biến số rời rạc thì
các thuật toán đề xuất đã cho thấy khả năng đặc biệt thích hợp của nó bằng việc giải
quyết những bài toán trên một cách dễ dàng.
v
ABSTRACT
This dissertation presents methods for improving the evolutionary algorithms to

solve the economic dispatch and optimal power flow problem with and without
FACTS devices. The solutions involve different levels of complexity of the cost
function, namely, the quadratic fuel cost curve function, the fuel cost function
considering valve point effect, the multi-fuel cost function, the multi-fuel cost function
considering the valve point effect, the multi-fuel cost function considering prohibited
operating zones. The calculation of electrical networks with different levels of scale
include 10 units, 20 units, 40 units, 80 units, 160 units, IEEE 30-bus system, IEEE 57-
bus system and IEEE 118-bus system. The suggested algorithms include:
 Particle Swarm Optimizer with Time Varying Inertia Weight Factor

(PSO TVIW)
 Particle Swarm Optimizer with Time Varying Acceleration Coefficients
(PSO TVAC)
 Self-Organizing Hierarchical Particle Swarm Optimizer with Time Varying
Acceleration Coefficients (SOH PSO TVAC)
 Stochastic Weight Trade-Off Particle Swarm Optimization (SWT-PSO)
 Improved Particle Swarm Optimization (IPSO)
 The Artificial Bee Colony (ABC) algorithm was first proposed for solving the
economic dispatch problem and optimal power flow problem
 The hybrid algorithm between Differential Evolution and Harmony Search
(DEHS)
 The hybrid algorithm between Differential Evolution and Gravitational Search
Algorithm (DEGSA)
vi
The above proposed algorithms were applied in calculating the economic
dispatch and optimal power flow problem as follows:
Test case 1: Applying the eight proposed algorithms to calculate the economic
dispatch problem for a 40-unit network with the cost function considering the valve
point effect. The results showed that the three methods of DEHS, DEGSA and SWT-
PSO outperform the remaining methods in terms of minimum value of cost function,
calculation time and convergence characteristic. Therefore, these algorithms will be
applied to the calculation of more complex and larger electricity networks.
Test case 2: Calculating the economic dispatch problem with a large number of
generators with the multi-fuel cost function considering the valve point effect. Three
algorithms DEGSA, DEHS and SWT-PSO were tested on systems with 10, 20, 40, 80,
160 units, respectively. The calculated results were compared with those obtained by
using other methods presented in previous articles, such as IEP, MPSO, CEP, FEP,
IFEP, ELANN, CGA, IGA_AMUM, CGA_MU, IGA_MU, GA, CPSO, MSFLA, etc.
Test case 3: Calculating traditional optimal power flow problem with quadratic
cost curve function on IEEE 30-bus system, IEEE 57-bus system and IEEE 118-bus
system. The calculated results were compared with those obtained by using the
methods presented in previous articles, such as: IHDE, DSA, CS, ISA, HCSA,
MOALO, etc.
Test case 4: Calculating optimal power flow problem with cost function
considering valve point effect on IEEE 30-bus system. The calculated results were
compared with those obtained by using the methods presented in the previous articles,
such as: IEP, SADE-ALM, MDE, SOH PSO TVAC, etc.
From test cases 2, 3 and 4, the two algorithms DEHS and DEGSA have yielded
better calculation results than SWT-PSO algorithm in most applied problems.
vii
Therefore, the DEHS and DEGSA algorithms will be applied to the calculation in the
test case 5.
Test case 5: Calculation of the optimal power flow problem with FACTS
devices. DEHS and DEGSA algorithms were applied to the calculation of IEEE 30-bus
system with FACTS devices such as TCSC power network; SVC power network;
TCSC and SVC power network; SVC, TCSC and TCPST power network. The
calculated results were compared with the case without FACTS and with the methods
presented in previous articles such as TS/SA, PSO, etc. The DEHS algorithm has
outperformed the DEGSA algorithm as well as the reference algorithms from previous
articles.
The dissertation presented systematically, from a simple to a complex problem,

from a small power grid to large one with a number of generators. Each specific
problem was compared, commented and evaluated with various sources to confirm the
accuracy and reliability of the results obtained in the study.
The computational results reveal the flexible and robust capabilities of the
proposed algorithms in defining the global optimal solution that the numerical
optimization methods are unable to achieve. For problem sets with unspecific goal
functions, with discrete variables, the proposed algorithms show their particular
suitability in solving the above problems with ease.
viii
MỤC LỤC
LỜI CAM ĐOAN ........................................................................................................ i
LỜI CÁM ƠN............................................................................................................. ii
TÓM TẮT LUẬN ÁN...............................................................................................iii
ABSTRACT ............................................................................................................... vi
MỤC LỤC ................................................................................................................. ix
DANH MỤC CÁC BẢNG TRONG LUẬN ÁN .................................................... xv
DANH MỤC CÁC HÌNH TRONG LUẬN ÁN ...................................................xvii
DANH MỤC CÁC CHỮ VIẾT TẮT TRONG LUẬN ÁN ................................. xxi
CHƯƠNG 1: TỔNG QUAN ..................................................................................... 1
1.1. Đặt vấn đề ...................................................................................................... 1
1.2. Nhận xét chung và hướng tiếp cận ................................................................. 2
1.3. Mục tiêu của luận án ...................................................................................... 3
1.4. Điểm mới của đề tài ....................................................................................... 6
1.5. Giới hạn đề tài ................................................................................................ 7
1.6. Cấu trúc của luận án ....................................................................................... 7
CHƯƠNG 2: BÀI TOÁN ĐIỀU ĐỘ KINH TẾ VÀ ĐIỀU ĐỘ TỐI ƯU CÔNG

SUẤT TRONG HỆ THỐNG ĐIỆN .............................................................................. 8
2.1. Bài toán điều độ kinh tế ................................................................................. 8
2.1.1. Giới thiệu .................................................................................................... 8
2.1.2. Bài toán điều độ kinh tế truyền thống với hàm chi phí nhiên liệu dạng
đường cong bậc hai .......................................................................................................... 9
ix
2.1.2.1. Hàm mục tiêu ........................................................................................... 9
2.1.2.2. Ràng buộc đẳng thức.............................................................................. 10
2.1.2.3. Ràng buộc bất đẳng thức ........................................................................ 10
2.1.3. Bài toán điều độ kinh tế với hàm chi phí nhiên liệu có xét ảnh hưởng của
điểm van công suất ......................................................................................................... 11
2.1.3.1. Đặc điểm của bài toán điều độ kinh tế với điểm van công suất ............ 11
2.1.3.2. Biểu thức điều độ kinh tế với điểm van công suất ................................ 12
2.1.4. Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu ........................... 13
2.1.5. Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu có xét ảnh hưởng
của điểm van công suất ................................................................................................. 13
2.1.6. Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu có xét vùng cấm
vận hành của tổ máy ....................................................................................................... 14
2.2. Bài toán điều độ tối ưu công suất trong hệ thống điện ................................ 14
2.2.1. Khái quát chung ........................................................................................ 14
2.2.2. Cơ sở toán học........................................................................................... 17
2.2.3. Bài toán điều độ tối ưu trong mạng điện ................................................... 21
2.2.3.1. Các phương trình liên hệ ........................................................................ 21
2.2.3.2. Giải bài toán điều độ tối ưu .................................................................... 22
2.2.3.3. Lưu đồ giải thuật .................................................................................... 26
2.2.4. Sơ lược các phương pháp giải bài toán OPF............................................. 27
2.3. Bài toán điều độ tối ưu công suất trong hệ thống điện có thiết bị FACTS .. 30
2.3.1. Giới thiệu .................................................................................................. 30
x
2.3.2. Thiết bị FACTS và các mô hình ............................................................... 31
2.3.2.1. Mô hình của SVC ................................................................................... 31
2.3.2.2. Mô hình của TCSC ................................................................................ 32
2.3.2.3. Mô hình TCPST ..................................................................................... 35
2.3.3. Phương pháp lựa chọn vị trí đặt thích hợp thiết bị FACTS - TCSC ......... 37
CHƯƠNG 3: MỘT SỐ THUẬT TOÁN TỐI ƯU................................................. 41
3.1. Thuật toán Particle Swarm Optimization cải tiến ........................................ 41
3.1.1. Khái niệm chung ....................................................................................... 41
3.1.2. Biểu thức cơ bản của thuật toán PSO ...................................................... 42
3.1.3. Giải thuật PSO .......................................................................................... 44
3.1.3.1. Giải thuật PSO nguyên thủy .................................................................. 44
3.1.3.2. Lưu đồ giải thuật PSO ............................................................................ 45
3.1.4. Thuật toán Particle Swarm Optimization with Time Varying Inertia
Weight factor .................................................................................................................. 47
3.1.5 Thuật toán Particle Swarm Optimization with Time Varying Acceleration
Coefficients .................................................................................................................... 48
3.1.6. Thuật toán Self Organizing Hierarchical Particle Swarm Optimizer with
Time Varying Acceleration Coefficients ....................................................................... 50
3.1.7. Thuật toán Stochastic Weight Trade-Off Particle Swarm Optimization .. 52
3.1.7.1. Cân bằng giữa hệ số kinh nghiệm của cá thể và hệ số quan hệ xã hội .. 52
3.1.7.2. Cân bằng giữa hệ số vận tốc trước, hệ số kinh nghiệm và hệ số quan hệ
xã hội của cá thể ............................................................................................................. 53
3.1.7.3. Cân bằng giữa hệ số tăng tốc ................................................................. 53
xi
3.1.7.4. Sự đa dạng ngày càng tăng của các cá thể ............................................. 54
3.1.7.5. Các bước tính toán của SWT-PSO......................................................... 55
3.1.8. Thuật toán Improved Particle Swarm Optimization ................................. 57
3.1.8.1. Khái niệm về Pseudo-Gradient ............................................................. 58
3.1.8.2. Cải tiến PSO ........................................................................................... 58
3.1.8.3. Thuật toán IPSO giải bài toán OPF........................................................ 59
3.2. Thuật toán Artificial Bee Colony ................................................................. 63
3.2.1. Khái niệm chung ....................................................................................... 63
3.2.2. Áp dụng thuật toán ABC giải bài toán phân bố công suất tối ưu trong hệ
thống điện ...................................................................................................................... 68
3.2.2.1. Thành lập bài toán OPF ........................................................................ 68
3.2.2.2. Thiết lập các thông số của thuật toán ABC ........................................... 69
3.2.2.3 Trình tự các bước thực hiện của thuật toán ABC giải bài toán OPF ..... 70
3.3. Thuật toán lai giữa Differential Evolution và Harmony Search .................. 73
3.3.1. Thuật toán Differential Evolution ............................................................. 73
3.3.2. Thuật toán Harmony Search .................................................................... 76
3.3.3. Thuật toán lai giữa Differential Evolution và Harmony Search ............... 79
3.4. Thuật toán lai giữa Differential Evolution và Gravitational Search

Algorithm ....................................................................................................................... 81
3.4.1. Thuật toán Gravitational Search Algorithm .............................................. 81
3.4.2. Thuật toán lai giữa Differential Evolution và Gravitational Search

Algorithm ....................................................................................................................... 88
xii
3.5. So sánh các thuật toán đề xuất dựa trên khả năng tính toán bài toán điều độ
kinh tế với hàm chi phí có xét ảnh hưởng của điểm van công suất ............................... 91
3.5.1. Mô hình bài toán dùng để so sánh các thuật toán ..................................... 91
3.5.2. Thông số cài đặt các thuật toán ................................................................. 91
3.5.3. Kết quả áp dụng các thuật toán cải tiến vào tính toán hệ thống 40 nhà máy
có xét ảnh hưởng điểm van công suất ............................................................................ 94
CHƯƠNG 4: ỨNG DỤNG MỘT SỐ THUẬT TOÁN CẢI TIẾN TÍNH TOÁN
ĐIỀU ĐỘ TỐI ƯU TRONG HỆ THỐNG ĐIỆN ..................................................... 97
4.1. Giải bài toán điều độ kinh tế có số lượng máy phát lớn với đường cong chi
phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất ......................................... 97
4.1.1. Hệ thống 10 nhà máy ................................................................................ 98
4.1.2. Hệ thống lớn ............................................................................................ 102
4.1.3. Kết luận ................................................................................................... 103
4.2. Ứng dụng một số thuật toán cải tiến giải bài toán điều độ công suất tối ưu
truyền thống ................................................................................................................. 111
4.2.1. Mạng điện IEEE 30 nút ........................................................................... 111
4.2.2. Mạng điện IEEE 57 nút ........................................................................... 115
4.2.3. Mạng điện IEEE 118 nút ......................................................................... 118
có xét ảnh hưởng của điểm van công suất ................................................................... 126
có xét thiết bị FACTS .................................................................................................. 131
4.4.1. Giải mạng điện IEEE 30 nút có xét thiết bị TCSC ................................. 131
xiii
4.4.2. Giải mạng điện IEEE 30 nút có xét thiết bị SVC ................................... 134
4.4.3. Giải mạng điện IEEE 30 nút có xét thiết bị TCSC và SVC.................... 137
4.4.4. Giải mạng điện IEEE 30 nút có xét thiết bị SVC, TCSC và TCPST...... 139
CHƯƠNG 5: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN ................................... 141
5.1. Tổng kết đề tài ............................................................................................ 141
5.1.1. Kết quả đạt được ..................................................................................... 141
5.1.2. Một số hạn chế ........................................................................................ 142
5.2. Hướng phát triển của đề tài ........................................................................ 143
PHỤ LỤC ............................................................................................................... 145
TÀI LIỆU THAM KHẢO .................................................................................... 184
DANH MỤC CÁC BÀI BÁO ĐÃ CÔNG BỐ ..................................................... 195
xiv
DANH MỤC CÁC BẢNG TRONG LUẬN ÁN
Bảng 2.1 Phân loại bài toán tối ưu điều độ tối ưu ................................................... 16
Bảng 2.2 Một số loại nút trong hệ thống điện ......................................................... 23
Bảng 3.1 Kết quả tính toán các thuật toán đề xuất trên hệ thống 40 nhà máy có xét
ảnh hưởng điểm van công suất ....................................................................................... 94
Bảng 4.1 Kết quả tính toán khi áp dụng các thuật toán SWT-PSO, DEGSA và
DEHS vào giải hệ thống 10 nhà máy với hàm chi phí đa nhiên liệu có xét ảnh hưởng
của điểm van công suất ................................................................................................. 99
Bảng 4.2 So sánh chi phí nhiên liệu và thời gian tính toán giữa các phương pháp
...................................................................................................................................... 101
Bảng 4.3 So sánh kết quả tính toán của các phương pháp trong trường hợp tổng
nhu cầu phụ tải 2700*(N/10) MW ............................................................................... 102
Bảng 4.4 So sánh kết quả sau 100 lần chạy chương trình của ba phương pháp
SWT-PSO, DEGSA và DEHS khi kiểm tra hệ thống 10 nhà máy (PD = 2700 MW).. 103
Bảng 4.5 Kết quả tính toán mạng điện IEEE 30 nút hàm chi phí nhiên liệu dạng
bậc hai dùng phương pháp SWT-PSO, DEGSA và DEHS ......................................... 112
Bảng 4.6 Bảng so sánh kết quả tính toán mạng điện IEEE 30 nút hàm chi phí nhiên
liệu dạng bậc hai dùng phương pháp SWT-PSO, DEGSA và DEHS với các phương
pháp khác ..................................................................................................................... 113
liệu dạng bậc hai dùng phương pháp SWT-PSO, DEGSA và DEHS.......................... 115
Bảng 4.8 Kết quả phân bố công suất tối ưu mạng điện IEEE 118 nút .................. 118
Bảng 4.9 So sánh kết quả phân bố công suất giữa thuật toán DEHS và PSO ....... 121
xv
Bảng 4.10 Kết quả tính toán mạng điện IEEE 30 nút có xét ảnh hưởng điểm van
công suất dùng phương pháp SWT-PSO, DEGSA và DEHS ...................................... 126
liệu có xét ảnh hưởng điểm van công suất dùng phương pháp SWT-PSO, DEGSA và
DEHS với các phương pháp khác ................................................................................ 127
Bảng 4.12 Kết quả tính toán mạng điện IEEE 30 nút có thiết bị TCSC ................. 131
Bảng 4.13 Bảng so sánh kết quả tính toán mạng điện IEEE 30 nút có thiết bị TCSC
với các phương pháp khác............................................................................................ 132
Bảng 4.14 Kết quả ứng dụng thuật toán DEGSA và DEHS vào giải mạng điện IEEE
30 nút trường hợp có và không có thiết bị SVC .......................................................... 134
Bảng 4.15 So sánh kết quả tính toán của thuật toán DEGSA và DEHS với các thuật
toán khác khi giải mạng điện IEEE 30 nút có thiết bị SVC ......................................... 135
Bảng 4.16 Kết quả tính toán mạng điện IEEE 30 nút với các loại thiết bị FACTS 137
Bảng 4.17 Kết quả tính toán mạng điện IEEE 30 nút có xét thiết bị SVC, TCSC và
TCPST .......................................................................................................................... 139
xvi
DANH MỤC CÁC HÌNH TRONG LUẬN ÁN
Hình 2.1 Đường cong chi phí phổ biến của nhà máy nhiệt điện .............................. 9
Hình 2.2 Hàm chi phí nhiên liệu của nhà máy nhiệt điện với 3 van nạp ................ 12
Hình 2.3 Đường cong chi phí đa nhiên liệu của nhà máy....................................... 13
Hình 2.4 Hàm chi phí nhiên liệu của tổ máy có 2 vùng cấm vận hành .................. 14
Hình 2.5 Mô hình π cho đường dây hay máy biến áp ............................................. 22
Hình 2.6 Sơ đồ cấu tạo của SVC ............................................................................ 32
Hình 2.7 Nguyên lý điều khiển điện áp của thiết bị FACTS bù ngang .................. 32
Hình 2.8 Mô hình của SVC trong phân bố công suất ............................................. 32
Hình 2.9 Sơ đồ cấu tạo của TCSC .......................................................................... 33
Hình 2.10 Nguyên lý điều khiển dòng công suất của thiết bị FACTS nối tiếp ....... 33
Hình 2.11 Mô hình TCSC trong tính toán phân bố công suất ................................. 34
Hình 2.12 Sơ đồ cấu tạo của TCPST ........................................................................ 35
Hình 2.13 Mô hình của TCPST trong phân bố công suất ......................................... 36
Hình 2.14 Tập hợp nhánh xung yếu tìm được từ chương trình max-flow ................ 39
Hình 3.1 Nguyên lý thay đổi vị trí của thuật toán PSO trong không gian 2-chiều 44
Hình 3.2 Giải thuật PSO ......................................................................................... 46
Hình 3.3 So sánh hệ số  ở các phương pháp ........................................................ 48
Hình 3.4 Lưu đồ các bước thực hiện của thuật toán IPSO .................................... 62
Hình 3.5 Lưu đồ các bước thực hiện thuật toán ABC ............................................ 67
Hình 3.6 Chọn vector mới từ vector đột biến và vector đích trong thuật toán DE 74
xvii
Hình 3.7 Các bước tính toán của thuật toán DE .................................................... 75
Hình 3.8 Lập trình thuật toán DE............................................................................ 76
Hình 3.9 Sơ đồ khối đơn giản của thuật toán HS .................................................. 77
Hình 3.10 Lưu đồ giải thuật của phương pháp DEHS ............................................. 80
Hình 3.11 Lực và gia tốc tương tác lên vật thể 1 do các vật thể khác sinh ra ......... 83
Hình 3.12 Lưu đồ giải thuật GSA ............................................................................ 85
Hình 3.13 Lưu đồ giải thuật của thuật toán DEGSA ................................................ 90
Hình 3.14 Đặc tuyến hội tụ của các thuật toán khi giải mạng điện 40 nhà máy có xét
ảnh hưởng của điểm van công suất ................................................................................ 95
Hình 4.1 Đặc tính hội tụ khi áp dụng thuật toán SWT-PSO vào mạng điện 10 nhà
máy với hàm chi phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất ........... 100
Hình 4.2 Đặc tính hội tụ khi áp dụng thuật toán DEGSA vào mạng điện 10 nhà
máy với hàm chi phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất. ........... 100
Hình 4.3 Đặc tính hội tụ khi áp dụng thuật toán DEHS vào mạng điện 10 nhà máy
với hàm chi phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất .................. 101
Hình 4.4 Đặc tính hội tụ của các thuật toán SWT-PSO, DEGSA và DEHS (hệ
thống 10 nhà máy) ........................................................................................................ 104
thống 20 nhà máy) ........................................................................................................ 104
thống 40 nhà máy) ........................................................................................................ 105
Hình 4.7 Giá trị trung bình của các thuật toán SWT-PSO, DEGSA và DEHS (hệ
thống 10 nhà máy) ........................................................................................................ 106
xviii
thống 20 nhà máy) ........................................................................................................ 106
thống 40 nhà máy) ........................................................................................................ 107
thống 80 nhà máy) ........................................................................................................ 107
thống 160 nhà máy) ...................................................................................................... 108
Hình 4.12 Độ lệch tiêu chuẩn của các thuật toán SWT-PSO, DEGSA và DEHS
(hệ thống 10 nhà máy).................................................................................................. 108
Hình 4.13 Độ lệch tiêu chuẩn của các thuật toán SWT-PSO, DEGSA và DEHS (hệ
thống 20 nhà máy) ........................................................................................................ 109
thống 40 nhà máy) ........................................................................................................ 109
thống 80 nhà máy) ........................................................................................................ 110
thống 160 nhà máy) ...................................................................................................... 110
Hình 4.17 Đặc tính hội tụ của mạng điện IEEE 30 nút hàm chi phí nhiên liệu dạng
bậc hai dùng phương pháp SWT-PSO ........................................................................ 114
bậc hai dùng phương pháp DEGSA và DEHS ............................................................ 114
bậc hai dùng phương pháp SWT-PSO ........................................................................ 117
xix
bậc hai dùng phương pháp DEGSA và DEHS ............................................................. 118
Hình 4.21 Đặc tính hội tụ của mạng điện IEEE 118 nút hàm chi phí nhiên liệu
dạng bậc hai dùng phương pháp DEHS ....................................................................... 120
Hình 4.22 Đặc tính hội tụ của mạng điện IEEE 30 nút hàm chi phí nhiên liệu có xét
ảnh hưởng điểm van công suất dùng phương pháp SWT-PSO ................................... 128
Hình 4.23 Đồ thị thống kê chi phí nhiên liệu máy phát của mạng điện IEEE 30 nút
hàm chi phí nhiên liệu có xét ảnh hưởng điểm van công suất dùng phương pháp SWT-
PSO............................................................................................................................... 129
Hình 4.24 Đặc tính hội tụ của mạng điện IEEE 30 nút hàm chi phí nhiên liệu có xét
ảnh hưởng điểm van công suất dùng phương pháp DEGSA và DEHS ....................... 129
Hình 4.25 Lịch sử của 50 lần chạy thuật toán DEGSA cho mạng điện IEEE 30 nút
với hàm chi phí có xét ảnh hưởng điểm van công suất ................................................ 130
Hình 4.26 Lịch sử của 50 lần chạy thuật toán DEHS cho mạng điện IEEE 30 nút với
hàm chi phí có xét ảnh hưởng điểm van công suất ...................................................... 130
Hình 4.27 Đặc tuyến hội tụ của bài toán OPF có TCSC hệ thống IEEE 30 nút dùng
phương pháp DEGSA .................................................................................................. 133
Hình 4.28 Đặc tuyến hội tụ của bài toán OPF có TCSC hệ thống IEEE 30 nút dùng
phương pháp DEHS ..................................................................................................... 133
Hình 4.29 Đặc tuyến hội tụ của bài toán OPF có SVC hệ thống IEEE 30 nút dùng
phương pháp DEGSA ................................................................................................. 136
Hình 4.30 Đặc tuyến hội tụ của bài toán OPF có SVC hệ thống IEEE 30 nút dùng
phương pháp DEHS ..................................................................................................... 136
Hình 4.31 Đặc tuyến hội tụ của bài toán OPF có SVC và TCSC hệ thống IEEE 30
nút ................................................................................................................................. 138
xx
DANH MỤC CÁC CHỮ VIẾT TẮT TRONG LUẬN ÁN
PSO Particle Swarm Optimization

PSO TVAC Particle Swarm Optimizer with Time Varying Acceleration
Coefficients
PSO TVIW Particle Swarm Optimizer with Time Varying Inertia Weight
Factor
SOH PSO TVAC Self Organizing Hierarchical Particle Swarm Optimizer with Time
Varying Acceleration Coefficients
SWT-PSO Stochastic Weight Trade-Off Particle Swarm Optimization
IPSO Improved Particle Swarm Optimization
CGA Conventional Genetic Algorithm
ED Economic Dispatch
OPF Optimal Power Flow
PF Power Flow
GA Genetic Algorithm
LP Linear Programming
NLP Nonlinear Programming
NR Newton-Raphson
IPM Interior Point Method
EP Evolutionary Programming
ACO Ant Colony Optimization
ABC Artificial Bee Colony
SA Simulated Annealing
ES Evolution Strategies
TS Tabu Search
QP Quadratic Programming
DE Differential Evolution
xxi
HS Harmony Search
HM Harmony Memory
HMS Harmony Memory Size
HMCR Harmony Memory Considering rate
PAR Pitch Adjusting Rate
DEHS Differential Evolution và Harmony Search
MOALO Multiobjective Ant Lion Algorithm
DSA Differential Search Algorithm
ISA Interior Search Algorithm
GSA Gravitational Search Algorithm
DEGSA Differential Evolution và Gravitational Search Algorithm
RPD Reactive Power Dispatch
IHDE Improved Hybrid Differential Evolution
CS Cuckoo Search
HCSA Hybrid Cuckoo Search Algorithm
MSFLA Modified Shuffled Frog Leaping Algorithm
CPSO Combinatorial particle swarm optimization
HVDC High Voltage Direct Current
IEEE Institute of Electrical and Electronic Engineering
FACTS Flexible Alternating-Current Transmission Systems
SVC Static VAR Compensator
TCSC Thyristor Controlled Series Capacitor
TCPST Thyristor Controlled Phase Shifting Transformer
TP Total Power
TC Total Cost
IGA_MU Improved Genetic Algorithm with Multiplier Updating
CGA_MU Conventional Genetic Algorithm with Multiplier Updating
xxii
CHƯƠNG 1
TỔNG QUAN
1.1. Đặt vấn đề
Hiện nay, điện năng ngày càng đóng vai trò quan trọng cho sự tồn tại và phát triển
của xã hội. Chính vì những ưu điểm vượt trội của nó so với những nguồn năng lượng
khác (có khả năng truyền tải đi xa với tốc độ nhanh, dễ dàng biến đổi thành các dạng
năng lượng khác, giá thành tương đối thấp,…) nên điện năng được sử dụng rộng rãi
trong mọi lĩnh vực đời sống hàng ngày của chúng ta. Trước tình hình hiện nay, phần
lớn năng lượng điện được sản xuất từ nguồn nhiên liệu hóa thạch (than, dầu, gas tự
nhiên,…) và đây là những nguồn nhiên liệu không thể phục hồi lại được. Bên cạnh đó,
với sự phát triển không ngừng của khoa học công nghệ và dân số ngày càng tăng thì
nhu cầu năng lượng điện ngày càng trở nên cấp thiết và có nguy cơ bị cạn kiệt nguồn
năng lượng hóa thạch đầu vào sản xuất điện trong một vài thập niên nữa. Do đó, việc
sử dụng nguồn năng lượng này như thế nào là tiết kiệm nhất và hiệu quả nhất nhằm
đảm bảo cung cấp điện an toàn và tin cậy đang trở thành vấn đề đáng quan tâm đối với
các nhà khoa học.
Như chúng ta đã biết, điện năng gần như không thể lưu trữ lại được cũng như tính
chất tiêu thụ điện năng ở các khu vực trong từng thời điểm là khác nhau, cho nên trào
lưu công suất trên các đường dây truyền tải liên tục thay đổi theo thời gian. Do đó, khi
vận hành hệ thống điện thường xảy ra hiện tượng tại một thời điểm trên hệ thống có
những đường dây bị quá tải trong khi các đường dây khác non tải và ngược lại. Vì thế,
việc sử dụng hiệu quả và tối ưu các nguồn cung cấp nhằm thay đổi trào lưu công suất,
không làm quá tải mà vẫn đảm bảo được cung cấp điện tin cậy, không cần phải cải tạo
nâng cấp hệ thống điện đang trở thành vấn đề cấp thiết đối với các nhà khoa học để tìm
ra lời giải tốt nhất đối với vấn đề nêu trên.
Vì thế, bài toán điều độ kinh tế (Economic Dispatch - ED) và điều độ tối ưu công
suất trong hệ thống điện (Optimal Power Flow – OPF) đã được thiết lập nhằm nâng cao
1
khả năng vận hành, giảm thiểu chi phí cũng như đáp ứng được các điều kiện ràng buộc
của hệ thống điện mà không cần phải mở rộng phát triển thêm nguồn và hệ thống
truyền tải.
1.2. Nhận xét chung và hướng tiếp cận
Với những ưu điểm của bài toán ED và OPF mang lại, trong những thập niên
vừa qua có nhiều nhà nghiên cứu đã đóng góp rất nhiều cả về sức lực và thời gian để
tìm ra thuật toán giải quyết các bài toán trên. Trong đó, có rất nhiều thuật toán đã được
sử dụng từ cổ điển cho đến trí tuệ nhân tạo và tiến hóa chẳng hạn như: Quadratic
Programming [1], Newton-Raphson [1], Linear Progrmaming [1], Nonlinear
Progrmaming [1], Interior Point Methods [1], Mixed-Integer Programming [1],
Network Flow Programming [1], Tabu Search (TS) [2], Simulated Annealing (SA) [2],
Genetic Algorithm (GA) [2], Ant Colony Optimization (ACO) [2]… Trong sự phát
triển của trí tuệ nhân tạo, gần đây trong lĩnh vực công nghệ thông tin xuất hiện một số
thuật toán như: Particle Swarm Optimization, Differential Evolution, Artificial Bee
Colony Algorithm, Harmony Search... Đây là những thuật toán có nhiều ưu điểm và đã
được ứng dụng rộng rãi vào trong rất nhiều lĩnh vực, một trong những lĩnh vực ứng
dụng của các thuật toán trên là lĩnh vực hệ thống điện. Một số nhà khoa học trên thế
giới đã triển khai đưa các thuật toán trên vào ứng dụng tính toán tối ưu trong hệ thống
điện và đã cho ra những kết quả tốt hơn những giải thuật truyền thống khác.
Việc ứng dụng trí tuệ nhân tạo trong việc giải các bài toán tối ưu ứng dụng trong
nhiều ngành, lĩnh vực đã và đang là xu thế trên thế giới.
Những thuật toán Particle Swarm Optimization, Differential Evolution,

Artificial Bee Colony Algorithm, Harmony Search đều có có tuổi đời còn khá non trẻ,
ngay khi ra đời đều lập tức được ứng dụng rộng rãi trong nhiều ngành: công nghệ
thông tin, cơ khí, điều khiển tự động, xây dựng… Do đó, nó đã được kiểm chứng hiệu
quả và chấp nhận trong nhiều lĩnh vực khác nhau.
Các thuật toán tiến hóa có những ưu điểm nổi bật so với các phương pháp
truyền thống khác:
2
 Thuật toán đơn giản và dễ dàng thực hiện.
 Tìm kiếm trong tất cả không gian bài toán chứ không phải riêng từng điểm.
 Hàm cập nhật vị trí của cá thể có độ dốc tự do, giúp cho chương trình chạy
nhanh.
 Tìm được điểm tối ưu toàn cục, bởi vì việc tính toán dựa trên các cá thể riêng
biệt, khả năng tính toán đồng thời.
 Các thuật toán tiến hóa sử dụng các hàm mục tiêu và hàm tính toán độ phù hợp
để trả về trực tiếp kết quả. Các thuật toán tiến hóa thích hợp với những hàm mục
tiêu không liên tục, không khả vi tồn tại phổ biến trong hệ thống điện.
 Các thuật toán tiến hóa có khả năng tìm kiếm trong những vùng không gian
phức tạp, không chắc chắn để tìm ra lời giải tối ưu toàn cục, do đó nó linh hoạt
và tốt hơn các phương pháp truyền thống khác.
 Có khả năng giải quyết bài toán với các biến rời rạc, chẳng hạn như nấc phân áp
máy biến áp.
1.3. Mục tiêu của luận án
Bài toán điều độ kinh tế và bài toán điều độ tối ưu trong hệ thống điện đã có lịch
sử phát triển từ rất lâu và có ý nghĩa vô cùng quan trọng trong quy hoạch và điều khiển
hệ thống điện. Mục đích chung của các bài toán ED và OPF là cực tiểu chi phí của hệ
thống điện để đáp ứng nhu cầu phụ tải nhưng phải duy trì độ an toàn của hệ thống (phải
giữ cho mỗi thiết bị của hệ thống nằm trong phạm vi vận hành mong muốn ở chế độ
xác lập). Điều này sẽ tính đến công suất phát cực đại và cực tiểu của máy phát, dòng
công suất biểu kiến cực đại trên đường dây truyền tải và máy biến áp cũng như giữ
điện áp nút của hệ thống nằm trong giới hạn xác định. Để đạt được mục đích này, hai
bài toán ED và OPF sẽ phải thực thi mọi chức năng điều khiển chế độ xác lập của hệ
thống điện, các chức năng này bao gồm điều khiển máy phát và điều khiển hệ thống
truyền tải. Đối với máy phát, bài toán OPF sẽ điều khiển công suất tác dụng đầu ra của
máy phát cũng như điện áp của máy phát. Đối với hệ thống truyền tải, bài toán OPF có
3
thể điều khiển tỷ số nấc phân áp của máy biến áp điều áp dưới tải hoặc góc dịch pha
của máy biến áp dịch pha, điều khiển chuyển mạch rẽ nhánh tất cả các thiết bị FACTS.
Vì vậy, đã có nhiều công trình nghiên cứu tìm kiếm lời giải cho bài toán ED và
OPF ngày càng tốt hơn. Tuy nhiên, do trong thời gian gần đây có sự xuất hiện của các
thiết bị FACTS trên hệ thống điện, điểm van công suất hoặc hàm chi phí đa nhiên liệu
làm cho bài toán ED và OPF ngày càng trở nên phức tạp hơn và nhiều vấn đề liên quan
đến bài toán ED và OPF chẳng hạn như: sự đảm bảo tính hội tụ, lời giải tối ưu đối với
hàm chi phí không liên tục cũng như độ tin cậy của thuật toán mà các phương pháp cổ
điển và hiện đại chưa giải quyết được.
Hầu hết các phương pháp đều gặp phải 3 vấn đề chính:
 Các phương pháp tính toán có thể không đưa ra được lời giải tối ưu hoặc
thường bị kẹt ở lời giải tối ưu địa phương.
 Tất cả các phương pháp này đều dựa trên giả định hàm mục tiêu là hàm liên
tục và khả vi mà không đúng đối với hệ thống thực tế.
 Các phương pháp này đều không thể áp dụng cho các biến rời rạc.
Vì thế, chỉ có thể thuật toán dựa trên trí thông minh nhân tạo và tiến hóa mà
điển hình là các phương pháp Particle Swarm Optimization, Differential Evolution,
Artificial Bee Colony Algorithm, Harmony Search mới phù hợp với các loại bài toán
này và loại bỏ được các vấn đề trên. Các thuật toán này uyển chuyển, thích ứng tốt hơn
so với các phương pháp khác. Kết quả áp dụng các thuật toán Particle Swarm
Optimization, Differential Evolution, Artificial Bee Colony Algorithm, Harmony
Search giải bài toán điều độ kinh tế và điều độ tối ưu công suất trong hệ thống điện
được so sánh với các bài báo khác để thấy được tính hiệu quả của phương pháp. Do đó,
tác giả đề xuất một số mục tiêu cho luận án này như sau:
 Đề xuất một số phương pháp cải tiến các thuật toán tiến hóa
 Đề xuất một số phương pháp cải tiến của thuật toán tối ưu bầy đàn như:
4
 Thuật toán tối ưu bầy đàn với hệ số quán tính thay đổi theo thời gian
(Particle Swarm Optimization with Time Varying Inertia Weight factor).
 Thuật toán tối ưu bầy đàn với hệ số kinh nghiệm thay đổi theo thời gian
(Particle Swarm Optimization with Time Varying Acceleration
Coefficients).
 Thuật toán tối ưu bầy đàn tự tổ chức với hệ số kinh nghiệm thay đổi theo
thời gian (Self Organizing Hierarchical Particle Swarm Optimizer with
Time Varying Acceleration Coefficients).
 Thuật toán tối ưu bầy đàn cân bằng ngẫu nhiên (Stochastic Weight
Trade-Off Particle Swarm Optimization).
 Thuật toán tối ưu bầy đàn cải tiến (Improved Particle Swarm
Optimization).
 Đề xuất phương pháp áp dụng thuật toán đàn ong nhân tạo (Artificial Bee
Colony Algorithm) vào giải bài toán điều độ tối ưu trong hệ thống điện.
 Đề xuất phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm hài
hòa (Differential Evolution and Harmony Search).
 Đề xuất phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm theo
lực hấp dẫn (Differential Evolution and Gravitational Search Algorithm).
 Giải bài toán điều độ kinh tế:
 Bài toán điều độ kinh tế truyền thống với hàm chi phí nhiên liệu dạng đường
cong bậc hai.
 Bài toán điều độ kinh tế với hàm chi phí nhiên liệu có xét ảnh hưởng của điểm
van công suất.
 Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu.
 Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu có xét ảnh hưởng của
điểm van công suất.
 Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu có xét vùng cấm vận hành
của tổ máy.
 Giải bài toán điều độ tối ưu trong hệ thống điện:
5
 Ứng dụng các thuật toán đề xuất vào giải bài toán điều độ tối ưu với các mạng
điện chuẩn IEEE 30 nút, IEEE 57 nút và IEEE 118 nút với hàm chi phí nhiên
liệu có dạng đường cong bậc hai.
 Ứng dụng các thuật toán đề xuất vào giải bài toán điều độ tối ưu với hàm chi phí
nhiên liệu có xét ảnh hưởng của điểm van công suất.
 Ứng dụng các thuật toán đề xuất vào giải bài toán điều độ tối ưu có thiết bị
FACTS.
1.4. Điểm mới của đề tài
Luận án này đề xuất được một số thuật toán cải tiến chưa từng được công bố
trước đây. Áp dụng các phương pháp cải tiến này vào các mạng điện có với nhiều mức
độ phức tạp khác nhau, kiểm chứng độ tin cậy của các thuật toán bằng cách so sánh kết
quả có được với các công bố khác. Các thuật toán đề xuất bao gồm:
 Thuật toán tối ưu bầy đàn với hệ số quán tính thay đổi theo thời gian (Particle
Swarm Optimization with Time Varying Inertia Weight factor).
 Thuật toán tối ưu bầy đàn với hệ số kinh nghiệm thay đổi theo thời gian
(Particle Swarm Optimization with Time Varying Acceleration Coefficients).
 Thuật toán tối ưu bầy đàn tự tổ chức với hệ số kinh nghiệm thay đổi theo thời
gian (Self Organizing Hierarchical Particle Swarm Optimizer with Time
Varying Acceleration Coefficients).
 Thuật toán tối ưu bầy đàn cân bằng ngẫu nhiên (Stochastic Weight Trade-Off
Particle Swarm Optimization).
 Thuật toán tối ưu bầy đàn cải tiến (Improved Particle Swarm Optimization).
 Đề xuất ứng dụng thuật toán đàn ong nhân tạo (Artificial Bee Colony
Algorithm) vào giải bài toán điều độ tối ưu trong hệ thống điện.
 Phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm hài hòa
(Differential Evolution and Harmony Search).
 Phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm theo lực hấp
dẫn (Differential Evolution and Gravitational Search Algorithm).
6
1.5. Giới hạn đề tài
Phạm vi nghiên cứu của đề tài như sau:
 Các mô hình mạng điện luận án nghiên cứu là những mạng điện mẫu, được
công bố trong các công trình khoa học, bài báo đăng trên các tạp chí thế giới.
 Hàm chi phí nhiên liệu của các nhà máy nhiệt điện được biểu diễn dưới dạng
các hàm bậc hai hoặc hàm không khả vi. Các hàm chi phí trích dẫn từ các
nghiên cứu trước và không cần xây dựng lại trong luận án.
 Các ràng buộc cân bằng trong hệ thống có xét đến cân bằng công suất tác dụng,
công suất phản kháng với tổn thất truyền tải trên đường dây.
 Các ràng buộc không cân bằng xét đến bao gồm: giới hạn công suất, giới hạn
truyền tải đường dây, điện áp các nút, cài đặt đầu phân áp, chọn tụ bù…
1.6. Cấu trúc của luận án
Chương 1: Tổng quan
Chương 2: Bài toán điều độ kinh tế và điều độ tối ưu công suất trong hệ thống
điện
Chương 3: Một số thuật toán tối ưu
Chương 4: Ứng dụng một số thuật toán cải tiến tính toán điều độ tối ưu trong hệ
thống điện
Chương 5: Tổng kết và hướng phát triển
7
CHƯƠNG 2
BÀI TOÁN ĐIỀU ĐỘ KINH TẾ VÀ ĐIỀU ĐỘ TỐI ƯU

CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN
2.1. Bài toán điều độ kinh tế
2.1.1. Giới thiệu
Để hệ thống điện hoạt động hiệu quả và tin cậy thì một số kỹ thuật đã được phát
triển để tính toán xác định dự báo công suất và mức công suất phát. Điều độ công suất
là một trong các kỹ thuật trên để điều chỉnh biến điều khiển và phân phối công suất cho
hệ thống điện hoạt động tối ưu. Điều độ công suất có hai cách: Điều độ công suất thực
và điều độ công suất phản kháng. Bài toán điều độ kinh tế tìm điểm hoạt động tối ưu để
phân phối công suất thực giữa các nhà máy nhằm giảm thấp nhất chi phí sản xuất. Điều
độ công suất phản kháng dùng để cực tiểu tổn thất hệ thống, nâng cao hiệu suất và khả
năng tận dụng nguồn.
Bài toán điều độ công suất làm cải thiện việc hoạt động ổn định của hệ thống
điện. Thường làm giảm mô hình hệ thống điện, làm đơn giản các giải pháp chi phí về
chất lượng. Việc sử dụng đúng đắn và chính xác hơn các mô hình sản lượng điện làm
cho lời giải bài toán tốt hơn nhưng vấn đề khó khăn cũng tăng lên đáng kể.
Mô hình phổ biến cải tiến bài toán điều độ kinh tế bao gồm: hàm chi phí có xét
ảnh hưởng của điểm van công suất, vùng hoạt động không liên tục và sự chuyển đổi
các loại nhiên liệu; các loại ràng buộc an ninh hệ thống điện như giới hạn dòng công
suất, dự trữ công suất máy phát và cấu hình điện áp. Trong chương này, chúng tôi trình
bày hệ thống các biểu thức của bài toán điều độ kinh tế với hàm chi phí trơn dạng bậc
hai cổ điển, hàm chi phí có xét ảnh hưởng của điểm van công suất, hàm chi phí đa
nhiên liệu, hàm chi phí có vùng cấm vận hành.
8
2.1.2. Bài toán điều độ kinh tế truyền thống với hàm chi phí nhiên liệu dạng
đường cong bậc hai
Bài toán điều độ kinh tế cổ điển là bài toán tối ưu nhằm xác định công suất phát
ra của các nhà máy để đạt đến kết quả là cực tiểu chi phí vận hành [3, 4]. Hàm mục tiêu
của bài toán điều độ kinh tế cổ điển là cực tiểu tổng chi phí hệ thống điện với hàm mục
tiêu có dạng tổng của hàm chi phí ở mỗi nhà máy. Phân phối công suất sao cho cân
bằng giữa công suất phát và phụ tải với điều kiện nằm trong vùng khả năng phát của
mỗi nhà máy.
2.1.2.1. Hàm mục tiêu
Hàm mục tiêu của bài toán điều độ kinh tế cổ điển là cực tiểu tổng chi phí hệ
thống điện (2.1) bằng cách hiệu chỉnh công suất phát của mỗi nhà máy kết nối với lưới
điện. Tổng chi phí được biểu diễn bằng hàm tổng của các chi phí ở mỗi nhà máy.
NG
min  Fi ( PG )
i
(2.1)
i 1
Trong đó Fi ( PGi ) là hàm chi phí của nhà máy thứ i, PGi là công suất thực phát ra
của nhà máy thứ i và NG là tổng số lượng các nhà máy kết nối với hệ thống điện.
Hình 2.1: Đường cong chi phí phổ biến của nhà máy nhiệt điện
9
Mỗi hàm chi phí của nhà máy thiết lập mối quan hệ giữa nhà máy và hệ thống
thông qua khả năng phát công suất với chi phí phát của nhà máy. Thông thường, các
nhà máy được mô hình bằng hàm chi phí trơn như trong (2.2) để đơn giản bài toán tối
ưu và khả năng ứng dụng các kỹ thuật truyền thống để tính toán.
Fi ( PG )  ai  bi PG  ci PG2
i i i
(2.2)
Trong đó: ai, bi, ci là hệ số chi phí của hàm chi phí nhà máy thứ i.
2.1.2.2. Ràng buộc đẳng thức
Ràng buộc cân bằng công suất: Ràng buộc cân bằng công suất là ràng buộc đẳng
thức dùng để giảm bớt công suất hệ thống dựa trên nguyên lý cơ bản cân bằng giữa
tổng công suất nhà máy phát với tổng tải của hệ thống. Cân bằng chỉ xảy ra khi tổng
công suất nhà máy phát P Gi
bằng với tổng tải trong hệ thống PD cộng thêm một
lượng tổn hao PL được biểu diễn như trong (2.3).

NG
P
i 1
Gi  PD  PL (2.3)
Tổn thất trong hệ thống có thể xác định một cách chính xác nhờ phương pháp
phân luồng công suất. Một cách điển hình để ước lượng tổn thất bằng cách mô hình
chúng dạng hàm của hệ thống nhà máy phát sử dụng công thức tổn thất của Kron (2.4).
Một số cách khác để mô hình hóa tổn thất là sử dụng hệ số phạt hoặc xem tổn thất là
hằng số.
NG NG NG
PL   PG Bij PG  PG Bi 0 B00
i i i
(2.4)
i 1 j 1 j 1
Trong đó Bij, Bi0, B00 gọi là tổn thất hay hệ số B.
2.1.2.3. Ràng buộc bất đẳng thức
10
Giới hạn công suất thực phát ra: mỗi nhà máy có giới hạn thấp nhất PGmin và giới
i
hạn cao nhất PGmax phát công suất vì nó phụ thuộc vào cấu trúc của máy phát. Các giới
i
hạn trên được định nghĩa bằng một cặp của ràng buộc bất đẳng thức (2.5).
PGmin  PG  PGmax , i = 1,…, NG

i i i
(2.5)
2.1.3. Bài toán điều độ kinh tế với hàm chi phí nhiên liệu có xét ảnh hưởng của
điểm van công suất
Các nhà máy phát thường được mô hình hóa sử sụng hàm chi phí trơn như trong
hình 2.1 để biểu diễn mối quan hệ giữa công suất phát ra và chi phí sản xuất. Hàm chi
phí loại này có ưu điểm là làm đơn giản bài toán điều độ kinh tế và khả năng sử dụng
nhiều kỹ thuật áp dụng vào để giải bài toán này. Trong một số trường hợp, biểu diễn
dưới dạng bậc hai không mô hình hết được đặc điểm của nhà máy điện, do đó cần mô
hình chính xác hơn để cho kết quả tốt hơn trong việc giải bài toán điều độ kinh tế. Mô
hình chính xác hơn thường có dạng hàm phi tuyến hơn, không trơn và nằm trong miền
lõm. Một số ví dụ của hàm chi phí không trơn là: hàm chi phí có xét ảnh hưởng điểm
van công suất [5-10], hàm bậc hai liên tục từng khúc gồm hàm có nhiều loại nhiên liệu
[11], [12], [13] và hàm có vùng hoạt động không liên tục. Trong đó, hàm chi phí nhiên
liệu có xét ảnh hưởng điểm van công suất được sử dụng khá phổ biến trên thế giới.
2.1.3.1. Đặc điểm của bài toán điều độ kinh tế với điểm van công suất
Nhà máy điện thường sử dụng nhiều van để điều khiển công suất phát của nhà
máy [5-10]. Trong giai đoạn đầu khi van nạp hơi nước được mở trong nhà máy nhiệt
điện, chi phí do tổn hao gia tăng một cách đột ngột làm cho hàm chi phí có độ nhấp
nhô như hình 2.2. Hiệu ứng này được gọi là điểm van công suất. Loại bài toán này vô
cùng khó giải quyết với những kỹ thuật thông thường bởi vì tồn tại sự thay đổi đột ngột
và không liên tục trong sự gia tăng của hàm chi phí.
11
Hình 2.2: Hàm chi phí nhiên liệu của nhà máy nhiệt điện với 3 van nạp
2.1.3.2. Biểu thức điều độ kinh tế với điểm van công suất
Điều độ kinh tế với điểm van công suất dùng để cực tiểu chi phí hệ thống (2.1)
dựa trên hàm chi phí có xét ảnh hưởng của vị trí van. Vị trí van công suất thường được
mô hình bằng cách thêm hàm sin vào hàm chi phí bậc hai cổ điển (2.6).
i i i
 
Fi ( PG )  ai  bi PG  ci PG2  d i sin ei PGmin  PG
i i
 (2.6)
Trong đó: ai, bi, ci, di và ei là hệ số chi phí của nhà máy thứ i.
Biểu thức cơ bản của bài toán này là các vấn đề ràng buộc cân bằng công suất
(2.3) và giới hạn máy phát (2.5). Những ràng buộc khác có thể thêm vào tùy thuộc vào
mô hình yêu cầu.
Bài toán điều độ kinh tế với điểm van công suất đã được một số nhà khoa học
nghiên cứu. Sheblé và Walters [7] sử dụng GA để giải bài toán này. Ngoài ra,
K. Wong và Y. Wong đã đề xuất cách giải bài toán điều độ kinh tế với điểm van công
suất sử dụng GA và giải thuật luyện kim SA (Simulated Annealing). K. Wong cùng với
B. Lau và A. Fry [9] đã trình bày phương pháp dùng mạng noron giải bài toán điều độ
kinh tế có xét ảnh hưởng của điểm van công suất. Nguyên lý cơ bản của điểm van công
suất và hàm chi phí của nó được trình bày trong [10, 11].
12
2.1.4. Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu
Hàm chi phí của nhà máy i gồm đoạn k bậc hai thể hiện k loại nhiên liệu:
ai1  bi1.Pi  ci1.Pi 2 , fuel1, Pi min  Pi  Pi1


ai2  bi2 .Pi  ci2 .Pi , fuel 2, Pi1  Pi  Pi2
2
Fi ( Pi )   (2.7)
...
a  b .P  c .P 2 , fuelk , P  P  P max
 ik ik i ik i ik-1 i i
aik, bik, cik: là hệ số chi phí của nhà máy i khi sử dụng nhiên liệu k
Hình 2.3: Đường cong chi phí đa nhiên liệu của nhà máy
2.1.5. Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu có xét ảnh hưởng
của điểm van công suất
Để thu được giải pháp chính xác và phù hợp với thực tiễn thì hàm mục tiêu của
bài toán điều độ kinh tế phải bao gồm cả ảnh hưởng của điểm van công suất và nhiều
loại nhiên liệu khác nhau. Do đó hàm mục tiêu được trình bày như sau:
ai1  bi1 Pi  ci1 Pi 2  ei1.sin( fi1.( Pi1min  Pi1 )) , forfuel1, Pi min  Pi  Pi1

a  b P  c P 2  ei2 .sin( fi2 .( Pi2min  Pi2 )) , forfuel 2, Pi1  Pi  Pi2
Fi ( Pi )   i2 i2 i i2 i (2.8)


aik  bik Pi  cik Pi  eik .sin( fik .( Pik  Pik )) , forfuelk , Pik 1  Pi  Pi
2 min max
Trong đó: aik, bik, cik là hệ số chi phí của nhà máy thứ i ứng với dạng nhiên liệu k
13
2.1.6. Bài toán điều độ kinh tế với hàm chi phí đa nhiên liệu có xét vùng cấm
vận hành của tổ máy
Máy phát có thể có một vùng nhất định mà vận hành là bị hạn chế do giới hạn
vật lý của các thành phần máy, van hơi, rung trong trục… Xem xét vùng vận hành cấm
này sẽ tạo ra sự không liên tục trong đường cong chi phí và chuyển các ràng buộc như
bên dưới:
Pi  Pimin  Pi  Pi,1L
1  Pi  Pi,k
U L
Pi,k (2.9)
U
Pi,zi  Pi  Pimax
L U
Ở đây: Pi,k , Pi,k là giới hạn dưới và trên của vùng cấm vận hành thứ k của tổ máy
thứ i, k là chỉ số của vùng cấm vận hành, zi là số vùng cấm vận hành.
Hình 2.4: Hàm chi phí nhiên liệu của tổ máy có 2 vùng cấm vận hành
2.2. Bài toán điều độ tối ưu công suất trong hệ thống điện
2.2.1. Khái quát chung
Bài toán điều độ tối ưu OPF ban đầu trong hệ thống điện với mong muốn tối
thiểu chi phí vận hành nguồn phát với tải cho trước. Vào năm 1962, Carpentier đề xuất
14
mô hình qui hoạch phi tuyến tổng quát bài toán điều độ tối ưu công suất bao hàm ràng
buộc điện áp và các ràng buộc vận hành khác [14]. Bài toán OPF đầu những năm 60
thế kỷ 20, xét sự thay đổi các ràng buộc vận hành và điều khiển [15]. Phương pháp giải
bài toán OPF trong [15] là phương pháp khử Gradient, được thành lập bằng việc khử
các biến phụ thuộc dựa vào lời giải điều độ tối ưu. Kể từ đó các phương pháp mới ra
đời để giải bài toán OPF [16]-[24].
 Bài toán điều độ kinh tế truyền thống (Economic Dispatch): thường chỉ xét
mục tiêu chi phí vận hành nhỏ nhất. Ngày nay bài toán điều độ kinh tế được
xem xét dưới các khía cạnh sau:
1. Tối thiểu ô nhiễm.
2. Bảo tồn các loại nhiên liệu.
3. Tối ưu chi phí.
4. Các ràng buộc đảm bảo tối ưu an ninh hệ thống.
5. Vận hành kết hợp nhà máy nhiệt điện và thủy điện.
 Bài toán OPF được định nghĩa như sau:
Min f(x, y)
Subject to g(x, y = 0 (2.10)
hmin  h( x, y )  hmax
với: y : tập các biến điều khiển.
x : tập các biến phụ thuộc.
f(x,y) : hàm đối tượng vô hướng.
g(x,y) : các phương trình dòng chảy công suất.
h(x,y) : giới hạn của các biến điều khiển và vận hành cho các phần tử
trong hệ thống.
Các hàm đối tượng, các ràng buộc và các biến điều khiển của bài toán OPF
trong hệ thống điện được phân theo bảng 2.1 như sau:
15
Bảng 2.1: Phân loại bài toán điều độ tối ưu
Các hàm đối tượng Tối thiểu chi phí phát và giao dịch điện năng.
Tối thiểu tổn thất truyền tải.
Tối thiểu chi phí đầu tư công suất kháng (Var).
Ràng buộc Các ràng buộc dòng chảy công suất.
“Phương trình” Các ràng buộc cân bằng khác.
Ràng buộc Giới hạn trên tất cả các biến điều khiển.
“Bất phương trình” Giới hạn dòng chảy công suất trên các nhánh.
Giới hạn điện áp trên các thanh cái (bus).
Giới hạn truyền tải (công suất trên đường dây).
Giới hạn dự trữ công suất vô công/ hữu công.
Các biến điều khiển Công suất vô công/hữu công (PQ) của máy phát.
Nấc máy biến áp, độ dịch pha máy biến áp.
Cài đặt điều khiển Q hay điện áp máy phát.
Quản lý trao đổi công suất (MW) giữa các vùng.
Điều khiển công suất P (MW) truyền tải HVDC.
Điều khiển dòng chảy công suất và điện áp trên thiết bị

FACTS.
 Biểu diễn toán học bài toán OPF trong hệ thống điện:
Xét hệ thống điện có N máy phát điện với:
Fi : hàm chi phí máy phát.
PGi : công suất máy phát thứ i.
16
Pload : công suất tải tiêu thụ.
Ploss : công suất tổn thất trong mạng.
Skm : dòng chảy công suất từ nút k đến nút m.
Xmin, max : ký hiệu cho biên min, max của một biến.
N
Min f ( x)   ( PGi ) (2.11)
i 1
Với các ràng buộc:

Ràng buộc phương trình:
 Pk 0
Q 0
• Cân bằng công suất tại một nút (k)
 k
g ( x)  • Điện áp đặt của máy phát i (2.12)
Vi  Viset  0
 Pint  Psch  0 • Công suất trao đổi giữa các vùng
 S km 2  S km max 2
0
 Ràng buộc bất phương trình:
 PGi  PGi max 0
• Giới hạn đường dây truyền tải
P  PGi 0
 Gi min • Giới hạn công suất máy phát i
Vi  Vi max 0
 • Giới hạn điện áp thanh cái i
h( x ) Vi min  Vi 0 (2.13)
t  t 0 • Giới hạn nấc máy biến áp nối vào
 km km max
tkm min  tkm 0 thanh cái k, m.

 km   km max 0 • Giới hạn độ dịch pha máy biến áp
 km min   km 0 nối vào thanh cái k, m.

Tối ưu ràng buộc: hàm Lagrange
L(z) = f (x) + λ*g(x) + μ*h(x) (2.14)
2.2.2. Cơ sở toán học
 Cho hàm f(x) = 0 là phương trình phi tuyến 1 biến. (2.15)

Làm thế nào tìm nghiệm x* của (2.15)?
 Khai triển Taylor hàm f(x) theo giá trị ban đầu x(0):
17
( x  x (0) ) 2 '' (0)
f ( x)  f ( x )  ( x  x ) f ( x ) 
(0) (0) ' (0)
f ( x )  ...  0. (2.16)
2!
Thực hiện phép tuyến tính hoá (2.16) có nghĩa là bỏ qua số hạng bậc cao, chỉ
giữ lại phần tuyến tính, (2.16) trở thành:
f ( x(0) )  ( x  x(0) ) f ' ( x(0) )  0. (2.17)
Giải phương trình (2.17) bằng phương pháp lặp như sau:
Thay x = x(1) vào (2.17) được viết lại:
f ( x (0) )
x (1)  x (0)  . (2.18)
f ' ( x (0) )
Tiếp tục khai triển tại x(1)để tính x(2), cứ như thế một cách tổng quát giá trị x(k+1)
được tính:
f ( x( k ) )
x ( k 1)  x ( k )  . (2.19)
f ' ( x( k ) )
Biểu thức (2.19) được gọi là biểu thức lặp Newton.
Điều kiện dừng lặp:
x ( k 1)  x ( k )   . (2.20)
ε: một số dương nhỏ tùy ý, được gọi là sai số.
Khi đó x* = x(k+1)là nghiệm gần đúng của (2.15).
 Mở rộng công thức (2.18 – 2.20) cho hàm nhiều biến ta được phương pháp
Newton – Raphson. Phương trình (2.15) viết lại cho n biến x như sau:
 F ( x)  0

 f i ( x1 ,..., x j ,..., xn ) (2.21)

i  1, 2..., m. j  1, 2..., n. n  m.
Biểu thức lặp (2.19) được viết lại:
18
F ( x( k ) )
x ( k 1)
x (k )
 ' (k ) . (2.22)
F (x )
hay
F ( x( k ) )
x ( k )  x ( k 1)  x ( k )  
F ' ( x( k ) )
 F ' ( x( k ) )x( k )  0  F ( x( k ) )
 J ( k ) x( k )  F ( k ) . (2.23)
Trong đó J(k)= F'(x(k)) được gọi là ma trận Jacobian của F(x) tại giá trị x(k) ký
hiệu là F(k), ΔF(k) là sai số của hàm F(x) tại x(k).
Viết lại J(k)dưới dạng ma trận:
 f1 f1 f1 

(k )
 x x2 xn 
 1 
(k )  f 2 f 2 f 2 
 f 
J (k )
 F (x )   i 
' (k )
  x1 x2 xn  .
 (2.24)
 xi   
 
 f m f m f m 
 x1 x2 xn  mn
viết (2.24) theo dạng ma trận:
 f1 f1 f1 

(k )
 x x2 xn 
 0  f1 ( x) 
(k )
 f1 ( x) 
(k )
 1   x1 
(k )
 0  f ( x)   f ( x)   f 2 f 2 f 2   x 
 2   2    x1 x2 xn 
 .  2  . (2.25)
     
       
0  f m ( x)   f m ( x)     xn 
 f m f m f m 
 x1 x2 xn  mn
Từ (2.26) tính được Δx(k), kiểm tra điều kiện dừng lặp:
19
x ( k 1)  x ( k )   hay x ( k )   . (2.26)
Cuối cùng tính được nghiệm x* = x(k+1) = x(k)+Δx(k)là nghiệm của (2.22)
 Mở rộng bài toán cho trường hợp thực tế

Hệ thống động được mô tả bởi hệ phương trình vi phân đại số sau:
x  f ( x, y, t )
(2.27)
u  g ( x, y).
Trong đó: x = [x1, x2, ..., xn]Tlà biến trạng thái động của hệ thống.
y = [y1, y2, ..., ym]T là biến đại số của hệ thống.
u = [u1, u2, ..., ur]T là đầu ra của hệ thống.
Khi biến trạng thái không là hàm theo thời gian t, (2.27) được viết lại:
x  f ( x, y)
(2.28)
u  g ( x, y).
Biểu thức (2.27),(2.28) còn được gọi là phương trình trạng thái của hệ thống.
Làm thế nào tìm điểm cân bằng (x*, y*) của hệ thống? Điểm cân bằng là điểm thoả
phương trình (2.29).
x*  f ( x* , y * )
(2.29)
u *  g ( x* , y * ).
Gọi (x(0), y(0)) là điểm lân cận điểm cân bằng, Δ là độ lệch hay sai số:
x*  x (0)  x (0)
(2.30a)
y *  y (0)  y (0) .
x (0)  x*  x (0)  0  f ( x (0) , y (0) )

(2.30b)
u (0)  u *  u (0)  0  g ( x (0) , y (0) ).
Thay (2.30b) vào (2.28):
x*  x (0)  x (0)  f ( x (0)  x (0) ),( y (0)  y (0) ) 
(2.31)
u *  u (0)  u (0) = g ( x (0)  x (0) ),( y (0)  y (0) )  .
20
Khai triển Taylor và thực hiện phép tuyến tính hoá, rút gọn (2.31) trở thành:
f i (0) f i f f i
xi(0)  x1   xn(0)  i y1(0)   ym(0) i  1,..., n
x1 xn y1 ym
(2.32)
g g g g
u (0)  i x1(0)   i xn(0)  i y1(0)   i ym(0) j  1,..., m.
x1 xn y1 ym
j
Đặt:
 f1 f1   f1 f1 

(0) (0)
 x xn   y yr 
 1   1 
Fx(0)   , Fy(0)   .
   
 f n f n   f n f n 
 x1 xn  x  x (0)  y1 yr  x  x(0)
(2.33)
 g1 g1   g1 g1 
(0) (0)
 x xn   y ym 
 1   1 
G (0)
x   , G (0)
y   .
   
 g m g m   g m g m 
 x1 xn  x  x (0)  y1 ym  x  x (0)
Viết lại (2.32) dưới dạng ma trận:

(0)
 Fx Fy   x(0)   x(0) 
G Gy  x  x
*  (0)    (0)  . (2.34)
 x (0) y   u 
Bằng phương pháp giải lặp như (2.26), tìm được điểm cân bằng của (2.34).
2.2.3. Bài toán điều độ tối ưu trong mạng điện
Áp dụng kết quả trên vào bài toán giải tích mạng điện, tính toán điều độ tối ưu
cho toàn hệ thống.
2.2.3.1. Các phương trình liên hệ
Xét mô hình hình π cho đường dây hay máy biến áp:
21
Hình 2.5: Mô hình π cho đường dây hay máy biến áp
 Ma trận tổng dẫn hệ thống YBus: Yij  Yij ij  Gij  jBij . (2.35)
 Điện áp nút i: Vi  Vi i . (2.36)
N
 Phương trình dòng điện nút i: I i  Yi1V1  Yi2V2   YinVn   YinVn . (2.37)
n 1
với N: tổng số nút của hệ thống.

Qui ước: Dòng điện nút Ii, công suất nút Si tính theo chiều đi vào nút.
* * * * N
 Công suất chảy vào nút i: Si  Vi I i hay Si  Vi I i  Vi  YinVn . (2.38)
n 1
Thay (2.35) và (2.36) vào (2.38) trở thành:

* N
S  Pi  jQi   YinVnVi (in   n   i ) (2.39)
n 1
N
hay Pac ,i  Pi  Pi ,calc   VV
i nYin cos( in   n -  i ) (2.40a)
n 1
N
 Vi Gii   i nYin cos( in   n -  i )
2
VV
n 1, n ¹ i
N
và Qac ,i  Qi  Qi ,calc  - VV
i nYin sin(in   n -  i ) (2.40b)
n 1
N
 - Vi Bii   i nYin sin( in   n -  i )
2
VV
n 1, n ¹ i
2.2.3.2. Giải bài toán điều độ tối ưu
22
 Xem Pi = gpi(V,δ) và Qi = gqi(V,δ) là hai hàm đa biến, áp dụng phương pháp
Newton – Rasphon, công thức (2.26), (2.34), tính lặp giải ra các đại lượng cần
tìm.
Bảng 2.2: Một số loại nút trong hệ thống điện
Loại nút
Đại lượng Đại lượng Số phương Số biến
trong hệ Số nút Chú thích
đã biết cần tìm trình trạng thái
thống
Nút Cân
Slack: ks 1 |V|,  P, Q 0 0
bằng
Nút Máy
(P, V): Ng Ng Pg, |V| Qg ,  Ng Ng
phát
Nút Phụ
(P, Q): Nd N-Ng-ks Pd , Q d |V|,  2N-Ng-2ks 2N-Ng-2ks
tải
 Cân bằng công suất tại nút i:

Pi  Pi , sch  Pi ,calc  0
(2.41)
Qi  Qi , sch  Qi ,calc  0
Với Pi,sch, Qi,sch là công suất tiêu thụ của phụ tải tại nút i. Chọn giá trị tính toán
ban đầu |V|(0), δ(0) thay vào (2.25a, b)và (2.26)tính sai số ban đầu:
Pi (0)  Pi ,sch  Pi ,(0)
calc  0
(2.42)
Qi(0)  Qi ,sch  Qi(0)
,calc  0
 Nếu chọn Slack bus là V1 1 thì sai số tính toán được viết lại như biểu thức
(2.43a1, a2)
Pi P Pi P P Pi
Pi   2  i  3    n  i  V2  i  V3    Vn
 2  3  n  V2  V3  Vn
(2.43a1)
Qi Q Qi Qi Qi Qi
Qi   2  i  3    n   V2   V3    Vn .
 2  3  n  V2  V3  Vn
(2.43a2)
hay biểu thức (2.43b1, b2)
23
Pi P Pi Pi  V2 Pi  V3 Pi  Vn
Pi   2  i  3    n  V2  V3   Vn
 2  3  n  V2 V2  V3 V3  Vn Vn
(2.43b1)
Qi Q Qi Pi  V2 Pi  V3 Pi  Vn
Qi   2  i  3    n  V2  V3   Vn .
 2  3  n  V2 V2  V3 V3  Vn Vn
(2.43b2)
 Viết lại (2.43) dưới dạng ma trận:
2 n V2 Vm
P2  P2 P2 P2 P2 

   n  V2  Vm 
 2 
 J11 J12    2   P2 
 
Pn  Pn Pn Pn Pn    
 


  2  n  V2  Vm    n   Pn 
 *   (2.44)
Q2  Q2 Q2 Q2 Q2    V2   Q2 
  2  n  V2  Vm     
     
 J 21 J 22    Vm   Qm 
 Q Qm Qm Qm 
Qn  m 
  2  n  V2  Vm 
Với n = N – 1; m = N – Ng – 1 (số nút phụ tải P, Q).
N: là tổng số Bus trong hệ thống.
Ng: là tổng số máy phát không tính máy phát cân bằng (nút P,V).
Các phần tử của ma trận Jacobian Jlv
 Các phần tử của ma trận J11
Pi
  Vi V j Yij sin(ij   j   i )  M ij (2.45)
 j
i j
Pi N N
P
  Vi Vn Yin sin(in   n   i )   i  Qi  Vi Bii  M ii
2
(2.46)
 j n1 n 1  n
n i n i
24
Qi
  Vi V j Yij cos(ij   j   i )  N ij (2.47)
 j
i j
Qi N N
Q
  Vi Vn Yin cos(in   n   i )   i   Pi  Vi Gii  Nii
2
(2.48)
 j n1 n 1  n
n i n i
Pi Q
Vj   V j Vi Yij cos(ij   j   i )  N ij   i .
V j  j
i j i j
(2.49)
Pi N
Vi
Vi
 Vi 2 Vi Gii  Vi V
n 1
n Yin cos(in   n   i ) (2.50)
n i
Qi
  2 Vi Gii  Pi  Vi Gii .
2 2
 i
Qi P
Vj   V j Vi Yij sin(ij   j   i )   i . (2.51)
V j  j
i j i j
 
Qi N
Vi  Vi 2 Vi Bii   Vn Yin sin(in   n   i ) 
 (2.52)
Vi  n 1 
 n i 
Pi
  2 Vi Bii  Qi  Vi Bii .
2 2
 i
 Từ (2.44), tính được Δδ, Δ|V|, áp dụng (2.24) tính:
Vòng lặp thứ 1:
 i(1)   i(0)   i(0) (2.53a)
25
 Vi   Vi
(1) (0) (0)
Vi . (2.53b)
Vòng lặp thứ k:
 i( k 1)   i( k )   i( k ) (2.54a)
( k 1)
 Vi   Vi
(k ) (k )
Vi . (2.54b)
2.2.3.3. Lưu đồ giải thuật
Trình tự phép lặp được thực hiện như sau:
Bước 1: Chọn các giá trị ban đầu  i(0) và Vi

(0)
cho các biến trạng thái.
Bước 2: Tại các nút tính:
 Pi ,(0)
calc
và Qi(0)
,calc
theo (2.41).
 Sai số công suất Pi (0) , Qi(0) theo (2.26).
 Các phần tử của ma trận Jacobian tại  i(0) và Vi

(0)
.
Bước 3: Giải phương trình ma trận (2.54) để tìm các trị số hiệu chỉnh ban đầu
 i(0) và Vi (0) .
Bước 4: Tính lại các biến trạng thái:
 i(1)   i(0)   i(0)

(1) (0) (0)
Vi  Vi   Vi .
Một cách tổng quát, giá trị bắt đầu của các biến trạng thái trong lần lặp thứ
(k+1):
 i( k 1)   i( k )   i( k )
( k 1) (k ) (k )
Vi  Vi   Vi .
26
Bước 5: Kiểm tra |ΔP| < ε, |ΔQ|< ε.
Nếu thoả thìxuất kết quả, kết thúc.
Nếu không thoả thì dùng các giá trị mới  i(1) và Vi
(1)
làm các trị số bắt đầu đối
với lần lặp thứ hai và tiếp tục lại từ bước 2 đến bước 5.
Lưu đồ giải thuật:
Chọn các giá trị ban đầu:

|Vi|(0), i(0).
Tính: Pi,calc, Qi,calc, P,

Q và J.
Giải phương trình:
Tìm , |V|.
Tính:
new = old +  Cập nhật vectơ
|V|new = |V|old + |V|. trạng thái
N |P| < Kiểm tra điều kiện

|Q| < hội tụ
Y
Kết quả
2.2.4. Sơ lược các phương pháp giải bài toán OPF
 Phương pháp lặp lambda, giải hệ phương trình đơn giản.
27
Bài toán OPF ban đầu (1930s) chỉ xét: một ràng buộc phương trình (2.55a) cân
bằng công suất (P) đơn giản không có tổn thất, một ràng buộc bất phương trình (2.55b)
công suất máy phát.
Giải hệ phương trình bài toán tối ưu như sau:
L Fi
 PGi   phương trình
PGi N

 PGi min  PGi  PGi max 2N bất phương trình (2.55)
N 1 ràng buộc
 PGi  Pload
 i 1
Nếu lời giải không thõa điều kiện min, max thì:
 Đặt công suất máy phát tương ứng bằng với giới hạn
 Kiểm tra độ tăng chi phí (λ) ở giới hạn so sánh với các máy phát khác
 Đặt bằng max khi λx< λsolution
 Đặt bằng min khi λx> λsolution
Giải lại hệ phương trình (2.55) với các máy phát được đặt ở giới hạn.
Sau đó xét thêm có tổn thất trong mạng, bài toán trở thành:
L Fi P
 PGi    1  loss 0

PGi  PGi 
N phương trình (2.56a)

 N
 PGi  Pload  Ploss 1 ràng buộc (2.56b)

 i 1 2N bất phương trình
 PGi min  PGi  PGi max
(2.56c)


 Giải thuật lặp lambda (λ): Giải hệ phương trình (2.56)

N
(1) Chọn giá trị P ban đầu sao cho
0
Gi P
i 1
0
Gi  Pload
 Ploss
(2) Tính và tổng tổn thất, Ploss.
 PGi
Giả sử không đổi “chỉ” ở vòng lặp này.
28
N
(3) Tính λ mà làm cho PGithỏa phương trình P
i 1
Gi  Pload  Ploss
a. (4.5) trở thành hệ phương trình tuyến tính
b. Nếu vi phạm giới hạn thì đặt công suất máy phát như (**)
(4) So sánh PGik 1 với PGik ở bước k, Nếu sai số đủ lớn quay lại bước (2)
 Phương pháp Gradient [15]: cho đặc tính hội tụ gần lời giải tối ưu. Lời giải
gặp khó khăn khi có sự hiện diện ràng buộc bất phương trình.
 Phương pháp qui hoạch tuyến tính (LP) [25] [26]:
Có các điểm mạnh sau:
 Kiểm soát hiệu quả các bất phương trình và nhận biết các lời giải vô nghiệm.
 Xử lý các biến điều khiển cục bộ.
 Sáp nhập các biến cố ngẫu nhiên.
Lời giải của bài toán OPF dựa trên phương pháp LP điển hình đạt được bằng
cách giải lặp giữa bài toán điều độ tối ưu và bài toán con LP được tuyến tính hoá.
Phương pháp LP chỉ có hiệu nghiệm đối với các hàm đối tượng phân ly và lồi. Đối với
các hàm đối tượng không phân ly thì không hiệu quả ví dụ như tối thiểu tổn thất truyền
tải.
 Phương pháp qui hoạch toàn phương (QP).

Phương pháp có hiệu quả cho một số bài toán OPF, đặc biệt cho bài toán tối
thiểu tổn thất truyền tải [27] – [30]. Ở [30] đưa ra phương pháp QP không lược ngược
lại [27] – [29] thực hiện phương pháp QP lược cho hệ thống điện tỉ lệ xích lớn. [27]
[28] giải bài toán OPF bằng phương pháp QP liên tiếp thông qua tuyến tính ràng buộc
các bài toán con sử dụng cách “tìm đường” tựa như phương pháp Newton. [29] giải
trực tiếp tập phương trình tuyến tính bao gồm ma trận Hessian và Jacobian bằng việc
chuyển ràng buộc bất phương trình (IQP) thành ràng buộc phương trình (EQP) với một
ước đoán ban đầu ở tập tích cực hiệu chỉnh.
 Phương pháp Newton [31] – [35].
29
Các kỹ thuật ma trận lược được áp dụng tính toán cho lời giải điều độ tối ưu. Ý
tưởng chính là giải hệ phương trình được tuyến tính hoá bằng phương pháp Newton ở
đó các bất phương trình được xem như là các phương trình. Tuy nhiên khía cạnh có
tính quyết định cho giải thuật Newton là các bất phương trình tích cực không được biết
trước. Để cải thiện hiệu quả phương pháp Newton, dùng vòng lặp thử sử dụng các ràng
buộc “thả/buộc” thực hiện lặp cho đến khi đạt được sự hội tụ. [32] [35] dùng kỹ thuật
LP để xác định tập tích cực cho lời giải bài toán OPF bằng phương pháp Newton. Về
nguyên tắc, phương pháp Newton và “QP liên tiếp” là giống nhau vì cùng sử dụng đạo
hàm bậc hai.
 Giải thuật Newton Raphson [36]

Giải lặp bài toán OPF tổng quát với hàm tối ưu Lagrange trong đó z=[x, λ, μ] T,
λ, μ là các vector thừa số Lagrange, và h(x) là tập chỉ gồm có các bất phương trình ràng
buộc tích cực. Theo lý thuyết tối ưu, điều kiện cần Karush – Kuhn – Tucker thì:
 L( z ) 
Gradient: L( z )     0.
 zi 
Giải bằng phương pháp Newton, đạt được lời giải tối ưu z*=[x*, λ*, μ*] trong
đó λ* là số thực, μ* ≥ 0 nếu h(x*) =0 (có nghĩa là các bất phương trình làtích cực), μ* =
0 nếu h(x*) ≤ 0 (các bất phương trình không tích cực).
Ma trận Hessian:
  2 L( z )  2 L( z )  2 L( z ) 
 
 xi x j xi  j xi  j 
  2 L( z )    2 L( z ) 
H   L( z )    0 .
2
0 (2.57)
 i j   i x j
 z z 
 2 
  L( z ) 0 0 
 i x j 
 
2.3. Bài toán điều độ tối ưu công suất trong hệ thống điện có thiết bị FACTS
2.3.1. Giới thiệu
30
FACTS (hệ thống truyền dẫn linh hoạt điện xoay chiều) là một thuật ngữ ngành
công nghiệp năng lượng cho các công nghệ nâng cao an ninh, khả năng và tính linh
hoạt của các mạng lưới truyền tải điện. FACTS giúp các công ty năng lượng tăng khả
năng truyền dẫn trên đường dây điện hiện có, khả năng điều chỉnh điện áp nhanh, điều
khiển công suất tác dụng và điều khiển lưu lượng tải trong hệ thống điện liên kết. Mục
đích chính là để giảm thiểu tắc nghẽn trong hệ thống truyền tải hiện có và cải thiện tính
khả dụng, độ tin cậy, ổn định và chất lượng của nguồn điện.
Ba thông số điện áp, trở kháng của đường dây và góc lệch pha làm cách nào ảnh
hưởng đến phân bố công suất với các kỹ thuật khác nhau thì ở phần này mô tả chi tiết
nguyên lý 03 thiết bị FACTS phổ biến SVC, TCSC và TCPST hoạt động trong hệ
thống điện.
2.3.2. Thiết bị FACTS và các mô hình
Các loại thiết bị bao gồm SVC, TCSC và TCPST là các thiết bị FACTS mà ba
thông số của chúng sẽ ảnh hưởng khả năng truyền tải công suất của hệ thống. Sau đây,
các mô hình của các thiết bị FACTS được trình bày như sau:
2.3.2.1. Mô hình của SVC
Hình thức đơn giản của SVC bao gồm một TCR song song với một dãy tụ điện
như hình 2.6. SVC như một điện kháng biến đổi nối shunt, trong đó hoặc là phát ra
hoặc thu vào công suất phản kháng để điều khiển điện áp tại điểm kết nối với mạng
AC. Nó được sử dụng rộng rãi để cung cấp nhanh công suất phản kháng để điều chỉnh
điện áp mô tả như hình 2.7. Việc điều khiển góc kích thyristor cho phép SVC đáp ứng
gần như tức thời.
31
Hình 2.6: Sơ đồ cấu tạo của SVC
Hình 2.7: Nguyên lý điều khiển điện áp của thiết bị FACTS bù ngang
Mô hình của Bộ bù tĩnh (SVC) là máy phát VAr được trình bày hình 2.8 mà có
thể bơm hay hút công suất phản kháng trong hệ thống được đại diện cho bởi QSVC [37]
Hình 2.8: Mô hình của SVC trong phân bố công suất
2.3.2.2. Mô hình của TCSC
TCSC có chức năng thay đổi chiều dài điện của đường dây tải điện. Đặc tính
này cho phép các TCSC được sử dụng điều chỉnh nhanh chóng dòng công suất tác
dụng. Nó cũng làm tăng biên độ ổn định của hệ thống và đã chứng minh rất hiệu quả
32
trong việc giảm dao động công suất. Hình 2.9 mô tả cấu tạo của TCSC phổ biến và
hình 2.10 mô tả nguyên lý điều khiển của TCSC [38].
Hình 2.9: Sơ đồ cấu tạo của TCSC
Hình 2.10: Nguyên lý điều khiển dòng công suất của thiết bị FACTS nối tiếp
Về nguyên tắc, ở trạng thái xác lập đáp ứng của TCSC có thể được tính bằng
cách giải các phương trình vi phân mô tả hoạt động điện của nó bằng phương pháp tích
phân số. Ngoài ra, các phương trình vi phân TCSC có thể được thể hiện dưới dạng đại
số và sau đó sử dụng một phương pháp thích hợp để giải quyết chúng. Cách tiếp cận
trước đây liên quan đến việc các phương trình vi phân qua nhiều chu kỳ cho đến khi
quá trình quá độ dừng hẳn. Phương pháp này giúp cho có nhiều thông tin như sự phát
triển đầy đủ của đáp ứng được ghi lại, từ trạng thái quá độ đến trạng thái xác lập,
nhưng nó dẫn đến phải trải qua nhiều quá trình tính toán, đặc biệt khi giải quyết các
dao động. Hai giải pháp thích hợp để giải khác nhau xuất hiện với cách tiếp cận.
1) Ở trạng thái xác lập TCSC có thể được xác định rất hiệu quả bằng cách sử
dụng thành phần tần số cơ bản và thành phần hài của các tham số. Với phương pháp
này sẽ thể hiện đầy đủ thông tin các thông số của TCSC tại tần số cơ bản và thành phần
hài nhưng không áp dụng được cho quá trình quá độ.
33
2) Sự lựa chọn một trở kháng đẳng trị phi tuyến để mô hình cho TCSC và giải
bằng phương pháp lặp. Phương pháp giải là chính xác và cần có giải pháp hội tụ rất
nhanh, nhưng nó chỉ mang lại thông tin ở trạng thái xác lập ở tần số cơ bản. Đây là
cách tiếp cận chính xác trong các nghiên cứu phân bố công suất. TCSC có một trong
hai đặc tính có khả năng bù dung và bù kháng, tương đương với việc bù dung là để
giảm tổng trở đường dây tăng khả năng mang tải, bù kháng để tăng tổng trở đường dây
để giảm khả năng mang tải. Như vậy, để tránh hiện tượng quá bù thì giá trị điện kháng
của TCSC nằm trong khoảng giới hạn -0,7.XL  XTCSC  0,2XL pu. Trong một số
trường hợp giá trị X TCSC có thể cho phép bù ở khoảng 0,5. X line  X TCSC  0,5. X line . Qua
đó, ta thấy phạm vi điều khiển bù của TCSC trên lưới điện truyền tải là khá rộng. Hầu
hết các hệ thống điện khi được lắp đặt thiết bị bù TCSC đều có thể làm tăng khả năng
truyền tải. Hình 2.11 mô hình TCSC là một điện kháng có thể điều khiển được với biến
điều khiển XC.
Hình 2.11: Mô hình TCSC trong tính toán phân bố công suất
TCSC được tích hợp trong bài toán OPF bằng cách sửa đổi thông số đường dây.
Một điện kháng mới (Xnew) được cho như sau:
𝑋𝑛𝑒𝑤 = 𝑋𝑖𝑗 − 𝑋𝑐 (2.58)
Các phương trình công suất của đường dây với một điện kháng mới có thể dẫn
xuất theo như sau:
34
𝑃𝑖𝑗 = |𝑉𝑖 |2 𝐺𝑖𝑗 − |𝑉𝑖 ||𝑉𝑗 |(𝐺𝑖𝑗 cos(𝛿𝑖𝑗 ) + 𝐵𝑖𝑗 sin( 𝛿𝑖𝑗 )) (2.59)
𝑄𝑖𝑗 = −|𝑉𝑖 |2 𝐵𝑖𝑗 − |𝑉𝑖 ||𝑉𝑗 |(𝐺𝑖𝑗 sin(𝛿𝑖𝑗 ) −𝐵𝑖𝑗 cos(𝛿𝑖𝑗 )) (2.60)
2 (2.61)
𝑃𝑗𝑖 = |𝑉𝑗 | 𝐺𝑖𝑗 − |𝑉𝑖 ||𝑉𝑗 |(𝐺𝑖𝑗 cos(𝛿𝑖𝑗 ) − 𝐵𝑖𝑗 sin( 𝛿𝑖𝑗 ))
2 (2.62)
𝑄𝑗𝑖 = −|𝑉𝑗 | 𝐵𝑖𝑗 + |𝑉𝑖 ||𝑉𝑗 |(𝐺𝑖𝑗 sin(𝛿𝑖𝑗 ) +𝐵𝑖𝑗 cos(𝛿𝑖𝑗 ))
𝑅𝑖𝑗 (2.63)
𝐺𝑗𝑖 = 2 2
𝑅𝑖𝑗 + 𝑋𝑛𝑒𝑤
𝑋𝑛𝑒𝑤 (2.64)
𝐵𝑖𝑗 = 2 2
𝑅𝑖𝑗 + 𝑋𝑛𝑒𝑤
2.3.2.3. Mô hình TCPST
Cấu trúc cơ bản của một TCPST được cho trong hình 2.12. Một máy biến thế nối
shunt từ mạng sau đó cung cấp tới máy biến áp nối tiếp để có được một điện áp bơm tại
nhánh nối tiếp. Giống như cái biến áp dịch pha truyền thống, nhưng các bộ đổi nấc
được thay thế bởi bộ điểu khiển bằng thyristor.
Hình 2.12: Sơ đồ cấu tạo của TCPST
TCPST có thể được mô hình bởi cái biến áp dịch pha với tham số điều khiển p
hình 2.13 trình bày mô hình của TCPST [38].
35
Hình 2.13: Mô hình của TCPST trong phân bố công suất
Các phương trình công suất của đường dây với một điện kháng mới có thể dẫn
xuất theo như sau:
|𝑉𝑖 |2 𝐺𝑖𝑗 |𝑉𝑖 ||𝑉𝑗 | (2.65)

𝑃𝑖𝑗 = − (𝐺𝑖𝑗 cos(𝛿 ) + 𝐵𝑖𝑗 sin( 𝛿))
𝐾2 𝐾
−|𝑉𝑖 |2 𝐵𝑖𝑗 |𝑉𝑖 ||𝑉𝑗 | (2.66)

𝑄𝑖𝑗 = − (𝐺𝑖𝑗 sin(𝛿) +𝐵𝑖𝑗 cos(𝛿))
𝐾2 𝐾
2 |𝑉𝑖 ||𝑉𝑗 | (2.67)

𝑃𝑗𝑖 = |𝑉𝑗 | 𝐺𝑖𝑗 − (𝐺𝑖𝑗 cos(𝛿 ) − 𝐵𝑖𝑗 sin( 𝛿))
𝐾
|𝑉𝑖 ||𝑉𝑗 | (2.68)

𝑄𝑗𝑖 = −|𝑉𝑖 |2 𝐵𝑖𝑗 + (𝐺𝑖𝑗 sin(𝛿) +𝐵𝑖𝑗 cos(𝛿))
𝐾
Trong đó: 𝐾 = cos(𝛼𝑃 ), 𝛿 = 𝛿𝑖𝑗 + 𝛼𝑃
2.3.3. Phương pháp lựa chọn vị trí đặt thích hợp thiết bị FACTS - TCSC
Xét theo điều kiện kinh tế, lắp đặt bộ điều khiển FACTS trong tất cả các bus
hoặc các đường dây là không thể và không cần thiết nên việc lắp đặt thiết bị FACTS ở
vị trí nào mới là vấn đề cần quan tâm. Do đó, với những dao động phụ tải bất kỳ, sự
thay đổi nguồn và gia tăng phụ tải thường xuyên trong tương lai dẫn tới điểm nghẽn
mạch trong mạng cũng sẽ bị thay đổi nên không thể lắp đặt thiết bị bù trên tất cả các
nhánh của lưới điện để đảm bảo chống nghẽn mạch khi có những thay đổi như trên. Vì
36
vậy cần thiết phải xác định được tập hợp những nhánh có nhiều khả năng gây quá tải
thường xuyên cho hệ thống. Đây là tập hợp những điểm xung yếu nhất còn được gọi là
điểm nút thắt cổ chai (bottle-neck). Việc lắp đặt thiết bị FACTS tại những vòng có
chứa tập hợp những nhánh xung yếu này sẽ khắc phục được quá tải đáng kể cho hệ
thống. Ngoài ra, hệ thống điện thường được lên quy hoạch và vận hành dựa trên tiêu
chuẩn an ninh (N-1). Các cúp điện bất ngờ, gia tăng nhanh chóng nhu cầu sử dụng điện
của khách hàng đã tạo ra quá tải trên đường dây tải điện hiện có và dẫn đến hệ thống
không ổn định. Về vấn đề này, điều phối lại công suất phát của các nhà máy, điều phối
lại tải và tiếp tục loại/giảm khẩn cấp quá tải đường dây truyền tải là một vấn đề quan
trọng trong vận hành hệ thống điện. Xây dựng đường dây tải điện mới hoặc lắp đặt các
thiết bị FACTS trên đường dây truyền tải hiện hữu có thể loại bỏ/giảm bớt quá tải trên
đường dây tải điện. Tuy nhiên, lắp đặt các thiết bị FACTS được ưa tiên xem xét hơn
trong các hệ thống điện hiện đại dựa trên lợi ích tổng thể của nó do phương pháp mở
rộng đường dây truyền tải có rất nhiều hạn chế như: Tốn nhiều thời gian, chi phí mở
rộng đường dây truyền tải lớn, phụ thuộc vào các thỏa thuận pháp lý, khó khăn trong
việc đền bù giải tỏa mặt bằng…
Nhiều công trình nghiên cứu trước đây về ứng dụng của FACTS trong vận hành và
điều khiển hệ thống điện nhằm đạt được những mục tiêu đề ra như sau:
- Sử dụng giải thuật Gen kết hợp với các phương pháp PSO [39], DE hoặc
TS/SA để tìm kiếm giải pháp tối ưu với sự hỗ trợ của phần mềm máy tính, vị trí
đặt, chủng loại, số lượng được mã hoá cùng các thông số của mạng điện để giải
bài toán OPF. Điều này, làm không gian tìm kiếm quá lớn, thời gian chạy của
máy tính quá lâu, khó khả thi khi giải bài toán OPF trong hệ thống điện có số
nút lớn.
- Sử dụng các phương pháp như phân tích độ nhạy LI (loss senssivity index), hệ
số PI (performace index) [40], Contingency Capacity Index (CCI), Thermal
Capacity Index (TCI) [41] có thể làm giảm không gian tìm kiếm.
- Sử dụng “phương pháp thử sai” (trial and error method) để tìm vị trí tối ưu của
thiết bị FACTS trong mạng điện. Nghĩa là lần lượt thử đặt thiết bị FACTS vào
từng nhánh của hệ thống cho phân bố lại công suất để tìm ra vị trí và dung
lượng thích hợp cho thiết bị FACTS trong hệ thống điện…
37
Hiện tại, vấn đề nghiên cứu vị trí đặt tối ưu của các loại thiết bị FACTS khác
nhau để đảm bảo mục tiêu đề ra vẫn còn phức tạp cần thời gian để tìm ra cơ sở lý
thuyết và các phương pháp tìm kiếm lời giải tối ưu phù hợp.
Mới đây, một phương pháp mới để xác định vị trí đặt tối ưu của TCSC trong hệ
thống điện đã được công bố [42] dựa vào định lý luồng cực đại lát cắt cực tiểu (min-cut
max-flow). Định lý này được chứng minh bởi P. Elias, A. Feinstein, và C.E.
Shannon năm 1956, và cũng năm đó, nó được chứng minh một cách độc lập bởi L.R.
Ford, Jr. và D.R. Fulkerson. Định lý luồng cực đại lát cắt cực tiểu là một phát biểu
trong ngành lý thuyết tối ưu hóa về các luồng cực đại trong các mạng vận tải (flow
network). Định lý phát biểu rằng: Lượng cực đại của một luồng bằng khả năng thông
qua của một lát cắt tối thiểu [43].
Ý tưởng của thuật toán là: tồn tại một đường đi từ nguồn (nút bắt đầu) đến điểm
xả (nút cuối), với điều kiện tất cả các cung trên đường đi đó vẫn còn khả năng thông
qua, thì ta sẽ gửi đi một luồng dọc theo đường đi đó. Sau đó chúng ta tìm một đường đi
khác, và tiếp tục như vậy. Một đường đi còn khả năng thông qua là một đường đi có
khả năng mở rộng thêm hay một đường đi mà luồng qua đó còn khả năng tăng thêm -
gọi tắt là đường tăng.
Trong hình học Topo, mặt cắt được định nghĩa là một lát cắt, cắt đứt các nhánh
sao cho phân topo thành 2 phần nguồn và tải, giá trị thông qua của mặt cắt là tổng khả
năng thông qua của các nhánh trong mặt cắt và mặt cắt tối thiểu là mặt cắt có giá trị
thông qua bé nhất. Như vậy, mặt cắt tối thiểu có khả năng chỉ ra được vị trí cổ chai của
bất cứ một hệ thống vận chuyển nào.
Trong một hệ thống điện hiện hữu hoặc vừa thiết kế luôn tồn tại tập hợp các
nhánh xung yếu có khả năng dẫn đến quá tải trong hệ thống điện khi có bất kỳ sự tăng
tải nào trong tập các phụ tải. Tập hợp các nhánh có khả năng quá tải được gọi là nút cổ
chai của hệ thống điện và mặt cắt tối thiểu sẽ chỉ ra nút cổ chai này như hình 2.14.
38
Vi Vj
S Z
Nút S Z Nút
nguồn tải
S Z
F=min
Hình 2.14: Tập hợp nhánh xung yếu tìm được từ chương trình max-flow
Khi xảy ra quá tải trong trạng thái phân bố công suất thông thường do sự tăng
tải vào giờ cao điểm, tăng trưởng phụ tải theo thời gian hay các sự cố về máy phát, các
nhánh quá tải phải nằm trong mặt cắt tối thiểu. Vì vậy, để có thể phần luồng lại các
dòng công suất qua nhánh quá tải cần phải tìm các nhánh nằm trong tập của mặt cắt tối
thiểu đi qua, vì các nhánh nằm ngoài tập hợp này đều chỉ truyền công suất cho tải từ
các nhánh thuộc tập mặt cắt tối thiểu hay từ máy phát nối đến các nhánh này. Hay nói
cách khác, việc đặt TCSC hiệu quả là đặt TCSC trên các nhánh nằm trong mặt cắt tối
thiểu.
Qua đó, trên cơ sở kết quả được trình bày ở [44] ta có nhận xét được kết luận
quan trọng trong việc xác định vị trí đặt thích của TCSC giải quyết tình trạng tắt nghẽn
trong hệ thống điện như sau:
Vị trí đặt thích hợp của TCSC để giải quyết tình trạng tắt nghẽn trong hệ thống
là tại vị trí nhánh lân cận (nhánh được liệt kê có trong danh sách xác định bằng thuật
toán min – cut) với nhánh bị quá tải.
Từ đó, với việc tìm kiếm tập hợp những nhánh có khả năng gây nghẽn mạch hệ
thống là nhanh chóng, chính xác, khiến cho việc giới hạn phạm vi không gian tìm kiếm
lời giải hiệu quả hơn khắc phục được những hạn chế của những phương pháp trước đây
như giải thuật Gen, phương pháp liệt kê hoặc thử sai, …
Vì thời gian có hạn nên luận án chưa xây dựng được giải thuật min-cut cho lưới
điện bất kỳ nên trên cơ sở nguyên lý nêu trên, danh sách các nhánh tìm được theo thuật
39
toán min – cut của hệ thống IEEE 30 nút hiệu chỉnh sẽ được sử dụng kết quả của [44].
Việc tìm kiếm thông số điều khiển thiết bị FACTS ở [44] được tính toán điều chỉnh
theo từng nấc 1% chưa thực hiện bằng cách tìm kiếm ngẫu nhiên nên các thuật toán áp
dụng giải bài toán OPF trong đó thông số điều khiển của TCSC sẽ được tìm kiếm ngẫu
nhiên với các biến điều khiển khác xét trong tình trạng bình thường, tình trạng khẩn
cấp với hàm mu ̣c tiêu cực tiể u chi phí nhiên liê ̣u máy phát và giải bài toán OPF với
hàm mu ̣c tiêu cực tiể u tổ ng tổ n hao, cực tiể u tổ ng đô ̣ lê ̣ch điê ̣n áp, cải thiê ̣n đô ̣ dự trữ
ổ n đinh
̣ điê ̣n áp.
Kết quả sẽ cho thấy việc kết hợp giải thuật max-flow min-cut và các thuật toán
tối ưu đề xuất trong luận án để tìm kiếm thông số điều khiển TCSC sẽ là giải pháp tối
ưu cho bài toán chống quá tải hệ thống điện giảm chi phí sản xuất điện năng sẽ được
thể hiện kết quả ở chương sau.
Trên đây là phần trình bày các mô hình của ba thiết bị FACTS và phương pháp
lựa chọn vị trí lắp đặt thích hợp thiết bị FACTS, trong nội dung của chương tiếp theo
sẽ sử dụng các mô hình, các công thức đã được nêu ở chương này để làm cơ sở giải các
bài toán OPF có kể đến thiết bị FACTS.
40
CHƯƠNG 3
MỘT SỐ THUẬT TOÁN TỐI ƯU
3.1. Thuật toán Particle Swarm Optimization cải tiến
3.1.1. Khái niệm chung
Thuật toán Particle Swarm Optimization (PSO) là một trong những thuật toán
xây dựng dựa trên khái niệm trí tuệ bầy đàn để tìm kiếm lời giải cho các bài toán tối ưu
hóa trên một không gian tìm kiếm nào đó. PSO là một dạng của các thuật toán tiến hóa
quần thể đã được biết đến trước đây như giải thuật di truyền (GA) [45], Thuật toán đàn
kiến(ACO) [46]. Tuy vậy PSO khác với GA ở chỗ nó thiên về sử dụng sự tương tác
giữa các cá thể trong một quần thể để khám phá không gian tìm kiếm. PSO là kết quả
của sự mô hình hóa việc đàn chim bay đi tìm kiếm thức ăn cho nên nó thường được
xếp vào loại thuật toán có sử dụng trí tuệ bầy đàn. PSO được giới thiệu vào năm 1995
tại một hội nghị của IEEE bởi James Kennedy và Russell C. Eberhart [47]. Thuật toán
có nhiều ứng dụng quan trọng trong tất cả các lĩnh vực mà ở đó đòi hỏi phải giải quyết
các bài toán tối ưu hóa.
Để hiểu rõ thuật toán PSO ta hãy xem một ví dụ đơn giản về quá trình tìm kiếm
thức ăn của một đàn chim. Không gian tìm kiếm thức ăn lúc này là toàn bộ không gian
ba chiều mà chúng ta đang sinh sống. Tại thời điểm bắt đầu tìm kiếm cả đàn bay theo
một hướng nào đó, có thể là rất ngẫu nhiên. Tuy nhiên, sau một thời gian tìm kiếm một
số cá thể trong đàn bắt đầu tìm ra được nơi có chứa thức ăn. Tùy theo số lượng thức ăn
vừa tìm kiếm, mà cá thể gửi tín hiệu đến các cá thể khác đang tìm kiếm ở vùng lân
cận,tín hiệu này nhanh chóng lan truyền trên toàn quần thể. Dựa vào thông tin nhận
được mỗi cá thể sẽ điều chỉnh hướng bay và vận tốc theo hướng về nơi có nhiều thức
ăn nhất. Cơ chế truyền tin như vậy thường được xem như là một kiểu hình của trí tuệ
bầy đàn. Cơ chế này giúp cả đàn chim tìm ra nơi có nhiều thức ăn nhất trên không gian
tìm kiếm vô cùng rộng lớn. Như vậy đàn chim đã dùng trí tuệ, kiến thức và kinh
41
nghiệm của cả đàn để nhanh chóng tìm ra nơi chứa thức ăn. Bây giờ chúng ta tìm hiểu
làm cách nào mà một mô hình trong sinh học như vậy có thể áp dụng trong tính toán và
sinh ra thuật toán PSO mà chúng ta từng nhắc đến. Việc mô hình hóa này thường được
gọi là quá trình phỏng sinh học (bioinspired) mà chúng ta thường thấy trong các ngành
khoa học khác. Một thuật toán được xây dựng dựa trên việc mô hình hóa các quá trình
trong sinh học được gọi là thuật toán phỏng sinh học (bioinspired algorithms).
Hãy xét bài toán tối ưu của hàm số F trong không gian n chiều. Mỗi vị trí trong
không gian là một điểm tọa độ n chiều. Hàm F là hàm mục tiêuxác định trong không
gian n chiều và nhận giá trị thực. Mục đích là tìm ra điểm cực tiểu của hàm F trong
miền xác định nào đó. Ta bắt đầu xem xét sự liên hệ giữa bài toán tìm thức ăn với bài
toán tìm cực tiểu của hàm theo cách như sau. Giả sử rằng số lượng thức ăn tại một vị
trí tỉ lệ nghịch với giá trị của hàm F tại vị trí đó. Có nghĩa là ở một vị trí mà giá trị hàm
F càng nhỏ thì số lượng thức ăn càng lớn. Việc tìm vùng chứa thức ăn nhiều nhất
tương tự như việc tìm ra vùng chứa điểm cực tiểu của hàm F trên không gian tìm kiếm.
3.1.2. Biểu thức cơ bản của thuật toán PSO
Kennedy và Eberhart phát triển thuật toán PSO dựa trên hành vi của các cá thể
trong một quần thể. Họ đã nhận thấy rằng các cá thể của quần thể dường như đã chia sẻ
thông tin giữa chúng với nhau, làm tăng hiệu quả của quần thể. Mỗi cá thể tương ứng
với một giải pháp cho vấn đề. Cá thể trong quần thể tiếp cận các mục tiêu thông qua
việc tối ưu vận tốc của nó hiện có, kinh nghiệm đã có trước đây và kinh nghiệm của
các cá thể lân cận. Trong không gian tìm kiếm n-chiều, vị trí và vận tốc của cá thể i
được mô tả bằng các vector Xi = (xi1,…, xin) và Vi = (vi1,…, vin) trong thuật toán PSO.
Pbesti  ( xi1Pbest ,..., xinPbest ) là vị trí tốt nhất cho đến hiện thời của cá thể i và
Gbesti  ( xi1Gbest ,..., xinGbest ) là vị trí tốt nhất của cả quần thể.
Xét một quần thể của p cá thể trong không gian thiết kế n-chiều. Vị trí vectơ X ik
của mỗi cá thể i được cập nhật bởi biểu thức (3.1).
X ik 1  X ik  Vi k 1. (3.1)
42
Trong đó
Vi k 1 mô tả vectơ vận tốc thu được từ quy luật vận tốc, được cho bởi
Vi k 1  Vi k  c1rand1  ( Pbestik  X ik )  c2 rand2  (Gbest k  X ik ). (3.2)
X ik vị trí của cá thể i tại vòng lặp k,
X ik 1 vị trí của cá thể i tại vòng lặp k+1,
Vi k vận tốc của cá thể i tại vòng lặp k,
Vi k 1 vận tốc của cá thể i tại vòng lặp k+1,
ω hằng số quán tính,
c1 hệ số kinh nghiệm của cá thể,
c2 hệ số quan hệ xã hội của cá thể,
rand1, rand2 số ngẫu nhiên trong khoảng [0, 1],
Pbestik vị trí tốt nhất của cá thể i cho đến vòng lặp k,
Gbest k vị trí tốt nhất của quần thể cho đến vòng lặp k.
Hình 3.1 thể hiện nguyên lý tìm kiếm của thuật toán PSO sử dụng sự thay đổi
vận tốc và vị trí của cá thể dựa trên (3.1) và (3.2) trong trường hợp giá trị của ω, c1, c2,
rand1, rand2 là 1. Trong đó, X ik là vị trí của cá thể i tại vòng lặp k, ta cần phải xác định
vị trí của cá thể i tại vòng lặp tiếp theo X ik 1 . Theo (3.1), để xác định X ik 1 thì chúng ta
cần phải biết thêm vector Vi k 1 . Theo (3.2), Vi k 1 gồm có ba thành phần: Vi k thể hiện
quán tính tìm kiếm của cá thể, mỗi khi tìm kiếm cá thể có xu hướng quen theo quán
tính của những lần tìm kiếm trước đây; c1rand1  ( Pbestik  X ik ) thể hiện kinh nghiệm của
bản thân cá thể có được qua những lần tìm kiếm trước đây, hướng về vị trí tốt nhất
Pbestik mà bản thân cá thể có được; c2 rand2  (Gbest k  X ik ) thể hiện khả năng giao tiếp
học tập các cá thể khác tốt nhất trong quần thể, hướng về vị trí tốt nhất của quần thể có
43
được cho tới hiện thời Gbest k . Tổng hợp của ba phần tử trên ta được vector Vi k 1 là
vector vận tốc của cá thể i tại vòng lặp k+1. Sau khi có vector vận tốc Vi k 1 , kết hợp với
vector vị trí X ik tại vòng lặp thứ k ta được vector vị trí X ik 1 của cá thể i tại vòng lặp
thứ k+1.
Hình 3.1: Nguyên lý thay đổi vị trí của thuật toán PSO trong không gian 2-chiều
Qua nghiên cứu ở trên chúng tôi nhận thấy thuật toán PSO có một số lợi thế sau:
 Thuật toán đơn giản và dễ dàng thực hiện.

 PSO tìm kiếm trong tất cả không gian bài toán chứ không phải riêng từng điểm.
 Hàm cập nhật vị trí của cá thể có độ dốc tự do, giúp cho chương trình chạy
nhanh.
 Khả năng tính toán đồng thời các cá thể riêng biệt để tìm điểm tối ưu toàn cục.
 PSO sử dụng các hàm mục tiêu và hàm tính toán độ phù hợp để trả về trực tiếp
kết quả. PSO thích hợp với những hàm mục tiêu không liên tục, không khả vi
tồn tại phổ biến trong hệ thống điện.
 PSO có khả năng tìm kiếm trong những vùng không gian phức tạp, không chắc
chắn để tìm ra lời giải tối ưu toàn cục do đó nó linh hoạt và tốt hơn các phương
pháp truyền thống khác.
 Có khả năng giải quyết bài toán với các biến rời rạc chẳng hạn như đầu phân áp
máy biến áp.
 Dễ dàng song song các quần thể để tìm kiếm lời giải tối ưu.
3.1.3. Giải thuật PSO
3.1.3.1. Giải thuật PSO nguyên thủy
44
Năm 1995 Kennedy và Eberhart [47] giới thiệu thuật toán PSO và đề xuất giải
thuật ban đầu như sau:
Bước 1: Khởi tạo bầy đàn với vị trí và giá trị vận tốc ngẫu nhiên D-chiều trong
không gian tìm kiếm
Bước 2: Bắt đầu vòng lặp
Bước 3: Với mỗi cá thể, tính toán giá trị hàm mục tiêu với D biến.
Bước 4: So sánh giá trị hàm mục tiêu của cá thể với pbesti. Nếu giá trị hàm mục
tiêu hiện tại tốt hơn giá trị pbesti, cập nhật giá trị pbesti bằng giá trị hàm mục tiêu hiện
tại và pi bằng vị trí hiện tại xi trong không gian D-chiều.
Bước 5: Nhận ra cá thể trong bầy đàn có giá trị hàm mục tiêu tốt nhất và gán chỉ
số vị trí của cá thể vào biến g.
Bước 6: Thay đổi vận tốc và vị trí của cá thể theo các biểu thức bên dưới.
vi  vi  rand  ( pi  xi )  rand  ( p g  xi ),

 (3.3)
 xi  xi  vi .
Bước 7: Nếu điều kiện ngừng lặp thỏa mãn (thông thường là số lượng vòng lặp
tối đa), thoát khỏi vòng lặp.
Bước 8: Kết thúc vòng lặp.
3.1.3.2. Lưu đồ giải thuật PSO
Qua nghiên cứu hiện tượng vật lý, Kennedy và Eberhart [47] đề xuất lưu đồ giải
thuật PSO nguyên thủy của như sau:
45
Hình 3.2: Giải thuật PSO
46
3.1.4. Thuật toán Particle Swarm Optimization with Time Varying Inertia
Weight factor
PSO TVIW dựa trên thuật toán PSO cơ bản với hàm cập nhật vị trí vẫn như cũ.
Ở hàm cập nhật vận tốc của các cá thể có hệ số  không phải là cố định trong suốt quá
trình tính toán mà là thay đổi theo từng vòng lặp, được gọi tên là thuật toán PSO với hệ
số quán tính thay đổi theo thời gian PSO TVIW (Particle Swarm Optimization with
Time Varying Inertia Weight factor).
Ở thành phần thứ nhất của hàm cập nhật vận tốc, chúng tôi đề xuất một cách
tính giá trị  kiểu mới, đặt tên là new như trong công thức (3.5) và (3.6).
Biểu thức hàm cập nhật vận tốc của các cá thể trong thuật toán NPSO được biểu
diễn lại dưới dạng như sau:
Vi k 1  new Vi k  c1rand1  ( Pbestik  X ik )  c2 rand2  (Gbest k  X ik ). (3.4)
max  min
Với:   max   Iter , (3.5)
Itermax
new  min    rand3 . (3.6)
Trong đó:
max, min hệ số quán tính cực đại và cực tiểu,
Iter số vòng lặp hiện tại.
Itermax số vòng lặp cực đại cho phép.
rand1, rand2, rand3 là số ngẫu nhiên trong khoảng [0, 1].
Thuật toán phương pháp PSO TVIW được trình bày như sau:
Bước 1: Khởi tạo bầy đàn bao gồm tất cả các phần tử với vị trí và vận tốc ngẫu
nhiên trong vùng không gian tìm kiếm d chiều.
Bước 2: Tính toán giá trị hàm mục tiêu của mỗi phần tử.
Bước 3: So sánh giá trị hàm mục tiêu của phần tử với Pbesti. Nếu giá trị hàm
mục tiêu hiện tại tốt hơn giá trị Pbesti, cập nhật giá trị Pbesti bằng giá trị hàm mục tiêu
 
hiện tại và p i bằng vị trí hiện tại x i trong không gian d chiều.
Bước 4: Nhận ra phần tử trong bầy đàn có giá trị hàm mục tiêu tốt nhất và gán
giá trị hàm mục tiêu vào biến gbest.
Bước 5: Thay đổi vận tốc và vị trí của phần tử theo các biểu thức sau:
47
Vi k 1  newVi k  c1rand1   Pbestik  X ik   c2 rand 2   Gbest k  X ik 
Với:
max  min
  max   Iter
Itermax
new  min    rand3
X ik 1  X ik  Vi k 1
Bước 6: Quay lại bước 2 cho đến khi điều kiện dừng lặp được thõa mãn, thông
thường là giá trị hàm mục tiêu tốt nhất hay số lượng vòng lặp là tối đa thì dừng vòng
lặp.
Hình 3.3: So sánh hệ số  ở các phương pháp
Theo hình vẽ 3.3 ta có:
 Đường 1: ứng với  là hằng số trong suốt quá trình tính toán ( = 0.9).
 Đường 2: ứng với  giảm dần trong quá trình tính toán theo (3.5) với max = 1.2,
min = 0.3.
 Đường 3: ứng với new giảm dần trong quá trình tính toán theo (3.5) và (3.6) với
max = 1.2, min = 0.3.
3.1.5 Thuật toán Particle Swarm Optimization with Time Varying Acceleration
Coefficients
48
Trong biểu thức hàm cập nhật vận tốc của thuật toán PSO cổ điển, việc tìm kiếm
một giải pháp tối ưu được dẫn dắt bởi hai hệ số gia tốc:
c1 là hệ số kinh nghiệm của cá thể
c2 là hệ số quan hệ xã hội của cá thể
Việc điều chỉnh thích hợp hai hệ số này là quan trọng để tìm lời giải cho bài
toán tối ưu một cách chính xác và hiệu quả.
Kennedy và Eberhart đã thử nghiệm trong hai trường hợp. Đầu tiên, cho hệ số
kinh nghiệm của cá thể tương đối cao so với hệ số quan hệ xã hội của cá thể. Ông nhận
ra rằng có quá nhiều cá thể đi lang thang ra khỏi vùng không gian tìm kiếm. Ngược lại
nếu hệ số quan hệ xã hội của cá thể cao hơn hệ số kinh nghiệm của cá thể, thì sẽ kéo
các cá thể sớm tiến về tối ưu cục bộ. Do đó, ông đề nghị đặt hai hệ số này cố định là 2.
Kể từ đó, giá trị này được sử dụng rộng rãi cho hều hết các nghiên cứu.
Tuy nhiên, sau đó thông qua kinh nghiệm, Suganthan đã đề nghị rằng hai hệ số
này không thể bằng 2 vào mọi thời điểm. Trong khuôn khổ luận án này, chúng tôi giới
thiệu phương pháp thay đổi hệ số kinh nghiệm theo thời gian. Phương pháp PSO này
được gọi là phương pháp PSO với hệ số kinh nghiệm thay đổi theo thời gian PSO
TVAC (Particle Swarm Optimization with Time Varying Acceleration Coefficients).
Thuật toán PSO-TVAC phát biểu như sau:
Bước 3: So sánh giá trị hàm mục tiêu của phần tử với Pbesti. Nếu giá trị hàm
mục tiêu hiện tại tốt hơn giá trị Pbesti, cập nhật giá trị Pbesti bằng giá trị hàm mục tiêu
 
hiện tại và p i bằng vị trí hiện tại x i trong không gian d chiều.
giá trị hàm mục tiêu vào biến gbest.
Vi k 1  Vi k  c1rand1   Pbestik  X ik   c2rand 2  Gbest k  X ik 

(3.7)
49
Với:
(𝑐1𝑚𝑎𝑥 −𝑐1𝑚𝑖𝑛 )
𝑐1 = 𝑐1𝑚𝑎𝑥 − 𝐼𝑡𝑒𝑟 (3.8)
𝐼𝑡𝑒𝑟𝑚𝑎𝑥
𝑐2 = 𝑐2𝑚𝑎𝑥 − 𝐼𝑡𝑒𝑟 (3.9)
Trong đó:
c1max, c1min hệ số kinh nghiệm của cá thể cực đại và cực tiểu,
c2max, c2min hệ số quan hệ xã hội của cá thể cực đại và cực tiểu,
Iter là lần lặp hiện tại
Itermax là số lần lặp cực đại.
X ik 1  X ik  Vi k 1 (3.10)
lặp.
3.1.6. Thuật toán Self Organizing Hierarchical Particle Swarm Optimizer with
Time Varying Acceleration Coefficients
Như chúng ta đã biết, hầu hết sự cải tiến thuật toán PSO đều dựa trên việc thay
đổi tuyến tính hệ số quán tính hay phương pháp hệ số phạt. Tuy nhiên, Shi và Eberhart
[48] đề nghị rằng với những hàm phức tạp, việc điều khiển tính đa dạng của quần thể
với hệ số quán tính thay đổi một cách tuyến tính sẽ khiến các cá thể sớm hội tụ về giải
pháp tối ưu mang tính cục bộ. Mặt khác, Shi và Eberhart cũng chỉ ra rằng phương pháp
hệ số phạt cũng không hiệu quả đối với những hàm mục tiêu phức tạp. Do đó, Shi và
Eberhart đã đề xuất thuật toán PSO cải tiến không cần vận tốc của lần lặp trước đó.
Ông kết luận rằng thuật toán này rất đơn giản nhưng lại rất hiệu quả khi giải bài toán
tối ưu đối với các vấn đề phức tạp.
50
Trong khuôn khổ luận án này, chúng tôi kế thừa đề xuất thuật toán HPSO-
TVAC trong [49] để đưa ra thuật toán SOH PSO TVAC (Self Organizing Hierarchical
Particle Swarm Optimizer with Time Varying Acceleration Coefficients). Trong thuật
toán này, chúng tôi giữ vận tốc trước đó bằng 0 và khởi động lại mô đun vận tốc của cá
thể với một vận tốc ngẫu nhiên trong không gian tìm kiếm, hàm cập nhật vận tốc cá thể
tương tự như trong (3.7), tuy nhiên không có thành phần quán tính cá thể trước đó, các
hàm cập nhật hệ số kinh nghiệm các thể c1 và mối quan hệ xã hội cá thể c2 tương tự
như đã đề xuất trong (3.8) và (3.9).
Thuật toán SOH PSO TVAC được trình bày như sau:
Bước 3: So sánh giá trị hàm mục tiêu của phần tử với Pbesti. Nếu giá trị hàm mục
tiêu hiện tại tốt hơn giá trị Pbesti, cập nhật giá trị Pbesti bằng giá trị hàm mục tiêu hiện tại
 
và p i bằng vị trí hiện tại x i trong không gian d chiều.
giá trị hàm mục tiêu vào biến Gbesti.
𝑉𝑖𝑘 = 𝑐1 𝑟𝑎𝑛𝑑1 × (𝑃𝑏𝑒𝑠𝑡𝑖𝑘 − 𝑋𝑖𝑘 ) + 𝑐2 𝑟𝑎𝑛𝑑2 × (𝐺𝑏𝑒𝑠𝑡 𝑘 − 𝑋𝑖𝑘 ) (3.11)

𝑐1 = 𝑐1𝑚𝑎𝑥 − 𝐼𝑡𝑒𝑟 (3.12)
𝑐2 = 𝑐2𝑚𝑎𝑥 − 𝐼𝑡𝑒𝑟 (3.13)
Nếu trường hợp vận tốc cá thể 𝑉𝑖𝑘 = 0, thuật toán bổ sung thêm các hàm rand3, rand4
và rand5.
Nếu: rand3 < 0.5 thì 𝑉𝑖𝑘 = rand4*V
51
Ngược lại: 𝑉𝑖𝑘 = - rand5*V
Tính lại giá trị hàm 𝑉𝑖𝑘 = sign(𝑉𝑖𝑘 ) * min(abs(𝑉𝑖𝑘 *V)
Cập nhật vị trí cá thể theo biểu thức:
𝑋𝑖𝑘+1 = 𝑋𝑖𝑘 + 𝑉𝑖𝑘 (3.14)
lặp.
Với:
rand1, rand2, rand3, rand4, rand5 là các số ngẫu nhiên nằm trong khoảng [0,1]
V: là vận tốc khởi động của cá thể.
3.1.7. Thuật toán Stochastic Weight Trade-Off Particle Swarm Optimization
Theo công thức 3.2 của thuật toán PSO truyền thống ta nhận thấy hai hệ số hệ
số kinh nghiệm của cá thể c1 và hệ số quan hệ xã hội của cá thể c2 được tạo ra một cách
độc lập. Do đó, hai thông số ngẫu nhiên này có thể quá lớn hoặc quá nhỏ. Trong trường
hợp cả hai thông số đều quá lớn, kinh nghiệm của cá thể và xã hội đã được sử dụng. Do
đó, các các thể bị đẩy xa khỏi vùng tìm kiếm. Ngược lại, nếu cả hai thông số đều quá
nhỏ, tốc độ hội tụ sẽ giảm, vì cả kinh nghiệm của cá thể và xã hội đều không được tận
dụng hết. Điều này có thể dẫn đến một vấn đề sự hội tụ sớm không đạt tối ưu toàn cục
của thuật toán, đặc biệt là với hàm mục tiêu có sự phi tuyến tính cao và hàm không liên
tục. Theo đó, thuật toán cân bằng ngẫu nhiên Stochastic Weight Trade-Off Particle
Swarm Optimization (SWT-PSO) được đề xuất ở đây là để giải quyết những vấn đề
này bằng cách bảo tồn sự cân bằng giữa thăm dò toàn cục và khai thác địa phương
trong quá trình tìm kiếm. Các cơ chế để duy trì sự cân bằng như sau:
3.1.7.1. Cân bằng giữa hệ số kinh nghiệm của cá thể và hệ số quan hệ xã hội
Các trọng số ngẫu nhiên cho các thành phần kinh nghiệm của cá thể và xã hội
cần được tạo ra tương đối. Cụ thể hơn, nếu một tham số ngẫu nhiên lớn, thì một số
52
khác nên nhỏ hoặc ngược lại. Trong đề tài này, trọng số ngẫu nhiên được sử dụng thu
thập kinh nghiệm của từng cá thể và các cá thể bên cạnh của nó khi cập nhật vận tốc,
được mô tả bằng các trọng số r1 và 1-r1 như trong (3.4).
3.1.7.2. Cân bằng giữa hệ số vận tốc trước, hệ số kinh nghiệm và hệ số quan hệ
xã hội của cá thể
Quán tính của vận tốc trước đó có ảnh hưởng đến khả năng tìm kiếm toàn cục
của thuật toán. Nếu quán tính quá lớn, các cá thể có thể vượt qua vị trí tốt nhất trên
toàn cục, dẫn đến khó khăn trong việc thay đổi hướng của nó đối với vùng tối ưu. Mặt
khác, quán tính sẽ cho phép các cá thể chuyển hướng một cách nhanh chóng. Điều này
hàm ý rằng với quán tính nhỏ hơn, sẽ uyển chuyển nhiều hơn đến các bộ phận nhận
thức và xã hội trong việc kiểm soát việc cập nhật vị trí cá thể. Kết quả là, thành phần
vận tốc trước đó cũng được cân bằng với các thành phần nhận thức và xã hội bằng một
trọng số ngẫu nhiên khác được biểu diễn như sau r2 và 1-r2. Do đó, phương trình cập
nhật vận tốc trong (3.2) được sửa đổi thành:
(𝑘+1) (𝑘) (𝑘) (𝑘)
𝑣𝑖𝑑 = 𝑟2 𝑣𝑖𝑑 + (1 − 𝑟2 )𝑐1 𝑟1 (𝑝𝑏𝑒𝑠𝑡𝑖𝑑 − 𝑥𝑖𝑑 ) + (1 − 𝑟2 )𝑐2 (1 − 𝑟1 ) (𝑔𝑏𝑒𝑠𝑡𝑖𝑑 − 𝑥𝑖𝑑 ) (3.15)
3.1.7.3. Cân bằng giữa hệ số tăng tốc
Cơ chế cơ bản để xác định giải pháp tối ưu trong phương pháp tối ưu hoá dựa
vào các cá thể thường khuyến khích các cá thể khám phá toàn bộ không gian tìm kiếm
trong giai đoạn đầu của quá trình tìm kiếm để tìm khu vực triển vọng cao. Khi tiến
trình tiếp cận quá trình tìm kiếm cuối cùng, khả năng tìm kiếm địa phương sẽ thu hút
các hạt hơn về vị trí tốt nhất trên toàn cục. Để nâng cao hiệu quả tìm kiếm của PSO đã
thay đổi trong (3.4), các hệ số gia tốc của các thành phần nhận thức bản thân cá thể và
hệ số xã hội khác nhau với các giai đoạn của quá trình tối ưu hóa được thể hiện như
sau:
𝑐1 = 𝑐1𝑚𝑎𝑥 − 𝐼𝑡𝑒𝑟 (3.16)
𝑐2 = 𝑐2𝑚𝑎𝑥 − 𝐼𝑡𝑒𝑟 (3.17)
53
3.1.7.4. Sự đa dạng ngày càng tăng của các cá thể
Để tăng cường hơn nữa khả năng tìm kiếm toàn cục, sự đa dạng ngày càng tăng
của các cá thể đã được tích hợp để tránh vấn đề hội tụ sớm. Trong thực tế, một số cá
thể có thể di chuyển theo chiều ngược lại của một khu vực khả thi do điểm yếu của
chúng. Do đó, hướng vận tốc của hạt nên được đảo ngược vào vùng tối ưu. Hành vi
này được gọi là yếu tố "thờ ơ". Do đó vận tốc cập nhật được điều chỉnh thêm để tăng
tính hội tụ như trong (3.18).
(𝑘+1) (𝑘) (𝑘)
𝑣𝑖𝑑 = 𝑟2 𝑠𝑖𝑔𝑛(𝑟3 )𝑣𝑖𝑑 + (1 − 𝑟2 )𝑐1 (𝑘)𝑟1 (𝑝𝑏𝑒𝑠𝑡𝑖𝑑 − 𝑥𝑖𝑑 ) +
(𝑘)
(1 − 𝑟2 )𝑐2 (𝑘)(1 − 𝑟1 )(𝑔𝑏𝑒𝑠𝑡𝑖𝑑 − 𝑥𝑖𝑑 ) (3.18)
Trong đó sign là một hàm ký hiệu được định nghĩa như sau:
ì 1(r3 > Pltg )

ï
sign(r3 ) = í (3.19)
ï -1(r3 £ Pltg )
î
Một số cá thể trong một cộng đồng xã hội có thể có hành vi khác với đa số các
thành viên khác trong nhóm. Hành vi này được gọi là yếu tố "freak" [35,36]. Ảnh
hưởng của hệ số freak đến vận tốc hạt có thể được biểu diễn bằng:
(𝑘) (𝑘) 𝑓𝑟𝑘
𝑣𝑖𝑑 = 𝑣𝑖𝑑 + P (𝑟4 ))𝑠𝑖𝑔𝑛(𝑟4 )𝑣𝑖𝑑 (3.20)
Trong đó sign(r4) được định nghĩa như sau:
1 (𝑟4 > 𝑃𝑓𝑟𝑘 )

sign(𝑟4 ) = { (3.21)
−1 (𝑟4 ≤ 𝑃𝑓𝑟𝑘 )
Trong đó P(r4) được định nghĩa như sau:
1 (𝑟4 ≤ 𝑃𝑓𝑟𝑘 )
P(𝑟4 ) = { (3.22)
0 (𝑟4 > 𝑃𝑓𝑟𝑘 )
Sự đa dạng ngày càng tăng của các cá thể tập trung thông qua các yếu tố thờ ơ
và kỳ quặc sẽ giúp giải phóng các hạt khỏi bẫy trong cực tiểu địa phương để tránh rủi
ro xảy ra hội tụ sớm.
54
Trong quá trình tìm kiếm cuối cùng, cần khuyến khích khả năng tìm kiếm địa
phương để điều chỉnh chất lượng của giải pháp ứng viên. Do đó, ảnh hưởng của đà vận
tốc trước đó nên được giảm để tránh các hạt bay qua mức tối ưu toàn cầu. Trong (3.18),
quán tính vận tốc trước đó được điều khiển bởi một yếu tố chiết khấu ngẫu nhiên, được
biểu diễn bởi r2sign (r3). Ở đây, chúng tôi đề xuất để giảm hiệu ứng ngẫu nhiên tuyến
tính này thông qua một tham số kiểm soát (k). Do đó, phương trình cập nhật vận tốc
trong (3.18) được sửa đổi thành:
(𝑘+1) (𝑘) (𝑘)
𝑣𝑖𝑑 = 𝜉(𝑘)𝑟2 sign(𝑟3 )𝑣𝑖𝑑 + (1-𝑟2 )𝑐1 (k)𝑟1 (𝑝𝑏𝑒𝑠𝑡𝑖𝑑 - 𝑥𝑖𝑑 ) +
(𝑘)
(1-𝑟2 )𝑐2 (k)(1 − 𝑟1 )(𝑔𝑏𝑒𝑠𝑡𝑖𝑑 - 𝑥𝑖𝑑 ) (3.23)
Trong đó,
𝑘
𝜉(𝑘) = (𝜉𝑚𝑖𝑛 - 𝜉𝑚𝑎𝑥 ) + 𝜉𝑚𝑎𝑥 (3.24)
𝑘𝑚𝑎𝑥
Động lượng của vận tốc trước đây bây giờ được kiểm soát bởi một yếu tố mới
𝜉(𝑘)𝑟2 sign(𝑟3 ). Thuật ngữ này được gọi là "yếu tố kiểm soát xung đột ngẫu nhiên". Sử
dụng phương pháp giảm tuyến tính sẽ mất thời gian thăm dò toàn cầu hơn so với
phương pháp giảm phi tuyến. Các kết quả trong việc giảm nguy cơ của các hạt trong
việc bỏ lỡ các khu vực đầy hứa hẹn. Các giá trị vòng lặp tối đa, ξmax, ξmin và Pltg được
đặt là 100, 1, 0,5 và 0,05 tương ứng.
3.1.7.5. Các bước tính toán của SWT-PSO
Các bước thực thi của thuật toán SWT-PSO đề xuất có thể được mô tả như sau:
Bước 1: Khởi tạo bầy đàn: Trong việc thực thi thuật toán SWT-PSO, mỗi lượng
công suất ra máy phát được lấy như là tham số mã hoá. Đối với hệ thống bao gồm M
máy phát điện, mỗi cá thể sẽ bao gồm chuỗi mã hóa M-bit thực. Cấu trúc của cá thể thứ
i có thể được biểu diễn như sau:
𝑃𝑖 = [ 𝑃𝑖1, 𝑃𝑖2, , … 𝑃𝑖𝑑…, 𝑃𝑖𝑀 ] , i = 1,2 …N (3.25)
55
Giá trị của mỗi Pid được tạo ngẫu nhiên trong phạm vi hoạt động của nó. Để xử lý sự
ràng buộc cân bằng, chúng ta chọn bất kỳ máy phát j hoặc cá thể i (Pij) để thỏa mãn sự
ràng buộc cân bằng. Do đó, chỉ có M-1 máy phát được khởi tạo. Công suất của máy
phát thỏa mãn ràng buộc cân bằng và tính như sau:
𝑃𝑖𝑗 = 𝑃𝐷 + 𝑃𝐿 – ∑𝑀−1
𝑑=1 𝑃𝑖𝑑 (3.26)
Bước 2: Đánh giá mức độ phù hợp của mỗi cá thể: cá thể được đánh giá bằng cách
tính giá trị hàm mục tiêu.
Bước 3: Xác định pbest và gbest: Tất cả các cá thể trong Bước 1 được định nghĩa là
pbest và hạt có giá trị mục tiêu tốt nhất sẽ được gọi là gbest.
Bước 4: Cập nhật vận tốc: Vận tốc cập nhật được tính bằng (3.18) và (3.23). Đối với
vận tốc của cá thể vượt quá vận tốc giới hạn quy định, nó sẽ được điều chỉnh đến giới
hạn như sau:
𝑚𝑎𝑥 𝑚𝑎𝑥
If 𝑣𝑖𝑑 >𝑣𝑖𝑑 , 𝑣𝑖𝑑 = 𝑣𝑖𝑑 (3.27)
𝑚𝑖𝑛 𝑚𝑖𝑛
If 𝑣𝑖𝑑 < -𝑣𝑖𝑑 , 𝑣𝑖𝑑 = − 𝑣𝑖𝑑 (3.28)
𝑚𝑎𝑥 𝑚𝑎𝑥 𝑚𝑖𝑛 𝑚𝑖𝑛 𝑚𝑎𝑥
Trong đó,𝑣𝑖𝑑 được gán bằng𝑃𝑖𝑑 - 𝑃𝑖𝑑 và 𝑣𝑖𝑑 được lấy bằng− 𝑣𝑖𝑑 .
Bước 5: Cập nhật bầy đàn: Vector vị trí của cá thể được cập nhật bằng cách sử dụng
(3.18). Sau đó, xem xét vị trí cá thể của M-1 máy phát ở bước 1, nếu vị trí hạt nào nằm
ngoài giới hạn vận hành, nó sẽ được điều chỉnh để thỏa mãn ràng buộc cân bằng như
sau:
𝑚𝑎𝑥 𝑚𝑎𝑥
If 𝑃𝑖𝑑 >𝑃𝑖𝑑 , 𝑃𝑖𝑑 = 𝑃𝑖𝑑 (3.29)
𝑚𝑖𝑛 𝑚𝑖𝑛
If 𝑃𝑖𝑑 < 𝑃𝑖𝑑 , 𝑃𝑖𝑑 = 𝑃𝑖𝑑 (3.30)
Khi máy phát đạt tới giới hạn vận hành và vùng cấm vận hành, đường biên của
ràng buộc không cân bằng được thay đổi theo. Sau đó, công suất phát của máy phát
đáp ứng được tính lại. Sau khi giá trị tốt nhất của bản thân cá thể pbest được cập nhật
và giá trị tốt nhất của cả bầy đàn gbest được cập nhật, bộ đếm lặp sẽ tăng lên.
56
Bước 6: Tiêu chí ngừng: Khi số vòng lặp tối đa, quá trình tính toán tối ưu sẽ dừng
lại. Nếu không, quay trở lại bước 2.
3.1.8. Thuật toán Improved Particle Swarm Optimization
3.1.8.1. Khái niệm về Pseudo-Gradient

Giả sử rằng hàm mục tiêu (3.31) trong hàm tối ưu hóa không gian n chiều là
hàm khả vi, gradient thông thường g(x) của hàm mục tiêu f (x) được định nghĩa là một
vector n chiều có thành phần là các đạo hàm riêng của f (x) như sau:
T
 f f f 
g ( x)   , ,...,  (3.31)
 x1 x 2 x n 
Gradient này luôn luôn chỉ ra tỷ lệ tối đa của sự thay đổi hướng của hàm mục
tiêu tại một điểm trong không gian tìm kiếm. Tuy nhiên, đối với các hàm mục tiêu
không khả vi, thông thường không được áp dụng. Vì vậy, cần có cách tiếp cận gradient
cho các hàm không lồi này và pseudo-gradient là một giải pháp.
Các pseudo-gradient là để xác định hướng tìm kiếm cho mỗi cá thể trong tập
hợp đối với việc tối ưu hóa không lồi hàm mục tiêu không khả vi. Ưu điểm của
pseudo-gradient là nó có thể cung cấp một hướng tốt trong không gian tìm kiếm của
một vấn đề mà không đòi hỏi hàm mục tiêu là khả vi. Vì vậy, phương pháp pseudo-
gradient phù hợp thực hiện trong phương pháp tìm kiếm meta-heuristic cho phép giải
quyết vấn đề không lồi với nhiều cực tiểu.
Đối với không gian n chiều vấn đề tối ưu hóa không lồi với hàm mục tiêu không
khả vi f (x) trong đó x = [x1, x2, ..., xn] như trong (3.20), một pseudo-gradient gp(x) cho
hàm mục tiêu được xác định như sau:
Cho rằng xk = [xk1, xk2, ..., xkn] là một điểm trong không gian tìm kiếm của vấn
đề và nó di chuyển đến một điểm xl. Có hai khả năng cho vấn đề này bằng cách xem
xét giá trị của hàm mục tiêu tại hai điểm này.
57
1. Nếu f(xl) <f(xk), hướng từ xk đến xl được định nghĩa là theo hướng tích cực, pseudo-
gradient vào thời điểm xl được xác định bởi:
g p xl    xl1 ,  xl 2 ,...,  xln 

T
(3.32)
δ (xli) là chỉ số chỉ đạo hàm của yếu tố xi di chuyển từ điểm k đến điểm l xác định
bởi:
 1 if xli  x ki

 xli    0 if xli  x ki (3.33)
 1 if x  x
 li ki
2. Nếu f (xl) ≥ f (xk), hướng từ xk để xl được định nghĩa là hướng tiêu cực. các pseudo-
gradient tại điểm xl được xác định bởi:
g p  xl   0 (3.34)
Dựa trên định nghĩa, pseudo-gradient cũng có thể chỉ ra một hướng tốt cho các
hàm không khả vi tương tự như gradient thông thường trong không gian tìm kiếm dựa
trên hai điểm cuối cùng. Từ định nghĩa, nếu giá trị của pseudo-gradient gp (xl) ≠ 0, nó
ngụ ý rằng một giải pháp tốt hơn cho hàm mục tiêu có thể được tìm thấy trong các
bước tiếp theo dựa trên hướng chỉ định bởi các pseudo-gradient gp (xl) tại điểm l. Nếu
không, hướng tìm kiếm tại điểm này nên được thay đổi do không cải thiện hàm mục
tiêu theo hướng này.
3.1.8.2. Cải tiến PSO

IPSO ở đây là PSO với hệ số co tăng cường bởi pseudo-gradient để tăng tốc quá
trình hội tụ của nó. Mục đích của pseudo-gradient là để hướng sự chuyển động của các
cá thể theo hướng tích cực để chúng có thể nhanh chóng di chuyển để tối ưu hóa.
PSO với hệ số co [48], vận tốc của các cá thể được xác định như sau:
58

Vid  C. Vid  c1r1 Pid  X id   c2 r2 Pgd  X id   (3.35)
2
C (3.36)
2     2  4
Trong đó:   c1  c2 ,   4
Trong trường hợp này, φ yếu tố có ảnh hưởng đến đặc tính hội tụ của hệ thống
và phải lớn hơn 4,0 để đảm bảo sự ổn định. Tuy nhiên, khi giá trị tăng φ, hệ số co C
giảm dẫn đến đáp ứng chậm hơn. Giá trị tiêu biểu của φ là 4.1 (tức là c1 = c2 = 2.05).
Thực hiện pseudo-gradient trong PSO, hai điểm được coi là tương ứng với xk và
xl trong không gian tìm kiếm của pseudo-gradient là vị trí của cá thể i lặp đi lặp lại tại k
và k+1 tương ứng đó là x(k) và x(k +1). Vì vậy, vị trí được cập nhật cho các cá thể trong
(3.4) được viết lại.
 
 x ( k )   x ( k 1) . v ( k 1) g ( x ( k 1) ) 0
xid( k 1)   id ( k ) id ( k 1) id p id
(3.37)
 xid  vid khác
Trong (3.37), nếu thu được pseudo-gradient là khác không, cá thể đang chuyển
động đúng hướng và tăng tốc để di chuyển đến giải pháp tối ưu trong không gian tìm
kiếm bằng vận tốc nâng cao của nó, nếu không vị trí của cá thể thông thường được cập
nhật như trong (3.4). Trong thực tế, IPSO đề xuất là PSO thông thường nhưng đối với
những cá thể đang chuyển động trên đúng hướng chỉ định bởi các pseudo-gradient vận
tốc của chúng được tăng cường bởi các pseudo-gradient để chúng có thể nhanh chóng
di chuyển đến các giải pháp tối ưu. Do đó, IPSO là hiệu quả hơn PSO thông thường
trong việc giải quyết các vấn đề tối ưu hóa.
3.1.8.3. Thuật toán IPSO giải bài toán OPF

Để thực hiện thuật toán IPSO đề xuất cho bài toán OPF, mỗi vị trí cá thể đại
diện cho các biến kiểm soát được quy định. x d là vị trí của cá thể d và NP là số cá thể
59
trong bầy đàn. Vị trí và vận tốc của các cá thể được khởi tạo trong giới hạn của nó
được đưa ra bởi:
xd( o )  xd ,min  rand3 .x d ,max  xd ,min  (3.38)
v d( o )  v d ,min  rand3 .vd ,max  v d ,min  (3.39)
rand3 và rand4 là những giá trị ngẫu nhiên trong [0, 1], xd,max và xd, min là giới
hạn trên và dưới của vector các biến trong (3.38), và vd,max và vd min là giới hạn trên và
dưới của vector vận tốc cá thể của tính theo (3.5) và (3.6).
Trong quá trình lặp đi lặp lại, vị trí và vận tốc của cá thể luôn được điều chỉnh
trong giới hạn của nó sau khi được tính toán trong mỗi lần lặp như sau:
vdnew  minvd ,max , maxvd ,min , vd  (3.40)
x dnew  minx d ,max , maxx d ,min , x d  (3.41)
Cực tiểu hàm mục tiêu trong IPSO dựa trên vấn đề hàm mục tiêu và biến phụ
thuộc, bao gồm công suất thực máy phát ở nút cân bằng, đầu ra công suất phản kháng
tại nút phát, điện áp nút tải và dòng điện trong đường dây truyền tải. Hàm mục tiêu
được định nghĩa như sau:
𝑁𝑔 𝑁𝑔 𝑁
𝐹𝑇 = 𝑓(𝑥, 𝑢) + 𝐾𝑝 ∑𝑖=1 ℎ(𝑃𝐺𝑖 ) + 𝐾𝑞 ∑𝑖=1 ℎ(𝑄𝐺𝑖 ) + 𝐾𝑣 ∑𝑁𝑏 𝐿
𝑖=1 ℎ(𝑉𝐿𝑖 ) + 𝐾𝑠 ∑𝑖=1 ℎ(𝑆𝐿𝑖 )
(3.42)
Kp, Kq, Kv và Ks là những hệ số phạt cho công suất thực, công suất kháng của
máy phát, điện áp nút tải, và dòng điện trong đường dây truyền tải tương ứng. Các giới
hạn của các biến phụ thuộc trong (3.42) thường được xác định dựa trên tính toán của
họ giá trị như sau:
 x max if x  x max

x lim   x min if x  x min (3.43)
 x khác

x và xlim tương ứng đại diện cho các giá trị và giới hạn của P gi, Qgi, Vli hoặc Sl
tính.
60
Các bước của IPSO đề xuất để giải quyết các vấn đề OPF được đưa ra như sau:
Bước 1: Chọn các thông số kiểm soát cho IPSO bao gồm số lượng các cá thể
NP, số lượng tối đa lặp đi lặp lại ITmax, hệ số c1 và c2, hệ số giới hạn tối đa tốc độ R, và
hệ số phạt Kp, Kq, Kv, và Ks.
Bước 2: Tạo NP cá thể cho các biến kiểm soát với vị trí cá thể x(0)id đại diện cho
vector của các biến kiểm soát trong (3.38) và vận tốc v(0)id như trong (3.39), trong đó i
= 1, ..., 2 * Ng + Nt + Nc và d = 1, ..., NP.
Bước 3: Đối với mỗi cá thể, tính toán giá trị của các biến phụ thuộc dựa trên kết
quả dòng công suất và đánh giá hàm mục tiêu Fpbestd trong (3.42). Xác định giá trị toàn
cục tốt nhất của hàm mục tiêu Fgbest= min (Fpbestd).
Bước 4: Đặt pbestd đến vị trí ban đầu x(0)id cho mỗi cá thể và gbest đến vị trí của
hạt tương ứng với Fpbestd.
Bước 5: Đặt pseudo-gradient của các cá thể về không. Thiết lập vòng lặp từ k=1.
Bước 6: Tính toán vận tốc mới v(k) id và vị trí x(k)id cho mỗi cá thể sử dụng (3.40)
và (3.41) tương ứng. Lưu ý rằng, vị trí và vận tốc đạt được của các cá thể nên được giới
hạn trong giới hạn trên và dưới của họ được đưa ra bởi (3.38) và (3.39).
Bước 7: Giải quyết các dòng công suất dựa trên giá trị mới thu được vị trí cho
từng cá thể.
Bước 8: Đánh giá hàm mục tiêu FTd trong (3.42) cho mỗi cá thể với vị trí mới
thu được. So sánh FTd tính toán để F(k-1)pbestd để có được kết quả tốt nhất cho đến
F(k)pbestd.
Bước 9: Lấy vị trí pbest(k)d tương ứng với F(k) pbestd cho mỗi cá thể và xác định
giá trị hàm mục tiêu toàn cục tốt nhất mới F(k)pbestd và vị trí tương ứng gbest(k)i
Bước 10: Tính toán pseudo-gradient mới cho mỗi cá thể dựa trên hai vị trí mới
nhất của nó tương ứng với x(k)id và x (k-1) id.
Bước 11: Nếu k < ITmax, k = k + 1 và quay lại Bước 6. Nếu không, dừng lại.
 Lưu đồ giải thuật:
61
Khai báo thông số ban
đầu
Khởi tạo vị trí và vận tốc

cho cá thể
Ước lượng hàm mục tiêu

cho mỗi cá thể
Đặt vị trí cho mỗi cá thể

và vị trí tốt nhất cho các
cá thể
Dừng lại
Cho pseudo-gradient ban

đầu bằng 0. bắt đầu vòng
lặp k=1
k=k+1 Số vòng lặp tối đa
Vị trí và vận tốc mới cho

mỗi cá thể
Ước lượng mới hàm mục Lựa chọn vị trí tốt nhất Tính pseudo-gradient
tiêu cho mỗi cá thể cho mỗi cá thể và tất cả cho các cá thể
Hình 3.4: Lưu đồ các bước thực hiện của thuật toán IPSO
62
3.2. Thuật toán Artificial Bee Colony
3.2.1. Khái niệm chung
Thuật toán ABC [50, 51] là phương pháp tối ưu hóa mới về phỏng đoán nghiệm
được giới thiệu bởi Karaboga vào năm 2005. Đầu tiên, thuật toán được đề xuất giải bài
toán tối ưu hóa không có điều kiện ràng buộc, sau đó một phiên bản mở rộng của thuật
toán ABC đã được đề nghị áp dụng giải bài toán tối ưu hóa có điều kiện ràng buộc.
Thuật toán dựa trên hành vi của các cá thể trong một quần thể trong quá trình di
chuyển tìm kiếm thức ăn và chia sẽ thông tin về nguồn thức ăn của các con ong trong
tổ. Thuật toán ABC được định nghĩa đơn giản, dễ thực hiện và có ít thông số điều
khiển vì vậy mà thuật toán được ứng dụng rộng rãi trong nhiều lĩnh vực. Mô hình này
gồm 3 nhóm ong chính: Employed, Onlooker và Scout.
 Ong Employed: chiếm một nữa số lượng trong đàn. Mỗi con ong Employed
ngẫu nhiên đi tìm kiếm vị trí nguồn thức ăn (tương ứng với lời giải của bài toán). Sau
đó, bằng việc nhảy múa chúng nó chia sẽ thông tin về tổng số lượng mật của nguồn
thức ăn (tương ứng với chất lượng của lời giải) với những con ong đang đợi trong khu
vực nhảy múa của tổ ong.
 Ong Onlooker: chiếm một nữa số lượng còn lại trong đàn. Sau khi tất cả các
con ong Employed hoàn thành tiến trình tìm kiếm thức ăn, chúng sẽ chia sẽ thông tin
về vị trí nguồn thức ăn và tổng số lượng mật với ong Onlooker đang đợi trong không
gian nhảy múa. Ong Onlooker quan sát các điệu nhảy khác nhau của ong Employed để
đánh giá thông tin về vị trí nguồn thức ăn có tổng số lượng mật nhiều nhất (tương ứng
với chất lượng lời giải tốt nhất).
 Ong Scout: được hình thành từ ong Employed khi nguồn thức ăn bị ngăn
cấm.
Trong thuật toán ABC mỗi vị trí nguồn thức ăn chỉ có duy nhất một con ong
Employed. Nói cách khác, số lượng vị trí nguồn thức ăn (số lượng lời giải) xung quanh
tổ chính là số lượng của ong Employed. Scout bee bắt đầu chu kỳ tìm kiếm của mình
63
khi ong Employed đã khai thác can kiệt nguồn thức ăn (phụ thuộc vào giá trị “limit”
trong thông số của thuật toán ABC).
Thuật toán ABC được trình bày như sau: đầu tiên tạo ra ngẫu nhiên lời giải ban
đầu xi (i = 1, 2,…, Eb) với Eb là số lượng ong Employed (cũng chính là số lượng nguồn
thức ăn). Mỗi lời giải xi là một vector không gian D, trong đó D là số lượng các thông
số tối ưu hóa. Sau khi khởi tạo các vị trí nguồn thức ăn ban đầu, vị trí của nguồn thức
ăn (lời giải) được lặp lại ở mỗi chu kỳ trong tiến trình tìm kiếm thức ăn đối với ong
Employed, Onlooker, và Scout (chu kỳ = 1, 2,…, MCN) trong đó MCN là số vòng lặp
cực đại của tiến trình tìm kiếm thức ăn. Sau đó, ong Employed điều chỉnh lại vị trí
nguồn thức ăn trong trí nhớ của nó, điều đó phụ thuộc vào thông tin cục bộ (thông tin
quan sát) và đánh giá tổng số lượng mật (lời giải tốt nhất – fitness value) của vị trí
nguồn thức ăn mới (lời giải mới). Tiêu chuẩn để lựa chọn vị trí nguồn thức ăn như sau:
nếu tổng số lượng mật của vị trí nguồn thức ăn mới nhiều hơn tổng số lượng mật của vị
trí nguồn thức ăn trước đó, thì sẽ ghi nhớ vị trí mới và bỏ đi vị trí cũ. Ngược lại, chúng
vẫn giữ vị trí cũ trong trí nhớ. Sau khi tất cả ong Employed hoàn thành tiến trình tìm
kiếm thức ăn, chúng chia sẽ thông tin về nguồn thức ăn (vị trí và tổng số lượng mật)
với ong Onlooker đang đợi trong tổ. Việc lựa chọn nguồn thức ăn của ong Onlooker
dựa vào giá trị Pi và được tính toán như sau:
fitnessi
Pi  Eb (3.44)
 fitness
i 1
i
Trong đó
fitnessi là giá trị tốt nhất của lời giải i
Eb là tổng số vị trí nguồn thức ăn.
Phương trình (3.44) chỉ ra rằng nguồn thức ăn có tổng số lượng mật lớn sẽ thu
hút nhiều ong Onlooker hơn nguồn thức khác. Tiếp theo đó ong Onlooker tiến hành lựa
chọn nguồn thức ăn, chúng sẽ tạo ra vị trí nguồn thức ăn lân cận đó i + 1 so với vị trí
nguồn thức ăn i và tiến hành so sánh tổng số lượng mật của vị trí i + 1 so với vị trí i.
64
Tiêu chuẩn lựa chọn vị trí nguồn thức ăn giống như tiêu chuẩn đã được áp dụng đối với
ong Employed. Tiến trình này được lặp lại cho đến khi tất cả ong Onlooker được phân
phối đến tất cả vị trí nguồn thức ăn. Nếu vị trí nguồn thức ăn i không được cải thiện
(vượt quá giá trị giới hạn “limit”) thì ong Employed cùng với vị trí nguồn thức ăn i bị
ngăn cấm. Ong Emloyed trở thành ong Scout và đi tìm ngẫu nhiên vị trí nguồn thức ăn
mới. Bởi vì vị trí nguồn thức ăn mới được xác định, một chu kỳ khác của thuật toán
ABC được bắt đầu và vòng lặp được kết thúc khi tất cả các điều kiện được thỏa mãn.
Để xác định vị trí nguồn thức ăn lân cận, thuật toán ABC đã thay đổi thông số
được lựa chọn ngẫu nhiên và giữ nguyên các thông số còn lại. Công thức diễn đạt như
sau:
xijnew  xijold  u ( xijold  xkj ) (3.45)
Trong đó:
k Є {1,2,…,Eb}.
u: số ngẫu nhiên [-1,1]
j Є {1,2,…,D}.
xij : vị trí nguồn thức ăn xi của thông số thứ j
Khi vị trí nguồn thức ăn đã bị cấm, ong Employed trở thành ong Scout. Ong
Scout tạo ra vị trí nguồn thức ăn mới như sau:
xij ( new)  min( xij )  u[max(xij )  min( xij )] (3.46)
Trong công thức (3.46) áp dụng cho tất cả các thông số j và u là số ngẫu nhiên
nằm trong khoảng [-1,1]. Nếu có một giá trị thông số được tạo ra sử dụng công thức
(3.45), (3.46) vượt ra giới hạn xác định trước đó thì giá trị của thông số đó có thể được
thiết lập ở giá trị chấp nhận. Trong thuật toán ABC có một vài thông số điều khiển như
sau:
CS: kích cỡ của đàn ong, bao gồm ong Employed (Eb) và Onlooker (Ob)
65
Giá trị giới hạn “limit”: số lần thử đối với vị trí nguồn thức ăn (lời giải) bị ngăn
cấm.
MCN: số vòng lặp cực đại.
Các bước của thuật toán ABC được trình bày như sau:
 Bước 1: Khởi tạo ngẫu nhiên số lượng nguồn thức ăn (tương ứng với số
lượng lời giải) xi với vector không gian D.
Trong đó:
i = 1, 2,… Eb.
D: số lượng các thông số tối ưu hóa
 Bước 2: Đánh giá chất lượng của mỗi lời giải trên theo công thức sau:
1
fitnessi  (3.47)
1  Obj.Funi
Trong đó: Obj.Funi là hàm mục tiêu của lời giải thứ i
new
 Bước 3: Tạo ra những lời giải mới xij cho ong Employed bằng cách sử
dụng phương trình (3.45) và đánh giá chất lượng mỗi lời giải theo phương trình (3.47).
 Bước 4: Áp dụng tiến trình lựa chọn nguồn thức ăn
 Bước 5: Nếu tất cả ong Onlooker được phân phối đến vị trí trí nguồn thức ăn,
đi đến bước 9. Ngược lại, chuyển đến bước tiếp theo
 Bước 6: Tính toán giá trị Pi cho lời giải xi sử dụng phương trình (3.44)
 Bước 7: Tạo ra vị trí nguồn thức ăn lân cận cho ong Onlooker, vị trí này phụ
thuộc vào giá trị Pi. Sau đó đánh giá chúng như đã thể hiện hiện ở bước 2
 Bước 8: Quay về bước 4
 Bước 9: Xác định nguồn thức ăn (lời giải) bị ngăn cấm cho Scout. Nếu có,
j ( new )
thay bằng lời giải mới xi được khởi tạo ngẫu nhiên bằng phương trình (3.46). Sau
đó đánh giá chúng như đã thể hiện hiện ở bước 2
 Bước 10: Lưu trữ lại lời giải tốt nhất sau mỗi vòng lặp
 Bước 11: Tăng số vòng lặp lên (Cycle = Cycle +1)
 Bước 12: Bài toán được thực hiện cho đến khi số vòng lặp đạt cực đại (Cycle
= MCN). Ngược lại quay về bước 3
Lưu đồ của thuật toán ABC được thể hiện như sau:
66
Hình 3.5: Lưu đồ các bước thực hiện thuật toán ABC
67
3.2.2. Áp dụng thuật toán ABC giải bài toán phân bố công suất tối ưu trong hệ
thống điện
3.2.2.1. Thành lập bài toán OPF
* Hàm mục tiêu
Xét hàm mục tiêu của bài toán là hàm tổng chi phí máy phát với dạng đường
cong bậc 2 không có thành phần điểm van công suất:
NG
Min F   ( fi ) ($/h) (3.48)
i 1
Với
fi  (ai  bi PGi  ci PGi2 ) ($/h) (3.49)
* Các ràng buộc bằng nhau:
Phương trình cân bằng công suất tác dụng và công suất phản kháng tại 1 nút.
NG
PGi  PDi  Vi  V j [Gij Cos ( i   j )  Bij Sin( i   j )]  0 (3.50)
j 1
NG
QGi  QDi  Vi  V j [Gij Sin( i   j )  Bij Sin( i   j )]  0 (3.51)
j 1
Trong đó:
NB: tổng số nút của hệ thống
NL: tổng số nút tải
PGi: công suất tác dụng đầu ra của máy thứ i
QGi: công suất phản kháng đầu ra của máy thứ i
PDi: công suất tác dụng của phụ tải tại thanh cái thứ i
QDi: công suất phản kháng của phụ tải tại thanh cái thứ i
68
* Các ràng buộc không bằng nhau:
- Giới hạn công suất tác dụng và công suất phản kháng của máy phát
PGimin  PGi  PGimax (3.52)
min
QGi  QGi  QGi
max
(3.53)
- Giới hạn điện áp nút máy phát và tải
VGimin  VGi  VGimax i  1...NG (3.54)
VLimin  VLi  VLimax i  1...NG (3.55)
- Giới hạn nấc chuyển điện áp máy biến áp
Ti min  Ti  Ti max i  1...NT (3.56)
- Giới hạn công suất trên đường dây truyền tải
Sl  Sl ,max ; l  1,..., Nl (3.57)
Trong đó
NG: số máy phát
NT: số nấc chuyển điện áp máy biến áp
Nl: số đường dây truyền tải
3.2.2.2. Thiết lập các thông số của thuật toán ABC
- Số cá thể trong quần thể NP = 40 (ong Employed + ong Onlooker)
- Số nguồn thức ăn FS = NP/2 = 20
- Giới hạn đối với một nguồn thức ăn Limit = 100
- Số bước lặp tối đa Itmax= 80
- Hệ số phạt chung cho tất cả các ràng buộc cân bằng công suất, đường dây
truyền tải, điện áp nút máy phát, chỉ số chỉnh định máy biến áp là k = 1000000.
69
3.2.2.3 Trình tự các bước thực hiện của thuật toán ABC giải bài toán OPF
Bước 1: Khởi tạo các biến và chọn thông số cho thuật toán ABC
Khi đó vị trí cá thể thứ i trong phương pháp ABC được khởi tạo tương ứng
trong bài toán OPF như sau:
Xid   Pgi ,Vgi , Ti  hay (3.58)
Xid   PG 2 ...PGNG , VG1...VGNG , T1...TNT  (3.59)
- Giá trị khởi động của Xid được xác định như sau:

X id  X idmin  rand ( N , FS ).* X idmax  X idmin  (3.60)
Trong đó
X idmax  X imax * ones(1, FS ) (3.61)
X idmin  X imin * ones(1, FS ) (3.62)
Với
X imax  [PGmax max max max max max

2 ...PGNG , VG1 ...VGNG , TG1 ...TNT ] (3.63)
X imin  [PGmin min min min min min

2 ...PGNG , VG1 ...VGNG , TG1 ...TNT ] (3.64)
Với
PGimax , PGimin : lần lượt là công suất tác dụng cực đại và cực tiểu phát ra tại
nút i(i=2,..,NG), NG số máy phát.
VGimax ,VGimin : lần lượt là điện áp cực đại và cực tiểu phát ra tại nút
i(i=1,..,NG).
Ti max , Ti min : lần lượt là giá trị nấc chuyển điện áp lớn nhất và nhỏ nhất tại
nút i(i=1,..,NT), NT là số nấc chuyển điện áp.
Bước 2: Thực hiện phân bố công suất theo Newton-Raphson
- Tính tổng chi phí máy phát
FC  sum(ai  bi .PGi  ci .PGi2 ) (3.65)
- Tính giá trị giới hạn phạt của công suất tác dụng tại nút chuẩn
70
FP1  K ( PG1  PGmin
1 )
2
(3.66)
Với
K: hệ số phạt cho công suất thực tại nút chuẩn.
PG1 , PGmin
1 : giá trị công suất thực và công suất cực tiểu tại nút chuẩn.
- Tính tổng giá trị giới hạn phạt cho điện áp nút máy phát
NL
FV  K  (VGi  VGimin )2 (3.67)
i 1
Với
K: hệ số phạt cho ràng buộc điện áp nút máy phát
VG1 , VGmin
1 : lần lượt là giá trị điện áp máy phát và điện áp cực tiểu máy phát
phát ra tại nút i.

- Tính tổng giá trị giới hạn phạt cho công suất đường dây truyền tải
nl
FS  K  ( Sli  Slimax )2 (3.68)
i 1
Với
K: hệ số phạt cho ràng buộc đường dây truyền tải
Sli , Slimax : lần lượt là công suất truyền tải và công suất truyền tải cực đại trên
đường dây
- Tính tổng giá trị giới hạn phạt cho bộ chỉnh định nấc máy biến áp
NT
FT  K  (Ti  Ti max )2 (3.69)
i 1
Với
K: hệ số phạt cho bộ chỉnh định nấc máy biến áp.
Ti , Ti max : lần lượt là giá trị nấc máy biến áp và giá trị nấc máy biến áp cực
đại tại nút i.
Bước 3: Tính giá trị hàm Fitness
71
Objd  FC  K . FP1  K . sum( FQ)  K . sum( FV )  K . sum( FS ) 
(3.70)
 K . sum( FT )
Bước 4: Đặt các giá trị hiện tại của Xid là giá trị tốt nhất
- Đặt giá trị tốt nhất của cá thể thứ i
[FGbest, ind ]  min(Objd ) (3.71)
- Đặt vị trí tốt nhất của cá thể thứ i
Gbesti  X id (:, ind ) (3.72)
Trong đó
Xid là vị trí tốt nhất của cá thể i trong nhóm các cá thể trong quần thể.
Bước 5: Đặt giá trị vòng lặp
Iter = 1
While Iter < Itmax
Iter = Iter +1
Bước 6: Xác định vị trí Xd cho ong Employed
X d ( param)  X id ( param, d )  ( X id ( param, d ) 
(3.73)
 X id ( param, neighbour ))*(rand  0.5)*2
Với
Param = fix(rand*N) + 1
Neighbour = fix(rand*FS) + 1
Trong đó
Xid: vị trí khởi tạo của cá thể
Xd(param): vị trí khởi tạo của cá thể ở vòng lặp
Param: thông số được lấy ngẫu nhiên
Neighbour: là vị trí các lời giải ở vùng lân cận được lấy ngẫu nhiên
Bước 7: Tính toán lại thông số dùng phân bố công suất sử dụng phương pháp
Newton-Raphson
Tính lại bước 2
Bước 8: Tính lại hàm Fitness cho ong Employed
72
Bước 9: So sánh giá trị Fitness của vị trí này với giá trị Fitness khởi tạo. Nếu tất cả
tốt hơn, chuyển đến bước 14. Ngược lại, đi đến bước tiếp theo.
Bước 10. Cập nhật lại vị trí Xd cho ong Onlooker
Việc cập nhật lại vị trí Xd cho ong Onlooker dựa vào công thức sau:
Pr ob  (0.9.* Objd. / max(Objd ))  0.1) (3.74)
Bước 11: Tính toán lại thông số dùng phân bố công suất sử dụng phương pháp
Newton-Raphson
Bước 12: Tính lại hàm Fitness cho ong Onlooker
Bước 13: Quay về bước 9
Bước 14: Xác định nguồn thức ăn không được cải thiện khi vượt quá giá trị limit.
Nếu không có, đi đến bước 15. Ngược lại, tạo ra vị trí nguồn thức ăn mới cho ong
Scout theo phương trình 3.64, sau đó tính lại hàm Fitness và đi đến bước 15.
Xid(:,ind) = Xidmin(:,ind) + rand(N,1)*(Xidmax(:,ind) – Xidmin(:,ind)) (3.75)
Bước 15: Lưu lại vị trí và giá trị của hàm Fitness.
Bước 16: Kiểm tra số vòng lặp, nếu Iter < Itmax trở lại bước 5. Ngược lại, kết thúc
thuật toán.
3.3. Thuật toán lai giữa Differential Evolution và Harmony Search
3.3.1. Thuật toán Differential Evolution
DE là thuật toán tiến hóa được đề xuất bởi Storn và Price [52], [53]. Phương
pháp này rất hiệu quả trong những bài toán tối ưu không tuyến tính với nhiều ràng
buộc. Ưu điểm của DE so với các phương pháp tiến hóa khác là cấu trúc đơn giản và
gọn, ít thông số điều khiển, tốc độ hội tụ nhanh. Do khả năng dò tìm tin cậy và mạnh
nên nó được ứng dụng trong nhiều lĩnh vực khác nhau như cơ khí, công nghệ sinh học,
điện tử…
Giải thuật của Differential Evolution
Bước 1: Đột biến
Chọn vector đích xi,g (= x0,g) và vector cơ bản xr0,g (= x2,g).
73
Chọn ngẫu nhiên 2 vector thành phần xr1,g(= x3,g)và xr2,g(= xNp-2,g.).
Tính toán giá trị cho một vector đột biến.
vi , g  xr 0, g  F .( xr1, g  xr 2, g ) (3.76)
Bước 2: Lai tạo

Chọn vector mới từ vector đích và vector đột biến theo quy tắc sau:
(3.77)
Hình 3.6: Chọn vector mới từ vector đột biến và vector đích trong thuật toán DE
Bước 3: Lựa chọn
Tính toán giá trị hàm mục tiêu với vector mới được tạo ra, so sánh giá trị này
với giá trị hàm mục tiêu của vector đích đã chọn lúc đầu để quyết định có chọn vector
mới hay không.
(3.78)
74
Hình 3.7: Các bước tính toán của thuật toán DE
75
Hình 3.8: Lập trình thuật toán DE
3.3.2. Thuật toán Harmony Search
Thuật toán tìm kiếm sự hài hòa (HS) gần đây đã được phát triển tương tự
với quá trình ngẫu hứng âm nhạc ứng tác các nốt nhạc của các nhạc cụ để có được sự
hài hòa tốt hơn. Các bước trong thủ tục tìm kiếm sự hài hòa được thể hiện:
Bước 1: Khởi tạo các vấn đề và các thông số thuật toán.

Bước 2: Khởi tạo bộ nhớ hài hòa.
Bước 3: Ngẫu hứng một sự hòa hợp mới.
Bước 4: Cập nhật bộ nhớ hài hòa.
Bước 5: Kiểm tra các tiêu chí dừng lại.
76
Hình 3.9: Sơ đồ khối đơn giản của thuật toán HS
Harmony Search cố gắng để tìm thấy một vector x mà tối ưu hóa (tối thiểu hoặc
tối đa) là một hàm mục tiêu nhất định.
Nội dung chi tiết các bước của thuật toán HS:
Bước 1: Khởi tạo các vấn đề và các thông số thuật toán.
Ở Bước 1, các vấn đề tối ưu hoá được quy định cụ thể như sau:
Vd: min{ f ( x) | x  X } ràng buộc g  x   0 và h( x)  0
Trong đó: f(x) là hàm mục tiêu; g(x) ràng buộc bất phương trình; h(x) ràng buộc
phương trình; X là tập xác định, xiL  xi  xiU .
HMS: Kích thước hoặc số vectơ giải pháp trong bộ nhớ hài hòa;
HMCR: tỷ lệ hòa hợp bộ nhớ xem xét;
PAR: tỷ lệ điều chỉnh cao độ;
N: số của các biến quyết định;
NI: số lượng ngẫu hứng, hoặc tiêu chí dừng lại;
HM bộ nhớ Harmony là nơi chứa tấc cả các vector giải quyết của thuật toán.
Bước 2:
77
 Tạo vectơ ngẫu nhiên (x1,….,xHMS) , HMS (sự hòa hợp kích thước bộ
nhớ), sau đó lưu trữ chúng trong bộ nhớ hài hòa (HM).
Bước 3:
 Tạo ra một vector mới x’. Đối với mỗi thành phần x’i.
 Với xác suất HMCR (sự hòa hợp tốc độ bộ nhớ xem xét, 0 ≤ HMCR≤ 1),
chọn giá trị được lưu trữ từ HM: x 'i  xiint(u (0,1)*HMS )1
 Với xác suất (1- HMCR), chọn một giá trị ngẫu nhiên trong phạm vi cho
phép.
 Thực hiện công việc bổ sung nếu giá trị đến từ HM.
 Với xác suất PAR (tỷ lệ điều chỉnh cao độ, 0 ≤ PAR ≤ 1), thay đổi x’i
bằng một giá trị hiệu chỉnh nhỏ: x 'i  x 'i   hoặc x 'i  x 'i   với biến rời rạc
hoặc x 'i  x 'i  fw.u ( 1,1) cho biến liên tục.
 Với xác suất (1- PAR) không phải làm gì.

Bước 4: Nếu x’ tốt hơn so với vector tồi tệ nhất xWorst trong HM, thay thế xWorst
bởi x’.
Bước 5: Lặp lại từ bước 3 đến bước 4 cho đến khi thỏa điều kiện dừng (số vòng
lặp tối đa).
Các tham số của thuật toán là:
 HMS: Kích thước của bộ nhớ hài hòa. Nó thường thay đổi 1-100. (Giá trị
điển hình = 30).
 HMCR: Tỷ lệ lựa chọn một giá trị từ bộ nhớ hài hòa. Nó thường thay đổi
từ 0,7 đến 0,99. (Giá trị điển hình = 0.9).
 PAR: Tỷ lệ lựa chọn một giá trị lân cận. Nó thường thay đổi từ 0,1 đến
0,5. (Giá trị điển hình = 0,3).
 : giá trị hiệu chỉnh trong biến rời rạc.
78
 fw (fret width, formerly bandwidth): giá trị hiệu chỉnh với biến liên tục
(khoảng tối đa có thể thay đổi trong điều chỉnh cao độ).
fw = (0.001: 0.01)* giá trị cho phép
Các nghiên cứu thiết lập thông số tự do đã được thực hiện. Trong nghiên cứu, người
sử dụng thuật toán không cần cài đặt thông số.
3.3.3. Thuật toán lai giữa Differential Evolution và Harmony Search
Sau một thời gian phát triển, thuật toán DE đã đạt đến một trạng thái ấn tượng.
Tuy nhiên, vẫn còn nhiều hạn chế, chẳng hạn như thế hệ tiếp theo của nó chỉ từ cha mẹ
(hai quần thể) có thể hạn chế sự đa dạng của thuật toán nên những cải tiến DE vẫn còn
là một vấn đề mở.
Theo thuật toán HS, một vector mới được xây dựng từ tất cả các vectơ hiện tại
hơn là chỉ từ hai cá thể. Thuật toán HS có thể độc lập xem xét từng biến thành phần
trong một vector trong khi nó tạo ra một vector mới. Những tính năng này làm tăng
tính linh hoạt của các thuật toán HS và sản sinh các giải pháp tốt hơn, khắc phục những
bất lợi của thuật toán DE.
Do đó, luận án trình bày một thuật toán DE cải tiến kết hợp với HS, thuật toán
không chỉ làm tăng sự đa dạng của quần thể, mà còn tránh được các thế hệ cha mẹ
được lựa chọn từ hai quần thể trong một thế hệ. DEHS là một cách luân phiên bất biến
để tạo ra các điểm tiềm năng hơn mà không làm tăng số Np của các cá thể của quần
thể. Một mặt, DEHS có thể sử dụng tỷ lệ điều chỉnh để cải thiện cá thể có được kết quả
tính toán tốt hơn. Mặt khác, DEHS tạo ra một vector mới sau khi xem xét tất cả các
vector hiện tại hơn là chỉ xem xét hai (cha mẹ) như trong DE. Vì vậy, so với tiêu chuẩn
DE, DEHS có tiềm năng tương tự với DE về chức năng thử nghiệm thông thường và
các chức năng thấp chiều và đa chiều, nhưng có khả năng tốt hơn so với DE chức năng
đa chiều.
Lưu đồ giải thuật phương pháp lai DEHS như sau:
79
Hình 3.10: Lưu đồ giải thuật của phương pháp DEHS
80
3.4. Thuật toán lai giữa Differential Evolution và Gravitational Search
Algorithm
3.4.1. Thuật toán Gravitational Search Algorithm
Giải thuật tối ưu Gravitational Search Algorithm (GSA) lần đầu tiên được
Rashedi đề xuất năm 2009 [54], giải thuật này lấy cảm hứng từ luật trọng trường của
Newton. Trong giải thuật này, các cá thể có đặc tính của chúng được đo bởi các khối
lượng. Tất cả các vật thể hấp dẫn nhau bởi lực trọng trường, lực này tạo ra chuyển
động của tất cả vật thể và các vật thể có xu hướng dịch chuyển đến các vật thể có khối
lượng nặng hơn. Các vị trí của vật thể có khối lượng nặng được xem là những lời giải
tốt của bài toán.
Trong GSA, mỗi vật thể được đặc trưng bởi 4 thông số: vị trí, khối lượng quán
tính, khối lượng trọng trường chủ động, khối lượng trọng trường thụ động. Trong đó,
vị trí của vật thể tương ứng với lời giải của bài toán, khối lượng quán tính và trọng
trường được xác định thông qua tính toán hàm mục tiêu của vật thể đó. Nói cách khác
là mỗi vật thể đại diện cho một lời giải và sau mỗi lần lặp giải thuật sẽ điều chỉnh khối
lượng của các vật thể, các vật thể sẽ bị hấp dẫn bởi vật có khối lượng nặng nhất. Vật
thể nặng nhất này sẽ biểu thị lời giải tối ưu trong không gian tìm kiếm.
Trong giải thuật GSA, các vật thể được xem như trong một hệ cách ly, trong đó
các vật thể chuyển động theo luật trọng trường và luật chuyển động của Newton. Cụ
thể:
+ Luật trọng trường: Mỗi phần tử hấp dẫn các phần tử khác và lực trọng trường giữa
chúng là tỷ lệ thuận với tích của các khối lượng và tỷ lệ nghịch với khoảng cách giữa
chúng, R. Các tác giả đề nghị sử dụng ở đây là R thay vì R2, bởi vì theo những kết quả
thí nghiệm, R tạo ra kết quả tốt hơn R2 trong tất cả các trường hợp thí nghiệm.
+Luật chuyển động: Vận tốc tức thời của bất cứ vật thể nào bằng tổng của vận tốc
trước đó và sự thay đổi vận tốc. Sự thay đổi vận tốc hay gia tốc của vật thể bằng lực tác
động lên hệ chia cho khối lượng quán tính.
81
Bây giờ, xét một hệ có N phần tử. Chúng ta định nghĩa vị trí của phần tử thứ i
là:
Xi  (x1i , x i2 ..., x id ,..., x in ) với i = 1,2,…,N (3.79)
Trong đó, x di là vị trí của vật thể i theo chiều d.
Tại thời điểm t, ta định nghĩa lực tác dụng lên vật thể i từ vật thể j là:
M pi (t)xM aj (t)
Fijd (t)  G(t). (x dj (t)  x id (t)) (3.80)
R ij (t)  
Trong đó:
+ Maj là khối lượng hấp dẫn chủ động của vật thể j
+ Mpi là khối lượng hấp dẫn thụ động của vật thể i
+ G(t) là hằng số trọng trường tại thời điểm t
+ ε là hằng số
+ Rij(t) là khoảng cách Euclide của vật thể i và j:
R ij (t) || Xi (t), X j (t) ||2 (3.81)
Để cho giải thuật có đặc tính ngẫu nhiên, giả thiết rằng lực tổng hợp tương tác
lên vật thể i theo chiều d là một tổng ngẫu nhiên của các thành phần lực theo chiều d
của các vật thể:
N
Fid (t)   rand F (t)
j1, ji
d
j ij (3.82)
Trong đó: randj là một số ngẫu nhiên trong đoạn [0, 1].
Theo luật chuyển động, gia tốc của vật thể i, theo hướng d, ở thời điểm t là a di (t) :
Fid (t)
a di (t)  (3.83)
M ii (t)
Trong đó: Mii là khối lượng quán tính của vật thể i.
82
Ngoài ra, vận tốc thời điểm tiếp theo của một vật thể là một phần của vận tốc
hiện tại cộng thêm gia tốc. Cho nên, vị trí và vận tốc của vật thể ở thời điểm tiếp theo
được tính như sau:
v di (t  1)  randi .v id (t)  a id (t) (3.84)
x di (t  1)  x di (t)  v di (t  1) (3.85)
Trong đó: randi là một biến ngẫu nhiên chuẩn trong đoạn [0,1].
Hình 3.11: Lực và gia tốc tương tác lên vật thể 1 do các vật thể khác sinh ra
Hằng số trọng trường G, được khởi tạo lúc bắt đầu và sẽ bị giảm dần theo thời
gian để điều khiển độ chính xác tìm kiếm. Nói cách khác, G là một hàm của giá trị ban
đầu G0 và thời gian t:
G(t) = G(G0, t). (3.86)
Khối lượng quán tính và trọng trường được tính toán đơn giản nhờ đánh giá giá
trị hàm mục tiêu. Khối lượng càng nặng nghĩa là vật thể càng hiệu quả trong việc làm
lời giải. Điều này nghĩa là khối lượng tốt hơn có lực hấp dẫn các vật khác lớn hơn và di
chuyển chậm hơn. Giả thiết các khối lượng quán tính và trọng trường bằng nhau, giá trị
83
của các khối lượng được tính thông qua giá trị hàm mục tiêu. Chúng ta cập nhật các
khối lượng quán tính và trọng trường bởi phương trình sau:
Mai = Mpi = Mii = Mi, i=1,2,…N (3.87)

fit i (t)  worst(t)
mi (t)  (3.88)
best(t)  worst(t)
mi (t)
M i (t)  N
(3.89)
 m (t)
j1
j
Trong đó:
+ fiti(t) là giá trị fitness của vật thể i tại thời điểm t.
+ worst(t), best(t) được định nghĩa (trong bài toán tìm Min) như sau:
best(t)  min fit j (t), j  1..N (3.90)
worst(t)  maxfit j (t), j  1..N

(3.91)
Trong bài toán tìm max thì giá trị best(t) lấy max fitj(t) còn giá trị worst(t) lấy
min fitj(t).
Một cách để thực hiện kết hợp tốt thăm dò và khai thác là giảm được số lượng
số vật thể tương tác theo thời gian trong phương trình (3.91). Do đó, tác giả đề xuất chỉ
có tập các vật thể có khối lượng lớn hơn mới tác dụng lực của chúng lên những vật thể
khác. Tuy nhiên, điều này có thể giảm sức mạnh exploration và tăng khả năng
exploitation.
Để tránh việc kẹt ở cực trị địa phương thì ban đầu giải thuật sẽ thực hiện việc
mở rộng không gian tìm kiếm. Dần dần, theo các lần lặp về sau giải thuật giảm khả
năng tìm kiếm thăm dò và tăng khả năng khai thác.
Để cải thiện hiệu suất của GSA nhờ điều chỉnh thăm dò và khai thác chỉ có
những vật thể trong tập Kbest mới hấp dẫn những vật thể khác. Số lượng các vật thể
trong Kbest một phụ thuộc vào thời gian (số lần lặp), ban đầu có giá trị khởi tạo K0 và
84
giảm dần theo thời gian. Ví dụ, lúc đầu tất cả các vật thể đều tác dụng lực lên nhau, và
sau đó thì Kbest giảm dần dần, đến lần lặp cuối còn lại một số vật thể nặng nhất tác
dụng lực đến các vật thể khác. Cho nên phương trình (3.82) có thể được chỉnh sửa lại:
N
Fid (t)  
jKbest, ji
rand jFijd (t) (3.92)
Trong đó, Kbest là tập của K phần tử đầu tiên có giá trị fitness tốt nhất và khối
lượng lớn nhất.
Lưu đồ của GSA như hình dưới:
Hình 3.12: Lưu đồ giải thuật GSA
Các bước trong giải thuật GSA:
85
Bước 1- Khởi tạo vị trí các vật thể
Khởi tạo một tập hợp các vật thể có vị trí ngẫu nhiên trong không gian bài toán D
chiều sử dụng hàm phân bố xác suất. Để làm điều này GSA xem hệ thống N phần tử, vị
trí thứ i được định nghĩa như (3.36) sau:
Xi  (x1i , x i2 ..., x id ,..., x in ) với i = 1,2,…,N (3.93)
Ở đây xid là vị trí của vật thể i theo chiều d và D là số chiều không gian.
Bước 2: Đánh giá hàm mục tiêu của các vật thể
Bước 3: Cập nhật G(t), best(t), worst(t), Mi(t) đối với i=1...N:
Trong GSA, hằng số trọng trường G, lúc đầy lấy một giá trị khởi tạo G 0, sau đó sẽ
được giảm dần theo thời gian:
G(t)  G(G 0 , t) (3.94)
Khối lượng của vật thể được tính toán sau khi tính được hàm mục tiêu của tập hợp
hiện tại:
fit i (t)  worst(t)

mi (t)  (3.95)
best(t)  worst(t)
mi (t)
M i (t)  N
(3.96)
 m (t)
j1
j
Ở đây, Mi(t) và fiti(t) là khối lượng và giá trị hàm mục tiêu của vật thể i tại thời điểm
t và
worst(t) và best(t) là giá trị kém nhất và tốt nhất (đối với bài toán maximization) thì:
best(t)  max fit j (t), j  1..N (3.97)
worst(t)  min fit j (t), j  1..N (3.98)
Bước 4: Tính toán lực tổng hợp theo các hướng khác nhau:
86
Lực tổng hợp của tập các vật thể có khối lượng nặng hơn sẽ tác dụng lên vật thể i
được tính dựa vào lực trọng trường:
M j (t)xM i (t)
Fid (t)  
jKbest, ji
rand jG(t).
R ij (t)  
(x dj (t)  x id (t)) (3.99)
Trong đó:
+ randj là giá trị ngẫu nhiên từ [0,1]
+ ε là một số nhỏ và Rij(t) là khoảng cách Euclidian giữa 2 vật thể i và j
+ Kbest là tập hợp các phần tử có khả năng tác dụng lực lên các phần tử còn lại.
Bước 5: Tính toán gia tốc và vận tốc:
Gia tốc của vật thể được tính nhờ luật chuyển động
Fid (t) M i (t)

a di (t) 
M i (t)
 
jKbest, ji
rand jG(t).
R ij (t)  
(x dj (t)  x id (t)) (3.100)
Trong đó randj là số ngẫu nhiên trong đoạn [0,1]
Vận tốc mới của vật thể bằng vận tốc cũ của vật thể cộng gia tốc:
v di (t  1)  randi .v id (t)  a id (t) (3.101)
Bước 6-Cập nhật vị trí các vật thể:
x di (t  1)  x di (t)  v di (t  1) (3.102)
Bước 7-Lặp lại chu trình trên
Lặp lại từ bước 2 đến bước 6 đến khi gặp điều kiện dừng, thường điều kiện dừng là
hàm mục tiêu đủ tốt hoặc số lần lặp đến tối đa.
Một số lưu ý về giải thuật GSA:
 Do mỗi phần tử có thể quan sát đặc tính của các phần tử khác, cho nên lực trọng
trường là công cụ truyền thông tin.
 Do lực này tác dụng lên mỗi phần tử từ các phần tử lân cận, nên nó có thể quan
sát được không gian xung quanh nó.
87
 Một vật thể nặng có bán kính tương tác hiệu quả lớn vì thế nó có cường độ hấp
dẫn mạnh. Cho nên các vật thể có hiệu quả cao hơn thì có khối lượng trọng trường lớn
hơn. Kết quả là các vật thể có khuynh hướng di chuyển về phần tử tốt nhất.
 Khối lượng quán tính của vật thể đặc trưng cho sự chống lại sự chuyển động và
làm cho sự chuyển động của vật thể chậm. Vì vậy, vật thể có khối lượng quán tính lớn
sẽ chuyển chậm lại giúp cho việc tìm kiếm địa phương tốt hơn.
 Hằng số trọng trường hiệu chỉnh độ chính xác tìm kiếm, cho nên nó được giảm
theo thời gian.
 GSA là giải thuật không cần nhớ, tức là nó cập nhật vận tốc, vị trí dựa trên
thông tin của hiện tại của vật thể. Điều này khác với PSO là cần thông tin quá khứ của
cá thể là Pbesti, Gbest. Tuy nhiên GSA lại làm việc hiệu quả giống như giải thuật cần nhớ.
 Trong giải thuật này, tác giả giả sử khối lượng quán tính và khối lượng trọng
trường là một. Tuy nhiên, ở một số bài toán khác nhau thì chúng có thể được sử dụng.
Khối lượng quán tính lớn sẽ làm vật thể di chuyển chậm cho nên tăng độ chính xác tìm
kiếm, ngược lại, khối lượng trọng trường lớn sẽ hấp dẫn các vật thể khác mạnh khiến
cho tốc độ hội tụ nhanh.
3.4.2. Thuật toán lai giữa Differential Evolution và Gravitational Search
Algorithm
Giải thuật lai được tạo thành từ 2 hoặc nhiều giải thuật kết hợp với nhau, tạo
thành một giải thuật ưu điểm hơn khắc phục những nhược điểm của giải thuật riêng lẻ.
Lai thường được tạo thành từ 3 cách phổ biến sau: (1) Khởi đầu bằng một giải thuật và
áp dụng giải thuật khác vào giai đoạn sau vào tập hợp đã được xử lý bằng giải thuật
trước; (2) Tích hợp các toán tử của giải thuật như GA, DE, SA vào một giải thuật khác
như PSO, GSA... (3) Sử dụng kỹ thuật tìm kiếm địa phương sau khi kết thúc giải thuật
chính để cải thiện chất lượng lời giải.
Lấy cảm hứng từ cấu hình lai giữa PSO và DE như trong [53] và giải thuật
SaDE ở [54], chúng tôi đề xuất giải thuật DEGSA. DE như trình bày trước đây là giải
thuật tiến hóa dựa vào tập hợp dễ thực hiện và có ít thông số phải hiệu chỉnh. Những
ưu điểm đáng kể của DE là có các toán tử đột biến, lai tạo, lựa chọn để tăng sự phân ly
trong tập hợp, trong khi đó GSA là giải thuật nổi tiếng với khả năng tìm kiếm toàn cục.
Trong hệ lai này, tác giả đề xuất cấu hình lai như sau: đầu tiên là quá trình DE, sử dụng
88
GSA để cải thiện chất lượng giải pháp của tập hợp toàn cục. Quá trình này lặp đến khi
thỏa mãn điều kiện dừng.
Trong mỗi lần lặp sẽ làm giải thuật sẽ tiến hành 4 bước sau đối với các cá thể,
giả sử xét cá thể thứ i:
Bước 1: Đầu tiên, tạo ra véc tơ lai tạo thứ i (Ui) từ các véc tơ bố mẹ xác suất lai tạo
CR
Bước 2: Lựa chọn giữa phần tử lai tạo UiG và XiG trong tập véc tơ bố mẹ để tạo ra
XiG+1
Nếu UiG được chọn thì tăng i = i+1 và quay lại bước 1, ngược lại thì đến bước 3.
Bước 3: Sử dụng GSA để tạo ra Xi’G từ XiG và nếu Xi’G tốt hơn XiG thì XiG+1 =Xi’G
Bước 4: Lặp lại bước 1 đến khi i = số cá thể trong tập hợp.
Sơ đồ giải thuật DEGSA đề xuất được thể hiện như sau:
89
Hình 3.13: Lưu đồ giải thuật của thuật toán DEGSA
90
Ở mỗi lần lặp, bốn bước trên sẽ được áp dụng cho từng cá thể trong tập hợp, sau
khi hết các cá thể sẽ chuyển qua bước lặp tiếp theo.
Việc sử dụng 2 sơ đồ của DE thay vì chỉ sử dụng DE/rand/1 đặt ra việc lựa chọn
sơ đồ nào trong 2 sơ đồ DE/rand/1 và DE/current to best/1, trong [55] tác giả đề xuất
lựa chọn dựa vào xác suất tỷ lệ thành công của từng sơ đồ trong việc tạo ra cá thể con
tốt hơn, nhưng theo thử nghiệm của chúng tôi thì tỷ lệ xác suất này cố định sẽ cho kết
quả tốt hơn đối với những bài toán ED, tuy nhiên khó khăn trong việc sử dụng tỷ lệ sử
dụng 2 sơ đồ cố định là phải điều chỉnh tỷ lệ tùy theo từng bài toán.
Hai tham số điều khiển Cr và F như trong giải thuật DE thông thường, hệ số Cr
được chọn trong khoảng (0, 1) còn hệ số F thường được chọn trong khoảng (0, 2). Tuy
nhiên thực tế, giới hạn trên của F thường là 1, bởi theo [53] thì cho đến nay chưa có
hàm benchmark nào tối ưu thành công với F>1. Trong sơ đồ này giá trị F, CR ảnh
hưởng đến chất lượng lời giải. Tránh việc hội tụ non hoặc làm chậm sự hội tụ thì một
giá trị Cr cần được chọn phù hợp. Cr quá lớn thì dẫn đến tìm kiếm địa phương và tăng
tốc độ hội tụ, còn Cr quá nhỏ thì dẫn đến phân ly tập hợp và tăng khả năng tìm kiếm
toàn cục. Còn F thì ngược lại, giá trị nhỏ của F dẫn đến tăng tốc hội tụ, còn giá trị F
cao sẽ làm chậm quá trình hội tụ.
3.5. So sánh các thuật toán đề xuất dựa trên khả năng tính toán bài toán
điều độ kinh tế với hàm chi phí có xét ảnh hưởng của điểm van công suất
3.5.1. Mô hình bài toán dùng để so sánh các thuật toán
Đối với bài toán điều độ kinh tế các tổ máy có xét đến điểm van công suất thì hệ
thống 40 nhà máy cung cấp cho tải hệ thống là 10500MW được nhiều tác giả nghiên
cứu vì kích cỡ của bài toán lớn, số điểm cực trị địa phương nhiều, sự phi tuyến cao.
Thông số chi tiết của mạng điện cho trong Phụ lục 1 với tổn thất công suất trong hệ
thống PL = 0.
3.5.2. Thông số cài đặt các thuật toán
91
Các thuật toán này được thực hiện trên Matlab 9.0 và chạy trên Laptop Dell
Studio core (TM) 2 Duo CPU T6400 @ 2.0 GHz, Ram 4G. Điều kiện dừng là số vòng
lặp cực đại.
Thông số cài đặt cho thuật toán PSO TVIW:
 Số bước lặp tối đa = 1000
 Số cá thể trong quần thể = 20
 Hệ số gia tốc cực đại : ωmax = 0.9
 Hệ số gia tốc cực tiểu: ωmin = 0.4
 Hệ số kinh nghiệm của cá thể: c1 = 2.3
 Hệ số quan hệ xã hội của cá thể: c2 = 0.5
Thông số cài đặt cho PSO TVAC
 Hệ số gia tốc: ω = 0.75
 Hệ số kinh nghiệm của cá thể cực đại: c1max = 2.5
 Hệ số kinh nghiệm của cá thể cực tiểu: c1min = 0.2
 Hệ số quan hệ xã hội của cá thể cực đại: c2max = 2.5
 Hệ số quan hệ xã hội của cá thể cực tiểu: c2min = 0.2
Thông số cài đặt cho SOH PSO TVAC
 Hệ số kinh nghiệm của cá thể cực đại: c1max = 2.5
 Hệ số kinh nghiệm của cá thể cực tiểu: c1min = 0.2
 Hệ số quan hệ xã hội của cá thể cực đại: c2max = 2.5
 Hệ số quan hệ xã hội của cá thể cực tiểu: c2min = 0.2
Thuật toán SWT-PSO:
 Hệ số gia tốc cực đại max = 1.2
92
 Hệ số gia tốc cực tiểu min = 0.3
 Hệ số kinh nghiệm của cá thể cực đại c1max = 2.2
 Hệ số kinh nghiệm của cá thể cực tiểu c1min = 1.5
 Hệ số quan hệ với các cá thể khác cực đại c2max = 2.2
 Hệ số quan hệ với các cá thể khác cực tiểu c2min = 1.5
Thuật toán IPSO:
 Hệ số kinh nghiệm của cá thể c1 = 2.05
 Hệ số quan hệ với các cá thể khác c2 = 2.05
Thuật toán ABC:
 Số cá thể trong quần thể NP = 40 (ong Employed + ong Onlooker)
 Số nguồn thức ăn FS = NP/2 = 20
 Giới hạn một nguồn thức ăn không được cải thiện về chất lượng limit =
100
Thuật toán DEGSA:
 Hằng số trọng trường G0 = 3000
 Hệ số suy giảm α = 3
 Hệ số đột biến F = 0.5
 Hệ số lai tạo Cr = 0.5
 Số cá thể: 30
Thuật toán DEHS:
 Kích thước của bộ nhớ hài hòa HMS = 30
 Tỷ lệ lựa chọn giá trị từ bộ nhớ hài hòa HMCR =0,95
 Tỷ lệ lựa chọn giá trị lân cận PAR = 0,45
 Hệ số đột biến F = 0.55
 Hệ số lai tạo Cr = 0,3
93
3.5.3. Kết quả áp dụng các thuật toán cải tiến vào tính toán hệ thống 40 nhà
máy có xét ảnh hưởng điểm van công suất
Mạng điện 40 nhà máy được tính toán 1000 vòng lặp, với điều kiện dừng là số
vòng lặp tối đa. Tính toán lần lượt cho các thuật toán cải tiến đề xuất, ta có được kết
quả như bảng bên dưới:
Bảng 3.1: Kết quả tính toán các thuật toán đề xuất trên hệ thống 40 nhà máy có xét
ảnh hưởng điểm van công suất
Phương pháp Tổng chi phí ($/h) Thời gian tính toán (s)
PSO TVIW 121,422.11 7.460035
PSO TVAC 121,422.72 7.4288
SOH PSO TVAC 121,418.30 7.260035
IPSO 121,419.89 7.4444349
SWT-PSO 121,413.70 7.1224354
ABC 121,414.99 7.8692357
DEHS 121,412.53 6.14325
DEGSA 121,412.55 4.4288
3.14a. Thuật toán PSO TVIW 3.14b. Thuật toán PSO TVAC
94
3.14c. Thuật toán SOH PSO TVAC 3.14d. Thuật toán IPSO
3.14e. Thuật toán SWT-PSO 3.14f. Thuật toán ABC
3.14g. Thuật toán DEHS 3.14h. Thuật toán DEGSA
Hình 3.14: Đặc tuyến hội tụ của các thuật toán khi giải mạng điện 40 nhà máy
có xét ảnh hưởng của điểm van công suất
95
Kết luận: Qua kết quả tính toán các thuật toán cải tiến trên mạng điện 40 nhà
máy có xét ảnh hưởng của điểm van công suất cho thấy: phương pháp tính toán cho ra
giá trị cực tiểu hàm chi phí tốt nhất là DEHS, kế tiếp lần lượt là DEGSA và SWT-PSO;
về thời gian thì phương pháp có tốc độ tính toán nhanh nhất là DEGSA, kế tiếp lần lượt
là DEHS và SWT-PSO; về đặc tuyến hội tụ thì 3 phương pháp DEGSA, DEHS và
SWT-PSO cũng cho thấy khả năng tiến nhanh về điểm hội tụ nhanh hơn các phương
pháp còn lại. Từ đây cho thấy, các thuật toán DEGSA, DEHS và SWT-PSO khi áp
dụng vào tính toán bài toán điều độ kinh tế điển hình mạng điện 40 nhà máy cho kết
quả tốt hơn các phương pháp còn lại, những thuật toán này sẽ được áp dụng vào tính
toán nhiều mạng điện phức tạp và quy mô lớn hơn ở chương tiếp theo.
96
CHƯƠNG 4
ỨNG DỤNG MỘT SỐ THUẬT TOÁN CẢI TIẾN TÍNH TOÁN

ĐIỀU ĐỘ TỐI ƯU TRONG HỆ THỐNG ĐIỆN
Chương này sẽ trình bày tính toán điều độ tối ưu trong mạng điện dùng một số
thuật toán cải tiến đã được chọn lọc từ các thuật toán đề xuất trong chương 3 như: thuật
toán cân bằng ngẫu nhiên Stochastic Weight Trade-Off Particle Swarm Optimization,
thuật toán lai giữa Differential Evolution và Harmony Search, thuật toán lai giữa
Differential Evolution và Gravitational Search... Các thuật toán trên được áp dụng vào
tính toán điều độ kinh tế hàm chi phí có số lượng lớn máy phát với đường cong chi phí
đa nhiên liệu và có xét ảnh hưởng của điểm van công suất; tính toán các mạng điện
chuẩn IEEE 30 nút, IEEE 57 nút và IEEE 118 nút; mạng điện chuẩn có xét ảnh hưởng
của điểm van công suất; mạng điện có xét thiết bị FACTS.
Thông số đầu vào bao gồm thông số đường dây, điện áp, công suất tải, tụ bù,
đầu phân áp máy biến áp, các hệ số chi phí, ràng buộc công suất của các nhà máy, các
thông số giải thuật cài đặt vào thuật toán được trình bày ở bảng bên dưới mỗi mạng
điện.
Kết quả tính toán được trình bày theo từng bảng bao gồm các thông số mạng
điện như công suất tác dụng và phản kháng máy phát, điện áp nút, công suất tụ bù, tổn
thất công suất tác dụng, giá trị hàm mục tiêu và thời gian tính toán. Đồng thời trong
luận án này cũng đưa ra các kết quả của một số tài liệu, bài báo có liên quan để nhận
xét và so sánh.
Khi tiến hành áp dụng các thuật toán này vào tính toán điều độ công suất tối ưu
cho các mạng điện trên, chúng tôi cũng đã đưa ra nhận xét so sánh tương ứng cho từng
bài toán để thể hiện rõ ưu điểm của kết quả tính toán trong luận án này.
4.1. Giải bài toán điều độ kinh tế có số lượng máy phát lớn với đường cong chi
phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất
97
4.1.1. Hệ thống 10 nhà máy
Trong phần này ba thuật toán DEGSA, DEHS và SWT-PSO được thử nghiệm
trên hệ thống 10 nhà máy, với tổng công suất hệ thống là 2700 MW. Mỗi nhà máy có
đặc tính hàm chi phí đa nhiên liệu có xét đến ảnh hưởng của điểm van công suất. Dữ
liệu cho hệ thống 10 nhà máy với hàm chi phí có xét ảnh hưởng của điểm van công
suất được cho trong Phụ lục 2.
Thông số cài đặt của các thuật toán như sau:
Thuật toán SWT-PSO:
- Số bước lặp tối đa = 1000

- Số cá thể trong quần thể = 20
- Hệ số gia tốc cực đại max = 1.2
- Hệ số gia tốc cực tiểu min = 0.3
- Hệ số kinh nghiệm của cá thể cực đại c1max = 2.2
- Hệ số kinh nghiệm của cá thể cực tiểu c1min = 1.5
- Hệ số quan hệ với các cá thể khác cực đại c2max = 2.2
- Hệ số quan hệ với các cá thể khác cực tiểu c2min = 1.5
Thuật toán DEGSA:

- Hằng số trọng trường G0 = 3000
- Hệ số suy giảm α = 3
- final_per = 2
- Hệ số đột biến F = 0.5
- Hệ số lai tạo Cr = 0.5
- Số cá thể: 30
Thuật toán DEHS:
98
- Kích thước của bộ nhớ hài hòa HMS = 30
- Tỷ lệ lựa chọn giá trị từ bộ nhớ hài hòa HMCR =0,95
- Tỷ lệ lựa chọn giá trị lân cận PAR = 0,45
- Hệ số đột biến F = 0.55
- Hệ số lai tạo Cr = 0,3
Bảng 4.1: Kết quả tính toán khi áp dụng các thuật toán SWT-PSO, DEGSA và
DEHS vào giải hệ thống 10 nhà máy với hàm chi phí đa nhiên liệu có xét ảnh hưởng
của điểm van công suất
SWT-PSO DEGSA DEHS

Nhà
máy Nhiên Nhiên Nhiên
Pi(MW) Đoạn Pi(MW) Đoạn Pi(MW) Đoạn
liệu liệu liệu
1 218.129 2 2 219.134 2 2 219.133 2 2
2 209.955 1 3 209.679 1 3 209.432 1 3
3 278.615 1 1 278.636 1 1 282.673 1 1
4 240.355 3 3 239.015 3 3 239.821 3 3
5 276.438 1 1 276.5 1 1 279.768 1 1
6 236.967 3 3 238.855 3 3 238.989 3 3
7 286.051 1 1 287.743 1 1 287.727 1 1
8 240.089 3 3 241.299 3 3 239.418 3 3
9 437.98 3 3 434.88 3 3 424.111 3 3
10 275.421 1 1 274.26 1 1 278.928 1 1
Công
2700 2700 2700
suất
Chi
624.0516 623.9161 623.8766
phí
99
Hình 4.1: Đặc tính hội tụ khi áp dụng thuật toán SWT-PSO vào mạng điện 10 nhà
máy với hàm chi phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất
Hình 4.2: Đặc tính hội tụ khi áp dụng thuật toán DEGSA vào mạng điện 10 nhà
máy với hàm chi phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất
100
Hình 4.3: Đặc tính hội tụ khi áp dụng thuật toán DEHS vào mạng điện 10 nhà máy
với hàm chi phí đa nhiên liệu có xét ảnh hưởng của điểm van công suất
Bảng 4.2: So sánh chi phí nhiên liệu và thời gian tính toán giữa các phương pháp
Phương pháp Tổng công suất (MW) Chi phí ($/h) Thời gian tính toán (s)
CGA_MU [97] 2700 624.7193 25.65
IGA_MU [97] 2700 624.5178 7.14
EP-LMO [97] 2699.9998 624.5074 18.86
GA [98] 2700 624.5050 18.3
CPSO [99] 2700 624.1700 -
MSFLA [100] 2700 624.11569 -
SWT-PSO 2700 624.0516 3.95
DEGSA 2700 623.9161 3.8
DEHS 2700 623.8766 3.92
101
Nhận xét: Từ bảng 4.2 ta thấy phương pháp SWT-PSO, DEGSA, DEHS có chi phí
nhiên liệu thấp hơn phương pháp CGA_MU [97], IGA_MU [97], EP-LMO [97], GA
[98], CPSO [99] và MSFLA [100] trong trường hợp kiểm tra hệ thống 10 nhà máy ứng
với tổng nhu cầu phụ tải là 2700 MW. Trong đó, thuật toán EP-LMO không thỏa mãn
ràng buộc cân bằng khi có tổng công suất là 2699.9998 MW. Thời gian tính toán của
các phương pháp đề xuất cũng nhanh hơn đáng kể so với các phương pháp CGA_MU
[97], IGA_MU [97] và EP-LMO [97] và GA [98].
4.1.2. Hệ thống lớn
Các thuật toán SWT-PSO, DEGSA và DEHS cũng được thử nghiệm với hệ
thống lớn bao gồm 20, 40, 80, 160 nhà máy với tổng nhu cầu phụ tải là 2700*(N/10)
MW. Trong đó mỗi nhà máy có đường cong chi phí đa nhiên liệu có xét đến ảnh hưởng
của điểm van công suất. Hệ thống lớn được thử nghiệm dựa trên hệ thống 10 nhà máy
trong trường hợp 1 bằng cách nhân số tổ máy lên. Kết quả thu được từ các phương
pháp cải tiến được so sánh với các phương pháp CGA_MU [97] và IGA_MU [97].
Bảng 4.3: So sánh kết quả tính toán của các phương pháp trong trường hợp tổng
nhu cầu phụ tải 2700*(N/10) MW
Phương pháp Số tổ máy (N) Chi phí ($/h) Thời gian xử lý (s)
CGA_MU [97] 20 1249.3893 80.48
40 2500.9220 157.39
80 5008.1426 309.41
160 10143.7263 621.30
IGA_MU [97] 20 1249.1179 21.64
40 2499.8243 43.71
80 5003.8832 85.67
160 10042.4742 174.62
SWT-PSO 20 1247.8481 16.35
40 2499.7118 17.88
80 5007.7687 21.51
102
160 10141.1804 28.89
DEGSA 20 1248.132 16.46
40 2500.5642 17.9
80 5005.3577 21.55
160 10040.8615 28.91
DEHS 20 1247.8839 16.25
40 2496.045 17.94
80 5000.524 21.65
160 10038.533 28.16
Bảng 4.4: So sánh kết quả sau 100 lần chạy chương trình của ba phương pháp
SWT-PSO, DEGSA và DEHS khi kiểm tra hệ thống 10 nhà máy (PD = 2700 MW)
Phương pháp Chi phí cực tiểu ($) Chi phí cực đại ($) Chi phí trung bình ($)
SWT-PSO 624.0516 624.3465 624.194215
DEGSA 623.9161 624.1799 623.993907
DEHS 623.8766 624.1303 623.910038
4.1.3. Kết luận
- Phương pháp DEGSA cho ra kết quả tốt hơn phương pháp CGA_MU [97],
IGA_MU [97] trong trường hợp kiểm tra hệ thống 10 và 20 nhà máy với tổng nhu cầu
phụ tải là 2700 MW. Trong trường hợp kiểm tra hệ thống 40, 80 và 160 nhà máy thì
phương pháp này có chi phí nhiên liệu gần bằng phương pháp CGA_MU [97],
IGA_MU [97].
- Trong trường hợp kiểm tra hệ thống 10, 20 và 40 nhà máy với tổng nhu cầu
phụ tải là 2700 MW thì phương pháp SWT-PSO cho ra kết quả tốt hơn phương pháp
CGA_MU [97], IGA_MU [97]. Trong trường hợp kiểm tra hệ thống 80 và 160 nhà
máy thì phương pháp này có chi phí nhiên liệu gần bằng phương pháp CGA_MU [97],
IGA_MU [97].
103
- Phương pháp DEHS cho ra kết quả tốt hơn phương pháp CGA_MU [97],
IGA_MU [97] trong trường hợp kiểm tra hệ thống 10, 20, 40, 80, 160 nhà máy. Ngoài
ra phương pháp này cũng cho ra kết quả tốt hơn phương pháp DEGSA và SWT-PSO.
Hình 4.4: Đặc tính hội tụ của các thuật toán SWT-PSO, DEGSA và DEHS
(hệ thống 10 nhà máy)
104
Về đặc tính hội tụ: Hình 4.4, 4.5 và 4.6 cho thấy đặc tính hội tụ ưu việt của thuật
toán DEHS so với thuật toán SWT-PSO, DEGSA. Sau vài chục vòng lặp, thuật toán
SWT-PSO, DEGSA hội tụ gần điểm tối ưu. Tuy nhiên, đặc tính hội tụ của DEHS tiếp
tục đi xuống trong suốt quá trình tìm kiếm bởi vì DEHS cung cấp khả năng tìm kiếm
một cách tối ưu bằng cách tìm kiếm không gian rộng trong suốt quá trình tìm kiếm.
Về độ hội tụ ổn định: Độ hội tụ ổn định của của ba phương pháp SWT-PSO,

DEGSA và DEHS cũng được nghiên cứu bằng cách tính toán giá trị trung bình và độ
lệch tiêu chuẫn của mỗi cá thể tại mỗi vòng lặp như sau:
PS
 f (P ) i
Giá trị trung bình:   i 1
PS (4.1)
1 PS
Độ lệch tiêu chuẩn:   
PS i 1
( f ( Pi )   )2
(4.2)
Trong đó: PS là tổng số lượng cá thể có trong quần thể.
f(Pi) là hàm mục tiêu của mỗi cá thể tại mỗi vòng lặp.
105
Hình 4.7: Giá trị trung bình của các thuật toán SWT-PSO, DEGSA và DEHS
106
107
Hình 4.12: Độ lệch tiêu chuẩn của các thuật toán SWT-PSO, DEGSA và DEHS
108
109
110
- Về mặt thời gian tính toán thì các phương pháp đề xuất có thời gian tính toán
nhanh hơn phương pháp CGA_MU [97], IGA_MU [97]. Qua đó cho thấy được hiệu
quả của các phương pháp luận án đã đề xuất.
Từ các kết quả bên trên ta thấy được phương pháp DEHS giải bài toán điều độ
kinh tế với đường cong chi phí đa nhiên liệu có xét đến ảnh hưởng của điểm van công
suất cho ra kết quả tốt hơn phương pháp CGA_MU [95], IGA_MU [95] và các phương
pháp DEGSA, SWT-PSO. Phương pháp này có ưu điểm là thời gian tính toán nhanh và
khi áp dụng vào hệ thống lớn thì có độ hội tụ ổn định.
truyền thống
4.2.1. Mạng điện IEEE 30 nút
Xét hệ thống điện IEEE 30 nút như Phụ lục 3 bao gồm 6 máy phát đặt tại nút 1,
2, 5, 8, 11 và 13 và 41 đường dây truyền tải, 4 MBA đặt trên các đường dây 6-9, 6-10,
4-12 và 28-27 và tại các nút 10 và 24 có đặt các giàn tụ bù công suất phản kháng. Công
suất cơ bản của mạng IEEE 30 nút được chọn là 100 MVA. Các hệ số dữ liệu máy phát
mạng điện IEEE 30 nút như Phụ lục 4, hệ số chi phí máy phát hàm bậc hai mạng điện
IEEE 30 nút như Phụ lục 5, dòng công suất cực đại đường dây truyền tải mạng điện
IEEE 30 nút như Phụ lục 7, thông số đường dây mạng điện IEEE 30 nút như Phụ lục 8,
thông số tải mạng điện IEEE 30 nút như Phụ lục 9. Số biến điều khiển của hệ thống ở
trường hợp này là 17 bao gồm công suất tác dụng của 05 máy phát ngoài trừ công suất
tác dụng của nút cân bằng, điện áp 6 máy phát, thông số chỉnh định điện áp của 4 máy
biến áp và công suất bù phản kháng của 2 giàn tụ bù. Các thông số chi tiết về dữ liệu
nút, dữ liệu đường dây được giới thiệu trong phần phụ lục.
Xét phân bố tối ưu đồng thời công suất tác dụng và công suất phản kháng của
mạng điện trên, nghĩa là phân bố tối ưu công suất tác dụng và phản kháng các nhà máy
điện đồng thời thỏa mãn các ràng buộc về độ lớn điện áp nút, giới hạn công suất các
nhà máy điện, dung lượng bù, đầu phân áp MBA để cực tiểu hàm chi phí nhiên liệu.
111
Lần lượt áp dụng các thuật toán cải tiến SWT-PSO, DEGSA và DEHS vào giải
mạng điện IEEE 30 nút ta có được kết quả như sau:
Bảng 4.5: Kết quả tính toán mạng điện IEEE 30 nút hàm chi phí nhiên liệu dạng
bậc hai dùng phương pháp SWT-PSO, DEGSA và DEHS
Min Max SWT-PSO DEGSA DEHS

𝑃𝑔1 (MW) 50 200 177.2529 177.0158 177.1567
𝑃𝑔2 (MW) 20 80 48.3832 48.3280 48.6905
𝑃𝑔5 (MW) 15 50 21.3497 21.8674 21.3013
𝑃𝑔8 (MW) 10 35 21.4238 21.6914 20.9714
𝑃𝑔11 (MW) 10 30 11.7042 11.2231 11.9314
𝑃𝑔13 (MW) 12 40 12.0196 12.0000 12.0078
𝑉𝑔1 (pu) 0.90 1.10 1.1000 1.1000 1.1000

𝑉𝑔2 (pu) 0.90 1.10 1.0850 1.0831 1.0844
𝑉𝑔5 (pu) 0.90 1.10 1.0520 1.0466 1.0469
𝑉𝑔8 (pu) 0.90 1.10 1.0647 1.0622 1.0649
𝑉𝑔11 (pu) 0.90 1.10 1.0857 1.1000 1.0896
𝑉𝑔13 (pu) 0.90 1.10 1.0999 1.0945 1.0985
𝑇11 (pu) 0.90 1.10 1.0317 1.0900 1.0400
𝑇12 (pu) 0.90 1.10 0.9074 0.9000 0.9098
𝑇15 (pu) 0.90 1.10 0.9865 0.9900 0.9878
𝑇36 (pu) 0.90 1.10 0.9555 0.9700 0.9667
𝑄𝑐10 (MVAr) 0 19 15.9942 19.0000 19.0000
𝑄𝑐24 (MVAr) 0 4.3 4.2934 4.3000 4.3000
Tổn hao (MW) 8.7335 8.7256 8.66
Thời gian (s) 12.184 9.657 10.785
Chi phí ($/h) 799.4637 799.5762 799.1665
112
Bảng 4.6: Bảng so sánh kết quả tính toán mạng điện IEEE 30 nút hàm chi phí nhiên
liệu dạng bậc hai dùng phương pháp SWT-PSO, DEGSA và DEHS với các phương
pháp khác
IHDE DSA ISA HCSA SWT-

CS [103] DEGSA DEHS
[101] [102] [104] [105] PSO
𝑃𝑔1 (MW) 177.2248 176.954 178.0595 177.124 173.1757 177.2529 177.0158 177.1567
𝑃𝑔2 (MW) 48.74866 48.713 48.1032 48.9332 48.9576 48.3832 48.3280 48.6905
𝑃𝑔5 (MW) 21.39375 21.383 21.322 21.3175 21.0722 21.3497 21.8674 21.3013
𝑃𝑔8 (MW) 21.07999 21.285 21.8178 21.0006 21.1542 21.4238 21.6914 20.9714
𝑃𝑔11 (MW) 11.96386 12.044 11.5379 11.8605 12.8771 11.7042 11.2231 11.9314
𝑃𝑔13 (MW) 12.00000 12.0000 12.000 11.86 15.4747 12.0196 12.0000 12.0078
Tổn hao (MW) 9.011081 8.9819 8.8821 8.6959 9.3115 8.7335 8.7256 8.66
Thời gian (s) - - - - - 12.184 9.657 10.785
Chi phí ($/h) 800.4152 800.3887 801.8796 799.2776 802.9293 799.4637 799.5762 799.1665
Từ bảng 4.6, chúng ta nhận thấy rằng ba thuật toán đề xuất SWT-PSO, DEGSA
và DEHS áp dụng vào tính toán mạng điện IEEE 30 nút hàm chi phí nhiên liệu dạng
bậc hai cho kết quả tính toán tốt hơn các phương pháp khác. Đặc biệt là phương pháp
DEHS cho kết quả tốt hơn các phương pháp khác theo tỷ lệ phần trăm như sau: IHDE
0.156%, DSA 0.153%, CS 0.34%, ISA 0.014%, HCSA 0.47%. Trong khi đó, xét về
tổn thất công suất của thuật toán DEHS cũng cho kết quả tốt nhất 8.66(MW), kế tiếp là
phương pháp DESGA có tổn thất 8.7256(MW) và SWT-PSO với tổn thất là
8.7335(MW), so với IHDE là 9.011081(MW), DSA là 8.9819(MW), CS là
8.8821(MW), ISA là 8.6959(MW) và HCSA là 9.3115(MW). Ngoài ra, thời gian tính
toán của ba phương pháp SWT-PSO, DEGSA và DEHS cũng khá nhanh, trong khi tất
cả các ràng buộc về điện áp, công suất phản kháng tại nút máy phát và chỉ số chỉnh
định MBA đều được thỏa mãn.
113
809
808
807
806
Tong chi phi ($)

805
804
803
802
801
800
799
0 50 100 150 200 250 300
So vong lap
Hình 4.17: Đặc tính hội tụ của mạng điện IEEE 30 nút hàm chi phí nhiên liệu
dạng bậc hai dùng phương pháp SWT-PSO
dạng bậc hai dùng phương pháp DEGSA và DEHS
114
Hệ thống mạng điện chuẩn IEEE 57 nút được thể hiện như Phụ lục 10, bao gồm
7 máy phát đặt tại các nút (1, 2, 3, 6, 8, 9 và 12), 15 máy biến áp đặt tại các nhánh (19,
20, 31, 37, 41, 46, 54, 58, 59, 65, 66, 71, 73, 76 và 80), 3 khóa chuyển đóng cắt các dãy
tụ đặt tại các nút (18, 25 và 53) và 80 đường dây truyền tải. Các thông số dữ liệu máy
phát mạng điện IEEE 57 nút như Phụ lục 11, hệ số chi phí máy phát hàm bậc hai mạng
điện IEEE 57 nút như Phụ lục 12, dòng công suất cực đại đường dây truyền tải mạng
điện IEEE 57 nút như Phụ lục 13, thông số đường dây mạng điện IEEE 57 nút như Phụ
lục 14, thông số tải mạng điện IEEE 57 nút như Phụ lục 15.
Lần lượt áp dụng các thuật toán cải tiến SWT-PSO, DEGSA và DEHS vào giải
mạng điện IEEE 57 nút ta có được kết quả như bảng 4.7.
Bảng 4.7: Bảng so sánh kết quả tính toán mạng điện IEEE 57 nút hàm chi phí nhiên
liệu dạng bậc hai dùng phương pháp SWT-PSO, DEGSA và DEHS
MOALO [106] SWT-PSO DEGSA DEHS
𝑃𝑔1 (MW) 148.2700 146.3227 148.4722 141.1320
𝑃𝑔2 (MW) 68.4795 78.5966 92.6640 86.4365
𝑃𝑔3 (MW) 53.7031 45.3091 50.0958 45.8213
𝑃𝑔6 (MW) 99.7128 71.2516 48.2742 81.9600
𝑃𝑔8 (MW) 424.5749 461.2314 457.6398 445.6736
𝑃𝑔9 (MW) 99.2418 86.5425 95.2634 97.4284
𝑃𝑔12 (MW) 375.0308 377.1499 373.3315 367.4094
𝑉𝑔1 (pu) 1.0988 1.0593 1.0757 1.0240
𝑉𝑔2 (pu) 1.0971 1.0477 1.0736 1.0190
115
𝑉𝑔3 (pu) 1.0893 1.0379 1.0680 1.0262
𝑉𝑔6 (pu) 1.0899 1.0596 1.0742 1.0556
𝑉𝑔8 (pu) 1.1000 1.0688 1.0803 1.0823
𝑉𝑔9 (pu) 1.1000 1.0402 1.0574 1.0410
𝑉𝑔12 (pu) 1.0957 1.0440 1.0668 1.0314
𝑇19 (pu) 1.0987 0.9993 0.9100 0.9500
𝑇20 (pu) 1.1000 0.9651 1.0300 0.9200
𝑇31 (pu) 1.1000 1.0387 0.9200 1.0000
𝑇37 (pu) 1.0963 0.9734 1.0100 1.0200
𝑇41 (pu) 1.1000 0.9673 0.9600 0.9600
𝑇46 (pu) 1.0921 1.0544 0.9600 1.0000
𝑇54 (pu) 1.0958 1.0155 0.9500 0.9400
𝑇58 (pu) 1.1000 0.9561 0.9600 0.9200
𝑇59 (pu) 1.1000 0.9772 0.9600 0.9000
𝑇65 (pu) 1.0971 0.9674 1.0000 0.9400
𝑇66 (pu) 1.0969 0.9430 0.9000 0.9000
𝑇71 (pu) 1.0867 0.9776 0.9500 0.9200
𝑇73 (pu) 1.1000 0.9654 0.9000 1.0000
𝑇76 (pu) 1.0917 1.0246 0.9000 1.0600
𝑇80 (pu) 1.0980 1.0010 0.9600 0.9400
𝑄𝑐18 (MVAr) 15.9580 7.7338 8.8000 0.0000
116
𝑄𝑐25 (MVAr) 16.2033 3.3608 0.4000 5.3000
𝑄𝑐53 (MVAr) 18.0000 3.8498 0.8000 4.0000
Tổn thất (MW) 14.8083 15.6038 15.4951 14.9068
Thời gian (s) - 52.511 32.222 28.440
Chi phí ($/h) 41797.6457 41733.4425 41726.4381 41709.0678
Dựa vào bảng 4.7 ta thấy thuật toán DEHS cho kết quả khá tốt, có tổng chi phí
thấp hơn các thuật toán khác với tỷ lệ phần trăm như sau: 0.06% so với SWT-PSO,
0.042% so với DESGA và 0.212% so với MOALO [106]. Thời gian tính toán của
phương pháp DEHS là nhanh nhất với thời gian tính toán 28.440(s), nhanh hơn so với
các phương pháp khác DEGSA 32.222(s) và SWT-PSO là 52.511(s). Trong khi đó, tất
cả các ràng buộc về điện áp, công suất phản kháng tại nút máy phát và chỉ số chỉnh
định MBA đều được thỏa mãn.
dạng bậc hai dùng phương pháp SWT-PSO
117
dạng bậc hai dùng phương pháp DEGSA và DEHS
Hệ thống mạng điện chuẩn IEEE 118 nút được thể hiện như Phụ lục 16 bao gồm
54 máy phát, 64 nút tải và 186 nhánh. Trong đó hệ thống có 9 máy biến áp đặt tại các
nhánh (8, 32, 36, 51, 93, 95, 102, 107 và 127), 14 khóa chuyển đóng cắt các dãy tụ đặt
tại các nút (5, 34, 37, 44, 45, 46, 48, 74, 79, 82, 83, 105, 107 và 110). Các thông số dữ
liệu máy phát mạng điện IEEE 118 nút như Phụ lục 17, dòng công suất cực đại đường
dây truyền tải mạng điện IEEE 118 nút như Phụ lục 18, thông số đường dây mạng điện
IEEE 118 nút như Phụ lục 19, thông số tải mạng điện IEEE 118 nút như Phụ lục 20.
Ứng dụng thuật toán DEHS vào giải mạng điện trên, ta có được:
Bảng 4.8: Kết quả phân bố công suất tối ưu mạng điện IEEE 118 nút
Máy phát Công suất (MW) Máy phát Công suất (MW)
1 80.4044 65 221.0719
4 47.1851 66 294.1342
118
6 34.1933 69 509.9403
8 39.5349 70 0.0000
10 309.2878 72 0.9799
12 34.8581 73 25.3607
15 45.4627 74 79.9738
18 21.9852 76 28.2118
19 56.7738 77 8.9300
24 38.3126 80 223.1952
25 67.2223 85 28.1502
26 215.5958 87 6.5337
27 48.8201 89 458.3148
31 23.2866 90 0.0000
32 64.8575 91 78.9426
34 21.1974 92 20.9845
36 26.0311 99 69.3104
40 30.9565 100 87.5233
42 11.5272 103 64.5025
46 51.6799 104 48.5714
49 140.2466 105 0.0000
54 63.6037 107 0.0000
55 49.0966 110 19.8880
56 68.1279 111 39.8553
119
59 37.0067 112 82.5698
61 242.5925 113 47.3332
62 1.7719 116 19.8182
Tổn thất công suất (MW) 93.7142
Thời gian (s) 69.748
Cực tiểu tổng chi phí ($/h) 138886.5482
Trung bình tổng chi phí ($/h) 142233.6067
Cực đại tổng chi phí ($/h) 149162.5724
Độ lệch chuẩn ($/h) 2059.9736
Số lần chạy 50
5
x 10 Min = 138886.5482, Max = 149162.5724
1.5
1.48
1.46
Fitness function
1.44
1.42
1.4
1.38
0 20 40 60 80 100 120
Number of iterations = 120
dạng bậc hai dùng phương pháp DEHS
120
Bảng 4.9: So sánh kết quả phân bố công suất giữa thuật toán DEHS, PSO và
MOALO
Máy phát PSO [107] MOALO [106] DEHS

Pg1 (MW) 30.2147 - 80.4044
Pg4 (MW) 86.3352 58.1168 47.1851
Pg6 (MW) 74.9686 17.2000 34.1933
Pg8 (MW) 44.3628 84.3508 39.5349
Pg10 (MW) 211.5380 19.1079 309.2878
Pg12 (MW) 46.7205 118.7846 34.8581
Pg15 (MW) 26.5197 174.4868 45.4627
Pg18 (MW) 75.0588 0.6334 21.9852
Pg19 (MW) 4.9868 54.1591 56.7738
Pg24(MW) 36.0602 54.3537 38.3126
Pg25(MW) 185.3162 32.8639 67.2223
Pg26(MW) 31.0660 160.7403 215.5958
Pg27(MW) 81.2534 338.7957 48.8201
Pg31(MW) 31.7628 77.6353 23.2866
Pg32(MW) 73.8507 1.0385 64.8575
Pg34(MW) 66.1806 0.3106 21.1974
Pg36(MW) 0.0000 6.3241 26.0311
Pg40(MW) 29.2314 18.0225 30.9565
Pg42(MW) 0.0000 94.2710 11.5272
Pg46 (MW) 90.3182 43.6254 51.6799
Pg49(MW) 110.9117 32.3166 140.2466
Pg54(MW) 89.2204 48.9984 63.6037
Pg55(MW) 11.2408 26.8054 49.0966
Pg56(MW) 24.9734 97.3955 68.1279
121
Pg59(MW) 228.7307 46.2018 37.0067
Pg61(MW) 91.4267 24.3733 242.5925
Pg62(MW) 44.7868 106.1739 1.7719
Pg65(MW) 122.2568 58.5854 221.0719
Pg66(MW) 225.2709 441.2616 294.1342
Pg69(MW) 389.8676 377.3800 509.9403
Pg70(MW) 48.5218 377.3800 0.0000
Pg72(MW) 72.9353 76.7580 0.9799
Pg73(MW) 49.0315 41.4256 25.3607
Pg74(MW) 57.1332 1.8683 79.9738
Pg76(MW) 43.5591 3.8279 28.2118
Pg77(MW) 25.1223 47.6012 8.9300
Pg80(MW) 262.6911 71.2533 223.1952
Pg85(MW) 0.0000 83.3912 28.1502
Pg87(MW) 10.5024 5.7173 6.5337
Pg89(MW) 295.3247 266.7971 458.3148
Pg90(MW) 36.8260 13.5108 0.0000
Pg91(MW) 66.8742 42.5798 78.9426
Pg100 (MW) 135.8797 96.1863 87.5233
Pg103 (MW) 43.2253 109.0864 64.5025
Pg104 (MW) 22.5970 14.5428 48.5714
Pg105 (MW) 11.2821 0.6748 0.0000
Pg107 (MW) 69.6140 0.4153 0.0000
Pg110 (MW) 51.6372 35.0067 19.8880
Pg111 (MW) 85.7078 61.8038 39.8553
Pg112 (MW) 53.5860 1.2605 82.5698
Pg113 (MW) 56.9731 63.8670 47.3332
122
Pg116 (MW) 96.6802 99.1542 19.8182
Vg1 (pu) 1.0079 - 0.9698
Vg4 (pu) 1.0547 - 0.9977
Vg6 (pu) 1.0396 - 1.0149
Vg8 (pu) 1.0375 - 0.9732
Vg10 (pu) 1.0978 - 1.0128
Vg12 (pu) 1.0337 - 0.9831
Vg15 (pu) 1.0167 - 0.9758
Vg18 (pu) 0.9882 - 0.9997
Vg19 (pu) 1.0093 - 0.9780
Vg24 (pu) 1.0089 - 0.9965
Vg25 (pu) 1.0366 - 0.9690
Vg26 (pu) 1.0576 - 1.0072
Vg27 (pu) 1.0150 - 1.0279
Vg31 (pu) 0.9500 - 0.9845
Vg32 (pu) 1.0081 - 0.9711
Vg34 (pu) 1.0092 - 1.0127
Vg36 (pu) 1.0036 - 1.0148
Vg40 (pu) 1.0038 - 1.0015
Vg42 (pu) 0.9500 - 0.9919
Vg46 (pu) 1.0484 - 0.9959
Vg49 (pu) 1.0512 - 0.9956
Vg54 (pu) 1.0091 - 1.0118
Vg55 (pu) 1.0003 - 0.9728
Vg56 (pu) 1.0045 - 1.0214
Vg59 (pu) 1.0564 - 0.9892
Vg61 (pu) 1.0566 - 0.9886
123
Vg62 (pu) 1.0504 - 1.0323
Vg65 (pu) 1.0620 - 0.9737
Vg66 (pu) 1.0424 - 1.0275
Vg69 (pu) 1.1000 - 1.0321
Vg70 (pu) 1.0337 - 1.0105
Vg72 (pu) 1.0258 - 1.0110
Vg76 (pu) 1.0196 - 0.9857
Vg77 (pu) 1.0318 - 1.0264
Vg80 (pu) 1.0446 - 0.9630
Vg85 (pu) 1.0182 - 0.9971
Vg87 (pu) 1.0194 - 1.0359
Vg89 (pu) 0.9999 - 1.0262
Vg90 (pu) 1.0550 - 0.9629
Vg91 (pu) 1.0257 - 1.0298
Vg92 (pu) 1.0063 - 1.0404
Vg99 (pu) 1.0450 - 1.0333
Vg100 (pu) 1.0259 - 0.9575
Vg103 (pu) 1.0409 - 0.9633
Vg104 (pu) 0.9873 - 1.0088
Vg105 (pu) 0.9861 - 1.0124
Vg107 (pu) 1.0086 - 0.9638
Vg110 (pu) 1.0563 - 0.9519
Vg111 (pu) 1.0747 - 0.9720
Vg112 (pu) 1.0700 - 1.0258
Vg113 (pu) 1.0231 - 1.0446
Vg116 (pu) 1.0535 - 1.0090
T8 (pu) 0.94 - 0.9758
124
T32 (pu) 1.00 - 1.0349
T36 (pu) 1.00 - 0.9752
T51 (pu) 0.94 - 0.9665
T93 (pu) 1.02 - 0.9902
T95 (pu) 1.01 - 1.0095
T102 (pu) 1.02 - 1.0431
T107 (pu) 0.95 - 1.0410
T127 (pu) 0.95 - 0.9959
Qc5 (MVAr) -20.9 - -37.9546
Qc34 (MVAr) 8.2 - 11.5509
Qc37 (MVAr) -14.4 - -16.9729
Qc44 (MVAr) 5.9 - 0.9921
Qc45 (MVAr) 8.5 - 5.2066
Qc46 (MVAr) 2.6 - 2.2871
Qc48 (MVAr) 7.2 - 9.4237
Qc74 (MVAr) 5.5 - 11.9972
Qc79 (MVAr) 12.6 - 14.5946
Qc82 (MVAr) 10.0 - 8.4442
Qc105 (MVAr) 3.2 - 7.2059
Qc107 (MVAr) 6.1 - 5.5660
Qc110 (MVAr) 2.8 - 2.3902
Cực tiểu chi phí nhiên liệu ($/h) 145520.0109 143023.6169 138886.5482
Trung bình chi phí nhiên liệu ($/h) 158596.1725 - 142233.6067
Cực đại chi phí nhiên liệu ($/h) 184686.8248 - 149162.5724
Độ lệch chuẩn ($/h) 9454.4231 - 2059.9736
Thời gian (s) 132.233 - 69.748
125
Dựa vào bảng 4.9 ta thấy thuật toán DEHS cho kết quả tốt, có tổng chi phí thấp
hơn thuật toán PSO với tỷ lệ phần trăm là 4.7762% và so với MOALO [106] là 2.98%,
thời gian tính toán của phương pháp DEHS khá nhanh 69.748(giây), của PSO là
132.233(giây) trong khi tất cả các ràng buộc về điện áp, công suất phản kháng tại nút
máy phát và chỉ số chỉnh định MBA đều được thỏa mãn.
có xét ảnh hưởng của điểm van công suất
Xét hệ thống điện IEEE 30 nút như Phụ lục 3 bao gồm 6 máy phát đặt tại nút 1,
2, 5, 8, 11 và 13 và 41 đường dây truyền tải, 4 MBA đặt trên các đường dây 6-9, 6-10,
4-12 và 28-27 và tại các nút 10 và 24 có đặt các giàn tụ bù công suất phản kháng. Các
hệ số hàm chi phí máy phát có xét ảnh hưởng của điểm van công suất mạng điện
IEEE–30 nút như Phụ lục 6, các thông số chi tiết về dữ liệu nút, dữ liệu đường dây
được giới thiệu trong phần phụ lục. Lần lượt áp dụng các thuật toán cải tiến DEGSA,
DEHS và SWT-PSO vào giải mạng điện trên ta có được kết quả như sau:
Bảng 4.10: Kết quả tính toán mạng điện IEEE 30 nút có xét ảnh hưởng điểm van
công suất dùng phương pháp SWT-PSO, DEGSA và DEHS
Min Max SWT-PSO DEGSA DEHS

𝑃𝑔1 (MW) 50 200 199.8431 150.0786 191.7845
𝑃𝑔2 (MW) 20 80 50.7978 51.9122 51.0558
𝑃𝑔5 (MW) 15 50 15.4911 23.3415 15.3289
𝑃𝑔8 (MW) 10 35 14.7214 29.5545 10.0758
𝑃𝑔11 (MW) 10 30 12.4632 14.1708 14.2326
𝑃𝑔13 (MW) 12 40 12.4808 22.7026 12.0021
𝑉𝑔1 (pu) 0.90 1.10 1.0499 1.0590 1.0660
𝑉𝑔2 (pu) 0.90 1.10 1.0211 1.0343 1.0534
𝑉𝑔5 (pu) 0.90 1.10 0.9562 0.9821 1.0226
126
𝑉𝑔8 (pu) 0.90 1.10 0.9942 0.9969 1.0057
𝑉𝑔11 (pu) 0.90 1.10 1.0233 1.0460 1.0848
𝑉𝑔13 (pu) 0.90 1.10 1.0335 1.0050 1.0347
𝑇11 (pu) 0.90 1.10 1.0114 0.9000 0.9969
𝑇12 (pu) 0.90 1.10 0.9989 1 0.9603
𝑇15 (pu) 0.90 1.10 0.9986 1.0300 0.9794
𝑇36 (pu) 0.90 1.10 1.0333 0.9500 0.9480
𝑄𝑐10 (MVAr) 0 19 12.9568 10 12.4459
𝑄𝑐24 (MVAr) 0 4.3 3.2460 2.80000 2.9992
Tổn thất (MW) 12.3976 12.0605 11.0797
Thời gian (s) 22.979 15.641 9.766
Chi phí ($/h) 926.0862 924.3268 922.1029
Bảng 4.11: Bảng so sánh kết quả tính toán mạng điện IEEE 30 nút hàm chi phí
nhiên liệu có xét ảnh hưởng điểm van công suất dùng phương pháp SWT-PSO, DEGSA
và DEHS với các phương pháp khác
SADE- SOHPSO
MDE SWT-
IEP [108] ALM TVAC DEGSA DEHS
[109] PSO
[108] [110]
𝑃𝑔1 (MW) 149.7331 193.2903 197.426 198.7207 199.8431 150.0786 191.7845
𝑃𝑔2 (MW) 52.0571 52.5735 52.037 50.0361 50.7978 51.9122 51.0558
𝑃𝑔5 (MW) 23.2008 17.5458 15.000 15 15.4911 23.3415 15.3289
𝑃𝑔8 (MW) 33.4150 10 10.000 10 14.7214 29.5545 10.0758
𝑃𝑔11 (MW) 16.5523 10 10.001 10 12.4632 14.1708 14.2326
𝑃𝑔13 (MW) 16.0875 12 12.000 12 12.4808 22.7026 12.0021
Tổn thất
7.6458 12.0096 13.064 12.3568 12.3976 12.0605 11.0797
(MW)
93.583 16.160
Thời gian (s) 41.85 28.24 22.979 15.641 9.766
(min) (min)
Chi phí ($/h) 953.573 944.031 930.793 930.8860 926.0862 924.3268 922.1029
127
Từ bảng 4.11, chúng ta nhận thấy rằng các thuật toán SWT-PSO, DEGSA,
DEHS giải mạng điện IEEE 30 nút với hàm chi phí nhiên liệu có xét ảnh hưởng điểm
van công suất cho kết quả tốt hơn khá nhiều so với các phương pháp khác. Trong đó,
phương pháp DEHS cho kết quả tốt nhất, với tỷ lệ phần trăm tốt hơn các phương pháp
khác như sau: IEP 3.41%, SADE-ALM 2.38%, MDE 0,94%, SOHPSO TVAC 0,95%,
SWT-PSO 0,43%, DEGSA 0,24%. Thời gian tính toán của thuật toán DEHS cũng khá
nhanh so với các phương pháp khác với 9.766 (giây), thấp hơn nhiều so với các thuật
toán khác SWT-PSO 22.979(giây), DEGSA 15.641 (giây), so với IEP là 93.583 (phút),
so với MDE là 41.85 (giây), so với SADE_ALM là 16.160 (phút). Ngoài ra, tổn thất
của phương pháp DEHS tương đối nhỏ với 11.0797(MW), so với SWT-PSO là
12.3976 (MW), DEGSA là 12.0605 (MW) trong khi tất cả các ràng buộc về điện áp,
công suất phản kháng tại nút máy phát và chỉ số chỉnh định MBA đều được thỏa mãn.
8
x 10 Min = 926.0862, Max = 210051722.606
2.5
2
Fitness function
1.5
0.5
0
0 10 20 30 40 50 60 70 80
Hình 4.22: Đặc tính hội tụ của mạng điện IEEE 30 nút hàm chi phí nhiên liệu có xét
ảnh hưởng điểm van công suất dùng phương pháp SWT-PSO
128
Min = 926.0862, Max = 1004.7838
80
70
60
Frequency of appearance
50
40
30
20
10
0
920 930 940 950 960 970 980 990 1000 1010
Value of fitness function
Hình 4.23: Đồ thị thống kê chi phí nhiên liệu máy phát của mạng điện IEEE 30 nút
hàm chi phí nhiên liệu có xét ảnh hưởng điểm van công suất
dùng phương pháp SWT-PSO
Hình 4.24: Đặc tính hội tụ của mạng điện IEEE 30 nút hàm chi phí nhiên liệu có xét
ảnh hưởng điểm van công suất dùng phương pháp DEGSA và DEHS
129
Hình 4.25: Lịch sử của 50 lần chạy thuật toán DEGSA cho mạng điện IEEE 30 nút
với hàm chi phí có xét ảnh hưởng điểm van công suất
Hình 4.26: Lịch sử của 50 lần chạy thuật toán DEHS cho mạng điện IEEE 30 nút
với hàm chi phí có xét ảnh hưởng điểm van công suất
130
có xét thiết bị FACTS
4.4.1. Giải mạng điện IEEE 30 nút có xét thiết bị TCSC
Trong trường hợp này thiết bị TCSC được xét đến trong bài toán OPF. Vị trí đặt
gần tối ưu của TCSC đối với hệ thống này theo [111] bởi hệ số độ nhạy tổn hao (loss
sensitivity index) chỉ ra là vị trí nhánh 3-4. Trong mô phỏng này TCSC có thể thay đổi
từ 0 ~ 0,02 pu. Ứng dụng thuật toán DEGSA và DEHS vào giải mạng điện trên. Lời
giải của bài toán được thể hiện trong bảng 4.12, đặc tuyến hội tụ được mô tả bởi hình
5.16.
Bảng 4.12: Kết quả tính toán mạng điện IEEE 30 nút có thiết bị TCSC
DEGSA DEHS
Thông số Không Có thiết bị Không Có thiết bị
FACTS TCSC FACTS TCSC
Pg1 (MW) 177.9375 176.5955 177.0158 177.1857
Pg2 (MW) 47.9981 47.6408 48.3280 48.7178
Pg5 (MW) 21.0627 21.2075 21.8674 21.4255
Pg8 (MW) 23.2693 24.0937 21.6914 20.8597
Pg11 (MW) 10.0000 10.5641 11.2231 11.8648
Pg13 (MW) 12.0000 12.0000 12.0000 12.0633
Vg1 (pu) 1.1000 1.1000 1.1000 1.1000
Vg2 (pu) 1.0844 1.0829 1.0831 1.0847
Vg5 (pu) 1.0517 1.0550 1.0466 1.0528
Vg8 (pu) 1.0653 1.0662 1.0622 1.0609
Vg11 (pu) 1.1000 1.0839 1.1000 1.1000
131
Vg13 (pu) 1.1000 1.1000 1.0945 1.1000
T11 (pu) 1.0000 1.0200 1.0900 1.0500
T12 (pu) 0.9100 0.9000 0.9000 0.9100
T15 (pu) 1.0300 1.0100 0.9900 0.9800
T36 (pu) 0.9500 0.9600 0.9700 0.9500
Qc10 (MVAr) 9.4000 0.0000 19.0000 19.0000
Qc24 (MVAr) 0.0000 4.3000 4.3000 4.3000
TCSC3-4(pu) 0.0107 0.0207
Tổn thất (MW) 8.8676 8.7016 8.7256 8.7169
Tổng chi phí ($/h) 799.9512 799.7741 799.5762 799.3743
Tổng độ lệch điện áp 1.3510 1.2481 1.3579 1.5875
Chỉ số ổn định điện áp 0.1309 0.1319 0.1325 0.1287
Bảng 4.13: Bảng so sánh kết quả tính toán mạng điện IEEE 30 nút có thiết bị TCSC
với các phương pháp khác
TS/SA [111] PSO [112] DEGSA DEHS

Pg1 (MW) 192.6018 175.9641 176.5955 177.1857
Pg2 (MW) 48.4147 48.95 47.6408 48.7178
Pg5 (MW) 19.5561 21.526 21.2075 21.4255
Pg8 (MW) 11.6615 22.309 24.0937 20.8597
Pg11 (MW) 10 12.189 10.5641 11.8648
Pg13 (MW) 12 12 12.0000 12.0633
TCSC3-4 (pu) 0.02 0.011093 0.0107 0.0207
Tổng chi phí ($/h) 804.6497 802.6552 799.7741 799.3743
132
Hình 4.27: Đặc tuyến hội tụ của bài toán OPF có TCSC hệ thống IEEE 30 nút
dùng phương pháp DEGSA
Hình 4.28: Đặc tuyến hội tụ của bài toán OPF có TCSC hệ thống IEEE 30 nút
dùng phương pháp DEHS
133
Kết quả từ bảng 4.12 cho thấy khi TCSC được thêm vào hệ thống. Đối với thuật
toán DEGSA, chi phí nhiên liệu với lời giải tốt nhất là giảm từ 799.9512 $/h trong
trường hợp không có thiết bị FACTS đến 799.7741 $/h trong trường hợp với TCSC tại
vị trí đường dây số 4 (line 3-4). Kết quả là, khi có TCSC có thể dẫn đến tiết kiệm chi
phí 0.1771 $/h hoặc 0.022%. Đối với thuật toán DEHS, chi phí nhiên liệu với lời giải
tốt nhất là giảm từ 799.5762 $/h trong trường hợp không có thiết bị FACTS đến
799.3743 $/h trong trường hợp với TCSC tại vị trí đường dây số 4 (line 3-4). Kết quả
là, khi có TCSC có thể dẫn đến tiết kiệm chi phí 0.202 $/h hoặc 0.025%.
Từ bảng 4.13 ta thấy hai thuật toán đề xuất DEHS và DEGSA có thể tìm kiếm
lời giải tốt hơn khi so sánh với các phương pháp TS/SA [111], PSO [112] trong bài
toán OPF với TCSC trên hệ thống IEEE 30 nút.
4.4.2. Giải mạng điện IEEE 30 nút có xét thiết bị SVC
Trong trường hợp này SVC được xét đến trong bài toán OPF. SVC được đặt ở
nút 21 là nút có nhu cầu công suất phản kháng cao nhất trong các tải. Công suất phản
kháng của SVC này có thể thay đổi từ 0 ~ 11,2 MVAr. Ứng dụng thuật toán DEGSA
và DEHS vào giải mạng điện trên. Lời giải của bài toán được thể hiện trong bảng 4.14,
đặc tuyến hội tụ như trên hình 4.29.
Bảng 4.14: Kết quả ứng dụng thuật toán DEGSA và DEHS vào giải mạng điện IEEE
30 nút trường hợp có và không có thiết bị SVC
DEGSA DEHS
Thông số Không Có thiết bị Không Có thiết bị
FACTS SVC FACTS SVC
Pg1 (MW) 177.9375 177.2816 177.0158 176.5996
Pg2 (MW) 47.9981 49.3202 48.3280 48.8110
Pg5 (MW) 21.0627 19.5083 21.8674 21.5180
Pg8 (MW) 23.2693 24.0881 21.6914 21.3499
Pg11 (MW) 10.0000 10.0000 11.2231 11.7695
134
Pg13 (MW) 12.0000 12.0000 12.0000 12.0000
Vg1 (pu) 1.1000 1.1000 1.1000 1.0998
Vg2 (pu) 1.0844 1.0863 1.0831 1.0834
Vg5 (pu) 1.0517 1.0523 1.0466 1.0579
Vg8 (pu) 1.0653 1.0565 1.0622 1.0655
Vg11 (pu) 1.1000 1.1000 1.1000 1.1000
Vg13 (pu) 1.1000 1.1000 1.0945 1.1000
T11 (pu) 1.0000 1.0900 1.0900 1.0500
T12 (pu) 0.9100 0.9000 0.9000 0.9100
T15 (pu) 1.0300 1.0100 0.9900 0.9600
T36 (pu) 0.9500 0.9700 0.9700 0.9600
Qc10 (MVAr) 9.4000 11.1000 19.0000 19.0000
Qc24 (MVAr) 0.0000 4.3000 4.3000 3.7000
SVC21 (MVAr) 8.2199 8.7746
Tổn hao (MW) 8.8676 8.7982 8.7256 8.6480
Tổng chi phí ($/h) 799.9512 799.8193 799.5762 799.2825
Tổng độ lệch điện áp 1.3510 1.2736 1.3579 1.7640
Chỉ số ổn định điện áp 0.1309 0.1337 0.1325 0.1285
Bảng 4.15: So sánh kết quả tính toán của thuật toán DEGSA và DEHS với các thuật
toán khác khi giải mạng điện IEEE 30 nút có thiết bị SVC
TS/SA [113] PSO [113] DEGSA DEHS
Pg1 (MW) 192.5895 176.1519 177.2816 176.5996
Pg2 (MW) 48.412 49.197 49.3202 48.8110
Pg5 (MW) 19.5554 21.533 19.5083 21.5180
Pg8 (MW) 11.6559 24.031 24.0881 21.3499
Pg11 (MW) 10 10 10.0000 11.7695
Pg13 (MW) 12 12 12.0000 12.0000
SVC21 (MVAr) 11.196 6.4178 8.2199 8.7746
Tổng chi phí ($/h) 804.5763 802.6454 799.8193 799.2825
135
Hình 4.29: Đặc tuyến hội tụ của bài toán OPF có SVC hệ thống IEEE 30 nút
dùng phương pháp DEGSA
9
x 10 Max = 1844744109.2966, Min = 799.2825
2
1.8
1.6
1.4
Fitness function
1.2
0.8
0.6
0.4
0.2
0
0 1 2 3
10 10 10 10
Hình 4.30: Đặc tuyến hội tụ của bài toán OPF có SVC hệ thống IEEE 30 nút
dùng phương pháp DEHS
136
Kết quả từ bảng 4.15 cho thấy khi ứng dụng thuật toán DEGSA và DEHS vào
hệ thống IEEE 30 nút có SVC được thêm vào cho một số kết quả như sau:
Đối với thuật toán DEGSA, chi phí nhiên liệu với lời giải tốt nhất là giảm từ
799.9512 $/h trong trường hợp không có thiết bị FACTS đến 799.8193 $/h trong
trường hợp có SVC đặt tại nút 21. Kết quả là, khi có SVC có thể dẫn đến tiết kiệm chi
phí 0.1319 $/h hoặc 0.017%.
Đối với thuật toán DEHS, chi phí nhiên liệu với lời giải tốt nhất là giảm từ
799.5762 $/h trong trường hợp không có thiết bị FACTS đến 799.2825 $/h trong
trường hợp với SVC đặt tại nút 21. Kết quả là, khi có SVC có thể dẫn đến tiết kiệm chi
phí 0.294 $/h hoặc 0.037%.
Từ bảng 4.15 ta thấy hai thuật toán đề xuất DEHS và DEGSA có thể tìm kiếm
lời giải tốt hơn khi so sánh với các phương pháp TS/SA, PSO trong bài toán OPF với
SVC trên hệ thống IEEE 30 nút.
4.4.3. Giải mạng điện IEEE 30 nút có xét thiết bị TCSC và SVC
Mạng điện IEEE 30 nút được gắn thêm thiết bị TCSC và SVC. Tính toán phân
bố công suất cho mạng điện này dùng thuật toán DEHS và so sánh với các trường hợp
không có thiết bị FACTS, trường hợp có thiết bị TCSC, trường hợp có thiết bị SVC
chúng ta thu được kết quả như bảng 4.16, đặc tính hội tụ được thể hiện như hình 4.31.
Bảng 4.16: Kết quả tính toán mạng điện IEEE 30 nút với các loại thiết bị FACTS
Không FACTS TCSC SVC TCSC và SVC
Pg1 (MW) 177.9375 176.5955 177.2816 178.8086
Pg2 (MW) 47.9981 47.6408 49.3202 49.2240
Pg5 (MW) 21.0627 21.2075 19.5083 21.7311
Pg8 (MW) 23.2693 24.0937 24.0881 19.8779
Pg11 (MW) 10.0000 10.5641 10.0000 10.6540
Pg13 (MW) 12.0000 12.0000 12.0000 12.0000
Vg1 (pu) 1.1000 1.1000 1.1000 1.1000
Vg2 (pu) 1.0844 1.0829 1.0863 1.0873
Vg5 (pu) 1.0517 1.0550 1.0523 1.0604
Vg8 (pu) 1.0653 1.0662 1.0565 1.0693
137
Vg11 (pu) 1.1000 1.0839 1.1000 1.1000
Vg13 (pu) 1.1000 1.1000 1.1000 1.1000
T11 (pu) 1.0000 1.0200 1.0900 0.9700
T12 (pu) 0.9100 0.9000 0.9000 1.0000
T15 (pu) 1.0300 1.0100 1.0100 1.0000
T36 (pu) 0.9500 0.9600 0.9700 0.9800
Qc10 (MVAr) 9.4000 0.0000 11.1000 2.5000
Qc24 (MVAr) 0.0000 4.3000 4.3000 0.0000
SVC21 (MVAr) - - 8.2199 10.8107
TCSC (pu) - 0.0107 - 0.0035
Tổn thất (MW) 8.8676 8.7016 8.7982 8.8956
Tổng chi phí
799.9512 799.7741 799.8193 799.6030
($/h)
Tổng độ lệch
1.3510 1.2481 1.2736 1.2989
điện áp
Chỉ số ổn định
0.1309 0.1319 0.1337 0.1344
điện áp
Hình 4.31: Đặc tuyến hội tụ của bài toán OPF có SVC và TCSC
hệ thống IEEE 30 nút
138
Qua kết quả bảng 4.16 ta thấy đối với hệ thống IEEE 30 nút chuẩn trong điều
kiện vận hành bình thường, thiết bị FACTS góp phần làm giảm chi phí nhiên liệu máy
phát nhưng không đáng kể do hệ thống vận hành ổn định nên thiết bị FACTS sử dụng
trong hệ thống này không cải thiện được yếu tố kinh tế.
4.4.4. Giải mạng điện IEEE 30 nút có xét thiết bị SVC, TCSC và TCPST
Trong trường hợp này, các thiết bị FACTS được lắp đặt trên hệ thống IEEE 30
nút tại các vị trí giả định, 01 SVC tại nút 21, 01 TCSC được lắp tại nhánh 4 và 01
TCPST được lắp đặt tại nhánh 8. Ứng dụng thuật toàn DEHS vào tính toán mạng điện
trên, ta có được kết quả như bảng 4.17.
Bảng 4.17: Kết quả tính toán mạng điện IEEE 30 nút có xét thiết bị SVC, TCSC và
TCPST
Không TCSC SVC TCPST TCSC, SVC

FACTS và TCPST
Pg1 (MW) 177.0158 177.1857 176.5996 177.4251 177.1514
Pg2 (MW) 48.3280 48.7178 48.8110 48.6722 48.7117
Pg5 (MW) 21.8674 21.4255 21.5180 21.3368 21.2736
Pg8 (MW) 21.6914 20.8597 21.3499 20.6788 20.9976
Pg11 (MW) 11.2231 11.8648 11.7695 11.9211 11.9064
Pg13 (MW) 12.0000 12.0633 12.0000 12.0004 12.0000
Vg1 (pu) 1.1000 1.1000 1.0998 1.0998 1.1000
Vg2 (pu) 1.0831 1.0847 1.0834 1.0836 1.0858
Vg5 (pu) 1.0466 1.0528 1.0579 1.0546 1.0572
Vg8 (pu) 1.0622 1.0609 1.0655 1.0684 1.0670
Vg11 (pu) 1.1000 1.1000 1.1000 1.1000 1.0999
Vg13 (pu) 1.0945 1.1000 1.1000 1.0991 1.1000
T11 (pu) 1.0900 1.0500 1.0500 1.0500 1.0200
T12 (pu) 0.9000 0.9100 0.9100 0.9000 0.9800
T15 (pu) 0.9900 0.9800 0.9600 0.9700 0.9700
T36 (pu) 0.9700 0.9500 0.9600 0.9500 0.9500
Qc10 (MVar) 19.0000 19.0000 19.0000 19.0000 19.0000
Qc24 (MVar) 4.3000 4.3000 3.7000 4.2000 4.3000
SVC21 (MVar) - - 8.7746 - 11.1994
TCSC (pu) - 0.0207 - - 0.0211
139
TCPST (rad) - - - 0.1000 0.1000
Tổn thất (MW) 8.7256 8.7169 8.6480 8.6344 8.6406
Tổng chi phí
799.5762 799.3743 799.2825 799.0130 799.0988
($/h)
Tổng độ lệch
1.3579 1.5875 1.7640 1.6984 1.7875
điện áp
Chỉ số ổn định
0.1325 0.1287 0.1285 0.1275 0.1268
điện áp
Kết quả từ bảng 4.17 cho thấy khi các thiết bị FACTS được thêm vào hệ thống
các chi phí nhiên liệu theo lời giải là giảm từ 799.5762 $/h trong trường hợp không có
thiết bị FACTS đến 799.0988 $/h. Kết quả là, khi có các thiết bị FACTS có thể dẫn đến
tiết kiệm chi phí 0.4782 $/h hoặc 0.06%. Qua kết quả bên trên, ta thấy đối với hệ thống
IEEE 30 nút chuẩn trong điều kiện vận hành bình thường, thiết bị FACTS không góp
phần làm giảm đáng kể chi phí nhiên liệu máy phát nên thiết bị FACTS lắp đặt trong
hệ thống này không có vai trò cải thiện yếu tố kinh tế đối với hệ thống IEEE 30 nút
chuẩn.
140
CHƯƠNG 5
TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN

5.1. Tổng kết đề tài
5.1.1. Kết quả đạt được
Luận án này trình bày một số thuật toán cải tiến để giải quyết bài toán điều độ
tối ưu trong hệ thống điện có và không có thiết bị FACTS. Thuật toán đã thành công
trong việc tìm điểm tối ưu với tốc độ hội tụ nhanh chóng.
Luận án đã trình bày có hệ thống, dẫn dắt bài toán từ đơn giản đến phức tạp, từ
mạng điện nhỏ đến mạng điện có số lượng máy phát lớn, trong từng bài toán cụ thể đã
so sánh, nhận xét, đánh giá với nhiều nguồn tài liệu khác nhau để khẳng định tính
chính xác và tin cậy của kết quả đạt được trong luận án.
Kết quả tính toán cho thấy khả năng linh hoạt, mạnh mẽ của các thuật toán đề
xuất trong việc xác định lời giải tối ưu toàn cục mà các phương pháp tối ưu số khó đạt
được. Đối với những bài toán có hàm mục tiêu không khả vi, có các biến số rời rạc thì
các thuật toán đề xuất đã cho thấy khả năng đặc biệt thích hợp của nó bằng việc giải
quyết bài toán trên một cách dễ dàng. Tuy nhiên, các thuật toán đề xuất cũng có những
nhược điểm giống như các phương pháp trí tuệ nhân tạo khác là chưa có cơ sở toán học
vững chắc (chỉ chủ yếu dựa vào lý thuyết xác xuất), kết quả tính toán phụ thuộc nhiều
vào thông số cài đặt thuật toán và do kinh nghiệm của người lập trình do đó mất rất
nhiều thời gian công sức để thử nghiệm và kiểm tra.
Luận án đã đề xuất được 8 thuật toán cải tiến, ứng dụng vào trong tính toán điều
độ tối ưu trong hệ thống điện, cụ thể:
 Thuật toán tối ưu bầy đàn với hệ số quán tính thay đổi theo thời gian (Particle
Swarm Optimization with Time Varying Inertia Weight factor).
 Thuật toán tối ưu bầy đàn với hệ số kinh nghiệm thay đổi theo thời gian
(Particle Swarm Optimization with Time Varying Acceleration Coefficients).
141
 Thuật toán tối ưu bầy đàn tự tổ chức với hệ số kinh nghiệm thay đổi theo thời
gian (Self Organizing Hierarchical Particle Swarm Optimizer with Time
Varying Acceleration Coefficients).
 Thuật toán tối ưu bầy đàn cân bằng ngẫu nhiên (Stochastic Weight Trade-Off
Particle Swarm Optimization).
 Thuật toán tối ưu bầy đàn cải tiến (Improved Particle Swarm Optimization).
 Đề xuất ứng dụng thuật toán đàn ong nhân tạo (Artificial Bee Colony
Algorithm) vào giải bài toán điều độ tối ưu trong hệ thống điện.
 Phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm hài hòa
(Differential Evolution and Harmony Search).
 Phương pháp lai giữa hai thuật toán tiến hóa vi phân và tìm kiếm theo lực hấp
dẫn (Differential Evolution and Gravitational Search Algorithm).
Trong 8 thuật toán cải tiến trên, lần lượt được áp dụng vào thử nghiệm trên
mạng điện 40 nhà máy có xét ảnh hưởng của điểm van công suất thu được kết quả cho
thấy 3 thuật toán DEGSA, DEHS và SWT-PSO có kết quả tính toán hiệu quả hơn so
với các phương pháp khác về giá trị tối ưu cũng như về thời gian tính toán, 3 phương
pháp này có nhiều tìm năng ứng dụng vào giải quyết các bài toán lớn trong hệ thống
điện.
Luận án đã ứng dụng 3 phương pháp DEGSA, DEHS và SWT-PSO vào tính
toán thử nghiệm trên các mạng điện bao gồm: mạng điện tính toán điều độ kinh tế hàm
chi phí có số lượng lớn máy phát với đường cong chi phí đa nhiên liệu và có xét ảnh
hưởng của điểm van công suất; tính toán các mạng điện chuẩn IEEE 30 nút, IEEE 57
nút và IEEE 118 nút; mạng điện IEEE 30 nút chuẩn có xét ảnh hưởng của điểm van
công suất. Kết quả tính toán có được trong hầu hết các bài toán phương pháp DEGSA
và DEHS cho kết quả vượt trội hơn so với phương pháp SWT-PSO.
Tiếp tục, luận án sử dụng 2 phương pháp DEGSA và DEHS áp dụng vào tính
toán mạng điện mạng điện có xét thiết bị FACTS. Các kết quả cho thấy trong hầu hết
142
các trường hợp thử nghiệm thuật toán DEHS cho kết quả tốt hơn so với phương pháp
DEGSA.
5.1.2. Một số hạn chế
Các thuật toán đề xuất có nguyên lý cơ bản trong sáng, dễ hiểu, nhưng không
phải là một phương pháp dễ ứng dụng. Do không có phương pháp toán cụ thể đã làm
cho người mới làm quen hoặc áp dụng vào bài toán cụ thể sẽ gặp khó khăn về:
 Các thuật toán đề xuất có nhiều điểm hạn chế giống như các phương pháp dựa
vào trí tuệ nhân tạo khác là chưa có cơ sở toán học vững chắc (chủ yếu dựa vào
lý thuyết xác suất), phụ thuộc nhiều vào các thông số cài đặt ban đầu, kinh
nghiệmvà vì thế phải mất nhiều thời gian, sử dụng nhiều máy tính mới thuận lợi
cho việc thử nghiệm và kiểm tra nhiều lần nhằm xác định thông số cài đặt hiệu
quả, để đạt lời giải tốt và thời gian tính toán nhanh cho từng loại bài toán OPF
khác nhau.
 Phương pháp mã hoá các biến với số lượng cá thể không phù hợp.
 Cách thức và loại biến cần phải mã hoá trong từng bài toán cụ thể.
 Thông số cài đặt thuật toán như: số cá thể trong quần thể, các hệ số quán tính,
kinh nghiệm của bản thân và quan hệ cộng đồng của cá thể.
 Cách thiết lập hàm mục tiêu với hệ số phạt thích hợp.
Một hạn chế khác của luận án là chỉ nghiên cứu cho hệ thống điện cân bằng do
đó chỉ sử dụng mô hình của hệ thống một pha mà chưa đưa ra được mô hình tính toán
trong mạng điện bất đối xứng.
Việc thống kê, so sánh và đánh giá kết quả cho từng bài toán còn thiếu tính tổng
quát do việc ảnh hưởng lẫn nhau của các thông số trên lưới điện và việc xác định các
thông số cài đặt, các toán tử nào là tối ưu cho bài toán tối ưu phân bố công suất là
không có phương pháp rõ ràng cụ thể mà chủ yếu dựa vào thời gian kiểm tra, thử
nghiệm và kinh nghiệm của người lập trình.
5.2. Hướng phát triển của đề tài
143
Từ những kết quả đạt được và ưu khuyết điểm của luận án đã nêu ở trên chúng
tôi đưa ra hướng phát triển tiếp theo của đề tài:
 Tính toán điều độ công suất tối ưu cho mạng điện trong trường hợp bất đối xứng
có kể đến thiết bị FACTS.
 Tiến tới áp dụng thuật toán tối ưu cho các bài toán khác như: bài toán quy hoạch
và phát triển hệ thống điện, bài toán phân bố công suất tối ưu trong thị trường
điện cạnh tranh, bài toán tối ưu phân bố công suất trong hệ thống Thuỷ điện –
Nhiệt điện...
 Giải bài toán OPF với hàm chi phí nhiên liệu có xét đến yếu tố ảnh hưởng của
lượng khí thải đối với môi trường.
 Nghiên cứu thuật toán để tìm kiếm lời giải tốt hơn, ổn định hơn và thời gian tính
toán ngắn hơn để từ đó áp dụng nghiên cứu lời giải tổng quát (xác định số
lượng, chủng loại, vị trí) cho bài toán lựa chọn vị trí tối ưu để lắp đặt thiết bị
FACTS để tối ưu đa mục tiêu.
144
PHỤ LỤC
Phụ lục 1: Thông số hệ thống 40 nhà máy [69]
Nút Pimin Pimax ai bi ci ei fi

1 36 114 0.00690 6.73 0.0069 100 0.084
2 36 114 0.00690 6.73 0.0069 100 0.084
3 60 120 0.02028 7.07 0.02028 100 0.084
4 80 190 0.00942 8.18 0.00942 150 0.063
5 47 97 0.0114 5.35 0.0114 120 0.077
6 68 140 0.01142 8.05 0.01142 100 0.084
7 110 300 0.00357 8.03 0.00357 200 0.042
8 135 300 0.00492 6.99 0.00492 200 0.042
9 135 300 0.00573 6.6 0.00573 200 0.042
10 130 300 0.00605 12.9 0.00605 200 0.042
11 94 375 0.00515 12.9 0.00515 200 0.042
12 94 375 0.00569 12.8 0.00569 200 0.042
13 125 500 0.00421 12.5 0.00421 300 0.035
14 125 500 0.00752 8.84 0.00752 300 0.035
15 125 500 0.00708 9.15 0.00708 300 0.035
16 125 500 0.00708 9.15 0.00708 300 0.035
17 220 500 0.00313 7.97 0.00313 300 0.035
18 220 500 0.00313 7.95 0.00313 300 0.035
19 242 550 0.00313 7.97 0.00313 300 0.035
20 242 550 0.00313 7.97 0.00313 300 0.035
21 254 550 0.00298 6.63 0.00298 300 0.035
22 254 550 0.00298 6.63 0.00298 300 0.035
145
23 254 550 0.00284 6.66 0.00284 300 0.035
24 254 550 0.00284 6.66 0.00284 300 0.035
25 254 550 0.00277 7.1 0.00277 300 0.035
26 254 550 0.00277 7.1 0.00277 300 0.035
27 10 150 0.52124 3.33 0.52124 120 0.077
28 10 150 0.52124 3.33 0.52124 120 0.077
29 10 150 0.52124 3.33 0.52124 120 0.077
30 47 97 0.01140 5.35 0.0114 120 0.077
31 60 190 0.00160 6.43 0.0016 150 0.063
32 60 190 0.00160 6.43 0.0016 150 0.063
33 60 190 0.00160 6.43 0.0016 150 0.063
34 90 200 0.0001 8.95 0.0001 200 0.042
35 90 200 0.0001 8.62 0.0001 200 0.042
36 90 200 0.0001 8.62 0.0001 200 0.042
37 25 110 0.0161 5.88 0.0161 80 0.098
38 25 110 0.0161 5.88 0.0161 80 0.098
39 25 110 0.0161 5.88 0.0161 80 0.098
40 242 550 0.00313 7.97 0.00313 300 0.035
Phụ lục 2: Thông số của hệ thống 10 nhà máy có xét ảnh hưởng của điểm van công
suất [97]
NM Đoạn NL ai bi ci ei fi Pmin Pmax

1 1 1 0.2697*102 -0.3975*100 0.2176*10-2 0.2697*10-1 -0.3975*101 100 196
1 2 2 0.2113*102 -0.3059*100 0.1861*10-2 0.2113*10-1 -0.3059e1 196 250
2 1 2 0.1865*101 -0.3988*10-1 0.1138*10-2 0.1865e-2 -0.3988e0 50 114
2 2 3 0.1365*102 -0.1980*100 0.1620*10-2 0.1365*10-1 -0.1980e1 114 157
2 3 1 0.1184*103 -0.1269*101 0.4194*10-2 0.1184e0 -0.1269e2 157 230
146
3 1 1 0.3979*102 -0.3116*100 0.1457*10-2 0.3979*10-1 -0.3116e1 200 332
3 2 3 -0.2876*101 0.3389*10-1 0.8035*10-3 -0.2876e-2 0.3389e0 332 388
3 3 2 -0.5914*102 0.4864*100 0.1176*10-4 -0.5914*10-1 0.4864*101 388 500
4 1 1 0.1983*101 -0.3114*10-1 0.1049*10-2 0.1983*10-2 -0.3114*100 99 138
4 2 2 0.5285*102 -0.6348*100 0.2758*10-2 0.5285*10-1 -0.6348*101 138 200
4 3 3 0.2668*103 -0.2338*101 0.5935*10-2 0.2668*100 -0.2338*102 200 265
5 1 1 0.1392*102 -0.8733*10-1 0.1066*10-2 0.1392*10-1 -0.8733*100 190 338
5 2 2 0.9976*102 -0.5206*100 0.1597*10-2 0.9976*10-1 -0.5206*101 338 407
5 3 3 -0.5399*102 0.4462*100 0.1498*10-3 -0.5399*10-1 0.4462*101 407 490
6 1 2 0.1983*101 -0.3114*10-1 0.1049*10-2 0.1983*10-2 -0.3114*100 85 138
6 2 1 0.5285*102 -0.6348*100 0.2758*10-2 0.5285*10-1 -0.6348*101 138 200
6 3 3 0.2668*103 -0.2338*101 0.5935*10-2 0.2668*100 -0.2338*102 200 265
7 1 1 0.1893*102 -0.1325*100 0.1107*10-2 0.1893*10-1 -0.1325*101 200 331
7 2 2 0.4377*102 -0.2267*100 0.1165*10-2 0.4377*10-1 -0.2267*101 331 391
7 3 3 -0.4335*102 0.3559*100 0.2454*10-3 -0.4335*10-1 0.3559*101 391 500
8 1 1 0.1983*101 -0.3114*10-1 0.1049*10-2 0.1983*10-2 -0.3114*100 99 138
8 2 2 0.5285*102 -0.6348*100 0.2758*10-2 0.5285*10-1 -0.6348*101 138 200
8 3 3 0.2668*103 -0.2338*101 0.5935*10-2 0.2668*100 -0.2338*102 200 265
9 1 3 0.1423*102 -0.1817*10-1 0.6121*10-3 0.1423*10-1 -0.1817*100 130 213
9 2 1 0.8853*102 -0.5675*100 0.1554*10-2 0.8853*10-1 -0.5675*101 213 370
9 3 3 0.1423*102 -0.1817*10-1 0.6121*10-3 0.1423*10-1 -0.1817*100 370 440
10 1 1 0.1397*102 -0.9938*10-1 0.1102*10-2 0.1397*10-1 -0.9938*100 200 362
10 2 3 0.4671*102 -0.2024*100 0.1137*10-2 0.4671*10-1 -0.2024*101 362 407
10 3 2 -0.6113*102 0.5084*100 0.4164*10-4 -0.6113*10-1 0.5084*101 407 490
Trong đó:
ai, bi, ci, ei, fi là các hệ số chi phí từng đoạn nhiên liệu của nhà máy i.
Pmin là giới hạn dưới công suất từng đoạn nhiên liệu của nhà máy i (MW)
Pmax là giới hạn trên công suất từng đoạn nhiên liệu của nhà máy i (MW)
147
Phụ lục 3: Sơ đồ mạng điện IEEE 30 nút [114]
148
Phụ lục 4: Dữ liệu máy phát mạng điện IEEE 30 nút
Nút Pmin(MW) Pmax(MW) Qmin(MVAr) Qmax(MVAr)
1 50 200 -20 200
2 20 80 -20 100
5 15 50 -15 80
8 10 35 -15 60
11 10 30 -10 50
13 12 40 -15 60
Phụ lục 5: Hệ số chi phí máy phát hàm bậc hai mạng điện IEEE 30 nút
Các hệ số chi phí máy phát

Nút máy phát
ai($/h) bi($/MWh) ci($/MW2h)
1 0.00 2.00 0.00375
2 0.00 1.75 0.01750
5 0.00 1.00 0.06250
8 0.00 3.25 0.00834
11 0.00 3.00 0.02500
13 0.00 3.00 0.02500
Phụ lục 6: Hệ số chi phí máy phát với điểm van công suất mạng điện IEEE–30 nút
149
Nút
ai($/h) bi($/MWh) ci($/MW2h) ei($/h) fi($/MWh)
1 150 2 0.00160 50 0.063
2 25 2.5 0.01000 40 0.098
5 0 1.00 0.06250 0 0
8 0 3.25 0.00834 0 0
11 0 3.00 0.02500 0 0
13 0 3.00 0.02500 0 0
Phụ lục 7: Dòng công suất cực đại đường dây truyền tải mạng điện IEEE 30 nút
Line 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sl,max(MVA) 130 130 65 130 130 65 90 130 130 32 65 32 65 65
Line 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Sl,max(MVA) 65 65 32 32 32 16 16 16 16 32 32 32 32 32
Line 29 30 31 32 33 34 35 36 37 38 39 40 41
Sl,max(MVA) 32 16 16 16 16 16 16 65 16 16 16 32 32
Phụ lục 8: Thông số đường dây mạng điện IEEE 30 nút
Số đường dây Nút đầu Nút cuối R(pu) X(pu) B(pu) Tap(pu)
1 1 2 0.0192 0.0575 0.0528 1
150
2 1 3 0.0452 0.1652 0.0408 1
3 2 4 0.0570 0.1737 0.0368 1
4 3 4 0.0132 0.0379 0.0084 1
5 2 5 0.0472 0.1983 0.0418 1
6 2 6 0.0581 0.1763 0.0374 1
7 4 6 0.0119 0.0414 0.009 1
8 5 7 0.0460 0.1160 0.0204 1
9 6 7 0.0267 0.0820 0.017 1
10 6 8 0.0120 0.0420 0.009 1
11 6 9 0 0.2080 0 0.978
12 6 10 0 0.5560 0 0.969
13 9 11 0 0.2080 0 1
14 9 10 0 0.1100 0 1
15 4 12 0 0.2560 0 0.932
16 12 13 0 0.1400 0 1
17 12 14 0.1231 0.2559 0 1
18 12 15 0.0662 0.1304 0 1
19 12 16 0.0945 0.1987 0 1
20 14 15 0.2210 0.1997 0 1
21 16 17 0.0524 0.1923 0 1
151
22 15 18 0.1073 0.2185 0 1
23 18 19 0.0639 0.1292 0 1
24 19 20 0.0340 0.0680 0 1
25 10 20 0.0936 0.2090 0 1
26 10 17 0.0324 0.0845 0 1
27 10 21 0.0348 0.0749 0 1
28 10 22 0.0727 0.1499 0 1
29 21 22 0.0116 0.0236 0 1
30 15 23 0.1000 0.2020 0 1
31 22 24 0.1150 0.1790 0 1
32 23 24 0.1320 0.2700 0 1
33 24 25 0.1885 0.3292 0 1
34 25 26 0.2544 0.3800 0 1
35 25 27 0.1093 0.2087 0 1
36 28 27 0 0.3960 0 0.968
37 27 29 0.2198 0.4153 0 1
38 27 30 0.3202 0.6027 0 1
39 29 30 0.2399 0.4533 0 1
40 8 28 0.0636 0.2000 0.0428 1
41 6 28 0.0169 0.0599 0.013 1
Phụ lục 9: Thông số tải mạng điện IEEE 30 nút
152
Công suất tải
Nút tải
P(pu) Q(pu)
1 0.000 0.000
2 0.217 0.127
3 0.024 0.012
4 0.076 0.016
5 0.942 0.190
6 0.000 0.000
7 0.228 0.109
8 0.300 0.300
9 0.000 0.000
10 0.058 0.020
11 0.000 0.000
12 0.112 0.075
13 0.000 0.000
14 0.062 0.016
15 0.082 0.025
16 0.035 0.018
17 0.090 0.058
18 0.032 0.009
153
19 0.095 0.034
20 0.022 0.007
21 0.175 0.112
22 0.000 0.000
23 0.032 0.016
24 0.087 0.067
25 0.000 0.000
26 0.035 0.023
27 0.000 0.000
28 0.000 0.000
29 0.024 0.009
30 0.106 0.019
154
155
Nút Pmin(MW) Pmax(MW) Qmin(MVAr) Qmax(MVAr)
1 0 575.88 -200 300
2 0 100 -17 50
3 0 140 -10 60
6 0 100 -8 25
8 0 550 -140 200
9 0 100 -3 9
12 0 410 -150 155
Phụ lục 12: Hệ số chi phí máy phát hàm bậc hai mạng điện IEEE 57 nút

Nút máy phát
ai($/h) bi($/MWh) ci($/MW2h)
1 0.2 0.3 0.01
2 0.2 0.3 0.01
3 0.2 0.3 0.01
6 0.2 0.3 0.01
8 0.2 0.3 0.01
9 0.2 0.3 0.01
12 0.2 0.3 0.01
156
Line 1 2 3 4 5 6 7 8 9-13 14 15 16-80
Sl,max
150 85 100 100 50 40 100 200 50 100 200 100
(MVA)
Số đường dây Nút đầu Nút cuối R(pu) X(pu) B(pu) Tap(p.u)
1 1 2 0.0083 0.028 0.129 0
2 2 3 0.0298 0.085 0.0818 0
3 3 4 0.0112 0.0366 0.038 0
4 4 5 0.0625 0.132 0.0258 0
5 4 6 0.043 0.148 0.0348 0
6 6 7 0.02 0.102 0.0276 0
7 6 8 0.0339 0.173 0.047 0
8 8 9 0.0099 0.0505 0.0548 0
9 9 10 0.0369 0.1679 0.044 0
10 9 11 0.0258 0.0848 0.0218 0
11 9 12 0.0648 0.295 0.0772 0
12 9 13 0.0481 0.158 0.0406 0
13 13 14 0.0132 0.0434 0.011 0
14 13 15 0.0269 0.0869 0.023 0
15 1 15 0.0178 0.091 0.0988 0
157
16 1 16 0.0454 0.206 0.0546 0
17 1 17 0.0238 0.108 0.0286 0
18 3 15 0.0162 0.053 0.0544 0
19 4 18 0 0.555 0 0.97
20 4 18 0 0.43 0 0.978
21 5 6 0.0302 0.0641 0.0124 0
22 7 8 0.0139 0.0712 0.0194 0
23 10 12 0.0277 0.1262 0.0328 0
24 11 13 0.0223 0.0732 0.0188 0
25 12 13 0.0178 0.058 0.0604 0
26 12 16 0.018 0.0813 0.0216 0
27 12 17 0.0397 0.179 0.0476 0
28 14 15 0.0171 0.0547 0.0148 0
29 18 19 0.461 0.685 0 0
30 19 20 0.283 0.434 0 0
31 21 20 0 0.7767 0 1.043
32 21 22 0.0736 0.117 0 0
33 22 23 0.0099 0.0152 0 0
34 23 24 0.166 0.256 0.0084 0
35 24 25 0 1.182 0 0
158
36 24 25 0 1.23 0 0
37 24 26 0 0.0473 0 1.043
38 26 27 0.165 0.254 0 0
39 27 28 0.0618 0.0954 0 0
40 28 29 0.0418 0.0587 0 0
41 7 29 0 0.0648 0 0.967
42 25 30 0.135 0.202 0 0
43 30 31 0.326 0.497 0 0
44 31 32 0.507 0.755 0 0
45 32 33 0.0392 0.036 0 0
46 34 32 0 0.953 0 0.975
47 34 35 0.052 0.078 0.0032 0
48 35 36 0.043 0.0537 0.0016 0
49 36 37 0.029 0.0366 0 0
50 37 38 0.0651 0.1009 0.002 0
51 37 39 0.0239 0.0379 0 0
52 36 40 0.03 0.0466 0 0
53 22 38 0.0192 0.0295 0 0
54 11 41 0 0.749 0 0.955
55 41 42 0.207 0.352 0 0
159
56 41 43 0 0.412 0 0
57 38 44 0.0289 0.0585 0.002 0
58 15 45 0 0.1042 0 0.955
59 14 46 0 0.0735 0 0.9
60 46 47 0.023 0.068 0.0032 0
61 47 48 0.0182 0.0233 0 0
62 48 49 0.0834 0.129 0.0048 0
63 49 50 0.0801 0.128 0 0
64 50 51 0.1386 0.22 0 0
65 10 51 0 0.0712 0 0.953
66 13 49 0 0.191 0 0.895
67 29 52 0.1442 0.187 0 0
68 52 53 0.0762 0.0984 0 0
69 53 54 0.1878 0.232 0 0
70 54 55 0.1732 0.2265 0 0
71 11 43 0 0.153 0 0.958
72 44 45 0.0625 0.1242 0.004 0
73 40 56 0 1.195 0 0.958
74 56 41 0.553 0.549 0 0
160
75 56 42 0.2125 0.354 0 0
76 39 57 0 1.355 0 0.98
77 57 56 0.174 0.26 0 0
78 38 49 0.115 0.177 0.003 0
79 38 49 0.0312 0.0482 0 0
80 9 55 0 0.1205 0 0.94
Nút P(MW) Q(MWAr)
1 55 17
2 3 88
3 41 21
4 0 0
5 13 4
6 75 2
7 0 0
8 150 22
9 121 26
10 5 2
11 0 0
12 377 24
161
13 18 2.3
14 10.5 5.3
15 22 5
16 43 3
17 42 8
18 27.2 9.8
19 3.3 0.6
20 2.3 1
21 0 0
22 0 0
23 6.3 2.1
24 0 0
25 6.3 3.2
26 0 0
27 9.3 0.5
28 4.6 2.3
29 17 2.6
30 3.6 1.8
31 5.8 2.9
32 1.6 0.8
162
33 3.8 1.9
34 0 0
35 6 3
36 0 0
37 0 0
38 14 7
39 0 0
40 0 0
41 6.3 3
42 7.1 4.4
43 2 1
44 12 1.8
45 0 0
46 0 0
47 29.7 11.6
48 0 0
49 18 8.5
50 21 10.5
51 18 5.3
52 4.9 2.2
163
53 20 10
54 4.1 1.4
55 6.8 3.4
56 7.6 2.2
57 6.7 2
164
ai bi ci Pgi,min Pgi,max Qgi,min Qgi,max

STT Nút
($/h) ($/MWh) ($/MW2h) (MW) (MW) (MVAr) (MVAr)
1 1 0 40 0.01 0 100 -5 15
2 4 0 40 0.01 0 100 -300 300
3 6 0 40 0.01 0 100 -13 50
4 8 0 40 0.01 0 100 -300 300
5 10 0 20 0.0222222 0 550 -147 200
6 12 0 20 0.117647 0 185 -35 120
7 15 0 40 0.01 0 100 -10 30
8 18 0 40 0.01 0 100 -16 50
9 19 0 40 0.01 0 100 -8 24
10 24 0 40 0.01 0 100 -300 300
11 25 0 20 0.0454545 0 320 -47 140
12 26 0 20 0.0318471 0 414 -1000 1000
13 27 0 40 0.01 0 100 -300 300
14 31 0 20 1.42857 0 107 -300 300
15 32 0 40 0.01 0 100 -14 42
16 34 0 40 0.01 0 100 -8 24
17 36 0 40 0.01 0 100 -8 24
18 40 0 40 0.01 0 100 -300 300
165
19 42 0 40 0.01 0 100 -300 300
20 46 0 20 0.526316 0 119 -100 100
21 49 0 20 0.0490196 0 304 -85 210
22 54 0 20 0.208333 0 148 -300 300
23 55 0 40 0.01 0 100 -8 23
24 56 0 40 0.01 0 100 -8 15
25 59 0 20 0.0645161 0 255 -60 180
26 61 0 20 0.0625 0 260 -100 300
27 62 0 40 0.01 0 100 -20 20
28 65 0 20 0.0255754 0 491 -67 200
29 66 0 20 0.0255102 0 492 -67 200
30 69 0 20 0.0193648 0 805.2 -300 300
31 70 0 40 0.01 0 100 -10 32
32 72 0 40 0.01 0 100 -100 100
33 73 0 40 0.01 0 100 -100 100
34 74 0 40 0.01 0 100 -6 9
35 76 0 40 0.01 0 100 -8 23
36 77 0 40 0.01 0 100 -20 70
37 80 0 20 0.0209644 0 577 -165 280
38 85 0 40 0.01 0 100 -8 23
166
39 87 0 20 2.5 0 104 -100 1000
40 89 0 20 0.0164745 0 707 -210 300
41 90 0 40 0.01 0 100 -300 300
42 91 0 40 0.01 0 100 -100 100
43 92 0 40 0.01 0 100 -3 9
44 99 0 40 0.01 0 100 -100 100
45 100 0 20 0.0396825 0 352 -50 155
46 103 0 20 0.25 0 140 -15 40
47 104 0 40 0.01 0 100 -8 23
48 105 0 40 0.01 0 100 -8 23
49 107 0 40 0.01 0 100 -200 200
50 110 0 40 0.01 0 100 -8 23
51 111 0 20 0.277778 0 136 -100 1000
52 112 0 40 0.01 0 100 -100 1000
53 113 0 40 0.01 0 100 -100 200
54 116 0 40 0.01 0 100 -1000 1000
Sl,max (MVA) Đường dây
1, 2, 6, 12-18, 34-35, 40, 42, 46-47, 49, 57-58, 62-64, 72-78, 91-92,
100 100-103, 113, 121, 128, 130, 132, 143, 146-147, 156-162, 169-173,
175-176, 180-182, 184
167
4-5, 10-11, 19-20, 22-23, 39, 43, 52-53, 55-56, 59-61, 65-71, 89, 105-
130 106, 118, 122, 125, 129, 131, 133-136, 140, 144-145, 148-155, 164-
168, 174, 177-179, 185-186
200 3, 21, 137-139
24-29, 33, 41, 44-45, 48, 50, 90, 93-95, 98-99, 108-112, 114-117, 119-
300
120, 123-124, 126-127, 141-142, 163
600 30-32, 36-38, 51, 54, 96-97, 104, 106-107
650 7-9
Số đường dây Nút đầu Nút cuối R(pu) X(pu) B(pu) Tap(p.u)
1 1 2 0.0303 0.0999 0.0254 0
2 1 3 0.0129 0.0424 0.01082 0
3 4 5 0.00176 0.00798 0.0021 0
4 3 5 0.0241 0.108 0.0248 0
5 5 6 0.0119 0.054 0.01426 0
6 6 7 0.00459 0.0208 0.0055 0
7 8 9 0.00244 0.0305 1.162 0
8 8 5 0 0.0267 0 0.985
9 9 10 0.00258 0.0322 1.23 0
10 4 11 0.0209 0.0688 0.01748 0
11 5 11 0.0203 0.0682 0.01748 0
168
12 11 12 0.00595 0.0196 0.00502 0
13 2 12 0.0187 0.0616 0.01572 0
14 3 12 0.0484 0.16 0.0406 0
15 7 12 0.00862 0.034 0.00874 0
16 11 13 0.02225 0.0731 0.01876 0
17 12 14 0.0215 0.0707 0.01816 0
18 13 15 0.0744 0.2444 0.06268 0
19 14 15 0.0595 0.195 0.0502 0
20 12 16 0.0212 0.0834 0.0214 0
21 15 17 0.0132 0.0437 0.0444 0
22 16 17 0.0454 0.1801 0.0466 0
23 17 18 0.0123 0.0505 0.01298 0
24 18 19 0.01119 0.0493 0.01142 0
25 19 20 0.0252 0.117 0.0298 0
26 15 19 0.012 0.0394 0.0101 0
27 20 21 0.0183 0.0849 0.0216 0
28 21 22 0.0209 0.097 0.0246 0
29 22 23 0.0342 0.159 0.0404 0
30 23 24 0.0135 0.0492 0.0498 0
31 23 25 0.0156 0.08 0.0864 0
169
32 26 25 0 0.0382 0 0.96
33 25 27 0.0318 0.163 0.1764 0
34 27 28 0.01913 0.0855 0.0216 0
35 28 29 0.0237 0.0943 0.0238 0
36 30 17 0 0.0388 0 0.96
37 8 30 0.00431 0.0504 0.514 0
38 26 30 0.00799 0.086 0.908 0
39 17 31 0.0474 0.1563 0.0399 0
40 29 31 0.0108 0.0331 0.0083 0
41 23 32 0.0317 0.1153 0.1173 0
42 31 32 0.0298 0.0985 0.0251 0
43 27 32 0.0229 0.0755 0.01926 0
44 15 33 0.038 0.1244 0.03194 0
45 19 34 0.0752 0.247 0.0632 0
46 35 36 0.00224 0.0102 0.00268 0
47 35 37 0.011 0.0497 0.01318 0
48 33 37 0.0415 0.142 0.0366 0
49 34 36 0.00871 0.0268 0.00568 0
50 34 37 0.00256 0.0094 0.00984 0
51 38 37 0 0.0375 0 0.935
170
52 37 39 0.0321 0.106 0.027 0
53 37 40 0.0593 0.168 0.042 0
54 30 38 0.00464 0.054 0.422 0
55 39 40 0.0184 0.0605 0.01552 0
56 40 41 0.0145 0.0487 0.01222 0
57 40 42 0.0555 0.183 0.0466 0
58 41 42 0.041 0.135 0.0344 0
59 43 44 0.0608 0.2454 0.06068 0
60 34 43 0.0413 0.1681 0.04226 0
61 44 45 0.0224 0.0901 0.0224 0
62 45 46 0.04 0.1356 0.0332 0
63 46 47 0.038 0.127 0.0316 0
64 46 48 0.0601 0.189 0.0472 0
65 47 49 0.0191 0.0625 0.01604 0
66 42 49 0.0715 0.323 0.086 0
67 42 49 0.0715 0.323 0.086 0
68 45 49 0.0684 0.186 0.0444 0
69 48 49 0.0179 0.0505 0.01258 0
70 49 50 0.0267 0.0752 0.01874 0
71 49 51 0.0486 0.137 0.0342 0
171
72 51 52 0.0203 0.0588 0.01396 0
73 52 53 0.0405 0.1635 0.04058 0
74 53 54 0.0263 0.122 0.031 0
75 49 54 0.073 0.289 0.0738 0
76 49 54 0.0869 0.291 0.073 0
77 54 55 0.0169 0.0707 0.0202 0
78 54 56 0.00275 0.00955 0.00732 0
79 55 56 0.00488 0.0151 0.00374 0
80 56 57 0.0343 0.0966 0.0242 0
81 50 57 0.0474 0.134 0.0332 0
82 56 58 0.0343 0.0966 0.0242 0
83 51 58 0.0255 0.0719 0.01788 0
84 54 59 0.0503 0.2293 0.0598 0
85 56 59 0.0825 0.251 0.0569 0
86 56 59 0.0803 0.239 0.0536 0
87 55 59 0.04739 0.2158 0.05646 0
88 59 60 0.0317 0.145 0.0376 0
89 59 61 0.0328 0.15 0.0388 0
90 60 61 0.00264 0.0135 0.01456 0
91 60 62 0.0123 0.0561 0.01468 0
172
92 61 62 0.00824 0.0376 0.0098 0
93 63 59 0 0.0386 0 0.96
94 63 64 0.00172 0.02 0.216 0
95 64 61 0 0.0268 0 0.985
96 38 65 0.00901 0.0986 1.046 0
97 64 65 0.00269 0.0302 0.38 0
98 49 66 0.018 0.0919 0.0248 0
99 49 66 0.018 0.0919 0.0248 0
100 62 66 0.0482 0.218 0.0578 0
101 62 67 0.0258 0.117 0.031 0
102 65 66 0 0.037 0 0.935
103 66 67 0.0224 0.1015 0.02682 0
104 65 68 0.00138 0.016 0.638 0
105 47 69 0.0844 0.2778 0.07092 0
106 49 69 0.0985 0.324 0.0828 0
107 68 69 0 0.037 0 0.935
108 69 70 0.03 0.127 0.122 0
109 24 70 0.00221 0.4115 0.10198 0
110 70 71 0.00882 0.0355 0.00878 0
111 24 72 0.0488 0.196 0.0488 0
173
112 71 72 0.0446 0.18 0.04444 0
113 71 73 0.00866 0.454 0.01178 0
114 70 74 0.0401 0.1323 0.03368 0
115 70 75 0.0428 0.141 0.036 0
116 69 75 0.0405 0.122 0.124 0
117 74 75 0.0123 0.0406 0.01034 0
118 76 77 0.0444 0.148 0.0368 0
119 69 77 0.0309 0.101 0.1038 0
120 75 77 0.0601 0.1999 0.04978 0
121 77 78 0.00376 0.0124 0.01264 0
122 78 79 0.00546 0.0244 0.00648 0
123 77 80 0.017 0.0485 0.0472 0
124 77 80 0.0294 0.105 0.0228 0
125 79 80 0.0156 0.0704 0.0187 0
126 68 81 0.00175 0.0202 0.808 0
127 81 80 0 0.037 0 0.935
128 77 82 0.0298 0.0853 0.08174 0
129 82 83 0.0112 0.03665 0.03796 0
130 83 84 0.0625 0.132 0.0258 0
131 83 85 0.043 0.148 0.0348 0
174
132 84 85 0.0302 0.0641 0.01234 0
133 85 86 0.035 0.123 0.0276 0
134 86 87 0.02828 0.2074 0.0445 0
135 85 88 0.02 0.102 0.0276 0
136 85 89 0.0239 0.173 0.047 0
137 88 89 0.0139 0.0712 0.01934 0
138 89 90 0.0518 0.188 0.0528 0
139 89 90 0.0238 0.0997 0.106 0
140 90 91 0.0254 0.0836 0.0214 0
141 89 92 0.0099 0.0505 0.0548 0
142 89 92 0.0393 0.1581 0.0414 0
143 91 92 0.0387 0.1272 0.03268 0
144 92 93 0.0258 0.0848 0.0218 0
145 92 94 0.0481 0.158 0.0406 0
146 93 94 0.0223 0.0732 0.01876 0
147 94 95 0.0132 0.0434 0.0111 0
148 80 96 0.0356 0.182 0.0494 0
149 82 96 0.0162 0.053 0.0544 0
150 94 96 0.0269 0.0869 0.023 0
151 80 97 0.0183 0.0934 0.0254 0
175
152 80 98 0.0238 0.108 0.0286 0
153 80 99 0.0454 0.206 0.0546 0
154 92 100 0.0648 0.295 0.0472 0
155 94 100 0.0178 0.058 0.0604 0
156 95 96 0.0171 0.0547 0.01474 0
157 96 97 0.0173 0.0885 0.024 0
158 98 100 0.0397 0.179 0.0476 0
159 99 100 0.018 0.0813 0.0216 0
160 100 101 0.0277 0.1262 0.0328 0
161 92 102 0.0123 0.0559 0.01464 0
162 101 102 0.0246 0.112 0.0294 0
163 100 103 0.016 0.0525 0.0536 0
164 100 104 0.0451 0.204 0.0541 0
165 103 104 0.0466 0.1584 0.0407 0
166 103 105 0.0535 0.1625 0.0408 0
167 100 106 0.0605 0.229 0.062 0
168 104 105 0.00994 0.0378 0.00986 0
169 105 106 0.014 0.0547 0.01434 0
170 105 107 0.053 0.183 0.0472 0
171 105 108 0.0261 0.0703 0.01844 0
176
172 106 107 0.053 0.183 0.0472 0
173 108 109 0.0105 0.0288 0.0076 0
174 103 110 0.03906 0.1813 0.0461 0
175 109 110 0.0278 0.0762 0.0202 0
176 110 111 0.022 0.0755 0.02 0
177 110 112 0.0247 0.064 0.062 0
178 17 113 0.00913 0.0301 0.00768 0
179 32 113 0.0615 0.203 0.0518 0
180 32 114 0.0135 0.0612 0.01628 0
181 27 115 0.0164 0.0741 0.01972 0
182 114 115 0.0023 0.0104 0.00276 0
183 68 116 0.00034 0.00405 0.164 0
184 12 117 0.0329 0.14 0.0358 0
185 75 118 0.0145 0.0481 0.01198 0
186 76 118 0.0164 0.0544 0.01356 0
Nút P(MW) Q(MWAr)
1 51 27
2 20 9
3 39 10
177
4 39 12
5 0 0
6 52 22
7 19 2
8 28 0
9 0 0
10 0 0
11 70 23
12 47 10
13 34 16
14 14 1
15 90 30
16 25 10
17 11 3
18 60 34
19 45 25
20 18 3
21 14 8
22 10 5
23 7 3
178
24 13 0
25 0 0
26 0 0
27 71 13
28 17 7
29 24 4
30 0 0
31 43 27
32 59 23
33 23 9
34 59 26
35 33 9
36 31 17
37 0 0
38 0 0
39 27 11
40 66 23
41 37 10
42 96 23
43 18 7
179
44 16 8
45 53 22
46 28 10
47 34 0
48 20 11
49 87 30
50 17 4
51 17 8
52 18 5
53 23 11
54 113 32
55 63 22
56 84 18
57 12 3
58 12 3
59 277 113
60 78 3
61 0 0
62 77 14
63 0 0
180
64 0 0
65 0 0
66 39 18
67 28 7
68 0 0
69 0 0
70 66 20
71 0 0
72 12 0
73 6 0
74 68 27
75 47 11
76 68 36
77 61 28
78 71 26
79 39 32
80 130 26
81 0 0
82 54 27
83 20 10
181
84 11 7
85 24 15
86 21 10
87 0 0
88 48 10
89 0 0
90 163 42
91 10 0
92 65 10
93 12 7
94 30 16
95 42 31
96 38 15
97 15 9
98 34 8
99 42 0
100 37 18
101 22 15
102 5 3
103 23 16
182
104 38 25
105 31 26
106 43 16
107 50 12
108 2 1
109 8 3
110 39 30
111 0 0
112 68 13
113 6 0
114 8 3
115 22 7
116 184 0
117 20 8
118 33 15
183
TÀI LIỆU THAM KHẢO
[1] Jizhong Zhu. “Optimization of Power System Operation,” Second Edition, John
Wiley & Sons, Inc., Hoboken, New Jersey, 2015.
[2] Kwang Y.Lee and Mohamed A. El-Sharkawi. “Modern Heuristic Optimization
Techniques,” John Wiley & Sons, Inc., Hoboken, New Jersey, 2008.
[3] Park, J.-B.; Lee, K.-S.; and Lee, K. W, “A particle swarm optimization for
economic dispatch with nonsmooth cost function,” IEEE Trans. PowerSystems, 12(1):
34-42, 2005.
[4] Jayabarathi, T.; Jayaprakash, K.; Jeyakumar, D. N.; and Raghunathan,T.
“Evolutionary programming techniques for different kinds of economic dispatch
problems,” Electric Power Systems Research 73: 169-176, 2005.
[5] IEEE Committee Report, “Present Practices in the Economic Operation of Power
System,” IEEE Transactions on Power Apparatus and Systems, Vol. PAS-90,
July/August 1971, pp. 1768-1775.
[6] A. Wood, B. Wollenberg, “Power generation, operation and control,” New York:
Wiley, 1996.
[7] D.C Walters, G. B. Sheblé, “Genetic Algorithm Solution of Economic Dispatch
with Valve Point Loading,” IEEE Trans. Power Systems, Vol. 8, No. 3, pp. 1325-1332,
August 1993.
[8] K. Wong, Y. Wong, “Genetic and genetic/simulated-annealing approaches to
economic dispatch,” IEEE Proceedings Gener, Trans and Distr, Vol. 141, No. 5, pp.
507-513, Sep 1994.
[9] K. Wong, B. Lau, A. Fry, “Modelling Generator Input-Output Characteristics
with Valve-Point Loading Using Neural Networks,” IEEE 2nd International
Conference on Advances in Power System Control Operation and Management, pp.
843-848, 7-10 Dec 1993.
[10] H. Yang, P. Yang, C Huang, “Evolutionary Programming Based Economic
Dispatch for Units with Non-Smooth Fuel Cost Functions,” IEEE Trans. Power
System, Vol. 11, No. 1, pp. 112-118, February 1996.
184
[11] Provas Kumar Roy, Susanta Dutta, “Optimal Power Flow Using Evolutionary
Algorithms,” IGI Global DOI: 10.4018/978-1-5225-6971-8, 2019.
[12] W. Lin, F. Cheng, M. Tsay, “Nonconvex Economic Dispatch by Integrated
Artificial Intelligence,” IEEE Trans. On Power Systems, Vol. 16, No. 2, pp. 307-311,
May 2001.
[13] J. Park, S. Yang, K. Mun, H. Lee, J. Jung, “An Application of Evolutionary
Computations to Economic Load Dispatch with Piecewise Quadratic Cost Funtions,”
The 1998 IEEE International Conference on Evolutionary Computation, Vol. 8, No. 3,
pp. 289-294, 4-9 May 1998.
[14] Vinay Kumar Jadoun, Nikhil Gupta, K. R. Niazi, and Anil Swarnkar,
Nonconvex Economic Dispatch Using Particle Swarm Optimization with Time
Varying Operators,” Advances in Electrical Engineering Volume 2014, Article
ID 301615, 13 pages http://dx.doi.org/10.1155/2014/301615.
[15] Arvinder Singh, Harkamal Deep Singh, Vikram Singh, “Optimal Power Flow
Solution of Transmission Line Network of Electric power System using Genetic
Algorithm Technique,” International Research Journal of Engineering and Technology
(IRJET), Volume: 05 Issue: 04, Apr-2018.
[16] Weidong Li, Tie Li, Haixin Wang, Jian Dong, Yunlu Li, Dai Cui, Weichun Ge,
Junyou Yang and Martin Onyeka Okoye, “Optimal Dispatch Model Considering
Environmental Cost Based on Combined Heat and Power with Thermal Energy
Storage and Demand Response,” Energies 2019, 12, 817; doi:10.3390/en12050817.
[17] Carpentier JL, “Optimal power flow: uses, method and developments,”
Proceedings of IFAC Conference, 1985.
[18] Scott B, Alsc O, Monticelli A, “Security and optimization”, Preceeding of the
IEEE, vol 75, no 12, pp 1623-1624, 1987.
[19] Carpentier JL, “Towards a secure and optimal automatic operation of power
systems,” Preceedings of Power Industry Computer Applications (PICA) conference,
pp 2-37, 1987.
[20] Chowdhury BH, Rahman S, “A review of recent advances in economic
dispatch,” IEEE Trans. on Power systems, vol 5, no 4, pp 1248-1257, 1990.
[21] Huneault M, Galiana FD, “Asurvey of the optimal power flow literature,”IEEE
Trans. on Power systems, vol 6, no 2, pp 762-770, 1991.
185
[22] IEEE tutorial Course, “Optimal power flow: solution techniques, requirements
and challenges,” IEEE power Engineering Society, 1996.
[23] Momoh JA, EL-Haway ME, Adapa R, “A review of selected optimal power
flow literature to 1993 part 1 and 2,” IEEE Trans.on Power systems, vol 14, no 1, pp
96-111, 1999.
[24] Carpentier JL, “Differential injections method: A general method for secure and
optimal power flows,”Proceedings of IFAC Conference, 1973.
[25] Scott B, Marinho JL, “Linear programming for power system network security
applications,”IEEE Trans.on PAS, vol 98, no 3, pp 837-848, 1979.
[26] Alsc O, Bright J, Praise M, Scott B, “Further developments in LP – basesd
optimal power flow,”IEEE Transactions on Power System, vol5, no3, pp 697-711,
1990.
[27] Burchett RC, Happ HH, Wirgau KA, “Large scale optimal power flow,”IEEE
Trans.on PAS, vol 101, no 10, pp 3722-3732, 1982.
[28] Burchett RC, Happ HH, Veireth DR, “Quaradtically covergent optimal power
flow,”IEEE Trans.on PAS, vol 103, no 11, pp 3267-3275, 1984.
[29] EL-Kady MA, Bell BD, Carvalho VF, Burchett RC, Happ HH, Veireth DR,
“Quaradtically covergent optimal power flow,”IEEE Trans.on Power System, vol 1, no
2, pp 98-105, 1986.
[30] Glavitsch H, Spoerry M, “Quadrtic loss formular for reactive dispatch,”IEEE
Trans.on PAS, vol 102, no 12, pp 3850-3858, 1983.
[31] Sun DI, Ashley B, Brewer B, Hughes A, Tinney WF, “Optimal by Newton
approach,”IEEE Trans.on PAS, vol 103, no 3, pp 576-584, 1984.
[32] Maria GA, Findlay JA, “A Newton optimal power flow program for Ontario
Hydro EMS,” IEEE Trans.on Power system, vol 12, no 3, pp 576-584, 1987.
[33] A. Engelmann, T. Mühlpfordt, Y. Jiang, B. Houska, and T. Faulwasser.
“Distributed stochastic AC optimal power flow”. In: Accepted for American Control
Conference (ACC). 2018.
[34] Chang SK, Marks GE, Kato K, “Optimal real time voltage control,”IEEE
Trans.on Power System, vol 5, no 3, pp 750-756, 1990.
186
[35] Hollenstein W, Glavitsch H, “Linear programming as a tool for treating
constrains in a Newton OPF,” Proceedings of the 10th Power Computation Conference
(PSCC), Graz, Austria, August 19-24, 1990.
[36] James Daniel Weber, “Implementation of a newton-based optimal power flow
into a power system simulation environment,”University Wisconsin, 1995.
[37] Nor Rul Hasma Abdullah, Ismail Musirin, Muhammad Murthada Othman,
“Static VAR Compensator for Minimising Transmission Loss and Installation
CostCalculation”. Australian Journal of Basic and Applied Sciences, 4(4): 646-657,
2010.
[38] K. R. Padiyar, “Facts Controllers In Power Transmission and Distribution,”
Copyright © 2007, New Age International (P) Ltd., Publishers.
[39] M. M. Al-Hulail, M. A. Abido. “Optimal Power Flow Incorporating Facts
Devices using Particle Swarm Optimization”.
[40] Nuttachai Puttanon. “Optimal Power Flow with Facts Devices By Particle
Swarm Optimization”. M.Eng. Thesis Unpublished, AIT, Thailand, May 2007.
[41] K. Shanmukha Sundar, H.M. Ravikumar. “Selection of TCSC location for
secured optimal power flow under normal and network contingencies. Electrical Power
and Energy Systems 34 (2012) 29–37.
[42] Thanh Long Duong, Yao JianGang, Viet Anh Truong. “A new method for
secured optimal power flow under normal and network contingencies via optimal
location of TCSC”. Electrical Power and Energy Systems 52 (2013) 68–80.
[43] Bài giảng Lý thuyết đồ thị, Bộ môn Khoa học máy tính, Khoa Công nghệ thông
tin, Trường Đại học Hàng Hải, 2014.
[44] A. Samimi and M.A. Golkar, 2012. “A Novel Method for Optimal Placement
of FACTS Based on Sensitivity Analysis for Enhancing Power System Static
Security”. Asian Journal of Applied Sciences, 5: 1-
19. http://scialert.net/abstract/?doi=ajaps.2012.1.19.
[45] M. Anuj Gargeya1, Sai Praneeth Pabba, “Economic Load Dispatch using
Genetic Algorithm and Pattern Search Methods,” International Journal of Advanced
Research in Electrical, Electronics and Instrumentation Engineering, Vol. 2, Issue 4,
April 2013.
187
[46] J. Park, S. Yang, K. Mun, H. Lee, J. Jung, “An Application of Evolutionary
Computations to Economic Load Dispatch with Piecewise Quadratic Cost Funtions,”
The 1998 IEEE International Conference on Evolutionary Computation, Vol. 8, No. 3,
pp. 289-294, 4-9 May 1998.
[47] J. Kennedy, R. Eberhart, “Particle swarm optimization,” Proc. IEEE Int. Conf.
on Neural Networks, pp. 1942-1948, 1995.
[48] R. Eberhart, Y. Shi, “Particle swarm optimization: developments, applications
and resources,” Proc. IEEE Int. Conf. on Evolutionary Computation, pp. 81-86, 2001.
[49] A. Ratnaweera, S. K. Halgamuge, H. C. Watson, "Self-organizing hierarchical
particle swarm optimizer with time-varying acceleration coefficients," IEEE
Transactions on Evolutionary Computation, Volume: 8, Issue: 3, June 2004, pp. 240-
255. doi: 10.1109/TEVC.2004.826071.
[50] R.Anandhakumar, S.subramanian and S. Ganesan. “Artificial Bee Colony
Algorithm to Generator Maintenance Scheduling in Competitive Market,”
International Journal of Computer Applications (0975 – 8887), Volume 31– No.9,
October 2011.
[51] Fahad S. Abu-Mouti và M. E. El-Hawary. “Optimal Distributed Generation
Allocation and Sizing in Distribution Systems via Artificial Bee Colony Algorithm,”
IEEE Transactions on Power Delivery, Vol.26, No.4, October 2011.
[52] Storn R, Price K. Differential evolution – a simple and efficient heuristic for
global optimization over continuous spaces. J Global Optim 1997; 11:341–59.
[53] Price K, Storn RM, Lampinen JA. Differential evolution: a practical approach
to global optimization. New York: Springer; 2005.
[54] Esmat Rashei, Hosein Nezamabadi, Saeid Saryazdi, “GSA: A Gravitational
Search Algorithm,” Information Sciences, vol.179, pp.2232-2248 (2009).
[55] Millie Pant, Radha Thangaraj, Crina Grosan, Ajith Abraham, “Hybrid
Diffirential Evolution – Particle Swarm Optimization Algorithm for Solving global
optimization problems,” New Mathematics and Natural Computation, (2009).
[56] A.K.Qin and P.N.Suganthan, “Self-adaptive Differential Evolution Algorithm
for Numerical Optimization,” IEEE Congress on Evolutionary Computation (CEC
2005) Edinburgh, Scotland, Sep 02-05, (2005).
188
[57] C. H. Chen, and S. N. Yeh, “Particle Swarm Optimization for Economic Power
Dispatch with Valve-Point Effects,” 2006 IEEE PES Transmission and Distribution
Conference and Exposition Latin America, Venezuela.
[58] C.-L. Chiang, “Improved genetic algorithm for power economic dis-patch of
units with valve-point effects and multiple fuels,” IEEE Trans. Power Systems, vol.
20, no. 5, pp. 1690-1699, Nov. 2005.
[59] S. Hemamalini and S. P. Simon, “Artificial bee colony algorithm for economic
load dispatch problem with non-smooth cost functions,” Elec-tric Power Components
and Systems, vol. 38, no. 7, pp. 786-803, Jul. 2010.
[60] S.-K. Wang, J.-P. Chiou, and C.-W. Liu, “Non-smooth/non-convex economic
dispatch by a novel hybrid differential evolution algorithm,” IET Gener. Transm.
Distrib., vol. 1, no. 5, pp. 793–803, Jan. 2007.
[61] J. S. Alsumait, J. K. Sykulski, and A. K. Al-Othman, “A hybrid GA– PS–SQP
method to solve power system valve-point economic dispatch problems,” Applied
Energy, vol. 87, no. 5, pp. 1773-1781, May 2010.
[62] A. I. Selvakumar and K. Thanushkodi, “Anti-predatory particle swarm
optimization: Solution to nonconvex economic dispatch problems,” Electric Power
Systems Research, vol. 78, no. 1, pp. 2-10, Jan. 2008.
[63] T.Aruldoss Albert Victoire, Hybrid PSO-SQP for economic dispatch with valve
point effect, Elec Power Syst Res,Vol. 71, no. 1, pp. 51-59, 2004.
[64] S. Hemamalini and S. P. Simon, “Artificial bee colony algorithm for economic
load dispatch problem with non-smooth costfunctions,” Elec-tric Power Components
and Systems, vol. 38, no. 7, pp. 786-803, Jul. 2010.
[65] S. Pothiya, I. Ngamroo, and W. Kongprawechnon, “Ant colony optimisation for
economic dispatch problem with non-smooth cost functions,” Electrical Power and
Energy Systems, vol. 32, no. 5, pp. 478-487, Jun. 2010.
[66] C.-C. Kuo, “A novel coding scheme for practical economic dispatch by
modified particle swarm approach,” IEEE Trans. Power Systems, vol. 23, no. 4, pp.
1825-1835, Nov. 2008.
[67] T. Niknam, “A new fuzzy adaptive hybrid particle swarm optimization
algorithm for non-linear, non-smooth and non-convex economic dis-patch problem,”
Applied Energy, vol. 87, no. 1, pp. 327-339, Jan. 2010.
189
[68] Nidul Sinha, R. Chakrabarti, and P. K. Chattopadhyay, “Evolutionary
Programming Techniques for Economic Load Dispatch,” IEEE Transactions on
Evolutionary Computation, Vol. 7 No.1, February 2003.
[69] N. Noman and H. Iba, “Differential evolution for economic load dis-patch
problems,” Electric Power Systems Research, vol. 78, no. 8, pp. 1322-1331, Aug.
2008.
[70] T. Niknam, “A new fuzzy adaptive hybrid particle swarm optimization
algorithm for non-linear, non-smooth and non-convex economic dis-patch problem,”
Applied Energy, vol. 87, no. 1, pp. 327-339, Jan. 2010.
[71] K. T. Chaturvedi, M. Pandit, and L. Srivastava, “Self-organizing hierar-chical
particle swarm optimization for nonconvex economic dispatch,” IEEE Trans. Power
Systems, vol. 23, no. 3, pp. 1079-1087, Aug. 2008.
[72] S. Hemamalini, Sishaj P Simon, “Dynamic Economic Dispatch with Valve-
Point Effect Using Maclaurin Series Based Lagrangian Method,” International Journal
of Computer Applications (0975 - 8887), Volume 1 – No. 17, pp. 60-67, 2010.
[73] Pereira-Neto, A., Unsihuay, C., and Saavedra, O.R., “Efficient evolutionary
strategy optimization procedure to solve the nonconvex economic dispatch problem
with generator constraints,” IEE proc.- Gener. Transm. and Distrib., 2005, 152, (5), pp.
653-660.
[74] Park, J. B., Lee, K. S., Shin, J. R., and Lee, K. Y.: “A particle swarm
optimization for economic dispatch with nonsmooth cost function,” IEEE Trans. Power
Syst., 2005, 20, (1), pp. 34-42.
[75] Immanuel Selvakumar, A. and Thanushkodi, K.: “A new particle swarm
optimization solution to economic dispatch problems,” IEEE Trans. Power Syst., 2007,
22, (1), pp. 42- 51.
[76] Prakash A, Ravichandran C S, “Power Search Algorithm for Economic Load
Dispatch Problems Considering Valve Point Loading Effects,” International Journal of
Innovative Research in Computer, Vol. 5, Issue 12, December 2017.
[77] Rama Prabha d., Jayabarathi T., Mageshvaran R., Vudutala Rahul Bharadwaj,
Gundla Siddhartha, “Invasive weed optimization for economic dispatch with valve
point effects,” Journal of Engineering Science and Technology, Vol. 11, No. 2 (2016)
237 - 251.
190
[78] Lin, W.-M., Gowa, H.-J., Tsai, M.-T., “Combining of direct search and signal
to noise ratio for economic dispatch optimization,” Energy Conver. Manag. 52, 487-
493 (2011).
[79] Gaing ZL., “Particle swarm optimization to solving the economic dispatch
considering the generator constraints,” IEEE Transactions on Power Systems, Vol. 18,
No. 3, August 2003.
[80] X.-S. Yang, S. S. Sadat Hosseini, and A. H. Gandomi, “Firefly Algorithm for
solving non-convex economic dispatch problems with valve loading effect,” Applied
Soft Computing, Vol. 12, No. 3, pp. 1180-1186, 2012.
[81] Panigrahi, B.K., Yadav, S.R., Agrawal, S., Tiwari, M.K.: A clonal algorithm
to solve economic load dispatch. Elec. Power Syst. Res. 77, 1381–1389 (2007).
[82] Chaturvedi, K.T., Pandit, M., Srivastava, L.: Self-organizing hierarchical
particle swarm optimization for nonconvex economic dispatch. IEEE Trans. Power
Syst. 23, 1079–1087 (2008).
[83] Neyestani, M., Farsangi, M.M., Nezamabadi-pour, H.: A modified particle
swarm optimization for economic dispatch with non-smooth cost functions. Eng.
Apps. AI 23, 1121–1126 (2010).
[84] Subbaraj, P., Rengaraj, R., Salivahanan, S., Senthilkumar, T.R.: Parallel
particle swarm optimization with modified stochastic acceleration factors for solving
large scale economic dispatch problem. Electr. Power Energy Syst. 32, 1014–1023
(2010).
[85] Vo Ngoc Dieu, Peter Schegner, Weerakorn Ongsakul, “Pseudo-Gradient
Based Particle Swarm Optimization Method for Nonconvex Economic Dispatch,”
Power Control and Optimization, pp 1-27.
[86] Jong-Bae Park, Yun-Won Jeong, Joong-Rin Shin and Kwang Y. Lee, “An
Improved Particle Swarm Optimization for Nonconvex Economic Dispatch Problems,”
IEEE Transactions on Power Systems, Volume: 25 , Issue:1, Feb. 2010.
[87] Lin, C. E. and Viviani, G. L. 1984. Hierarchical economic dispatch for
piecewise quadratic cost functions. IEEE Trans.Power Apparatus and Systems, PAS-
103(6): 1170 -1175.
191
[88] Park, J. H.; Kim, Y. S.; Eom, I. K.; and Lee, K. Y. 1993. Economic load
dispatch for piecewise quadratic cost function using Hopfield neural network. IEEE
Trans. Power Systems, 8(3): 1030-1038.
[89] Lee, S. C. and Kim, Y. H. 2002. An enhanced Lagrangian neural network for
the ELD problems with piecewise quadratic cost functions and nonlinear constraints.
Electric Power Systems Research 60: 167–177.
[90] Lee, K. Y.; Sode-Yome, A.; and Park, J. H. 1998. Adaptive Hopfield neural
networks for economic load dispatch. IEEE Trans. Power Systems 13(2): 519- 526.
[91] Baskar, S.; Subbaraj P.; and Rao, M.V.C. 2003. Hybrid real coded genetic
algorithm solution to economic dispatch problem. Computers and Electrical
Engineering 29: 407-419.
[92] Park, Y. M.; Wong, J. R.; and Park, J. B. 1998. A new approach to economic
load dispatch based on improved evolutionary programming. Eng. Intell. Syst. Elect.
Eng Commun. 6(2): 103-110.
[93] Lin, W.-M.; Cheng, F.-S.; and Tsay, M.-T. 2001. Nonconvex economic dispatch
by integrated artificial intelligence. IEEE Trans. Power Systems 16(2): 307-311.
[94] Park, J.-B.; Lee, K.-S.; and Lee, K. W. 2005. A particle swarm optimization for
economic dispatch with nonsmooth cost function. IEEE Trans. Power Systems, 12(1):
34-42.
[95] Jayabarathi, T.; Jayaprakash, K.; Jeyakumar, D. N.; and Raghunathan,T. 2005.
Evolutionary programming techniques for different kinds of economic dispatch
problems. Electric Power Systems Research 73: 169-176.
[96] C.L. Chiang and C.T. Su, Adaptive-improved genetic algorithm for the
economic dispatch of units with multiple fuel options, Cybernetics and Systems: Αn
International Journal 36(7) (2005), pp. 687-704.
[97] Chao-Lung Chiang. Improved genetic algorithm for power economic dispatch
of units with valve point effects and multiple fuels. IEEE Transactions on Power
Systems, Vol.20, No.4, November 2005.
[98] Khamsawang, S.; Jiriwibhakorn, S. Dspso–tsa for economic dispatch problem
with nonsmooth and noncontinuous cost functions. Energy Convers. Manag. 2010, 51,
365–375.
192
[99] Lu, H.; Sriyanyong, P.; Song, Y.H.; Dillon, T. Experimental study of a new
hybrid pso with mutation for economic dispatch with non-smooth cost function. Int. J.
Electr. Power Energy Syst. 2010, 32, 921–935.
[100] Vaisakh, K.; Reddy, A.S. Msfla algorithms for economic dispatch problem
considering multiple fuels and valve point loadings. Appl. Soft Comput. 2013, 13,
4281–4291.
[101] Gonggui Chen, Zhengmei Lu, Zhizhong Zhang, Zhi Sun, “Optimal Power
Flow Using an Improved Hybrid Differential Evolution Algorithm,” The Open
Electrical & Electronic Engineering Journal, ISSN: 1874-1290 ― Volume 13, 2019.
[102] Kadir Abaci, Volkan Yamacli, “Differential search algorithm for solving
multi-objective optimal power flow problem,” Elsevier, Electrical Power and Energy
Systems 79 (2016) 1-10.
[103] M. A. Elhameed, Mahmoud M. Elkholy, “Optimal Power Flow Using Cuckoo
Search Considering Voltage Stability,” WSEAS TRANSACTIONS on POWER
SYSTEMS, E-ISSN: 2224-350X, Volume 11, 2016.
[104] B. Bentouati, S. Chettih, and L. Chaib, “Interior search algorithm for optimal
power ﬂow with non-smooth cost functions,” Cogent Engineering, Vol. 4, No. 1, 2017.
[105] M. Balasubba Reddy, Dr. Y. P. Obulesh, Dr. S. Sivanaga Raju, Ch Venkata
Suresh “Optimal Power Flow Analysis by using Hybrid Cuckoo Search Algorithm,”
International Journal of Engineering Research & Technology (IJERT), ISSN: 2278-
0181, Vol. 3 Issue 5, May – 2014.
[106] O. Herbadji, L. Slimani and T. Bouktir, “Optimal Power Flow With Four
Conflicting Objective Functions Using Multiobjective Ant Lion Algorithm: A Case
Study of the Algerian Electrical Network,” Iranian Journal of Electrical and Electronic
Engineering 01 (2019) 94–113, Special Issue on Power Engineering.
[107] Dieu Ngoc Vo and Peter Schegner. “An Improved Particle Swarm
Optimization for Optimal Power Flow,” in book “Meta-Heuristics Optimization
Algorithms in Engineering, Business, Economics, and Finance”, IGI
Publisher, 2012.
[108] M. J. Laly, Elizabeth P Cheriyan, Abraham T. Mathew, “Particle swarm
optimization based optimal power flow management of power grid with renewable
energy sources and storage,” IEEE Xplore 10.1109/PESTSE.2016.7516472, July 2016.
193
[109] Samir Sayah and khaled Zehar. “Modified Differential Evolution Algorithm
for Optimal Power Flow with Non-Smooth Cost Functions,” Energy Conversion and
Management 49, 2008.
[110] Boubakeur Hadji, Belkacem Mahdad, Kamel Srairi, Nabil Mancer, “Multi-
objective PSO-TVAC for Environmental/Economic Dispatch Problem,” Elsevier,
Energy Procedia, Volume 74, August 2015, Pages 102-111.
[111] Momoh, J. A., Adapa, R. & El-Hawary, M. E. (1999a). A review of selected
optimal power flow literature to 1993. I. Nonlinear and quadratic programming
approaches. IEEE Transactions on Power Systems, 14(1) 96 - 104.
[112] Wood, A. J. & Wollenberg, B. F. (1996). Power generation operation and
control. New York: Wiley. Wu, Q. H. & Ma, J. T. (1995). Power system optimal
reactive dispatch using evolutionary programming. IEEE Transactions on Power
Systems, 10(3) 1243 - 1249.
[113] Hollenstein W, Glavitsch H, “Linear programming as a tool for treating
constrains in a Newton OPF,” Proceedings of the 10th Power Computation Conference
(PSCC), Graz, Austria, August 19-24, 1990.
[114] Data for the IEEE 30 bus Power System,
http://shodhganga.inflibnet.ac.in/bitstream/10603/15070/22/22_appendix_b.pdf.
[115] Data for the IEEE 57 bus Power System,
https://shodhganga.inflibnet.ac.in/bitstream/10603/15070/23/23_appendix_c.pdf.
[116] Data for the IEEE 118 bus Power System
https://shodhganga.inflibnet.ac.in/bitstream/10603/15070/24/24_appendix_d.pdf.
194
DANH MỤC CÁC BÀI BÁO ĐÃ CÔNG BỐ
1. Luong Dinh Le, Dieu Ngoc Vo, Sy Tien Huynh, Tuan Minh Nguyen-Hoang, and
Pandian Vasant, “A Hybrid Differential Evolution and Harmony Search for Optimal
Power Flow with FACTS Devices,” International Journal of Operations Research and
Information Systems (IJORIS), 2019.
2. Dinh Luong Le, Dac Loc Ho and Ngoc Dieu Vo, “Hybrid Differential Evolution and
Harmony Search for Optimal Power Flow,” Global Journal of Technology and
Optimization, Vol. 6, Issue 2, 2015.
3. Dinh Luong Le, Dac Loc Ho and Ngoc Dieu Vo, “Improved Particle Swarm
Optimization Method for Optimal Power Flow with Facts Devices,” GMSARN
INTERNATIONAL JOURNAL, Vol. 9, No. 2, June 2015, page 37-44.
4. Luong D. Le, Loc D. Ho, Dieu N. Vo and Pandian Vasant, “Hybrid Differential
Evolution and Gravitational Search Algorithm for Nonconvex Economic Dispatch,”
Springer International Publishing Switzerland 2015, page 89-103.
5. Luong Le Dinh, Dieu Vo Ngoc, and Pandian Vasant, “Artificial Bee Colony
Algorithm for Solving Optimal Power Flow Problem,” The Scientific World Journal,
Volume 2014, Article ID 159040.
6. Luong Dinh Le, Loc Dac Ho, Jirawadee Polprasert, Weerakorn Ongsakul, Dieu
Ngoc Vo, Dung Anh Le, “Stochastic Weight Trade-Off Particle Swarm Optimization
for Optimal Power Flow,” Journal of Automation and Control Engineering, Volume 2,
Number 1, March 2014.
7. Le Dinh Luong, Le Anh Dung, and Vo Ngoc Dieu, “Economic Dispatch with
Multiple Fuels by Self-Organizing Hierarchical Particle Swarm Optimization,”
GMSARN INTERNATIONAL JOURNAL, Vol. 7, No. 2, June 2013, page 75-82.
8. Le D. Luong, P. Vasant, Vo N. Dieu, Truong H. Khoa, and Doan V. K. Khanh,
“Self-Organizing Hierarchical Particle Swarm Optimization for Large-Scale Economic
Dispatch with Multiple Fuels Considering Valve-Point Effects,” PCO Proceeding 2013
based on AIP Guide, Vol: 2008, ISBN: 978-983-44483-63, page 213-219.
9. Le Dinh Luong, Vo Ngoc Dieu, Nguyen Thanh Hop, and Le Anh Dung, “A Hybrid
Differential Evolution and Harmony Search for Nonconvex Economic Dispatch
195
Problems,” IEEE 7th International Power Engineering and Optimization Conference
(PEOCO2013), 3-4 June 2013, Langkawi, Malaysia.
10. PhanTu-Vu, DinhLuong Le, NgocDieu Vo and Josef Tlusty, “A Novel Weight-
Improved Particle Swarm Optimization Algorithm for Optimal Power Flow and
Economic Load Dispatch Problems,” IEEE PES Transmission and Distribution
Conference and Exposition, USA, 2010.
11. Lê Đình Lương, Vũ Phan Tú, Võ Ngọc Điều, “New Particle Swarm Optimization
Algorithm for Economic Load Dispatch with Valve Point Effects,” Journal of Science
& Technology Technical Universities, B, No.79/2010, page 108-115.
196

618139116luan An Tien Si Ncs Le Dinh Luong

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

618139116luan An Tien Si Ncs Le Dinh Luong

Uploaded by

Copyright:

Available Formats

LỜI CAM ĐOAN

Tác giả luận án

Tác giả luận án

This dissertation presents methods for improving the evolutionary algorithms to

 Particle Swarm Optimizer with Time Varying Inertia Weight Factor

The dissertation presented systematically, from a simple to a complex problem,

LỜI CÁM ƠN............................................................................................................. ii

TÓM TẮT LUẬN ÁN...............................................................................................iii

MỤC LỤC ................................................................................................................. ix

DANH MỤC CÁC BẢNG TRONG LUẬN ÁN .................................................... xv

DANH MỤC CÁC HÌNH TRONG LUẬN ÁN ...................................................xvii

CHƯƠNG 1: TỔNG QUAN ..................................................................................... 1

1.1. Đặt vấn đề ...................................................................................................... 1

1.2. Nhận xét chung và hướng tiếp cận ................................................................. 2

1.3. Mục tiêu của luận án ...................................................................................... 3

1.4. Điểm mới của đề tài ....................................................................................... 6

1.5. Giới hạn đề tài ................................................................................................ 7

1.6. Cấu trúc của luận án ....................................................................................... 7

CHƯƠNG 2: BÀI TOÁN ĐIỀU ĐỘ KINH TẾ VÀ ĐIỀU ĐỘ TỐI ƯU CÔNG

2.1. Bài toán điều độ kinh tế ................................................................................. 8

2.1.1. Giới thiệu .................................................................................................... 8

2.1.2.2. Ràng buộc đẳng thức.............................................................................. 10

2.1.2.3. Ràng buộc bất đẳng thức ........................................................................ 10

2.2.1. Khái quát chung ........................................................................................ 14

2.2.2. Cơ sở toán học........................................................................................... 17

2.2.3. Bài toán điều độ tối ưu trong mạng điện ................................................... 21

2.2.3.1. Các phương trình liên hệ ........................................................................ 21

2.2.3.2. Giải bài toán điều độ tối ưu .................................................................... 22

2.2.3.3. Lưu đồ giải thuật .................................................................................... 26

2.2.4. Sơ lược các phương pháp giải bài toán OPF............................................. 27

2.3.1. Giới thiệu .................................................................................................. 30

2.3.2.1. Mô hình của SVC ................................................................................... 31

2.3.2.2. Mô hình của TCSC ................................................................................ 32

2.3.2.3. Mô hình TCPST ..................................................................................... 35

CHƯƠNG 3: MỘT SỐ THUẬT TOÁN TỐI ƯU................................................. 41

3.1. Thuật toán Particle Swarm Optimization cải tiến ........................................ 41

3.1.1. Khái niệm chung ....................................................................................... 41

3.1.2. Biểu thức cơ bản của thuật toán PSO ...................................................... 42

3.1.3. Giải thuật PSO .......................................................................................... 44

3.1.3.1. Giải thuật PSO nguyên thủy .................................................................. 44

3.1.3.2. Lưu đồ giải thuật PSO ............................................................................ 45

3.1.7. Thuật toán Stochastic Weight Trade-Off Particle Swarm Optimization .. 52

3.1.7.3. Cân bằng giữa hệ số tăng tốc ................................................................. 53

3.1.7.5. Các bước tính toán của SWT-PSO......................................................... 55

3.1.8. Thuật toán Improved Particle Swarm Optimization ................................. 57

3.1.8.1. Khái niệm về Pseudo-Gradient ............................................................. 58

3.1.8.2. Cải tiến PSO ........................................................................................... 58

3.1.8.3. Thuật toán IPSO giải bài toán OPF........................................................ 59

3.2. Thuật toán Artificial Bee Colony ................................................................. 63

3.2.1. Khái niệm chung ....................................................................................... 63

3.2.2.1. Thành lập bài toán OPF ........................................................................ 68

3.3.1. Thuật toán Differential Evolution ............................................................. 73

3.3.2. Thuật toán Harmony Search .................................................................... 76

3.4. Thuật toán lai giữa Differential Evolution và Gravitational Search

3.4.1. Thuật toán Gravitational Search Algorithm .............................................. 81

3.4.2. Thuật toán lai giữa Differential Evolution và Gravitational Search

3.5.2. Thông số cài đặt các thuật toán ................................................................. 91

4.1.1. Hệ thống 10 nhà máy ................................................................................ 98

4.1.2. Hệ thống lớn ............................................................................................ 102

4.1.3. Kết luận ................................................................................................... 103

4.2.1. Mạng điện IEEE 30 nút ........................................................................... 111

4.2.2. Mạng điện IEEE 57 nút ........................................................................... 115

4.2.3. Mạng điện IEEE 118 nút ......................................................................... 118

L(z) = f (x) + λg(x) + μh(x) (2.14)