QUY HOẠCH NGUỒN ĐIỆN PHÂN TÁN TRONG LƯỚI ĐIỆN PHÂN PHỐI NHẰM TĂNG HIỆU QUẢ HẤP THỤ NĂNG LƯỢNG TÁI TẠO SỬ DỤNG THUẬT TOÁN SECRETARY BIRD ALGORITHM

Tôn Ngọc Triều; Lại Hoàng Hải; Phạm Văn Lới; Hoàng Ngọc Tuyến; Đào Thị Mỹ Chi

doi:10.34238/tnu-jst.13963

QUY HOẠCH NGUỒN ĐIỆN PHÂN TÁN TRONG LƯỚI ĐIỆN PHÂN PHỐI NHẰM TĂNG HIỆU QUẢ HẤP THỤ NĂNG LƯỢNG TÁI TẠO SỬ DỤNG THUẬT TOÁN SECRETARY BIRD ALGORITHM

Thông tin bài báo

Ngày nhận bài: 06/11/25 Ngày hoàn thiện: 03/02/26 Ngày đăng: 05/02/26

Các tác giả

1. Tôn Ngọc Triều , Trường Cao đẳng Công nghệ Thủ Đức
2. Lại Hoàng Hải, Trường Cao đẳng Công nghệ Thủ Đức
3. Phạm Văn Lới, Trường Cao đẳng Công nghệ Thủ Đức
4. Hoàng Ngọc Tuyến, Trường Cao đẳng Công nghệ Thủ Đức
5. Đào Thị Mỹ Chi, Trường Cao đẳng Công nghệ Thủ Đức

Tóm tắt

Bài báo này giới thiệu một phương pháp tối ưu hóa đa mục tiêu mới cho bài toán quy hoạch nguồn điện phân tán trong lưới điện phân phối, nhằm giảm tổn thất công suất, cải thiện chất lượng điện áp và tăng hiệu quả sử dụng năng lượng tái tạo. Phương pháp được phát triển dựa trên Secretary Bird Algorithm là thuật toán metaheuristic mô phỏng hành vi quan sát, tấn công và né tránh của loài chim Secretary trong tự nhiên. Cơ chế hoạt động của Secretary Bird giúp cân bằng giữa thăm dò toàn cục và khai thác cục bộ, cải thiện độ chính xác tìm kiếm và tránh hội tụ sớm. Mô hình tối ưu xem xét bốn mục tiêu gồm giảm tổn thất công suất, chi phí đầu tư, độ lệch điện áp và tăng tỷ lệ hấp thụ năng lượng tái tạo, đồng thời tuân thủ các ràng buộc kỹ thuật. Kết quả trên lưới điện 33 nút và 69 nút cho thấy thuật toán đề xuất đạt tốc độ hội tụ nhanh, tổn thất thấp và hiệu quả cao, khẳng định tiềm năng ứng dụng trong quy hoạch lưới điện thông minh và bền vững.

Từ khóa

Nguồn điện phân tán; Năng lượng tái tạo; Tối ưu đa mục tiêu; Lưới điện phân phối; Secretary Bird Algorithm

Toàn văn:

PDF

Tài liệu tham khảo

[1] Y. M. Atwa, E. F. El-Saadany, M. M. A. Salama, and R. Seethapathy, “Optimal renewable resources mix for distribution system energy loss minimization,” IEEE Trans. Power Syst., vol. 25, no. 1, pp. 360–370, 2010, doi: 10.1109/TPWRS.2009.2030276.

[2] B. Singh and J. Sharma, “A review on distributed generation planning,” Renew. Sustain. Energy Rev., vol. 76, pp. 529–544, 2017, doi: 10.1016/j.rser.2017.03.034.

[3] A. A. A. El-Ela, S. M. Allam, and M. M. Shatla, “Maximal optimal benefits of distributed generation using genetic algorithms,” Electr. Power Syst. Res., vol. 80, no. 7, pp. 869–877, 2010, doi: 10.1016/j.epsr.2009.12.021.

[4] M. H. Moradi and M. Abedini, “A combination of genetic algorithm and particle swarm optimization for optimal DG location and sizing in distribution systems,” Int. J. Electr. Power Energy Syst., vol. 34, no. 1, pp. 66–74, 2012, doi: 10.1016/j.ijepes.2011.08.023.

[5] M. Ghosh, S. Kumar, S. Mandal, and K. K. Mandal, “Optimal sizing and placement of DG units in radial distribution system using cuckoo search algorithm,” Int. J. Appl. Eng. Res., vol. 12, Special Issue, no. 1, pp. 362–369, 2017.

[6] A. Tyagi, A. Verma, and L. K. Panwar, “Optimal placement and sizing of distributed generation in an unbalance distribution system using grey wolf optimisation method,” Int. J. Power Energy Convers., vol. 10, no. 2, pp. 208-224, 2019, doi: 10.1504/ijpec.2019.098621.

[7] M. Hamouda, S. Kamel, M. H. Hassan, and M. Tostado-véliz, “An improved wild horse optimization algorithm for reliability based optimal DG planning of radial distribution networks,” Energy Reports, vol. 8, pp. 582–604, 2022, doi: 10.1016/j.egyr.2021.12.023.

[8] I. Ahmadianfar, A. A. Heidari, S. Noshadian, H. Chen, and A. H. Gandomi, “INFO: An efficient optimization algorithm based on weighted mean of vectors,” Expert Syst. Appl., vol. 195, January, 2022, doi: 10.1016/j.eswa.2022.116516.

[9] D. A. Anggoro and S. S. Mukti, “Performance Comparison of Grid Search and Random Search Methods for Hyperparameter Tuning in Extreme Gradient Boosting Algorithm to Predict Chronic Kidney Failure,” Int. J. Intell. Eng. Syst., vol. 14, no. 6, pp. 198–207, 2021, doi: 10.22266/ijies2021.1231.19.

[10] J. A. P. Lopes, N. Hatziargyriou, J. Mutale, P. Djapic, and N. Jenkins, “Integrating distributed generation into electric power systems: A review of drivers, challenges and opportunities,” Electr. Power Syst. Res., vol. 77, no. 9, pp. 1189–1203, 2007, doi: 10.1016/j.epsr.2006.08.016.

[11] Y. Fu, D. Liu, J. Chen, and L. He, Secretary bird optimization algorithm : a new metaheuristic for solving global optimization problems, vol. 57, no. 5. Springer Netherlands, 2024, doi: 10.1007/s10462-024-10729-y.

[12] A. V. Truong, T. N. Ton, T. T. Nguyen, and T. L. Duong, “Two states for optimal position and capacity of distributed generators considering network reconfiguration for power loss minimization based on runner root algorithm,” Energies, vol. 12, no. 1, 2019, doi: 10.3390/en12010106.

[13] M. E. Baran and F. F. Wu, “Network reconfiguration in distribution systems for loss reduction and load balancing,” IEEE Transactions on Power Delivery, vol. 4, no. 2. pp. 1401–1407, 1989, doi: 10.1109/61.25627.

[14] T. T. Nguyen, A. V. Truong, and T. A. Phung, “A novel method based on adaptive cuckoo search for optimal network reconfiguration and distributed generation allocation in distribution network,” Int. J. Electr. Power Energy Syst., vol. 78, pp. 801–815, 2016, doi: 10.1016/j.ijepes.2015.12.030.

DOI: https://doi.org/10.34238/tnu-jst.13963

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ