Đề xuất thuật toán lai trí thông minh nhân tạo với biến đổi gen để tối ưu nguồn điện gió trong thị trường điện

54 lượt xem

Các tác giả

  • Dinh Ngoc Sang Trường Đại học Bách khoa, Đại học Quốc gia TP.HCM
  • Truong Viet Anh Trường Đại học Bách khoa, Đại học Quốc gia TP.HCM
  • Nguyen Tung Linh (Tác giả đại diện) Trường Đại học Điện lực

DOI:

https://doi.org/10.54939/1859-1043.j.mst.99.2024.24-34

Từ khóa:

Optimal algorithm; Artificial intelligence; Long short term memory; Genetic algorithm; Wind farm; Electricity market.

Tóm tắt

Bài báo này đề xuất một phương pháp lai mạnh mẽ để tối ưu hóa lợi ích trong điều kiện bất lợi do sự bất định của nguồn điện gió khi chúng tham gia vào thị trường điện cạnh tranh. Thuật toán lai cộng sinh bởi một thuật toán thông minh nhân tạo để nâng hiệu quả tối ưu hóa của thuật toán tiến hóa. Kết quả thuật toán lai mới đã cải thiện đáng kể tốc độ tối ưu hóa và vượt qua được các cực trị địa phương để mang lại kết quả tối ưu toàn cục thuận lợi hơn. Thực nghiệm trên hệ thống điện chuẩn IEEE 30-bus và so sánh với nghiên cứu trước đây cũng như thuật toán tiến hóa gốc cho thấy lợi nhuận điện gió cao hơn rõ ràng ở thuật toán đề xuất. Dựa vào kết quả thử nghiệm, mô hình liên kết nguồn điện gió với nguồn nhiệt điện cũng được minh chứng mang lại ít rủi ro bồi thường do sự không chắc chắn bởi tốc độ gió nên ổn định thị trường điện và nâng tầm an ninh năng lượng. Khuyến khích công suất điện gió tối ưu chào đấu thầu trên thị trường điện trong trường hợp này nên giảm 15% đến 18% so với kỳ vọng của dự đoán để đạt được lợi ích tốt nhất.

Tài liệu tham khảo

[1]. IRENA, “FUTURE OF WIND Deployment, investment, technology, grid integration and socio-economic aspects” (A Global Energy Transformation paper), International Renewable Energy Agency, Abu Dhabi, (2019).

[2]. D. Cao, W. Hu, X. Xu, T. Dragičević, Q. Huang, Z. Liu, Z. Chen e F. Blabjerg, “Bidding strategy for trading wind energy and purchasing reserve of wind power producer – A DRL based approach”, Electrical Power & Energy Systems, vol. 117, p. 105648, (2020). DOI: https://doi.org/10.1016/j.ijepes.2019.105648

[3]. K. Abaci e V. Yamacli, “Differential search algorithm for solving multi-objective optimal power flow problem”, International Journal of Electrical Power & Energy Systems, vol. 79, pp. 1-10, (2016). DOI: https://doi.org/10.1016/j.ijepes.2015.12.021

[4]. T. B. Nkwanyana, M. W. Siti, Z. Wang, I. Toudjeu, N. T. Mbungu e W. Mulumb, “An assessment of hybrid-energy storage systems in the renewable environments”, Journal of Energy Storage, vol. 72, p. 108307, (2023). DOI: https://doi.org/10.1016/j.est.2023.108307

[5]. Z. Sun, Z. Wang, Y. Tian, G. Wang, W. Wang, M. Yang, X. Wang, F. Zhang e Y. Pu, “Progress, Outlook, and Challenges in Lead-Free Energy-Storage Ferroelectrics”, Advanced Electronic Materials Excellence in Electronics, vol. 6, n. 1, p. 1900698, (2020). DOI: https://doi.org/10.1002/aelm.201900698

[6]. V. A. Truong, N. S. Dinh e T. L. Duong, “Profit Maximization of Wind Power Plants in the Electricity Market Based on Linking Models Between Energy Sources”, Arabian Journal for Science and Engineering, vol. 48, n. 8, (2023). DOI: https://doi.org/10.1007/s13369-023-08181-1

[7]. R. Fallahifar e M. Kalantar, “Optimal planning of lithium ion battery energy storage for microgrid applications: Considering capacity degradation”, Journal of Energy Storage, vol. 57, p. 106103, (2023). DOI: https://doi.org/10.1016/j.est.2022.106103

[8]. M. Kaveh e M. S. Mesgari, “Application of Meta-Heuristic Algorithms for Training Neural Networks and Deep Learning Architectures: A Comprehensive Review”, Neural Processing Letters, vol. 55, p. 4519–4622, (2022). DOI: https://doi.org/10.1007/s11063-022-11055-6

[9]. K. Rajwar, K. Deep e S. Das, “An exhaustive review of the metaheuristic algorithms for search and optimization: taxonomy, applications, and open challenges”, Artificial Intelligence Review, vol. 56, p. 13187–13257, (2023). DOI: https://doi.org/10.1007/s10462-023-10470-y

[10]. M. A. Elaziz, A. Dahou, L. Abualigah, L. Yu, M. Alshinwan, A. M. Khasawneh e S. Lu, “Advanced metaheuristic optimization techniques in applications of deep neural networks: a review”, Neural Computing and Applications, vol. 33, p. 14079–14099, (2021).

[11]. B. A. S. Emambocus, M. B. Jasser e A. Amphawan, “A Survey on the Optimization of Artificial Neural Networks Using Swarm Intelligence Algorithms”, IEEE Access, vol. 11, pp. 1280 - 1294, (2023). DOI: https://doi.org/10.1109/ACCESS.2022.3233596

[12]. Bharti, P. Redhu e K. Kumar, “Short-term traffic flow prediction based on optimized deep learning neural network: PSO-Bi-LSTM”, Physica A: Statistical Mechanics and its Applications, vol. 625, p. 129001, (2023). DOI: https://doi.org/10.1016/j.physa.2023.129001

[13]. S. N. Dinh, A. V. Truong e L. T. Nguyen, “Enhancing Wind Energy Investment Efficiency in The Electricity Market through The Integration of Power Uncertainty with Thermal Power Plant Operation”, Tạp chí Khoa học va Công nghệ - Đại học Đà Nẵng, vol. 22, n. 2, pp. 81-87, (2024).

[14]. X. Lu, K. Li, H. Xu, F. Wang, Z. Zhou e Y. Zhang, “Fundamentals and business model for resource aggregator of demand response in electricity markets”, Energy, vol. 204, (2020). DOI: https://doi.org/10.1016/j.energy.2020.117885

[15]. S. N. Dinh, L. T. Nguyen e A. V. Truong, “Enhancing Wind Power Profitability Through Integrated Clusters in the Electricity Market”, in Conference: 2023 Asia Meeting on Environment and Electrical Engineering (EEE-AM), Hanoi, Vietnam, (2023). DOI: https://doi.org/10.1109/EEE-AM58328.2023.10395263

[16]. M. A. Elaziz, A. Dahou, L. Abualigah, L. Yu, M. Alshinwan, A. M. Khasawneh e S. Lu, “Advanced metaheuristic optimization techniques in applications of deep neural networks: a review”, Neural Computing and Applications, vol. 33, p. 14079–14099, (2021). DOI: https://doi.org/10.1007/s00521-021-05960-5

[17]. P. P. Biswas, P. N. Suganthan e G. A. J. Amaratunga, “Optimal power flow solutions incorporating stochastic wind and solar power”, Energy Conversion and Management, vol. 148, pp. 1194-1207, (2017). DOI: https://doi.org/10.1016/j.enconman.2017.06.071

[18]. “Energy Prices and Costs in Europe: Report from the commission to the european parliament, the council”, the european economic and social committee and the committee of the regions, European Commssion, Brussels, (2020).

[19]. M. Cao, Q. Xu, X. Qin e J. Cai, “Battery energy storage sizing based on a model predictive control strategy with operational constraints to smooth the wind power”, International Journal of Electrical Power & Energy Systems, vol. 115, pp. 1-10, (2020). DOI: https://doi.org/10.1016/j.ijepes.2019.105471

[20]. P. Wais, “A review of Weibull functions in wind sector”, Renewable and Sustainable Energy Reviews, vol. 70, pp. 1099-1107, (2017). DOI: https://doi.org/10.1016/j.rser.2016.12.014

[21]. Z. Wang, W. Wang, C. Liu, Z. Wang e Y. Hou, “Probabilistic Forecast for Multiple Wind Farms Based on Regular Vine Copulas”, IEEE Transactions on Power Systems, vol. 33, n. 1, pp. 578 - 589, (2018). DOI: https://doi.org/10.1109/TPWRS.2017.2690297

[22]. A. Abedi, M. R. Hesamzadeh e F. Romerio, “Adaptive robust vulnerability analysis of power systems under uncertainty: A multilevel OPF-based optimization approach”, International Journal of Electrical Power & Energy Systems, vol. 134, p. 107432, (2022). DOI: https://doi.org/10.1016/j.ijepes.2021.107432

[23]. G. Bertrand e A. Papavasiliou, “An Analysis of Threshold Policies for Trading in Continuous Intraday Electricity Markets”, 15th International Conference on the European Energy Market (EEM), p. 18130454, (2018). DOI: https://doi.org/10.1109/EEM.2018.8469774

[24]. S. Mirjalili, Genetic Algorithm, “Evolutionary Algorithms and Neural Networks”. Studies in Computational Intelligence, vol. 780, p. 43–55, (2019). DOI: https://doi.org/10.1007/978-3-319-93025-1_4

[25]. S. Hochreiter e J. Schmidhuber, “Long Short-Term Memory”, Neural Computation, vol. 9, n. 8, pp. 1735 - 1780, (1997). DOI: https://doi.org/10.1162/neco.1997.9.8.1735

[26]. F. Shahid, A. Zameer e M. Muneeb, “A novel genetic LSTM model for wind power forecast”, Energy, vol. 223, p. 120069, (2021). DOI: https://doi.org/10.1016/j.energy.2021.120069

[27]. O. Alsac e B. Stott, “Optimal Load Flow with Steady-State Security”, IEEE Transactions on Power Apparatus and Systems, Vol. PAS-93, n. 3, pp. 745-751, (1974). DOI: https://doi.org/10.1109/TPAS.1974.293972

[28]. MATPOWER Test Cases, (2018). [Online]. Available: https://matpower.org/docs/ref/matpower5.0/case_ieee30.html.

Tải xuống

Đã Xuất bản

25-11-2024

Cách trích dẫn

Dinh Ngoc Sang, Truong Viet Anh, và N. Tung Linh. “Đề xuất thuật toán Lai Trí thông Minh nhân tạo với biến đổi Gen để tối ưu nguồn điện Gió Trong thị trường điện”. Tạp Chí Nghiên cứu Khoa học Và Công nghệ quân sự, vol 99, số p.h 99, Tháng Mười-Một 2024, tr 24-34, doi:10.54939/1859-1043.j.mst.99.2024.24-34.

Số

Chuyên mục

Kỹ thuật điều khiển & Điện tử

##category.category##