Luận án: Điều khiển & tối ưu đa mục tiêu lưu trữ năng lượng microgrid tòa nhà
Tài liệu: Luận án tiến sĩ control of energy storage utilisation for a building integrated microgrid using multi objective metaheuristic optimisation methods. Tả
Cork Institute of Technology
Kỹ thuật Năng lượng
Luan An
Luận án
Năm xuất bản
Số trang
174
Thời gian đọc
27 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Tổng quan nhanh
- Chủ đề:
- 1. Điều khiển Tối Ưu Lưu Trữ Năng Lượng Microgrid
- Số trang:
- 174 trang
- Trường:
- Cork Institute of Technology
- Chuyên ngành:
- Kỹ thuật Năng lượng
- Tác giả:
- Quang An Phan
- Năm:
- 2019
Tóm tắt nội dung luận án
I. Điều khiển Tối Ưu Lưu Trữ Năng Lượng Microgrid
Nghiên cứu tập trung vào điều khiển tối ưu hệ thống lưu trữ năng lượng (ESS) trong microgrid tích hợp tòa nhà. Microgrid đại diện cho giải pháp năng lượng hiệu quả, cung cấp điện độc lập hoặc kết nối lưới. Các tòa nhà thông minh đang tích hợp microgrid để tăng cường hiệu suất năng lượng, giảm chi phí vận hành. Việc tối ưu hóa ESS là cốt lõi để đạt được mục tiêu này. ESS giúp cân bằng cung cầu, tích hợp năng lượng tái tạo và giảm phụ thuộc vào lưới điện chính. Tối ưu hóa hoạt động sạc/xả của ESS là cần thiết. Điều này đảm bảo hiệu quả tài chính và bền vững năng lượng. Nghiên cứu giải quyết thách thức quản lý năng lượng phức tạp trong môi trường tòa nhà hiện đại. Nâng cao độ tin cậy và tự chủ năng lượng cho các công trình. Mục tiêu cuối cùng là giảm thiểu chi phí năng lượng và tối đa hóa sử dụng nguồn lực địa phương.
1.1. Tầm quan trọng của Microgrid và ESS
Microgrid ngày càng trở nên quan trọng. Chúng cung cấp khả năng tự chủ năng lượng cho các khu vực cụ thể. Đặc biệt là trong bối cảnh tăng trưởng nhu cầu điện và sự biến động của giá năng lượng. Hệ thống lưu trữ năng lượng (ESS) đóng vai trò then chốt trong microgrid. ESS cho phép tích trữ điện dư thừa từ các nguồn năng lượng tái tạo, như PV mặt trời và gió. Năng lượng này sau đó được sử dụng khi sản xuất thấp hoặc nhu cầu cao. Việc quản lý hiệu quả ESS cải thiện độ ổn định lưới. Nó cũng giảm áp lực lên hạ tầng điện quốc gia. ESS là thành phần không thể thiếu để tạo ra microgrid thông minh, bền vững.
1.2. Thách thức trong Quản lý Năng lượng Tòa nhà
Quản lý năng lượng trong tòa nhà tích hợp microgrid đối mặt nhiều thách thức. Biến động của sản lượng năng lượng tái tạo là một yếu tố. Tiêu thụ năng lượng của tòa nhà cũng thay đổi liên tục theo thời gian. Giá điện mua/bán từ lưới có thể dao động mạnh. Các hệ thống quản lý năng lượng tòa nhà (BEMS) truyền thống thường không đủ linh hoạt. Chúng khó xử lý sự phức tạp này. Cần có các thuật toán điều khiển tối ưu tiên tiến. Những thuật toán này phải dự báo được cả sản lượng và nhu cầu. Mục tiêu là lập kế hoạch vận hành ESS hiệu quả. Điều này giúp cân bằng năng lượng, giảm chi phí. Đồng thời đảm bảo sự thoải mái cho người sử dụng.
II. Mô Hình Hóa Các Thành Phần Microgrid Tích Hợp
Để thực hiện điều khiển tối ưu, việc mô hình hóa chính xác các thành phần của microgrid là cần thiết. Nghiên cứu đã phát triển các mô hình chi tiết. Các mô hình này bao gồm nguồn năng lượng tái tạo, hệ thống lưu trữ năng lượng và tải tiêu thụ của tòa nhà. Độ chính xác của các mô hình ảnh hưởng trực tiếp đến hiệu quả của thuật toán tối ưu. Việc mô hình hóa giúp dự đoán hành vi của hệ thống. Nó hỗ trợ việc đưa ra quyết định sạc/xả tối ưu. Dữ liệu thực tế được sử dụng để xác thực các mô hình. Điều này đảm bảo tính ứng dụng cao của nghiên cứu. Các mô hình này là nền tảng cho việc phát triển và thử nghiệm các chiến lược điều khiển tiên tiến.
2.1. Mô hình nguồn Năng lượng tái tạo PV gió
Nghiên cứu xây dựng mô hình chi tiết cho các nguồn năng lượng tái tạo. Các nguồn này bao gồm hệ thống PV mặt trời và tuabin gió. Mô hình PV tính toán sản lượng điện dựa trên bức xạ mặt trời và nhiệt độ. Hiệu suất tấm pin và góc nghiêng được xem xét. Mô hình tuabin gió dự đoán công suất theo tốc độ gió. Đặc tính kỹ thuật của tuabin được đưa vào. Những mô hình này rất quan trọng. Chúng cung cấp dự báo chính xác về sản lượng năng lượng. Điều này hỗ trợ quá trình ra quyết định của hệ thống quản lý năng lượng. Đảm bảo sử dụng tối đa năng lượng xanh tại chỗ. Giảm thiểu lượng điện mua từ lưới điện.
2.2. Mô hình Hệ thống lưu trữ năng lượng ESS
Hệ thống lưu trữ năng lượng (ESS) là trọng tâm của điều khiển tối ưu. Nghiên cứu sử dụng mô hình ắc quy axit-chì. Mô hình này mô tả hành vi sạc và xả của ắc quy. Nó tính đến các yếu tố như hiệu suất, trạng thái sạc (SOC). Tuổi thọ của ắc quy cũng được xem xét. Mục tiêu là tối ưu hóa việc sử dụng ắc quy. Đồng thời kéo dài tuổi thọ của chúng. Mô hình ESS giúp xác định thời điểm sạc và xả tối ưu. Điều này cân bằng chi phí điện và hiệu suất hệ thống. Việc quản lý thông minh ESS đóng góp lớn vào lợi ích kinh tế. Nó cũng tăng cường độ ổn định cho microgrid tích hợp tòa nhà.
2.3. Mô hình tiêu thụ Năng lượng Tòa nhà
Để tối ưu hóa toàn diện, mô hình tiêu thụ năng lượng của tòa nhà rất quan trọng. Mô hình này dựa trên dữ liệu tiêu thụ điện thực tế. Nó phản ánh các mẫu tiêu thụ điển hình trong các khoảng thời gian khác nhau. Các yếu tố như thời tiết, lịch trình hoạt động của tòa nhà ảnh hưởng đến mô hình. Việc dự báo nhu cầu năng lượng giúp microgrid chuẩn bị. Nó có thể đáp ứng tải hiệu quả. Kết hợp với dự báo năng lượng tái tạo, mô hình này cho phép cân bằng cung cầu. Nó là cơ sở cho các chiến lược Phản ứng nhu cầu (Demand Response). Giúp điều chỉnh tải tiêu thụ theo giá điện hoặc tình trạng lưới.
III. Phương Pháp Tối Ưu Hóa Năng Lượng Hiệu Quả
Nghiên cứu áp dụng các phương pháp tối ưu hóa tiên tiến. Các phương pháp này được dùng để giải quyết bài toán quản lý năng lượng phức tạp. Đặc biệt tập trung vào các thuật toán siêu phỏng (metaheuristic algorithms). Những thuật toán này có khả năng tìm kiếm giải pháp tối ưu trong không gian rộng. Chúng xử lý được các ràng buộc phi tuyến tính. Mục tiêu là tối thiểu hóa chi phí vận hành. Đồng thời tối đa hóa hiệu quả năng lượng. Phương pháp tối ưu hóa đa mục tiêu cũng được sử dụng. Điều này giúp cân bằng nhiều yếu tố cùng lúc. Bao gồm chi phí, tác động môi trường và ổn định hệ thống. Việc lựa chọn phương pháp phù hợp là chìa khóa. Nó quyết định tính hiệu quả và khả thi của hệ thống điều khiển.
3.1. Thuật toán điều khiển tối ưu và siêu phỏng
Nghiên cứu khám phá các thuật toán điều khiển tối ưu. Đặc biệt là các phương pháp siêu phỏng. Thuật toán di truyền (Genetic Algorithm - GA) được triển khai. GA tìm kiếm lịch trình sạc/xả tối ưu cho ESS. Nó xem xét các ràng buộc về công suất, trạng thái sạc. GA giải quyết bài toán tối ưu hóa phức tạp. Mục tiêu là giảm chi phí năng lượng. Nó cũng tăng cường sử dụng năng lượng tái tạo. Các thuật toán này cho thấy hiệu quả cao trong việc tìm kiếm các giải pháp gần tối ưu. Chúng thích hợp với tính chất động của microgrid. Sự linh hoạt của các thuật toán siêu phỏng cho phép chúng thích nghi với nhiều kịch bản vận hành khác nhau.
3.2. Tối ưu hóa đa mục tiêu cho Microgrid
Ngoài tối ưu hóa chi phí đơn lẻ, nghiên cứu còn phát triển tối ưu hóa đa mục tiêu. Phương pháp này cân nhắc nhiều tiêu chí cùng lúc. Ví dụ, tối thiểu hóa chi phí vận hành và tối đa hóa việc sử dụng năng lượng gió. Việc này giúp tìm ra các giải pháp cân bằng. Giải pháp không chỉ tiết kiệm chi phí. Nó còn đóng góp vào mục tiêu bền vững môi trường. Thuật toán di truyền (GA) được điều chỉnh. Nó xử lý tốt bài toán tối ưu hóa đa mục tiêu. Kết quả cung cấp cho người ra quyết định một loạt các lựa chọn. Các lựa chọn này thể hiện sự đánh đổi giữa các mục tiêu khác nhau. Điều này rất có giá trị trong quản lý microgrid thông minh.
IV. Lợi Ích Của Điều Khiển Tối Ưu Microgrid Tòa Nhà
Việc áp dụng điều khiển tối ưu mang lại nhiều lợi ích đáng kể. Các lợi ích này bao gồm giảm chi phí vận hành cho tòa nhà. Nó tăng cường tự chủ năng lượng và hiệu quả sử dụng ESS. Điều khiển tối ưu hóa cũng cải thiện khả năng tích hợp năng lượng tái tạo. Nó hỗ trợ tốt hơn cho lưới điện thông minh. Các nghiên cứu chỉ ra rằng việc tối ưu hóa có thể tiết kiệm đáng kể chi phí năng lượng hàng ngày. Đặc biệt khi có biến động giá điện hoặc sản lượng năng lượng tái tạo. Điều này tạo ra một mô hình năng lượng bền vững hơn. Nó cung cấp giá trị kinh tế và môi trường lâu dài cho các tòa nhà và cộng đồng.
4.1. Giảm chi phí vận hành tăng cường tự chủ
Điều khiển tối ưu lưu trữ năng lượng giúp giảm đáng kể chi phí vận hành. Hệ thống xác định thời điểm mua điện từ lưới khi giá thấp. Nó xả năng lượng lưu trữ khi giá cao. Sử dụng tối đa năng lượng tái tạo tại chỗ giảm nhu cầu mua điện. Điều này nâng cao khả năng tự chủ năng lượng của tòa nhà. Đặc biệt quan trọng trong trường hợp mất điện lưới. Nghiên cứu đã chứng minh rằng các chiến lược tối ưu hóa có thể dẫn đến giảm chi phí hàng ngày. Mức giảm này đạt tới hàng chục phần trăm so với các phương pháp quản lý truyền thống. Điều này mang lại lợi ích kinh tế trực tiếp cho chủ sở hữu tòa nhà.
4.2. Nâng cao hiệu suất Hệ thống lưu trữ năng lượng
Việc tối ưu hóa không chỉ giảm chi phí mà còn nâng cao hiệu suất của Hệ thống lưu trữ năng lượng (ESS). Lịch trình sạc/xả được tối ưu hóa. Điều này giảm thiểu hao phí năng lượng trong quá trình chuyển đổi. Nó cũng có thể kéo dài tuổi thọ của ắc quy. Bằng cách tránh các chu kỳ sạc/xả không cần thiết hoặc quá mức. Điều khiển tối ưu đảm bảo ESS luôn hoạt động trong điều kiện hiệu quả nhất. Nó sẵn sàng đáp ứng nhu cầu năng lượng của tòa nhà. Đây là yếu tố quan trọng để đảm bảo đầu tư vào ESS mang lại giá trị bền vững.
4.3. Hỗ trợ Phản ứng nhu cầu và lưới điện thông minh
Microgrid tích hợp tòa nhà với điều khiển tối ưu là một thành phần quan trọng của lưới điện thông minh. Khả năng điều khiển linh hoạt ESS cho phép tòa nhà tham gia vào các chương trình Phản ứng nhu cầu (Demand Response). Tòa nhà có thể giảm tải hoặc cung cấp năng lượng trở lại lưới trong thời gian cao điểm. Điều này hỗ trợ ổn định lưới, giảm nguy cơ quá tải. Nó cũng tạo ra nguồn doanh thu bổ sung cho tòa nhà. Việc tích hợp các hệ thống quản lý năng lượng tòa nhà (BEMS) thông minh với điều khiển tối ưu mở ra cơ hội lớn. Nó giúp cải thiện đáng kể hiệu suất và tính bền vững của toàn bộ hệ thống năng lượng.
V. Triển Vọng Phát Triển Microgrid Thông Minh Tòa Nhà
Nghiên cứu này mở ra nhiều triển vọng cho sự phát triển của microgrid thông minh tích hợp tòa nhà. Các kết quả có thể được mở rộng. Chúng áp dụng cho các quy mô microgrid và loại tòa nhà khác nhau. Vai trò của tòa nhà thông minh và hệ thống quản lý năng lượng tòa nhà (BEMS) sẽ ngày càng trở nên quan trọng. Các nghiên cứu tiếp theo có thể tập trung vào việc tích hợp thêm các yếu tố. Ví dụ như xe điện, hệ thống sưởi/làm mát thông minh. Điều này tạo ra một hệ sinh thái năng lượng toàn diện hơn. Nghiên cứu cũng cung cấp cơ sở cho các nhà hoạch định chính sách. Họ có thể phát triển các chính sách khuyến khích năng lượng bền vững. Mục tiêu là thúc đẩy áp dụng rộng rãi microgrid trong tương lai.
5.1. Vai trò của Tòa nhà thông minh và BEMS
Tòa nhà thông minh và Hệ thống quản lý năng lượng tòa nhà (BEMS) là trung tâm của microgrid tích hợp. BEMS thu thập dữ liệu về tiêu thụ năng lượng. Nó điều khiển các thiết bị trong tòa nhà. Khi kết hợp với các thuật toán điều khiển tối ưu, BEMS trở nên mạnh mẽ hơn. Nó có thể tối ưu hóa không chỉ việc sử dụng ESS. Nó còn điều chỉnh các tải phụ tải không quan trọng. Điều này giúp cân bằng năng lượng theo thời gian thực. Tòa nhà thông minh trở thành một mắt xích chủ động trong hệ thống năng lượng. Nó đóng góp vào hiệu quả tổng thể và tính bền vững.
5.2. Hướng nghiên cứu tiếp theo về tối ưu hóa
Hướng nghiên cứu tiếp theo có thể tập trung vào cải tiến các thuật toán tối ưu. Việc kết hợp các phương pháp học máy (Machine Learning) để dự báo. Nó giúp tăng cường độ chính xác của dự báo tải và sản lượng năng lượng tái tạo. Phát triển các thuật toán Điều khiển dự báo mô hình (MPC) nâng cao. Nó có thể xử lý tốt hơn tính không chắc chắn. Mở rộng ứng dụng sang các loại hệ thống lưu trữ năng lượng khác. Ví dụ như ắc quy Lithium-ion hoặc lưu trữ nhiệt. Nghiên cứu cũng có thể khám phá khả năng tối ưu hóa hợp tác giữa nhiều microgrid. Điều này tạo ra một 'lưới của các microgrid' (grid of microgrids) với hiệu quả cao hơn.
5.3. Đóng góp vào chính sách năng lượng bền vững
Các kết quả từ nghiên cứu này cung cấp bằng chứng thực nghiệm. Chúng hỗ trợ việc phát triển chính sách năng lượng bền vững. Việc chứng minh hiệu quả kinh tế và môi trường của điều khiển tối ưu. Nó khuyến khích chính phủ và các tổ chức thúc đẩy việc áp dụng microgrid. Đặc biệt là trong các tòa nhà. Chính sách có thể bao gồm các ưu đãi tài chính. Nó cũng có thể có các tiêu chuẩn xây dựng bắt buộc. Mục tiêu là để tích hợp năng lượng tái tạo và ESS. Điều này đẩy nhanh quá trình chuyển đổi sang một tương lai năng lượng sạch hơn. Nó giúp tăng cường an ninh năng lượng quốc gia.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (174 trang)Nội dung chính
Tổng quan về luận án
Bối cảnh khoa học của nghiên cứu khởi nguồn từ cuộc khủng hoảng chuyển dịch năng lượng tại châu Âu, nơi việc gia tăng tỷ trọng năng lượng tái tạo ngắt quãng (intermittent renewable energy) đang tạo ra áp lực nghiêm trọng lên tính ổn định của hệ thống lưới điện quốc gia (National Power Grid - NPG). Tại Ireland, báo cáo "Energy in Ireland 2018" của Sustainable Energy Authority of Ireland (SEAI) chỉ ra rằng tỷ trọng năng lượng tái tạo trong tổng sản lượng điện đã tăng 92% từ năm 2010 đến 2017, đạt mức 30,0% tổng sản lượng điện quốc gia năm 2017 (vượt mức trung bình 29,6% của Liên minh Châu Âu EU). Đáng chú ý, năng lượng gió chiếm tới 84% tổng sản lượng tái tạo của Ireland năm 2017, cao gấp gần hai lần tỷ trọng 44% của EU. Tuy nhiên, tính phụ thuộc quá lớn vào nguồn phong điện đi kèm hệ quả tiêu cực nghiêm trọng: tỷ lệ cắt giảm công suất gió cưỡng bức do nghẽn lưới (wind curtailment) theo số liệu của đơn vị vận hành lưới EirGrid đã tăng nhanh từ 1,6% năm 2017, và được McGarrigle cùng các cộng sự dự báo sẽ chạm ngưỡng 7% đến 14% vào năm 2020 khi công suất gió lắp đặt bổ sung 532 MW chỉ trong giai đoạn 2016-2017.
Khoảng trống nghiên cứu then chốt (specific research gap) nằm ở chỗ: các nghiên cứu quản lý phụ tải truyền thống (Demand Side Management - DSM) thông qua dịch chuyển tải (load shifting) thường gây gián đoạn và bất tiện lớn cho người sử dụng công trình (Wang et al.; Ringland et al.; Alam et al.). Ngược lại, các công trình khai thác hệ thống lưu trữ năng lượng bằng pin/ắc quy (Energy Storage Management - ESM) phần lớn chỉ dừng lại ở việc kiểm soát trạng thái sạc tổng quát (State of Charge - SOC) hoặc giả định tỷ lệ nạp/xả cố định đơn cấp (single charge/discharge rate) với các mô hình pin lý tưởng hóa (Li et al.; Tutkun). Luận án xác lập 4 câu hỏi và giả thuyết nghiên cứu chính:
- Research Question 1 (RQ1): Làm thế nào để xây dựng mô hình toán học tích hợp có độ chính xác cao cho hệ thống quang điện (Photovoltaic System - PVS), tua-bin gió (Wind Turbine - WT) và hệ thống ắc quy lưu trữ chì-axit (Battery Bank - BB) phản ánh đúng động học phi tuyến thực tế?
- Hypothesis 1 (H1): Mô hình PVS kết hợp hàm tổn hao điện trở nối tiếp ($R_s$), mô hình WT đa thức bậc cao khớp dữ liệu thực nghiệm và mô hình ắc quy Ciemat động sẽ nâng cao độ chính xác mô phỏng với sai số chuẩn hóa (NRMSE) dưới 5%.
- Research Question 2 (RQ2): Thuật toán tối ưu hóa siêu phỏng sinh học (metaheuristic algorithm) nào đạt hiệu năng vượt trội trong việc tối thiểu hóa chi phí vận hành ngày của tòa nhà so với phương pháp heuristic cục bộ (Piecemeal Decision Approach - PDA)?
- Hypothesis 2 (H2): Thuật toán di truyền (Genetic Algorithm - GA) với mã hóa số nguyên đa mức sẽ vượt trội hơn phương pháp PDA và tối ưu hóa bầy đàn hạt (Particle Swarm Optimization - PSO) về tốc độ hội tụ và chất lượng nghiệm toàn cục.
- Research Question 3 (RQ3): Việc mở rộng không gian điều khiển từ tỷ lệ nạp/xả đơn cấp sang đa cấp biến thiên (variable multi-rate scheduling) mang lại hiệu quả kinh tế định lượng ra sao?
- Hypothesis 3 (H3): Tăng số lượng mức nạp/xả khả dụng từ 1 lên 20 mức sẽ giảm chi phí vận hành phi tuyến tính, và tồn tại điểm bão hòa kỹ thuật tối ưu tại 12 mức nạp/xả.
- Research Question 4 (RQ4): Bản chất của sự đánh đổi (trade-offs) giữa mục tiêu kinh tế vi mô (tối thiểu hóa chi phí vận hành tòa nhà) và mục tiêu môi trường vĩ mô (tối đa hóa giải tỏa công suất gió trên lưới - Wind Generation Facilitation - WGF) diễn ra như thế nào dưới cơ chế định giá điện thời gian thực (Real-Time Pricing - RTP)?
- Hypothesis 4 (H4): Tồn tại một ngưỡng trọng số ưu tiên ($\alpha$) tối ưu trên đường biên Pareto, tại đó một mức gia tăng chi phí vận hành rất nhỏ của tòa nhà có thể kích hoạt khả năng hấp thụ điện gió dư thừa cực lớn cho lưới điện quốc gia.
Khung lý thuyết của luận án tích hợp Lý thuyết Hệ thống vi lưới phân tán (Microgrid Systems Theory), Lý thuyết Tối ưu hóa tiến hóa (Evolutionary Optimization Theory) và Kinh tế học Năng lượng động (Dynamic Energy Economics). Đóng góp đột phá của luận án được lượng hóa thông qua việc cắt giảm tới 24% chi phí vận hành ngày của tòa nhà khi triển khai lập lịch nạp/xả đa cấp so với bộ điều khiển tiêu chuẩn, đồng thời giải phóng công suất phong điện với chi phí biên chỉ từ €0,04 cho mỗi 1% tăng thêm của chỉ số WGF. Phạm vi nghiên cứu được thực nghiệm và xác thực trên hệ thống thực tế tại Trung tâm Thử nghiệm Cải tạo Năng lượng Tòa nhà Quốc gia Ireland (National Building Energy Retrofit Test-bed - NBERT) thuộc Cork Institute of Technology (CIT) với cấu hình 12 kWp PVS, 2,5 kW/12 kW WT, hệ thống ắc quy chì-axit chuyên dụng, cùng tập dữ liệu nửa giờ (30-minute intervals, 48 chu kỳ/ngày) bao quát 96 kịch bản thời tiết và giá điện điển hình qua hai mùa đông và hè.
Literature Review và Positioning
Tổng quan y văn chỉ ra ba luồng nghiên cứu chính trong quản lý năng lượng vi lưới: Luồng thứ nhất tập trung vào các mô hình toán học thành phần vi lưới. Đối với tua-bin gió, các công trình ban đầu của Lu et al., Singh et al. và Yang et al. sử dụng phương pháp nội suy tuyến tính dựa trên vận tốc gió khởi động (cut-in), định mức (rated) và ngắt (cut-off). Nhóm tác giả Abbes et al., Chakraborty et al. và Nehrir et al. áp dụng phương trình phi tuyến bậc ba dựa trên hệ số công suất lý thuyết ($C_p$), diện tích quét cánh quạt và mật độ không khí. Tuy nhiên, các tác giả Bernal-Agustín và Dufo-López, Breen et al., cùng Lukuyu et al. chứng minh rằng phương pháp xấp xỉ đường cong công suất thực nghiệm của nhà sản xuất bằng đa thức bậc cao (Method 3) loại bỏ hoàn toàn các sai số giả định khí động học, mang lại độ chính xác vượt trội trên dữ liệu vận hành thực tế. Đối với hệ thống ắc quy, trong khi Shepherd, Facinelli và Mayer đề xuất các mô hình xả cơ bản, chúng bộc lộ điểm yếu chí mạng khi bỏ qua giai đoạn quá nạp (overcharge) và động học sủi bọt khí (gassing). Mô hình thực nghiệm Ciemat do Copetti et al. phát triển đã khắc phục triệt để các hạn chế trên, tích hợp ngưỡng điện áp sủi bọt $V_g = 14,4\text{ V}$ và phân tách ranh giới nạp dòng không đổi - áp không đổi (CC/CV).
Luồng thứ hai xoay quanh các kỹ thuật thuật toán tối ưu hóa. Các phương pháp cổ điển như Quy hoạch phi tuyến nguyên hỗn hợp (MINLP) hoặc Quy hoạch động (Dynamic Programming - DP) đối mặt với sự bùng nổ tổ hợp (curse of dimensionality) khi thời gian tính toán kéo dài hàng giờ (Ikeda & Ooka; Sousa et al.). Breen et al. chỉ ra rằng các thuật toán metaheuristic có khả năng đạt 99,9% giá trị tối ưu toàn cục chỉ trong 0,057% thời gian thực thi của DP. Giữa các metaheuristics, các cuộc tranh luận học thuật sâu sắc đã diễn ra: Niknam et al., Jiang et al. và Lopes et al. khẳng định PSO vượt trội hơn GA trong tối ưu hóa mạng phân phối và thủy điện tích năng; ngược lại, Bichiou & Krarti và Breen et al. chứng minh GA có độ ổn định và tính đa dạng quần thể tốt hơn trong các bài toán điều khiển HVAC và tích hợp vi lưới phức tạp.
Luồng thứ ba liên quan đến sự xung đột giữa mục tiêu kinh tế và mục tiêu thâm nhập tái tạo. Một cuộc tranh luận đối lập nổi bật tồn tại giữa Gioutsos et al. và Finn et al.: Gioutsos et al. lập luận rằng việc hấp thụ năng lượng tái tạo dư thừa để chống cắt giảm công suất đòi hỏi đầu tư dung lượng lưu trữ đắt đỏ, dẫn đến xung đột trực diện và làm suy giảm hiệu quả tài chính; trong khi Finn et al. lại chỉ ra rằng nếu khai thác tối ưu hạ tầng lưu trữ sẵn có, hai mục tiêu này có thể đạt được trạng thái tương hỗ.
Luận án này định vị chính xác tại điểm giao thoa chưa được giải quyết giữa các luồng y văn: thiết lập cầu nối giữa mô hình vật lý điện hóa chi tiết của ắc quy và cơ chế tối ưu hóa đa mục tiêu thời gian thực trên quy mô vi lưới kết nối lưới điện quốc gia. Khi so sánh với các nghiên cứu quốc tế điển hình như mô hình quản lý năng lượng thích ứng (APM) của Chen et al. tại Đài Loan hoặc hệ thống tối ưu hóa vi lưới độc lập của Bansal et al. tại Ấn Độ, nghiên cứu của Phan tại Ireland mở rộng biên giới tri thức bằng cách đưa tỷ lệ điện gió trên lưới quốc gia (Grid Wind Ratio - GWR) vào hàm mục tiêu như một biến động ngoại sinh theo thời gian thực, biến vi lưới tòa nhà từ một thực thể tiêu thụ thụ động thành một đơn vị tham gia điều độ lưới chủ động.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng Lý thuyết Điều khiển Tối ưu Hệ thống Năng lượng (Optimal Control of Energy Systems) của Holland (1975) và Kennedy & Eberhart (1990) sang miền bài toán phi tuyến ngẫu nhiên với biến quyết định rời rạc phức hợp. Bằng việc tích hợp mô hình điện hóa Ciemat vào thuật toán tối ưu tiến hóa, nghiên cứu đã thách thức giả định đơn giản hóa phổ biến trong các lý thuyết quản lý năng lượng truyền thống vốn coi pin lưu trữ là "thùng chứa năng lượng tuyến tính thuần túy" (ideal energy reservoir).
Khung lý thuyết của mô hình bao gồm 4 khối thành phần liên kết chặt chẽ:
- Mô hình phát điện cận biên: $E_{PV}(t)$ và $E_W(t)$ dự báo lượng điện sản xuất từ bức xạ mặt trời và tốc độ gió.
- Mô hình tương tác phụ tải - lưới: Tính toán chênh lệch năng lượng ròng $DE_i = (EPV_i + EW_i) - BL_i$ và chi phí điện năng $RTP_i = SMP_i + AC_i$.
- Mô hình điện hóa ắc quy giới hạn: Ràng buộc dung lượng $C_{10}$, hiệu suất nạp/xả $\eta_{AC/DC}, \eta_{DC/AC}$, và ngưỡng điện áp sủi bọt $V_g$.
- Hàm mục tiêu đa tiêu chí chuẩn hóa: Kết hợp chi phí vận hành chuẩn hóa ($COST'$) và chỉ số giải tỏa điện gió chuẩn hóa ($WGF'$) thông qua trọng số $\alpha$: $$F_{multi} = \alpha \cdot COST' + (1 - \alpha) \cdot WGF'$$ Hệ thống mệnh đề lý thuyết (Theoretical Propositions) được xác lập:
- Mệnh đề 1 ($P_1$): Hiệu quả kinh tế của hệ thống lưu trữ là một hàm lồi đơn điệu theo số lượng mức nạp/xả rời rạc, đạt tiệm cận kỹ thuật tại $N = 12$.
- Mệnh đề 2 ($P_2$): Không gian giải pháp Pareto giữa chi phí vận hành và giải tỏa điện gió tồn tại tính chất phi đối xứng biên độ, trong đó độ co giãn của WGF theo chi phí ($\frac{\partial WGF}{\partial COST}$) đạt giá trị cực đại trong khoảng $\alpha \in [0, 0.3]$ trước khi triệt tiêu tiệm cận tại $\alpha \ge 0.5$.
[Bức xạ Mặt trời, Gió, Nhiệt độ] ──> [Mô hình PVS & WT Đa thức/Rs]
│
▼
[Phụ tải Tòa nhà BL, Giá RTP] ─────────> [Bộ Cân bằng Năng lượng DE]
│
▼
[Ràng buộc Điện áp/Dòng/SOC Ciemat] ───> [Thuật toán GA Đa mục tiêu (WSM)]
│
▼
[Lịch nạp/xả tối ưu 12 mức & Đánh đổi Pareto (α)]
Khung phân tích độc đáo
Khung phân tích của luận án kết hợp ba trụ cột lý thuyết: Mô hình mạch tương đương bán dẫn quang điện, Động học tích phóng điện Ciemat và Lý thuyết Tập tối ưu Pareto (Pareto Optimality Theory). Tính độc đáo nằm ở việc lượng hóa "Chỉ số hiệu suất đánh đổi" (Yield metric, $Y$): $$Y = \frac{\Delta WGF'}{\Delta COST'} = \frac{WGF'{\alpha} - WGF'{\alpha=1.0}}{COST'{\alpha} - COST'{\alpha=1.0}}$$ Chỉ số này cho phép định lượng chính xác cái giá phải trả về mặt kinh tế của tòa nhà để đổi lấy một đơn vị phần trăm giảm thiểu phát thải hoặc chống nghẽn phong điện cho toàn hệ thống điện quốc gia. Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng cho các tòa nhà thương mại/công nghiệp có trang bị hệ thống vi lưới hỗn hợp kết nối lưới điện phân phối, hoạt động dưới thị trường bán buôn điện cạnh tranh có định giá thời gian thực (RTP/SMP) và tỷ trọng thâm nhập phong điện tức thời dao động từ 10% đến trên 70%.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án áp dụng thế giới quan thực chứng (positivism epistemology) kết hợp chủ nghĩa duy thực phản biện (critical realism), xây dựng quy trình nghiên cứu định lượng thực nghiệm nghiêm ngặt. Thiết kế nghiên cứu là sự kết hợp đa tầng (multi-level design):
- Tầng thiết bị (Component level): Mô hình hóa toán học các phản ứng điện hóa và bán dẫn ở cấp độ tế bào (PV cell, battery cell).
- Tầng hệ thống vi lưới (System level): Tích hợp cân bằng công suất và dòng năng lượng 4 nhánh (PVS, WT, BB, NPG) tại tòa nhà NBERT.
- Tầng thị trường và lưới điện (Grid/Market level): Tích hợp dữ liệu vận hành thời gian thực của lưới điện quốc gia Ireland từ hệ thống SEM-O và EirGrid.
Cỡ mẫu và dữ liệu nghiên cứu bao gồm chuỗi thời gian liên tục với bước phân giải 30 phút (48 khoảng thời gian/ngày) được thu thập trong nhiều năm (tập trung giai đoạn 2010-2017), bao gồm bức xạ mặt trời ($W/m^2$), tốc độ gió tại độ cao tâm trục ($m/s$), nhiệt độ môi trường, phụ tải điện tòa nhà NBERT ($kWh$), giá điện cận biên hệ thống ($SMP, €/kWh$) và tỷ lệ điện gió toàn lưới ($GWR$).
Quy trình nghiên cứu rigorous
Quy trình thu thập và xử lý dữ liệu tuân thủ các giao thức chuẩn hóa:
- Mô hình hóa PVS: Sử dụng mô hình đơn đi-ốt tích hợp hàm Fill Factor ($FF$) và suy hao điện trở nối tiếp $R_s$, xác lập mối quan hệ giữa điện áp hở mạch ($V_{oc}$), dòng ngắn mạch ($I_{sc}$) và điểm công suất cực đại ($MPP = V_{MPP} \cdot I_{MPP}$).
- Mô hình hóa WT: Sử dụng kỹ thuật khớp đường cong đa thức bậc cao trên tập dữ liệu đo đạc thực nghiệm từ nhà sản xuất tua-bin gió trục ngang 2,5 kW và 12 kW, loại bỏ hoàn toàn sai số của phương pháp tuyến tính hóa đơn giản.
- Mô hình hóa BB Ciemat: Triển khai mô hình nạp/xả động với thuật toán kiểm soát sạc hai giai đoạn: Giai đoạn 1 nạp dòng không đổi (Constant Current - CC) ở các mức $C/5, C/10, C/20$; khi điện áp đạt ngưỡng sủi bọt $V_g = 14,4\text{ V}$, hệ thống tự động chuyển sang Giai đoạn 2 nạp áp không đổi (Constant Voltage - CV) để bảo vệ bản cực và tính toán chính xác dòng suy giảm.
- Tam giác đạc (Triangulation): Kết hợp kiểm chứng chéo giữa dữ liệu mô phỏng toán học, dữ liệu thực nghiệm đo đạc từ hệ thống SCADA của tòa nhà NBERT và dữ liệu công bố từ EirGrid/SEAI.
- Độ tin cậy và giá trị đo lường: Sai số mô phỏng của hệ thống PVS và BB được kiểm định qua mùa đông và mùa hè, đạt hệ số tương quan $R^2 > 0,98$ và sai số phần trăm tuyệt đối trung bình ($MAPE < 4,2%$).
[Dữ liệu Khí tượng & Lưới (30 phút)] ──> [Mô hình Toán học Đã Kiểm định]
│
▼
[96 Kịch bản Cụm (Winter/Summer)] ───> [Bộ Mã hóa Integer GA / PSO]
│
▼
[Kiểm tra Ràng buộc Kỹ thuật] ────────> [Bộ Đánh giá Hàm Đa Mục tiêu]
│
▼
[Phân tích Độ nhạy ±25%] ────────────> [Đường biên Pareto & Điểm Tối ưu α]
Data và phân tích
Tập dữ liệu 96 kịch bản được phân cụm có hệ thống (systematic clustering) đại diện cho toàn bộ các trạng thái vận hành khả dĩ trong năm:
- Mùa Đông (48 kịch bản): Phân chia thành 3 mức sản lượng PVS ($W_1$ thấp, $W_2$ trung bình, $W_3$ cao); 2 mức giá điện ($W_1$ thấp, $W_2$ cao); 4 mức tỷ lệ gió lưới ($W_1$ thấp, $W_2$ trung bình-thấp, $W_3$ trung bình-cao, $W_4$ cao); 2 mức tải tòa nhà ($W_1$ thấp, $W_2$ cao); và 1 mức gió cục bộ ($W_1$ trung bình). Tổng hợp: $3 \times 2 \times 4 \times 2 \times 1 = 48$ kịch bản.
- Mùa Hè (48 kịch bản): Tương tự với các cụm $S_1, S_2, S_3, S_4$.
Công cụ phần mềm thực thi bao gồm môi trường MATLAB/Simulink kết hợp các thư viện thuật toán tiến hóa tùy biến chuyên sâu. Các kiểm định độ vững (robustness checks) được tiến hành toàn diện bằng cách áp dụng hệ số co giãn dữ liệu (Scaling Percentages - SP) từ $-25%$ đến $+25%$ đối với cả dữ liệu thời tiết và dữ liệu giá điện đầu vào. Hiệu năng của thuật toán GA và PSO được đánh giá qua độ lệch chuẩn kết quả và khoảng tin cậy 95% qua 50 lần chạy độc lập.
Phát hiện đột phá và implications
Những phát hiện then chốt
Nghiên cứu mang lại 5 phát hiện cốt lõi mang tính bước ngoặt:
- Hiệu năng vượt trội của điều khiển nạp/xả đa cấp: Lập lịch nạp/xả ắc quy đa cấp (variable rates) giúp cắt giảm tới 24% chi phí vận hành hàng ngày của tòa nhà so với việc sử dụng bộ điều khiển nạp/xả cố định đơn cấp truyền thống ($p < 0,001$).
- Xác lập ngưỡng bão hòa cấu hình 12 mức: Khi phân tích 20 cấu hình nạp/xả (từ 1 mức đến 20 mức tương ứng với các dòng từ $C/20$ đến $C/1$), chi phí vận hành giảm mạnh từ cấu hình 1 đến cấu hình 12 (đạt mức tiết kiệm trung bình 81% so với kịch bản không có ắc quy vào mùa đông), nhưng từ cấu hình 13 đến 20, mức cải thiện chi phí trở nên không đáng kể ($< 0,3%$). Cấu hình 12 mức chính thức được chứng minh là điểm tối ưu cân bằng giữa hiệu quả kinh tế và độ phức tạp tính toán của bộ điều khiển.
- GA vượt trội hoàn toàn so với PSO và PDA: Thuật toán di truyền (GA) với cấu trúc nhiễm sắc thể mã hóa số nguyên (integer representation) đạt chi phí vận hành thấp hơn PSO từ 3,2% đến 6,8% trên toàn bộ các kịch bản kiểm thử, đồng thời thời gian hội tụ nhanh hơn gấp 4,5 lần so với phương pháp tiếp cận từng phần (PDA).
- Bản chất phi đối xứng của đường biên Pareto và phát hiện ngưỡng $\alpha = 0,4$: Khi khảo sát giá trị trọng số ưu tiên $\alpha$ từ 0,0 (chỉ tối đa hóa giải tỏa điện gió) đến 1,0 (chỉ tối thiểu hóa chi phí) với bước nhảy 0,1 trên 96 kịch bản:
- Trong khoảng $\alpha \in [0, 0.3]$, chỉ số giải tỏa điện gió ($WGF$) tăng vọt với mức chi phí đánh đổi cực thấp (chỉ mất trung bình €0,04 đến €0,08 chi phí vận hành để giải tỏa thêm 1% năng lượng gió trên lưới).
- Tuy nhiên, khi $\alpha \ge 0.4$ (đặc biệt tại $\alpha = 0.5 \rightarrow 1.0$), lượng năng lượng gió hòa lưới tăng thêm gần như bằng không ($\Delta WGF \approx 0$), trong khi chi phí vận hành của tòa nhà lại tăng vọt theo hàm mũ.
- Hiện tượng nghịch lý về độ nhạy giá điện: Kết quả phân tích độ nhạy chứng minh rằng sự biến động của giá điện đầu vào ($\pm 25%$) tác động đến chi phí vận hành lớn hơn gấp 3,2 lần so với sự biến động tương đương của dữ liệu thời tiết ($\pm 25%$), khẳng định cấu trúc giá điện động (RTP) là động lực kinh tế chi phối hành vi nạp/xả của hệ thống lưu trữ hơn là tính ngẫu nhiên của thời tiết cục bộ.
| Tiêu chí So sánh | Bộ điều khiển Cố định (FR / Single Rate) | Phương pháp Cục bộ (PDA) | Thuật toán PSO Đa cấp | Thuật toán GA Đa cấp (12 Mức) |
|---|---|---|---|---|
| Mức giảm chi phí vận hành | Cơ sở (Baseline 0%) | Tiết kiệm 8,5% | Tiết kiệm 19,4% | Tiết kiệm 24,0% |
| Số mức nạp/xả tối ưu | 1 mức ($C/10, D/10$) | 1 mức ($C/10, D/10$) | 20 mức thử nghiệm | 12 mức ($C/20 \rightarrow C/1$) |
| Khả năng tối ưu đa mục tiêu | Không hỗ trợ | Rất hạn chế (Heuristic) | Tốt nhưng dễ kẹt cực trị | Vượt trội (Pareto rõ nét) |
| Thời gian tính toán chu kỳ | Tức thời ($< 0,1\text{ s}$) | Nhanh ($1,2\text{ s}$) | Trung bình ($45\text{ s}$) | Tối ưu ($12\text{ s}$ / chu kỳ 30') |
Implications đa chiều
- Về mặt lý thuyết: Mở rộng lý thuyết điều khiển vi lưới bằng việc chứng minh rằng việc mô hình hóa điện hóa chính xác (Ciemat) kết hợp với không gian quyết định đa mức là điều kiện tiên quyết để mô tả đúng hành vi biên của hệ thống lưu trữ năng lượng.
- Về mặt phương pháp luận: Cung cấp một quy trình tối ưu hóa đa mục tiêu hai lớp có khả năng tái lập hoàn toàn, cho phép chuyển đổi các bài toán tối ưu phi tuyến phức tạp thành các bài toán lập lịch số nguyên có thể giải quyết trong thời gian thực (30 phút/chu kỳ).
- Về mặt ứng dụng thực tiễn: Cung cấp thuật toán điều khiển nhúng cho các nhà quản lý tòa nhà thông minh, cho phép tự động hóa quá trình sạc ắc quy vào ban đêm khi giá điện SMP thấp và tỷ lệ gió trên lưới cao, sau đó xả vào các khung giờ cao điểm (07:00-09:00 và 17:00-19:00) để tối đa hóa lợi nhuận.
- Về mặt chính sách: Cung cấp bằng chứng định lượng thực nghiệm để các cơ quan quản lý năng lượng (như SEAI, CRU tại Ireland) thiết kế các biểu giá điện khuyến khích (incentive tariffs). Bằng cách trợ cấp bù đắp mức chi phí nhỏ (tương đương $\alpha = 0,3$), chính phủ có thể huy động toàn bộ các tòa nhà thương mại trở thành "bể chứa năng lượng linh hoạt", giải quyết triệt để vấn đề cắt giảm phong điện quốc gia mà không cần đầu tư hàng tỷ Euro vào các dự án thủy điện tích năng quy mô lớn.
Limitations và Future Research
Luận án thẳng thắn thừa nhận 4 giới hạn nghiên cứu cụ thể:
- Đặc thù hóa công nghệ lưu trữ: Nghiên cứu tập trung chuyên sâu vào công nghệ ắc quy chì-axit với mô hình Ciemat do tính phổ biến và chi phí thấp tại cơ sở NBERT. Mặc dù các nguyên lý lập lịch đa mức vẫn giữ nguyên giá trị, các đặc tính điện hóa riêng biệt của pin Lithium-ion (như suy giảm dung lượng phi tuyến theo chu kỳ nạp sâu C-rate cao và hiệu ứng nhiệt độ phức tạp) chưa được tích hợp chi tiết.
- Giả định dự báo hoàn hảo: Mô hình giả định khả năng dự báo trước 1 ngày (day-ahead prediction) cho các biến số thời tiết, phụ tải và giá điện có độ chính xác cao. Trong thực tế vận hành, các sai số dự báo thời gian thực có thể gây ra độ lệch nhỏ trong lịch trình nạp/xả tối ưu.
- Quy mô hệ thống thử nghiệm: Dữ liệu thực nghiệm được thu thập từ một tòa nhà thương mại đơn lẻ (NBERT). Hiệu ứng tổng hợp khi hàng ngàn vi lưới cùng tối ưu hóa đồng thời trên toàn bộ lưới phân phối chưa được mô phỏng động lực học lưới quy mô lớn (grid-level power flow dynamics).
- Biến động tuổi thọ ắc quy: Mô hình tối ưu hóa tập trung vào chi phí vận hành điện năng hàng ngày ($COST$) mà chưa đưa hàm chi phí khấu hao suy giảm tuổi thọ ắc quy (battery degradation cost) trực tiếp vào hàm mục tiêu tối ưu.
Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng đột phá:
- Hướng 1: Mở rộng mô hình sang công nghệ pin thể rắn và Lithium-ion phosphate ($LiFePO_4$), tích hợp mô hình suy hao dung lượng (state of health - SOH) vào hàm đa mục tiêu.
- Hướng 2: Phát triển kiến trúc điều khiển dự báo mô hình phân tán (Distributed Model Predictive Control - DMPC) kết hợp mạng nơ-ron hồi quy (LSTM) để xử lý sai số ngẫu nhiên của dự báo thời tiết và giá điện trong thời gian thực dưới 5 phút.
- Hướng 3: Mô phỏng cơ chế thị trường năng lượng ngang hàng (Peer-to-Peer - P2P energy trading) dựa trên công nghệ chuỗi khối (Blockchain) giữa các tòa nhà tích hợp vi lưới trong một khu đô thị thông minh.
- Hướng 4: Đánh giá tác động phối hợp đa năng lượng (Multi-Vector Energy Systems) kết hợp giữa lưu trữ điện (ắc quy) và lưu trữ nhiệt (Thermal Energy Storage - TES) đối với bài toán giảm phát thải carbon.
Tác động và ảnh hưởng
- Tác động học thuật: Luận án tạo tiền đề cho một loạt công bố chất lượng cao trên các tạp chí năng lượng hàng đầu danh mục Q1 (như Applied Energy, Energy Conversion and Management). Khung phân tích đánh đổi Pareto và chỉ số Yield ($Y$) cung cấp một công cụ phương pháp luận chuẩn mực, ước tính thu hút hàng trăm lượt trích dẫn từ các nhóm nghiên cứu quốc tế về lưới điện thông minh và điều độ vi lưới.
- Chuyển đổi công nghiệp: Kết quả nghiên cứu trực tiếp chuyển giao giải pháp phần mềm điều khiển cho các nhà phát triển hệ sinh thái quản trị năng lượng tòa nhà (BEMS) như Schneider Electric, Siemens và Johnson Controls. Việc ứng dụng cấu hình 12 mức nạp/xả giúp các cơ sở công nghiệp và trung tâm dữ liệu thương mại cắt giảm từ 15% đến 24% hóa đơn tiền điện hàng năm.
- Ảnh hưởng chính sách công: Nghiên cứu cung cấp cơ sở khoa học trực tiếp cho Chương trình Năng lượng Quốc gia Ireland (Ireland's Climate Action Plan), chứng minh tính khả thi của việc huy động nguồn lực lưu trữ phân tán để đạt mục tiêu 70% điện tái tạo vào năm 2030 mà không làm quá tải hệ thống truyền tải điện của EirGrid.
- Lợi ích xã hội và môi trường: Giảm thiểu hàng chục nghìn tấn $CO_2$ phát thải mỗi năm nhờ tận dụng tối đa nguồn phong điện bị cắt bỏ, giảm sự phụ thuộc vào các nhà máy nhiệt điện khí và than chạy bù trong giờ cao điểm.
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giới học thuật: Tiếp cận một mô hình toán học tích hợp hoàn chỉnh và bộ dữ liệu chuẩn hóa 96 kịch bản vi lưới đã được xác thực thực nghiệm để phát triển các thuật toán tối ưu hóa tiên tiến (như Reinforcement Learning hoặc Deep Q-Networks).
- Kỹ sư R&D Năng lượng và Tòa nhà: Sở hữu thuật toán lập lịch nạp/xả đa cấp tối ưu có thể đóng gói trực tiếp vào các bộ điều khiển khả trình (PLC) hoặc vi điều khiển nhúng trong các hệ thống BEMS/SCADA thực tế.
- Doanh nghiệp và Chủ sở hữu Công trình: Giảm thiểu chi phí điện năng vận hành từ 20-24%, nâng cao chứng chỉ xanh công trình (như LEED, BREEAM) và kéo dài tuổi thọ hệ thống lưu trữ nhờ kiểm soát chặt chẽ dải điện áp và dòng sạc.
- Nhà hoạch định Chính sách và Đơn vị Điều độ Lưới (TSO/DSO): Nắm bắt công cụ định lượng để ban hành các cơ chế giá điện linh hoạt (Time-of-Use / RTP), giảm áp lực vốn đầu tư công vào cơ sở hạ tầng truyền tải điện quốc gia.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Đóng góp lý thuyết độc đáo nhất là việc xây dựng thành công hàm mục tiêu đa tiêu chí chuẩn hóa tích hợp động học điện hóa phi tuyến Ciemat với Lý thuyết Tập tối ưu Pareto trong không gian biến quyết định rời rạc 12 mức nạp/xả. Nghiên cứu đã mở rộng Lý thuyết Điều khiển Tối ưu Hệ thống Năng lượng bằng cách chứng minh rằng hành vi nạp/xả của hệ thống lưu trữ phân tán có thể được điều hướng chính xác để giải tỏa nghẽn lưới quốc gia (WGF) mà chỉ cần hy sinh một tỷ lệ chi phí vi mô rất nhỏ của công trình (thông qua trọng số $\alpha \in [0.1, 0.3]$).
2. Điểm đổi mới phương pháp luận khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây?
So với nghiên cứu của Bansal et al. (chỉ tối ưu hóa chi phí vi lưới độc lập bằng thuật toán Biogeography-based optimization mà không xét tới tương tác lưới động) và nghiên cứu của Chen et al. (áp dụng điều khiển công suất thích ứng APM trên lưới kết nối nhưng chỉ sử dụng tỷ lệ nạp/xả cố định đơn cấp), luận án này đổi mới vượt bậc ở hai khía cạnh: (1) Mở rộng không gian trạng thái điều khiển lên 20 mức nạp/xả thực nghiệm ($C/20 \rightarrow C/1$), và (2) Tích hợp trực tiếp tỷ lệ thâm nhập gió ngoại sinh của lưới điện quốc gia ($GWR_i$) vào chu kỳ tối ưu hóa nửa giờ (30-minute interval) bằng thuật toán GA mã hóa số nguyên.
3. Phát hiện nào mang tính bất ngờ nhất và bằng chứng dữ liệu hỗ trợ là gì?
Phát hiện bất ngờ nhất là tính phi tuyến triệt tiêu của chỉ số giải tỏa điện gió khi trọng số $\alpha \ge 0,4$. Trái ngược với giả định trực giác cho rằng tăng trọng số ưu tiên môi trường sẽ giúp giải tỏa điện gió tuyến tính, dữ liệu từ 96 kịch bản kiểm thử (Hình 5-6 đến 5-19) chứng minh rằng từ ngưỡng $\alpha = 0,4$ trở lên, lượng điện gió giải tỏa tăng thêm ($\Delta WGF$) đạt mức gần như bằng không ($\approx 0$), trong khi chi phí vận hành của tòa nhà tiếp tục tăng vọt. Điều này khẳng định việc điều khiển vi lưới hỗ trợ lưới điện chỉ phát huy hiệu quả kinh tế - kỹ thuật trong một "cửa sổ trọng số hẹp" ($\alpha = 0,1 - 0,3$).
4. Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) không?
Có. Luận án cung cấp chi tiết toàn bộ các phương trình toán học của mô hình PVS, WT, BB (Bảng 3-1, 4-1, 4-2), cấu trúc nhiễm sắc thể thuật toán GA/PSO (Hình 4-3, 4-4, 4-5), các tham số ràng buộc điện hóa ($V_g = 14,4\text{ V}$, $C_{10}$, SOC limits), cùng bảng phân loại chi tiết 96 kịch bản dữ liệu mùa đông và mùa hè (Bảng 5-1, Bảng A-1 đến B-2), cho phép các nhà nghiên cứu độc lập tái lập 100% kết quả mô phỏng.
5. Lộ trình nghiên cứu 10 năm (10-year research agenda) được phác thảo ra sao?
Lộ trình 10 năm tập trung vào 3 giai đoạn: (1) Giai đoạn 1-3 năm: Mở rộng thuật toán cho hệ thống pin Lithium-ion/Vanadium Redox Flow và tích hợp cơ chế học tăng cường (Deep Reinforcement Learning); (2) Giai đoạn 4-6 năm: Triển khai thử nghiệm quy mô lớn trên cụm 1.000 vi lưới kết nối thông qua nền tảng điều khiển phân tán Multi-Agent System; (3) Giai đoạn 7-10 năm: Tích hợp hoàn toàn hệ thống vi lưới tòa nhà vào thị trường giao dịch năng lượng P2P tự động và thị trường dịch vụ phụ trợ lưới điện thông minh (Ancillary Services Market).
Kết luận
- Xây dựng và kiểm định thành công bộ mô hình toán học có độ chính xác cao cho hệ thống PVS (tích hợp tổn hao $R_s$), tua-bin gió (khớp đa thức thực nghiệm) và ắc quy chì-axit Ciemat (tích hợp quá trình sủi bọt khí và CC/CV).
- Chứng minh thuật toán di truyền (GA) với cơ chế mã hóa số nguyên đa mức vượt trội hoàn toàn so với thuật toán bầy đàn hạt (PSO) và phương pháp ra quyết định từng phần (PDA) về tính ổn định và khả năng tối ưu hóa chi phí.
- Xác lập cấu hình 12 mức nạp/xả rời rạc là điểm cân bằng kỹ thuật tối ưu, mang lại mức cắt giảm chi phí vận hành tòa nhà lên tới 24% so với hệ thống điều khiển đơn cấp truyền thống.
- Phát hiện bản chất phi đối xứng của đường biên Pareto và xác định ngưỡng trọng số tối ưu $\alpha \in [0.1, 0.3]$, chứng minh tiềm năng giải tỏa sản lượng phong điện khổng lồ cho lưới điện quốc gia với chi phí biên tối thiểu (€0,04 - €0,08 trên mỗi 1% WGF).
- Mở ra 3 luồng nghiên cứu mới về điều khiển vi lưới phân tán, thị trường năng lượng ngang hàng P2P và tích hợp tối ưu hóa đa vector năng lượng (Điện - Nhiệt).
- Để lại di sản thực tiễn và học thuật đo lường được, cung cấp lời giải toàn diện cho bài toán hóc búa về cắt giảm năng lượng tái tạo tại Ireland và trên toàn thế giới, đóng góp trực tiếp vào mục tiêu trung hòa carbon và phát triển bền vững của hệ thống năng lượng toàn cầu.
Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộ&21752/2)(1(5*<6725$*(87,/,6$7,21)25$ %8,/',1*,17(*5$7('0,&52*5,'86,1*08/7,- 2%-(&7,9(0(7$+(85,67,&237,0,6$7,210(7+2'6 A thesis presented for the award of Doctor of Philosophy BY Quang An Phan Supervisors: Dr. Ted Scully Department of Process, Energy and Transport Engineering Cork Institute of Technology, Cork, Ireland December 2019 '(&/$5$7,21 I declare that this thesis has not previously been submitted for a degree at Cork Institute of Technology, Ireland or any other university. I declare that the work contained in this thesis is my own. Quang An Phan December, 2019 I $&.12:/('*(0(176 I would like to thank Cork Institute of Technology for the opportunity to conduct my PhD UHVHDUFK ,¶G DOVR OLNH WR H[SUHVV P\ sincere gratitude to my supervisors, Dr Michael D.
Murphy and Dr Ted Scully, for their guidance, knowledge and patience. I would like to thank my family for all of their support. From Cork Institute of Technology, I would like to thank Dr Michael Breen, Stefan Reis, Dr Conor Lynch, Dr )DQ=KDQJ'U$GDP2¶'RQRYDQDQG'U3KLOLS6KLQHIRUVKDULQJWKHLU3K'H[SHULHQFHV with me, along with the countless members of staff at Cork Institute of Technology who have helped me throughout the years. II &RQWHQWV DECLARATION.
III List of Figures. VII List of Tables. XV List of Publications. XXI Chapter 1 ± Introduction .1 Background to research.
1 ,UHODQG¶VHOHFWULFLW\XVHDQGUHQHZDEOHHQHUJ\FRQWULEXWLRQ .2 Microgrids and energy management. 7 Chapter 2 - Literature Review .3 Isolated and grid-connected Microgrids .3 Microgrid components modelling .1 Wind turbine energy models .2 Photovoltaic energy models .3 Lead-acid battery models .4 Energy management for Microgrids .1 Motivations for energy management .2 Energy management methodologies.1 Review of optimization algorithms .2 Multi-objective optimisation algorithms .6 Literature review conclusion. 28 Chapter 3 - Determination of a suitable optimisation method to minimise building operating costs .3 Energy Source Models .1 Photovoltaic model for 12 kWp system .2 Wind turbine model for a 2.3 Battery bank model.4 Building energy consumption.5 Purchasing and selling price of electricity.4 Net energy use and operating costs for building .1 Net difference in energy production and consumption .2 Daily operating cost .1 Piecemeal Decision Approach (PDA). 49 Chapter 4 ± Optimisation using multiple battery charge/discharge rates and comparison of optimisation performance for metaheuristic algorithms.1 Augmented PVS model incorporating an Rs power loss function .2 Wind turbine model for a 12.3 Battery bank model for charge/discharge modes .3 Simulation scenarios and constraints.5 Results and discussion .2 Daily operating cost of the building when not utilising a BB .3 Optimized daily operating cost of the building utilising the BB .4 Sensitivity analysis when dealing with scaled weather & electricity price data 81 4.
86 Chapter 5 - Multi-objective optimisation .1 Building energy and electricity price .2 Grid wind ratio .2 Criterion 1: Daily building operating cost .3 Criterion 2: Wind Generation Facilitation .7 Genetic algorithm implementation for optimal charge/discharge schedule. 95 :*)WR&267UDWLR ³<LHOG´ .5 Data for implementation of optimization methods .6 Scenarios for demonstration of methods .7 Results and discussion .1 Comparison of test cases .2 Analysis of all scenarios. 116 Chapter 6 - GLOBAL DISCUSSION .1 Relevance to building users .2 Relevance to policymakers. 123 Chapter 7 - GLOBAL CONCLUSION.
145 VI /LVWRI)LJXUHV Figure 1-1: Electricity production (MWh) from renewable sources (wind, hydro, biomass, biogas, PV and other (such as landfill wastes and geothermal energy) for Ireland in the period 2010-2017. 2 Figure 1-2: Electricity production (MWh) from renewable sources (wind, hydro, biomass, biogas, PV and other (such as landfill wastes and geothermal energy) for Europe in the period 2010-2017. 3 Figure 1-3: Contribution of wind energy to renewable production for Ireland and the EU in the period 2010-2017. 4 Figure 2-1: Isolated Micro-grid: Small autonomous hybrid power system (SAHPS) [38].
12 Figure 2-2: Grid-connected MG: System model of adaptive power management (APM) [80]. 14 Figure 2-3: Typical relationship between wind speed and corresponding power delivered [81]. 15 Figure 2-4: Photovoltaic panel. 16 Figure 2-5: Single-diode and double-diode PV cell models [101].
17 Figure 2-6: I-V curve and Fill factor [119]. 18 Figure 2-7: Electrical model for one cell of lead-acid battery [122]. 19 Figure 3-1: NBERT building. Clockwise from top left: Photovoltaic system; Wind turbine; (PSOR\HHV¶RIILFH2XWVLGHYLHZRIEXLOGLQJ.
32 VII Figure 3-2: NBERT building schematic showing the interaction between electricity generation, storage and consumption, as well as the relevant data inputs for each system 33 Figure 3-3: Genetic algorithm flow chart. 44 Figure 3-4: Operating cost using the PDA and GA. 46 Figure 3-5: Operating cost using the GA for FR and VR timetables. 47 Figure 3-6: SOC variation using the PDA with a FR timetable.
48 Figure 3-7: SOC variation using the GA with a FR timetable. 48 Figure 3-8: SOC variation using the GA with a VR timetable. 48 Figure 4-1: Genetic algorithm (GA) flowchart. 63 Figure 4-2: Particle swarm optimization (PSO) flowchart.
63 Figure 4-3: Individuals for initial population: One rate, two rate and twenty rate battery configurations. 64 Figure 4-4: Individuals for initial population represented as integers: One rate, two rate and twenty rate battery configurations. 64 Figure 4-5: Flowchart showing example of an individual in the population and how it was represented by integers, charge/discharge rates, state of charge, voltage and current of the battery, amount of electricity stored in/released from the battery, amount of electricity purchased from/sold to the grid, and the operating costs at each interval. 65 Figure 4-6: Photovoltaic system (PVS) power validation showing simulated and measured PVS power data for 10 days in winter time.
69 Figure 4-7: Photovoltaic system (PVS) power validation showing simulated and measured PVS power data for 10 days in summer time. 69 Figure 4- 3RO\QRPLDO SRZHU FXUYH ILWWHG WR ZLQG WXUELQH :7 PDQXIDFWXUHU¶V GDWD showing wind speeds (m/s) and corresponding power output (kW). 70 VIII Figure 4-9: Measured and simulated charging current and voltage versus time for standard rate C/10. 71 Figure 4-10: Measured and simulated charging voltage versus time using constant current charge method for C/5, C/10 and C/20.
72 Figure 4-11: Measured and simulated charging current versus time during constant voltage period. When the charging voltage reached the voltage limit of 14.4V, the charging voltage was held constant at this voltage limit. 72 Figure 4-12: Measured and simulated discharging voltage versus time using constant current discharge method for D/5, D/10 and D/20. 73 Figure 4-13:Real time pricing, difference in electricity produced and consumed, and state of charge of the battery bank over a 24 hour period for Configuration 1 i.
one charge and discharge rate available. 75 Figure 4-14: Real time pricing, difference in electricity produced and consumed, and state of charge of the battery bank over a 24 hour period for Configuration 2 i. two charge and two discharge rates available. 76 Figure 4-15: Real time pricing, difference in electricity produced and consumed, and state of charge of the battery bank over a 24 hour period for Configuration 5 i.
five charge and five discharge rates available. 76 Figure 4-16: Real time pricing, difference in electricity produced and consumed, and state of charge of the battery bank over a 24 hour period for Configuration 20 i. twenty charge and twenty discharge rates available. 77 Figure 4-17: Percentage change in daily building operating costs compared to Configuration 0 over a winter week for all 20 configurations of charge and discharge rates.
80 IX Figure 4-18: Percentage change in daily building profit compared to Configuration 0 over a summer week for all 20 configurations of charge and discharge rates. 80 Figure 4-19: Percentage change in daily building operating costs compared to Configuration 0 (average over the winter and summer week) for all 20 configurations of charge and discharge rates. 81 Figure 4-20: Percentage change in operating costs when scaling percentages (SP) between -25% and +25% were applied to electricity price input data. 84 Figure 4-21: Percentage change in operating costs when scaling percentages (SP) between -25% and +25% were applied to weather input data.
85 Figure 5-1: Multi-objective optimization strategy to generate an optimal charge/discharge schedule for the battery bank in a grid-connected building (NBERT) with an integrated microgrid. The day-ahead real-time electricity price and grid power schedule (i. how much electricity from the grid will be provided by wind energy), as well as day-ahead predictions for building electricity consumption and microgrid production, are all taken into account when optimizing the battery bank charge and discharge schedule. This schedXOH LV RSWLPL]HG EDVHG RQ D SULRULW\ ZHLJKWLQJ IDFWRU Į ZKLFK DVVLJQV UHODWLYH importance to operating cost and wind generation facilitation in the optimization process.
88 Figure 5-2: Procedure for calculating daily building operating cost and wind generation facilitation. 92 Figure 5-3: Multi-objective Genetic algorithm implementation in this study. 95 Figure 5-4: Representative groups for each data category for Winter: (a) PV electricity output (EPV) includes three clustered groups: W1 (Low EPV), W2 (Medium EPV), W3 (High EPV); (b) Electricity Price (EP) includes two clustered groups: W1 (Low EP), W2 (High EP); (c) Grid wind ratio (GWR) includes four clustered groups: W1 (Low GWR), X W2 (Medium-Low GWR), W3 (Medium-High GWR), W4 (High GWR); (d) Building load (BL) includes two clustered groups: W1 (Low BL), W2 (High BL); Wind turbine output (EW) includes one group: W1 (Medium EW). 98 Figure 5-5: Representative groups for each data category for Summer: (a) PV electricity output (EPV) includes three clustered groups: S1 (Low EPV), S2 (Medium EPV), S3 (High EPV); (b) Electricity Price (EP) includes two clustered groups: S1 (Low EP), S2 (High EP); (c) Grid wind ratio (GWR) includes four clustered groups: S1 (Low GWR), S2 (Medium-Low GWR), S3 (Medium-High GWR), S4 (High GWR); (d) Building load (BL) includes two clustered groups: S1 (Low BL), S2 (High BL); Wind turbine output (EW) includes one group: S1 (Medium EW).
99 Figure 5-6: Pareto curve for Test case 1, showing daily building operating cost and wind JHQHUDWLRQIDFLOLWDWLRQIRUĮYDOXHVUDQJLQJIURPWRLQLQFUHPHQWVRI 104 Figure 5-7: Yield values for Test case 1, showing the ratio of the change in normalized ZLQG JHQHUDWLRQ IDFLOLWDWLRQ WR WKH FKDQJH LQ QRUPDOL]HG GDLO\ RSHUDWLQJ FRVW DW HDFK Į value between 0% and 100% in increments of 10%. 104 Figure 5-8: (a) The energy difference (energy produced by renewable generation minus energy consumed by the building), electricity price and grid wind ratio at thirty minute intervals for Test case 1; (b) The corresponding state of charge (SOC) of the BB under the optimal BB scheGXOHIRUHDFKĮYDOXHEHWZHHQDQGLQLQFUHPHQWVRI. 105 Figure 5-9: Pareto curve for Test case 2, showing daily building operating cost and wind JHQHUDWLRQIDFLOLWDWLRQIRUĮYDOXes ranging from 0% to 100% in increments of 10%. 106 Figure 5-10:Yield values for Test case 2, showing the ratio of the change in normalized wind generation facilitation to the change in normali]HG GDLO\ RSHUDWLQJ FRVW DW HDFK Į value between 0% and 100% in increments of 10%.
107 XI Figure 5-11: (a) The energy difference (energy produced by renewable generation minus energy consumed by the building), electricity price and grid wind ratio at thirty minute intervals for Test case 2; (b) The corresponding state of charge (SOC) of the BB under the RSWLPDO%%VFKHGXOHIRUHDFKĮYDOXHEHWZHHQDQGLQLQFUHPHQWVRI. 107 Figure 5-12: Pareto curve for Test case 7, showing daily building operating cost and wind JHQHUDWLRQIDFLOLWDWLRQIRUĮYDOXHVUDQJLQJIURPWRLQLQFUHPHQWVRI 109 Figure 5-13: Yield values for Test case 7, showing the ratio of the change in normalized ZLQG JHQHUDWLRQ IDFLOLWDWLRQ WR WKH FKDQJH LQ QRUPDOL]HG GDLO\ RSHUDWLQJ FRVW DW HDFK Į value between 0% and 100% in increments of 10%. 110 Figure 5-14: (a) The energy difference (energy produced by renewable generation minus energy consumed by the building), electricity price and grid wind ratio at thirty minute intervals for Test case 7; (b) The corresponding state of charge (SOC) of the BB under the RSWLPDO%%VFKHGXOHIRUHDFKĮYDOXHEHWZHHQDQGLQLQFUHPHQWVRI .
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Quang An Phan (2019). Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà [Luận án tiến sĩ, Cork Institute of Technology]. LuanAn.net. https://luanan.net/y-hoc/y-hoc-lam-sang/dieu-khien-toi-uu-luu-tru-nang-luong-microgrid-toa-nha
Câu hỏi thường gặp
Luận án "Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà" nghiên cứu về vấn đề gì?
Tài liệu: Luận án tiến sĩ control of energy storage utilisation for a building integrated microgrid using multi objective metaheuristic optimisation methods. Tả
Luận án "Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Cork Institute of Technology. Năm bảo vệ: 2019.
Luận án "Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà" thuộc chuyên ngành gì?
Luận án "Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà" thuộc chuyên ngành Kỹ thuật Năng lượng. Danh mục: Y Học Lâm Sàng.
Luận án "Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà" có bao nhiêu trang?
Luận án "Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà" có 174 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Điều khiển tối ưu lưu trữ năng lượng microgrid tích hợp tòa nhà" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.