- Trang Chủ
- Năng lượng
- Xác định tối ưu vị trí tua bin trong trang trại gió sử dụng thuật toán tìm kiếm
Xem mẫu
- 188 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
XÁC ĐỊNH TỐI ƯU VỊ TRÍ TUA-BIN TRONG TRANG TRẠI
GIÓ SỬ DỤNG THUẬT TOÁN TÌM KIẾM
Lê Thanh Thỏa, Võ Ngọc Điều
Bộ môn Hệ thống điện - Khoa Điện - Điện tử - Trường Đại học Bách khoa TP. HCM
Tóm tắt: Thiết kế nhà máy điện gió có điểm khác biệt so với thiết kế một số nhà máy
điện thông thường liên quan kiểm soát được nhiên liệu đầu vào. Công suất phát nhà
máy điện gió phụ thuộc tốc độ gió luôn biến đổi, giải quyết vấn đề bố trí vị trí tua-bin
trong trang trại gió nhằm thu được sản lượng điện tối đa được đặc biệt quan tâm.
Nghiên cứu đề xuất áp dụng một số thuật toán gần đây: Grey Wolf Optimizer (GWO),
Whale Optimization Algorithm (WOA) và Moth-flame optimization algorithm (MFO) để
tính toán bố trí tối ưu vị trí tua-bin cho trang trại gió nhằm thu được sản lượng điện
gió tối đa có ý nghĩa quan trọng và cấp thiết. Kết quả tính toán từ thuật toán đề xuất
được so sánh với thuật toán cổ điển Paiticle Swam Optimization algorithm (PSO) và
phần mềm windPRO để bố trí tối ưu vị trí tua-bin gió trong trang trại gió ngoài khơi và
trang trại gió trên đất liền có địa hình phức tạp. Nhằm đánh giá khách quan hiệu quả
của thuật toán đề xuất, phần mềm WAsP được sử dụng để tính toán năng lượng gió
cho tất cả các kịch bản. Kết quả chứng minh thuật toán đề xuất cung cấp kết quả cạnh
tranh và có thể áp dụng thiết kế các trại gió trong thực tế. Tuy nhiên, khả năng áp dụng
thuật toán đề xuất trong việc giải quyết bố trí tối ưu vị trí các tua-bin gió trong trại gió
trên đất liền cần được tiếp tục nghiên cứu và phát triển trong tương lai.
1. GIỚI THIỆU
Phân bố công suất tối ưu là một trong những vấn đề cơ bản của hệ thống điện. Về
bản chất, các vấn đề tối ưu hóa liên quan đến tối thiểu chi phí phát điện nhưng vẫn đảm
bảo hệ thống điện vận hành tin cậy. Đối với nhà máy điện gió, tối thiểu chi phí phát
điện tương đương với tối đa năng lượng gió thu được và giảm thiểu tổn thất che chắn
giữa các tua-bin gió. Để đạt được điều này, bố trí tối ưu vị trí tua-bin trong trang trại gió
được đặt biệt quan tâm.
Nhiều công trình nghiên cứu về bố trí tối ưu vị trí tua-bin trong trang trại gió được
công bố liên tục từ năm 1992 đến nay vẫn đang tiếp tục với các hàm mục tiêu khác nhau
và áp dụng các thuật toán khác nhau [1,4], phần lớn tập trung nghiên cứu với hai hàm
mục tiêu tối ưu chi phí đầu tư và tối ưu sản lượng điện gió thu được.
Hiện tại, một số phần mềm thương mại phục vụ hiệu quả cho việc thiết kế nhà
máy điện gió, phần mềm phổ biến nhất là WAsP [5] và windPRO [6]. Phần mềm WAsP
là tiêu chuẩn cho đánh giá tài nguyên gió, bố trí tua-bin gió và tính toán năng lượng gió.
Phần mềm windPRO được sử dụng rộng rãi bố trí tối ưu vị trí tua-bin trong trang trại
- PHÂN BAN NGUỒN ĐIỆN | 189
gió dựa trên tối đa sản lượng điện gió thu được. WAsP và windPRO được các chuyên
gia tư vấn thiết kế, các nhà phát triển dự án, các nhà sản xuất tuabin gió sử dụng và kết
quả phân tích từ các phần mềm này dễ dàng được chấp nhận từ các nhà đầu tư và các
ngân hàng hỗ trợ tài chính dự án là các yếu tố quan trọng triển khai thành công dự án.
Các thuật toán tìm kiếm tối ưu ngày càng trở nên phổ biến trong các ứng dụng kỹ
thuật vì [7]: (i) dựa vào các khái niệm khá đơn giản và dễ thực hiện; (ii) có thể bỏ qua
tối ưu cục bộ; (iii) có thể được sử dụng giải quyết các vấn đề bao gồm các lĩnh vực khác
nhau. Một số thuật toán phổ biến nhất là [8]: Genetic Algorithms (GA) và Particle
Swarm Optimization (PSO). Mặc dù các thuật toán này có thể giải quyết được nhiều
vấn đề thực tế và đầy thách thức, tuy nhiên, nghiên cứu “No Free Lunch theorem” [9],
tất cả các thuật toán thực hiện tương đương nhau khi giải quyết các vấn đề tối ưu hóa.
Do đó, một thuật toán có thể rất hiệu quả trong việc giải quyết một số các vấn đề nhưng
không hiệu quả cho các vấn đề khác. Đây là nền tảng của nhiều công trình nghiên cứu
thuật toán mới. Một số thuật toán mới được công bố của Seyedali Mirjalili và cộng sự
[10], Whale Optimization Algorithm (WOA), Moth-Flame Optimization algorithm
(MFO), Grey Wolf Optimizer (GWO) cho kết quả tối ưu hóa rất cạnh tranh so với các
thuật toán đang áp dụng.
Bài báo này đề xuất áp dụng thuật toán GWO, bài báo được trích dẫn nhiều nhất
trong Tạp chí ADES [10], thuật toán WOA và thuật toán MFO, bố trí tối ưu vị trí tua-
bin trong trại gió mục đích thu được sản lượng điện tối đa hàng năm. Thuật toán đề xuất
được so sánh với thuật toán phổ biến PSO và bố trí tối ưu trại gió sử dụng phần mềm
windPRO. Tất cả các thuật toán được sử dụng cùng một dữ liệu đầu vào (bản đồ địa
hình, độ nhám bề mặt và dữ liệu gió), kết quả tính toán sản lượng điện gió hàng năm sẽ
được tính toán lại và phân tích bởi phần mềm WAsP để đánh giá khách quan tất cả các
thuật toán được đề xuất.
Bài báo xem xét bố trí tối ưu trang trại gió có diện tích hình chữ nhật hoặc diện
tích bất kỳ, bố trí tối ưu cho trại gió ngoài khơi hoặc khu vực đất liền có địa hình phức
tạp nhằm xem xét các vấn đề cần phát triển trong tương lai.
2. MÔ HÌNH TOÁN HỌC
2.1. Giả định
Bài báo này thừa nhận các giả định sau:
Giả định 1. Các tua-bin trong trang trại gió được giả định giống nhau.
Giả định 2. Số lượng tua-bin gió N được biết trước và cố định.
Giả định 3. Trang trại gió được giả định bố trí trong mặt phẳng tọa độ (cao độ địa
hình và độ nhám bề mặt ít thay đổi).
Giả định 4. Tốc độ gió v theo hướng gió θ trong các trang trại gió theo một phân
phối Weibull [11]:
- 190 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
( , , )= − , = ( ), = ( ) (2.1)
Trong đó, p(·) là hàm mật độ xác suất Weibull, v là tốc độ gió, c là hệ số tỷ lệ, và
k là hệ số hình dạng.
Giả định 5. Theo hướng gió θ, tất cả rô-to của tua-bin quay theo hướng vuông góc
với hướng gió.
2.2. Mô hình che chắn gió (wake modeling)
Tua-bin gió tạo ra hai vùng ảnh hưởng hiệu ứng che chắn là “vùng ảnh hưởng
gần” và “vùng ảnh hưởng xa” [12]. Vùng ảnh hưởng gần khoảng cách 2-3 đường kính
rô-to phía sau tua-bin, vùng các tua-bin trực tiếp làm nhiễu loạn gió. Vùng ảnh hưởng
xa phía sau vùng ảnh hưởng gần, nơi chủ yếu bị tác động bởi trang trại gió lớn. Trong
vấn đề tối ưu hóa vị trí tua-bin, vùng ảnh hưởng xa trở nên quan trọng hơn vùng ảnh
hưởng gần.
Hình 2.1: Ảnh hưởng che chắn thực tế Hình 2.2: Vùng nhiễu loạn gió phía sau tua-bin
Tốc độ gió suy giảm tại một vị trí nhất định d [14]:
V 1− 1−C
V =1− = (2.2)
V (1 + κd/R)
trong đó, C hệ số thrust coefficient của tua-bin, κ là hằng số ảnh hưởng bởi địa
hình (hằng số có giá trị 0.075 cho địa hình đất liền và 0.04 cho khu vực ngoài khơi
[15]), và d là khoảng cách sau tua-bin theo hướng gió θ.
Bởi vì chỉ có hệ số c của phân bố Weibull bị ảnh hưởng bởi hiệu ứng che chắn
gió, hiệu ứng che chắn được mô tả theo phân bố thống kê như sau [14]:
( ) = ( ). (1 − ) (2.3)
- PHÂN BAN NGUỒN ĐIỆN | 191
2.3. Đặc tuyến tua-bin gió
Đặc tuyến tua-bin gió được xác định bởi các nhà sản xuất tua-bin giúp cho việc
ước tính sản lượng điện gió tại khu vực trại gió. Mô hình chính xác đặc tuyến tua-bin rất
quan trọng trong việc ước đoán năng lượng điện gió và hỗ trợ việc mở rộng trang trại
gió. Nhiều phương pháp tiếp cận đối với đặc tuyến tua-bin gió đã được giới thiệu, trong
đó bao gồm xấp xỉ đa thức [16]. Trong bài báo này, mô hình đa thức bậc 9 được đánh
giá phù hợp nhất.
Hình 2.3 và Hình 2.4 cho thấy so sánh giữa mô hình đa thức và đặc tuyến tua-bin
gió thực tế đề xuất của bài báo.
1600 1600 0.9
1.2
1400 1400 0.8
1
1200 1200 Power curve 0.7
Power curve Ninth degree
1000 Ninth degree 0.8 0.6
1000
P [kW]
Ct curve Ct curve
P [kW]
Ct
800 0.6 0.5
800
Ct
600 0.4
0.4 600
400 0.3
0.2 400 0.2
200
200 0.1
0 0
3 8 13 18 23 0 0
v [m/s]
3 8 13 18
v [m/s]
Hình 2.3: Đặc tuyến tua bin gió GE 1.68-82.5 Hình 2.4: Đặc tuyến tua-bin gió FL MD 77
2.4. Mô hình tính toán sản lượng điện gió
2.4.1. Mô hình đặc trưng gió
Đặc trưng thống kê gió thường được mô hình bởi hai yếu tố khác nhau: hướng gió
và tốc độ gió. Hướng gió được biểu diễn bởi xác suất xảy ra cho từng sector tạo thành
bởi hoa gió (wind rose). Nghiên cứu này đề xuất sử dụng hoa gió 12 sector vì được sử
dụng rộng rãi cho thiết kế trang trại gió và đặc trưng tốc độ gió thường được mô tả bởi
phân bố Welbull. Phân bố Weibull được xác định bởi các thông số c, k theo công thức
(2.1).
2.4.2. Sản lượng điện gió
Sản lượng điện gió được tính:
( , )= ( ) ( , ( ), ( )) (2.4)
Trong đó, p(v, c, k) là phân bố xác suất tốc độ gió, cho bởi công thức (2.1) và f(v)
đặc tuyến tua-bin gió.
- 192 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
2.4.3. Hàm mục tiêu
Đề tài này đề xuất tối ưu bố trí tua-bin trong trang trại gió với mục tiêu tối đa sản
lượng điện gió thu được Obj = max[ΣE(P)].
3. THUẬT TOÁN ÁP DỤNG
Bài báo đề xuất áp dụng một số thuật toán tìm kiếm:
1. Paiticle Swam Optimization [17]: PSO là thuật toán tối ưu dựa trên quần thể và
ngẫu nhiên. PSO lấy cảm hứng từ hành vi đàn cá và đàn chim, được phát triển bởi
Kennedy and Eberhart năm 1995. PSO đặc biệt phù hợp cho các vấn đề liên tục.
2. Grey Wolf Optimizer [8]: GWO lấy cảm hứng từ những con sói xám. Thuật
toán GWO bắt chước hệ thống cấp bậc chỉ huy và cơ chế săn bắt của con sói xám trong
tự nhiên. Ba bước chính của việc săn bắt, tìm kiếm con mồi, bao quanh con mồi và tấn
công con mồi.
3. Whale Optimization Algorithm [7]: WOA bắt chước các hành vi săn mồi của cá
voi. Thuật toán lấy cảm hứng từ chiến lược săn bong bóng. Các bước chính của thuật
toán: Bao vây con mồi, phương pháp tấn công và tìm kiếm con mồi.
4. Moth-flame optimization algorithm [18]: MFO lấy cảm hứng từ phương pháp
chuyển hướng của bướm đêm trong tự nhiên gọi là định hướng ngang. Bướm đêm bay
trong đêm bằng cách duy trì một góc cố định đối với Mặt Trăng, một cơ chế rất hiệu quả
cho việc di chuyển trong một đường thẳng cho khoảng cách xa.
5. Thuật toán tối ưu trong phần mềm WindPRO: Các công trình nghiên cứu trước
đó dự đoán rằng, phần mềm windPRO tối ưu hóa vị trí tua-bin trong trang trại gió sử
dụng thuật toán tương tự như thuật toán tham lam (greedy algorithm) [19]. Thuật toán
tham lam là thuật toán theo phương pháp kỹ thuật phỏng đoán để tìm được vị trí tối ưu
toàn cầu gần đúng bằng cách làm cho tối ưu cục bộ ở từng giai đoạn.
Kết quả bố trí tối ưu vị trí tua-bin trong trang trại gió sử dụng các thuật toán trên
sẽ được so sánh với bố trí tối ưu từ phần mềm windPRO (module OPTIMIZE) với cùng
dữ liệu đầu vào. Để đánh giá khách quan hiệu quả sử dụng các thuật toán đề xuất, toàn
bộ trang trại gió đã được bố trí tối ưu sẽ được tính toán và phân tích bởi phần mềm
WAsP.
3.1. Tối ưu bố trí vị trí tua-bin trong trang trại gió
Lưu đồ thực hiện bố trí tua-bin trong trang trại gió được thể hiện trong Hình 3.1.
- PHÂN BAN NGUỒN ĐIỆN | 193
Hình 3.1: Lưu đồ bố trí tối ưu vị trí tua-bin trong trang trại gió
Bước 1. Dữ liệu thô gió, địa hình, độ nhám bề mặt, chướng ngại vật và dữ liệu
máy phát điện gió sẽ được đưa vào phần mềm WAsP xử lý và đầu ra của quá trình
này là bản đồ mật độ năng lượng gió (wind resource map).
Bước 2. Bản đồ mật độ năng lượng gió sẽ được sử dụng làm dữ liệu đầu vào cho
windPRO, PSO, GWO, WOA, MFO bố trí tối ưu vị trí tua-bin.
Bước 3. Trại gió sau khi được bố trí tối ưu bởi các thuật toán đề xuất trên sẽ được
tính toán lại và phân tích bởi phần mềm WAsP.
Bước 4. Kết luận và đề xuất giải pháp tốt nhất bố trí tối ưu trại gió.
4. KẾT QUẢ TÍNH TOÁN VÀ ĐÁNH GIÁ THUẬT TOÁN ÁP DỤNG
4.1. Các kịch bản xem xét
Bài báo đề xuất ba kịch bản của trang trại gió thực tế đang vận hành tại Việt Nam
với giả định khác nhau để xem xét toàn diện và đánh giá hiệu quả thuật toán.
- 194 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
Bảng 4.1. Các kịch bản bố trí tối ưu vị trí tua-bin trong trang trại gió
Kịch bản Kịch bản 1 Kịch bản 2 Kịch bản 3
Trại gió Ngoài khơi Ngoài khơi Đất liền
Công suất trại gió 16.8 MW 104 MW 30 MW
Tua bin gió 10 x 1.68 MW 62 x 1.68 MW 20 x 1.5 MW
Loại tua-bin gió GE 1.68 - 82.5 GE 1.68 - 82.5 FL MD 77
Đặc tuyến tua-bin gió Hình 2.3 Hình 2.3 Hình 2.4
4.2. Kịch bản 1
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 1, Hình 4.1 – Hình 4.6.
Bảng 4.2. Tổng hợp kết quả tính toán
Mô tả Gross AEP Net AEP Wake loss Capacity factor
[GWh] [GWh] [%] [%]
Hiện hữu 67.945 63.369 6.73 43.06
windPRO 69.144 65.608 5.11 44.58
PSO 68.299 65.159 4.60 44.28
GWO 68.468 65.708 4.03 44.65
WOA 67.993 65.301 3.96 44.37
MFO 67.753 65.734 2.98 44.67
So sánh thuật toán tốt nhất (MFO) với:
Hiện hữu -0.28% 3.73% -3.75 1.61
windPRO -2.01% 0.19% -2.13 0.09
- PHÂN BAN NGUỒN ĐIỆN | 195
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 1
Hình 4.1: Trại gió hiện hữu Hình 4.2: Tối ưu sử dụng windPRO Hình 4.3: Tối ưu sử dụng PSO
PHÂN BAN NGUỒN ĐIỆN | 195
Hình 4.4: Tối ưu sử dụng GWO Hình 4.5: Tối ưu sử dụng WOA Hình 4.6: Tối ưu sử dụng MFO
- 196 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
196 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 2
Hình 4.7. Trại gió hiện hữu Hình 4.8. Tối ưu sử dụng windPRO Hình 4.9. Tối ưu sử dụng MFO
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 3
Hình 4.10. Trại gió hiện hữu Hình 4.11. Tối ưu sử dụng windPRO Hình 4.12. Tối ưu sử dụng MFO
- PHÂN BAN NGUỒN ĐIỆN | 197
Nhận xét
Các thuật toán đề xuất (GWO và MFO) bố trí tối ưu tốt hơn phần mềm windPRO,
trong đó thuật toán MFO cho kết quả tốt nhất. Thuật toán MFO cho sản lượng lớn
hơn 0.19% so với windPRO và 3.73% so với trại gió hiện hữu.
Kết quả tính toán bằng chương trình thực hiện nghiên cứu cho kết quả sai lệch -
2.85% sản lượng và tổn thất do che chắn sai lệch 2.87% so với phần mềm WAsP.
4.3. Kịch bản 2
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 2, Hình 4.7 – Hình 4.9.
Bảng 4.3. Tổng hợp kết quả tính toán
Mô tả Gross AEP Net AEP Wake loss Capacity factor
[GWh] [GWh] [%] [%]
Hiện hữu 431.94 391.883 9.27 42.95
windPRO 439.987 390.255 11.30 42.77
MFO 432.155 392.285 9.23 42.99
So sánh thuật toán MFO với:
Hiện hữu 0.05% 0.10% -0.04 0.04
windPRO -1.78% 0.52% -2.07 0.22
Nhận xét
Các thuật toán đề xuất MFO bố trí tối ưu tốt hơn phần mềm windPRO. Thuật toán
MFO cho sản lượng cao hơn 0.52% so với windPRO và cao hơn 0.10% so với trại
gió hiện hữu.
Kết quả tính toán bằng chương trình nghiên cứu cho kết quả sai lệch -4.90% sản
lượng và tổn thất do che chắn sai lệch 4.39% so với phần mềm WAsP.
4.4. Kịch bản 3
Bố trí tối ưu vị trí tua-bin trong trang trại gió Kịch bản 3, Hình 4.10 – Hình 4.12.
- 198 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
Bảng 4.4. Tổng hợp kết quả tính toán
Mô tả Gross AEP Net AEP Wake loss Capacity factor
[GWh] [GWh] [%] [%]
Hiện hữu 94.373 90.686 3.91 34.51
windPRO 96.641 92.695 4.08 35.27
MFO 95.183 91.495 3.87 34.82
So sánh thuật toán đề xuất MFO với:
Hiện hữu 0.86% 0.89% -0.04 0.31
windPRO -1.51% -1.29% -0.21 -0.46
Nhận xét
Các thuật toán đề xuất MFO bố trí tối ưu gần bằng phần mềm windPRO. Thuật
toán MFO cho sản lượng thấp hơn -1.29% so với windPRO và cao hơn 0.89% so
với trại gió hiện hữu.
Kết quả tính toán bằng chương trình nghiên cứu cho kết quả sai lệch -1.74% sản
lượng và tổn thất do che chắn sai lệch 1.65% so với phần mềm WAsP.
4.5. Nhận xét
Bảng 4.5. Tổng hợp kết quả tính toán các kịch bản
Kịch bản Kịch bản 1 Kịch bản 2 Kịch bản 3
windPRO ave 63.738 371.137 91.086
std 0 0 0
Min value 63.738 371.137 91.086
Max value 63.738 371.137 91.086
PSO ave 63.234
std 0.429
Min value 62.402
Max value 64.006
- PHÂN BAN NGUỒN ĐIỆN | 199
Kịch bản Kịch bản 1 Kịch bản 2 Kịch bản 3
GWO ave 64.164
std 0.667
Min value 62.985
Max value 65.110
WOA ave 63.630
std 0.491
Min value 62.531
Max value 64.519
MFO ave 64.731 375.690 90.867
std 0.477 4.030 0.676
Min value 63.724 365.965 89.928
Max value 65.369 379.665 91.880
Từ Bảng 4.5 nhận thấy rằng:
Trong hầu hết các kịch bản xem xét, MFO cho kết quả tốt nhất (ave).
Giá trị tính toán dao động gần tương đương nhau (std).
Khoảng hội tụ (GWh/MW) giữa các lần chạy là gần bằng nhau, tối đa là 0.132
GWh/MW.
Kết quả tính toán cũng cho thấy rằng mô hình toán và chương trình thực hiện
nghiên cứu cho kết quả sai khác nhỏ hơn 5% về sản lượng điện trại gió so với phần
mềm thương mại WAsP, cho thấy đề tài có thể áp dụng thực tế để tính toán năng
lượng gió.
Để đánh giá được các thuật toán sử dụng có ý nghĩa về mặt thống kê, kiểm định
phi tham số Wilcoxon ranksum test được sử dụng. Nếu hai tập dữ liệu có ý nghĩa về mặt
thống kê nếu giá trị p nhỏ hơn 0.05 [20].
Bảng 4.6. Giá trị p của kiểm định Wilcoxon ranksum test
Mô tả windPRO PSO GWO WOA MFO
Kịch bản 1 N/A 5.08E-05 2.92E-06 0.02952 1.08E-07
Kịch bản 2 N/A - - - 0.04762
Kịch bản 3 N/A - - - 0.00148
- 200 | HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC 2017
Giả định trại gió tối ưu bởi phần mềm windPRO là tập chuẩn, kiểm định giả
thuyết các thuật toán đề xuất có ý nghĩa về mặt thống kê, Bảng 4.6. cho thấy giá trị <
0.05. Như vậy, kết quả tối ưu các thuật toán đề xuất có ý nghĩa thống kê.
Ngoài ra, dễ dàng nhận thấy rằng, các kịch bản bố trí tua bin off-shore, thuật toán
đề xuất cho kết quả tốt hơn windPRO. Kịch bản còn lại bố trí tua-bin cho trại gió on-
shore thuật toán đề xuất gần bằng (thấp hơn) tối ưu windPRO. Chứng tỏ, để có thể áp
dụng đề tài cho trại gió on-shore có địa hình phức tạp cần được nghiên cứu thêm nhằm
lựa chọn mô hình toán học thích hợp trong tương lai.
5. KẾT LUẬN
Bài báo đã giải quyết được mô hình toán học tính toán sản lượng điện gió, bố trí
tối ưu vị trí tua-bin trong trang trại gió sử dụng một số thuật toán tìm kiếm vừa được
công bố (GWO, WOA, MFO). Kết quả được so sánh với tối ưu bằng thuật toán sử dụng
rộng rãi PSO và phần mềm thương mại windPRO cho thấy thuật toán MFO phù hợp bố
trí tua-bin trong trang trại gió, cho kết quả tốt hơn thuật toán PSO và cạnh tranh với
phần mềm windPRO.
Mô hình toán học và chương trình sử dụng cho đề tài để tính toán sản lượng điện
gió, tính toán tổn thất do hiệu ứng che chắn so sánh với tính toán bằng thương mại
WAsP cho kết quả sai lệch nhỏ hơn 5%. Kết quả này khẳng định có thể áp dụng công
trình nghiên cứu này vào thực tế để tính toán sản lượng điện gió và bố trí tối ưu vị trí
tua-bin cho trang trại gió.
MFO bố trí tối ưu vị trí tua-bin trong trang trại gió tốt hơn phần mềm windPRO
cho trại gió off-shore và gần bằng windPRO cho trại gió on-shore. Ngoài ra, kết quả
tính toán sản lượng điện gió so với phần mềm WAsP sai lệch 5% cho thấy cần tiếp tục
nghiên cứu về mô hình toán cho việc tính toán sản lượng điện gió và tính toán tổn thất
hiệu ứng che chắn gió trong tương lai.
TÀI LIỆU THAM KHẢO
[1] Javier Serrano González, Manuel Burgos Payán, Jesús Manuel Riquelme Santos,
Francisco González-Longatt. A review and recent developments in the optimal wind-
turbine micro-siting problem. Renewable and Sustainable Energy Reviews 2014; 30:
133–144.
[2] Jensen N.O. A note on wind generator interaction. Technical report Riso-M-2411; 1983.
[3] Katic I, Højstrup J, Jensen N. A simple model for cluster efficiency. In: EWEC 86; 1986.
[4] Le Thanh Thoa, Vo Ngoc Dieu. Optimal Layout for Off-shore Wind Farms Using
Metaheuristic Search Algorithms. GMSARN International Journal 11 (2017) 1 - 15.
[5] DTU Wind Energy. Wind energy industry-standard software - WAsP.
http://www.wasp.dk/. Accessed: 2016-12-02.
- PHÂN BAN NGUỒN ĐIỆN | 201
[6] WindPRO-EMD International A/S. http://www.emd.dk/windpro/. Accessed: 2016-12-02.
[7] Seyedali Mirjalili, Andrew Lewis. The Whale Optimization Algorithm. Advances in
Engineering Software 2016; 95:51–67.
[8] Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis. Grey Wolf Optimizer.
Advances in Engineering Software 2014; 69:46–61.
[9] Wolpert DH, Macready WG. No free lunch theorems for optimization. Evolut Comput,
IEEE Trans 1997;1:67–82.
[10] Seyedali Mirjalili. http://www.alimirjalili.com/index.html. Accessed: 2016-12-02.
[11] Gary L. Johnson, "Wind Energy Systems”, Manhattan, Kansas State University, 2006.
[12] Rabia Shakoor, Mohammad Yusri Hassan, Abdur Raheem, Yuan-Kang Wu. Wake effect
modeling: A review of wind farm layout optimization using Jensen's model. Renewable
and Sustainable Energy Reviews 2016; 58: 1048–1059.
[13] Werle M. A new analytical model for wind turbine wakes. Report no. FD. Vol. 200801;
2008.
[14] Kusiak A, Song Z. Design of wind farm layout for maximum wind energy capture.
Renewable Energy 2010;35:685–94.
[15] DTU Wind Energy. Wind energy industry-standard software - WAsP.
http://www.wasp.dk/. Accessed: 2016-12-02.
[16] Raj MSM, Alexander M, Lydia M. Modeling of wind turbine power curve. ISGT-India IEEE
PES 2011:144–8.
[17] R.C. Eberhart, J. Kennedy, A new optimizer using particle swarm theory, in: Proceedings
of the Sixth International Symposium on Micro Machine and Human Science, 1995, pp.
39–43.
[18] Seyedali Mirjalili, Moth-flame optimization algorithm: A novel nature-inspired heuristic
paradigm, Knowledge-Based Systems 89 (2015) 228–249.
[19] Fagerfjäll P., “Optimizing wind farm layout, more bang for the buck using mixed integer
linear programming”, Department of Mathematical Sciences, Chalmers University of
Technology, 2010, Göteborg, Sweden.
[20] Derrac J, García S, Molina D, Herrera F. A practical tutorial on the use of nonparametric
statistical tests as a methodology for comparing evolutionary and swarm intelligence
algorithms. Swarm Evolut Comput 2011;1:3–18.
nguon tai.lieu . vn
