Xây dựng mạng nơ ron lai xác định vị trí và dung lượng tối ưu của nguồn phân tán trong lưới điện phân phối
Abstract
This article studies the back-propagation neural network training algorithm (BPNN: Back-propagation Neural Network) combined with the improved swarm optimization algorithm (IPSO: Improved Particle Swarm Optimization) to determine location and capacity of distributed sources in the distribution grid. Analysis results in the standard 14-bus IEEE power system have determined the most optimal distributed source installation location at buses 2 and 3. With a distributed source capacity of up to 100MW, ensuring the power system is always stable about voltage, frequency and power quality as well as energy security in the power system.
Tóm tắt
Bài báo nghiên cứu thuật toán huấn luyện mạng nơ ron lan truyền ngược (BPNN: Back-propagation Neural Network) kết hợp với thuật toán tối ưu bày đàn cải tiến (IPSO: Improved Particle Swarm Optimization) để xác định vị trí và dung lượng của nguồn phân tán trong lưới điện phân phối. Kết quả phân tích trong hệ thống điện IEEE 14 bus chuẩn đã xác định được vị trí lắp đặt nguồn phân tán tối ưu nhất tại các bus 2 và 3. Với công suất nguồn phân tán đến 100MW, đảm bảo hệ thống luôn ổn định về điện áp, tần số và đáp ứng được các chỉ tiêu chất lượng điện năng cũng như an ninh năng lượng trong hệ thống.
Tài liệu tham khảo
[1] Qiguo YAO, Yuliang LIU (2016). “Influence Research of Wind Power Generation on Power System”, 4th International Conference on Electrical & Electronics Engineering and Computer Science, Vol. 50, pp.731-736
[2] Hermann-Josef Wagner( 2018). “Introduction to wind energy systems”,Energy Systems and Energy Economics, Ruhr-University Bochum, EPJ Web of Conferences 189, pp.1-17.
[3] Ciric RM1and Markovic MLJ (January 2017). “Power Factor Analysis in Distribution Network with Roof Photovoltaic Units”, Electrical Engineering and Electronic Technology, pp. 1-8
[4] Zhang Kun, Li Chun-sheng, Mao Cheng-xiong (2012). “Power Control of Directly-driven Wind Generation Systems With Battery/Ultra-capacitor Hybrid Energy Storage”, Proceedings of the CSEE, Vol 32, pp. 99-108.
[5] Fita Nicolae Daniel (2022). “Energy Security: An Important Factor in Global Perspectives”, University of Petrosani · Electrical EngineeringNew Trends in Physical Science Research, Chapter: 3Publisher: Book Publisher International, pp.16-25.
[6] R. C. Shi, Y. H., Eberhart(1998). “A modified particle swarm optimizer,” IEEE Intl. Conf. Evol. Comput. Anchorage, AK, pp. 69–73.
[7] Karrar S. Faraj (2017) “Load flow studies by using Newton Raphson method and fast decoupled method (Power System Analysis)”, University of TechnologyElectrical Engineering Department, pp.1-36.
[8] N. Q. H. L.A.Dũng, V. N. Điều (2017). “Áp dụng thuật toán PSO cải tiến phân bố tối ưu công suất phản kháng và áp dụng cho lưới điện 110 kV Miền Nam”, TẠP CHÍ PHÁT TRIỂN KHOA HỌC &CÔNG NGHỆ, vol. 20, SỐ K8, pp. 1–5.
[9] L.Y. Jun, R.R. Karri, L.S. Yon, N.M. Mubarak, C.H. Bing, K. Mohammad, P. Jagadish, E.C. Abdullah (2020). “Modeling and optimization by particle swarm embedded neural network for adsorption of methylene blue by jicama peroxidase immobilized on buckypaper/polyvinyl alcohol membrane", Environmental Research, Vol 183, pp 109-158
[10] Anamika Yadav, Subha M. Roy (2023). “An artificial neural network-particle swarm optimization (ANN-PSO) approach to predict the aeration efficiency of venturi aeration system”, Smart Agricultural Technology, Department of Agricultural Engineering, Triguna Sen School of Technology, Assam University Silchar, Assam 788011, India, pp 1-9.
