Tối ưu hóa lịch trình sử dụng tải điều hòa không khí trên cơ sở các bộ tổng hợp tải

 ISSN: 1859-2171 
e-ISSN: 2615-9562 
TNU Journal of Science and Technology 225(06): 284 - 291 
284  Email: jst@tnu.edu.vn 
TỐI ƯU HÓA LỊCH TRÌNH SỬ DỤNG TẢI ĐIỀU HÒA KHÔNG KHÍ 
TRÊN CƠ SỞ CÁC BỘ TỔNG HỢP TẢI 
 Hà Thanh Tùng 
Trường Đại học Kỹ thuật Công nghiệp - ĐH Thái Nguyên 
TÓM TẮT 
Bài báo này thiết lập mô hình tối ưu hóa lịch trình sử dụng năng lượng của tải điều hòa không khí 
(Air Conditioning Load, ACL) trên cơ sở các bộ tổng hợp tải (Load Aggregator, LA). Mô hình LA 
có xét đến chiến lược bù đắp chi phí (bù đáp ứng nhu cầu) cho người sử dụng, yếu tố nhiệt độ và 
mô hình xác suất của điện gió. Hàm mục tiêu của mô hình là tổng doanh thu tối đa của LA có xét 
đến các ràng buộc về nhiệt độ, biến động điện gió, giới hạn công suất hệ thống và hạn chế chi phí 
(doanh thu của bộ tổng hợp tải). Kết quả tính toán mô phỏng cho thấy mô hình tối ưu đề xuất đem 
lại lợi ích về mặt kinh tế và cải thiện đáng kể các đường đặc tính tải trong hệ thống. 
Từ khóa: Tải điều hòa; đáp ứng nhu cầu; năng lượng tái tạo; bộ tổng hợp tải 
Ngày nhận bài: 19/4/2020; Ngày hoàn thiện: 19/5/2020; Ngày đăng: 21/5/2020 
OPTIMIZING THE USAGE SCHEDULE FOR AIR CONDITIONING LOAD 
BASED ON LOAD AGGREGATOR 
Ha Thanh Tung 
TNU – University of Technology 
ABSTRACT 
This paper constructs the model to optimize the usage schedule air conditioning load (ACL) based 
on load aggregator (LA). The LA model takes into account cost compensation (demand-
compensation) strategies, temperature factors, and wind power probabilities. The model's objective 
function is the maximum total revenue of LA, considering the constraints on temperature; wind 
power fluctuations, system capacity limits and cost constraints (load aggregator revenue). The 
simulation results show that the proposed optimal model brings economic benefits and 
significantly improves the load characteristic in the system. 
Keyworks: air conditioning load; demand response; renewable energy; load aggregator 
Received: 19/4/2020; Revised: 19/5/2020; Published: 21/5/2020 
Email: tunganh@tnut.edu.vn
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 285 
1. Đặt vấn đề 
Trong những năm gần đây, nguồn phân tán 
(Distributed Generation，DG) như năng 
lượng gió và các thiết bị quang điện sử dụng 
năng lượng tái tạo để phát điện đã được phát 
triển mạnh mẽ trước nguy cơ cạn kiệt và thiếu 
hụt nghiêm trọng của các dạng năng lượng 
hóa thạch. Tuy nhiên, năng lượng đầu ra của 
DG do phụ thuộc rất lớn vào không gian và 
thời gian nên thường biến động và gián đoạn 
mạnh, gây nên tác động không nhỏ đến lưới 
điện [1]. 
Sự xuất hiện của công nghệ năng lượng thông 
minh đã đề xuất các giải pháp mới để giải 
quyết các vấn đề về tiêu thụ năng lượng tái 
tạo. Là một phần quan trọng của lưới điện 
thông minh, công nghệ năng lượng thông 
minh có thể tăng cường hiệu quả việc trao đổi 
và tương tác thông tin, năng lượng và kinh 
doanh giữa lưới điện và người dùng [2]. Loại 
hình này dễ dàng nhận ra sự thay đổi phụ tải, 
kiểm soát tốt, phát hành và thanh toán hóa 
đơn tiền điện nhanh chóng. 
Điều khiển phụ tải là một trong những giải 
pháp sử dụng tiết kiệm và hiệu quả năng 
lượng. Vấn đề đặt ra khi triển khai mô hình 
điều tiết tải chính là phản ứng ở phía người 
dùng. Một giải pháp được đưa ra trong những 
năm gần đây là sử dụng các bộ tổng hợp tải 
(Load Aggregator，LA) [3]. LA đơn giản là 
một tổ chức bên thứ 3 độc lập, có thể tích hợp 
và điều tiết thống nhất giữa phụ tải và nhà 
cung cấp là các công ty điện lực [4]. 
Một trong những đối tượng phụ tải mà LA 
hướng đến áp dụng chính là điều hòa không 
khí (Air Conditioning Load, ACL). Trước hết, 
ACL chiếm tỷ lệ cao trong nhu cầu tiêu thụ 
điện ở khu vực dân cư. Trong giai đoạn cao 
điểm, ACL có thể chiếm đến 40% tổng tải 
dân cư và tỷ lệ này có xu hướng tăng dần đều 
theo năm [1]. Cảm nhận của người dùng về 
nhiệt độ trong nhà có một khoảng nhiệt độ 
không nhạy cảm nhất định [5]. Khi nhiệt độ 
trong nhà thay đổi ở khu vực này, sự thoải 
mái của người dùng không thay đổi đáng kể 
[6]. Hơn nữa, ACL có quán tính nhiệt, và toàn 
bộ điều hòa không khí và tòa nhà có thể được 
coi là một thiết bị dự trữ nhiệt, giúp điều 
chỉnh ACL trong thời gian ngắn. 
Hiện nay, có rất nhiều tài liệu về mô hình hóa 
và lập kế hoạch vận hành đối với ACL: [5] đã 
đề xuất một mô hình lưu trữ năng lượng ảo 
của ACL và phân tích khả năng max của lưu 
trữ năng lượng xem xét các đặc điểm thoải 
mái của cơ thể con người; [7] Đề xuất mô 
hình hóa ACL trung tâm và phương pháp triệt 
tiêu sự biến động của điện gió; [8] phân tích 
phương pháp giảm ACL trung tâm và các yếu 
tố ảnh hưởng; [9] đã thiết lập một mô hình tối 
ưu hóa đa mục tiêu nhằm tối ưu hóa hóa đơn 
tiền điện và sự thoải mái của người dùng 
thông qua ACL và đề xuất giải pháp để đối 
phó với sự không chắc chắn của nhiệt độ 
ngoài trời. 
Nhìn chung, mô hình tối ưu của ACL thường 
áp dụng phương pháp điều khiển bước hoặc 
điều khiển nhiệt độ không đổi. Các phương 
pháp này không thể khai thác triệt để tiềm 
năng của ACL. Hơn nữa, chiến lược bồi 
thường đối với người dùng hiện tại thường 
được xác định theo tình huống loại bỏ trực 
tiếp tải mà không thể phản ánh chính xác tác 
động đáp ứng nhu cầu đối với người dùng. Do 
đó, bài báo này dựa trên nghiên cứu mô hình 
thay đổi nhiệt độ của ACL tiến hành xem xét 
chiến lược giá điện theo thời gian thực trên thị 
trường điện, đồng thời đề xuất mô hình vận 
hành tối ưu để kiểm soát tải điều hòa của LA 
có xét đến sự tham gia của điện gió. Chức 
năng mục tiêu của mô hình này là lợi nhuận 
tối đa của LA, có tính đến các ràng buộc về 
nhiệt độ môi trường và sự dao động năng 
lượng tái tạo, v.v., nhằm thúc đẩy việc tiêu 
thụ năng lượng tái tạo trong lưới điện. 
2. Mô hình và lợi ích của LA 
2.1. Cấu trúc 
Là một mắt xích quan trọng, LA phải duy trì 
liên lạc đầy đủ giữa công ty điện lực (cung 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 286 
cấp điện) và người sử dụng điện để có được 
thông số tải thay đổi theo thời gian thực, 
thông tin giá điện và trạng thái kiểm soát tải 
linh hoạt trong điều kiện thị trường điện nhằm 
lên kế hoạch vận hành cho chiến lược kiểm 
soát tiếp theo. Cấu trúc của hệ thống được 
giới thiệu như hình 1 [10]. 
Tải 
khác
Tải 
điều 
hòa
Tải 
dân 
cư
Điện 
gió
Load Aggregator
（LA）
Tín hiệu từ hệ thống
Năng lượng điện
Thông tin
Điểm kết nối
Hình 1. Cấu trúc của LA 
LA sẽ thu thập thông tin cần thiết của ACL 
phía người dùng [11] theo thời gian thực để 
lên kế hoạch vận hành. Đồng thời, LA giám 
sát nguồn điện tại điểm kết nối giữa lưới điện 
cục bộ và lưới điện cấp cao hơn trong thời 
gian thực và có thể đánh giá lợi ích của việc 
cắt giảm phụ tải đỉnh và san bằng đồ thị phụ 
tải. 
2.2. Chi phí mua điện và lợi ích bán điện 
Chi phí của LA chủ yếu bao gồm chi phí mua 
điện (bao gồm chi phí vận hành) và chi phí 
bồi thường cho người dùng. Trong thị trường 
điện, chi phí LA mua điện từ hệ thống phụ 
thuộc vào chi phí phát điện, truyền tải và phân 
phối của lưới điện. Trong đó, chi phí phát 
điện chủ yếu phụ thuộc vào đặc tính tiêu thụ 
của máy phát [12]. Theo đặc điểm tiêu thụ 
máy phát điện thông thường, mức tiêu thụ 
nhiên liệu đầu vào của thiết bị phát điện và 
năng lượng điện đầu ra là hàm bậc hai, cụ thể 
là [13]: 
( ) 2fuel t t tC L aL bL c= + + (1) 
Trong đó: ( )fuel tC L là chi phí phát điện tại thời
điểm t, a, b, c là hệ số đặc tính tiêu thụ nhiên 
liệu của máy phát. Nếu tính đến chi phí truyền 
tải và phân phối, tổng chi phí mua điện của 
LA được xác định như sau: 
( ) 2LA t t tC L aL bL= + (2) 
Có thể thấy từ công thức (2), giá điện thị 
trường được LA chấp nhận tỷ lệ thuận với 
mức tải [13], cụ thể: 
( )
( )LA t
t t
t
C L
p L aL b
L
= = + (3)
Lưu ý rằng đối với giá điện được LA mua từ 
nguồn điện phân tán, bài báo này sẽ dựa trên 
giá điện lưới thống nhất, thường là 0,06 
USD/kWh [12], [13]. Doanh thu trực tiếp của 
LA chủ yếu đến từ các khoản tính chi phí điện 
của người dùng. Phương pháp tính toán doanh 
thu trực tiếp như sau: 
( )LA t t tR L L c=  (4) 
Trong đó, ( )LA tR L là tổng chi phí điện tương 
ứng với công suất Lt của LA và giá điện, ct là 
giá điện tại thời điểm t. 
Giả thiết rằng LA tính giá điện không đổi cho 
người dùng, tổng chi phí điện khi đó về cơ 
bản sẽ giữ nguyên nếu tổng mức tiêu thụ điện 
của phụ tải không thay đổi. Do đó, xét tại các 
thời điểm cao điểm, san bằng (lấp đầy) đồ thị 
phụ tải có thể làm giảm tổng chi phí mua điện 
dẫn đến làm tăng tổng thu nhập của LA. 
2.3. Chiến lược bồi thường đáp ứng nhu cầu 
của người sử dụng 
Kiểm soát tải trực tiếp cần quan tâm đến mức 
bồi thường dành cho người sử dụng. Mức bồi 
thường này chủ yếu được tính toán dựa trên 
thông số của tải [14] mà không xét đến phản 
ứng thực tế của người dùng. Trong một số 
trường hợp, tải ở trong trạng thái được kiểm 
soát nhưng người dùng lại không bị ảnh 
hưởng bởi các yếu tố tiêu cực tương ứng. 
Tương tự như vậy, trong một số trường hợp 
tải của người dùng không được kiểm soát bởi 
LA nhưng nhiệt độ thực tế lại không nằm 
trong giới hạn tương ứng. Theo quan điểm 
của người sử dụng, cần phải đưa ra một mức 
bù nhất định. Do đó bài báo này đề xuất một 
chiến lược bù kiểm soát tải trực tiếp dựa trên 
kinh nghiệm thực tế của người dùng. 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 287 
Tài liệu tham khảo [15] sử dụng khái niệm 
chỉ báo cảm biến nhiệt (Thermal Sensation 
Vote，TSV) để đo trải nghiệm thoải mái của 
người dùng về thay đổi nhiệt độ trong nhà. 
Mối quan hệ giữa TSV và nhiệt độ trong nhà 
là quan hệ chức năng tuyến tính từng phần 
(hình 2): 
Phiếu bình 
chọn 
Nhiệt độ/ 
0.5
0.1
minT loT comT upT maxT
Hình 2. Hình ảnh chức năng chỉ báo cảm biến nhiệt 
Trong hình, 
upT và 
loT là giới hạn trên và 
dưới của vùng nhiệt độ không nhạy cảm của 
người dùng, nghĩa là khi nhiệt độ trong nhà 
thay đổi trong phạm vi này, người dùng sẽ 
không có cảm giác rõ ràng. 
maxT và 
minT là 
giới hạn trên và dưới của nhiệt độ mà người 
dùng có thể chịu được. Nghĩa là khi nhiệt độ 
trong nhà vượt quá giới hạn này, người dùng 
sẽ có cảm giác khó chịu. 
comT đó là nhiệt độ 
thoải mái nhất cho người dùng, nghĩa là khi 
nhiệt độ trong nhà ở giá trị này, người dùng 
cảm thấy thoải mái nhất. 
Hàm giá trị biểu quyết cảm giác nhiệt là một 
hàm trừu tượng về nhiệt độ của người sử 
dụng ACL trên cơ sở trải nghiệm trực quan 
của nó, vì vậy chức năng này có thể được sử 
dụng làm tài liệu tham khảo cho việc tính 
toán bù cho người dùng. Do hàm giá trị biểu 
quyết cảm giác nhiệt rất gần với đường cong 
hàm bậc hai nên trong bài toán tối ưu hóa, sử 
dụng hàm bậc hai để biểu thị hàm mục tiêu và 
tối ưu hóa giải pháp: 
( )
2
comp comp n com
,
1
T
i
i i i t i
t
C k T T
=
= −
(5)
Trong công thức trên, compiC là chi phí bồi 
thường của nhóm người dùng i trong giai 
đoạn lên kế hoạch điều khiển tải điều hòa, 
in
,i tT là nhiệt độ trong nhà của nhóm người 
dùng i tại thời điểm t, com
iT là nhiệt độ thoải 
mái nhất của nhóm người dùng i và nhóm 
người dùng i, compik là hệ số bù, T biểu thị 
tổng số thời gian trong khoảng thời gian lên 
kế hoạch. 
3. Mô hình ACL và điện gió 
3.1. Mô hình thay đổi nhiệt độ ACL 
Ảnh hưởng của ACL đến sự thay đổi nhiệt độ 
trong phòng phụ thuộc vào các yếu tố như kích 
thước và cấu trúc, nhiệt độ ngoài trời và thậm 
chí là vị trí lắp đặt của điều hòa. Mô hình mạch 
nhiệt tương đương thường được sử dụng ACL 
gia đình được trình bày trong hình 3 [6]. 
Q
Ca
Re
Rm
Cm
S
outT
inT
Hình 3. Mô hình tải điều hòa (ACL) 
Trong đó: Q là công suất nhiệt, Ca là công 
nhiệt dung riêng của không khí, Re là điện trở 
nhiệt, Tin là nhiệt độ ở trong nhà, Rm là thành 
phần điện trở nhiệt của chất rắn, Cm là nhiệt 
dung riêng của chất rắn, Tout là nhiệt độ ngoài 
trời. S là biến chỉ trạng thái của điều hòa, 
S=[0, 1] cho biết điều hòa đang ở trạng thái 
bật hoặc tắt. 
Việc đo được nhiệt độ ngoài trời và các thông 
số khác của mô hình, phương trình vi phân 
bậc hai thể hiện mối quan hệ giữa ACL với 
nhiệt độ trong nhà được thiết lập như sau: 
2 in in in
m m
m m a m a2
e e
out
e
out
e
 S=1
 , S=0
C Rd T dT T
C R C C C
R dt Rdt
T
Q
R
T
R
+ + + + 
+ 
= 
， (6) 
Đơn giản hóa công thức (6), mối quan hệ 
tuyến tính gần đúng giữa nhiệt độ và thời gian 
có thể tính như sau [16]: 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 288 
( )
( ) ( )
in out
1in
1 in out
1 c
1 0
1 1 / , 1
t t t
t
t t t
T T S
T
T T Q K S
 
  
+
+
+
 + − = 
= 
+ − − − = 
，
(7)
Trong đó: intT là nhiệt độ trong nhà tại thời 
điểm t; in1tT + , 
out
1tT + lần lượt biểu thị nhiệt độ trong 
nhà và ngoài trời tại thời điểm t + 1;  là hệ số 
tản nhiệt; cQ là công suất làm lạnh định mức 
của ACL; K - hệ số tản nhiệt; St là biến thể hiện 
trạng thái của ACL tại thời điểm t. 
Vì St là biến nhị phân, nên công thức (7) có 
thể viết lại: 
( ) ( )in in out1 c 11 / 1t t t tT T S Q K T  + += − − + − (8) 
Giả thiết nhiệt độ ngoài trời không thay đổi 
trong một khoảng thời gian nhất định. Gọi 
in
0T 
là giá trị nhiệt độ ban đầu trong nhà, khi đó: 
( ) ( ) outc 11 / 1t t td S Q K T  += − − + − (9) 
Nhiệt độ trong nhà tính được theo đạo hàm: 
n in
1 0 1
in n 2 in
2 1 2 0 1 2
in in
0
1
i
i
t
t t i
t i
i
T T d
T T d T d d
T T d

  
  −
=
= +
= + = + +
= +
 (10) 
=  +in ξ
0
T Ξ D T (11) 
Viết dưới dạng ma trận: 
in in in
1 2= , ,
T
tT T T 
in
T (12) 
in 2 n in
0 0 0, ,
T
i tT T T   = 
ξ
0
T (13) 
 1 2, ,
T
td d d=D (14) 
2
-1 2 3
1 0 0 0
1 0 0
1 0
0
1t t t

 
  − −
 =
Ξ (15) 
3.2. Mô hình điện gió 
Hiện nay, quang điện và năng lượng gió là hai 
hình thức năng lượng tái tạo chiếm sản lượng 
lớn nhất. Trong số đó, công suất lắp đặt của 
năng lượng gió vượt xa quang điện, và mức 
độ dao động của nó cũng lớn hơn nhiều so với 
pin quang điện [17]. Do đó, bài báo này sử 
dụng năng lượng gió như một đại diện của 
năng lượng tái tạo để mô hình hóa và phân 
tích mô phỏng [18]. 
Đầu ra của tuabin gió phụ thuộc vào giá trị 
của tốc độ gió thời gian thực. Mô hình đầu ra 
thường được sử dụng của tuabin gió được 
trình bày như hình 4 [15]: 
PR
Vci Vco V
P
VR
Hình 4. Quan hệ giữa tốc độ gió và năng lượng đầu ra 
Mô hình xác suất của tốc độ gió thường áp 
dụng phân phối Weibull: 
( )
1
k
k v
ck vp v e
c c
− 
− 
 = 
 (16) 
Trong đó, ( )p v là hàm mật độ xác suất của 
tốc độ gió; c và k là tham số tỷ lệ và tham số 
hình dạng của phân phối Weibull. ciV , coV là 
tốc độ cắt, RV là tốc độ gió định mức, RP là 
công suất định mức. 
4. Mô hình tối ưu ACL 
Mô hình toán được xây dựng trên cơ sở hàm 
mục tiêu và các ràng buộc, hàm mục tiêu là: 
( )
2
n com base
, , c
1 1 1 1
2
base wind
, c
1 1
base wind
, c
1
min
 +
M T T M
i
i i t i t t i i t
i t t i
T M
t t t i i
t i
M
t t t i i
i
F k T T l S Q c
a l P S Q
b l P S Q
= = = =
= =
=
= − − +  
+ − + 
− + 
  
 

(17) 
Trong đó, basetl - tổng các tải không kiểm soát 
(tải cơ bản) tại thời điểm t; windtP - sản lượng 
điện gió tại thời điểm t; ,t iS - trạng thái của 
điều hòa thứ i tại thời điểm t; ciQ - năng lượng 
điều hòa thứ I; T là tổng thời gian trong chu 
trình lập kế hoạch; M là tổng số nhóm ACL. 
Ràng buộc toán học bao gồm: 
1) Hạn chế nhiệt độ điều hòa 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 289 
Trong quy trình lập kế hoạch, để ngăn nhiệt 
độ đặt không bị chênh lệch quá xa so với 
nhiệt độ tối ưu gây ảnh hưởng đến người 
dùng, điều này có thể khiến người dùng từ bỏ 
tham gia kế hoạch thống nhất của LA, nhiệt 
độ trong nhà phải được giữ ở mức chấp nhận 
được trong phạm vi cho phép. Do đó, các 
ràng buộc của nó thể hiện như sau: 
min in max
,i i t iT T T (18) 
Trong đó, miniT , 
max
iT - giới hạn nhiệt độ min, 
max của điều hòa thứ i; in,i tT - nhiệt độ của điều 
hòa thứ i tại thời điểm t. 
2) Giới hạn công suất đường dây 
Biến động quá mức của sản lượng điện gió sẽ 
có tác động bất lợi đối với lưới điện. Do đó, 
các ràng buộc đối với công suất đường dây 
như sau: 
wind base max
, c tie
1
0
M
t t t i i
i
P l S Q P
=
 − + +  (19) 
3) Ràng buộc tổng thu nhập (chi phí) 
LA phải đảm bảo rằng thu nhập ròng của nó 
lớn hơn 0 sau khi lên kế hoạch. Ràng buộc có 
thể được thể hiện như sau: 
(
2
base wind base wind
, c
1 1
comp base
, c , c
1 1 1 1
wind
1
0
T M
t t t i i t t
t i
M M T M
t i i i t t i i t
i i t i
T
t
t
a l P S Q b l P
S Q C l S Q c
P
= =
= = = =
=
− − + − − + 
− + +  − 
 
   

(20) 
Trong đó, γ là giá điện gió mua vào của LA. 
5. Mô phỏng và phân tích ví dụ tính toán 
Bài toán đặt ra LA tiến hành điều phối cho 
2770 máy điều hòa với 80% người dùng đã 
tham gia vào dự án. Thời gian lên lịch điều 
phối là 40 phút, nhiệt độ ngoài trời không đổi 
ở mức 34oC. Trong thời gian này, công suất 
tiêu thụ điện khi bật điều hòa là 2,8kW, giới 
hạn trên và dưới của điều chỉnh nhiệt độ trong 
nhà của người dùng là 27oC và 23oC, nhiệt độ 
dễ chịu nhất là 25oC. Các hệ số giá bán điện 
lần lượt là 19,8 và 452. Giá điện cho người sử 
dụng điện là 0,103 USD / kWh. Công suất tối 
đa 2MW và hệ số chi phí bù nhiệt độ được là 
0,0024 USD/℃ cho mỗi nhóm máy ACL. LA 
thu thập tất cả các tham số ACL của người 
dùng và chia chúng thành 15 nhóm. Các 
thông số đặc trưng của từng nhóm được thể 
hiện trong bảng 1. Tải trọng cơ bản, tải ACL, 
sản lượng điện gió và đường cong tải trước 
khi tham gia điều phối được thể hiện trong 
hình 5. 
Dữ liệu cho thấy, tải hệ thống (net load) nhỏ 
hơn 0 tại 1 ~ 7 phút, 19 ~ 25 phút và 38 phút, 
cho thấy dòng công suất lúc này chảy ngược 
về phía hệ thống trước nó trong các khoảng 
thời gian này. Nếu tải khu vực không được 
lập kế hoạch điều phối tối ưu trong các 
khoảng thời gian này, điện gió sẽ không được 
khai thác tại chỗ, làm giảm việc sử dụng năng 
lượng phân tán. 
Bảng 1. Thông số nhóm tải điều hòa 
STT 0
inT /℃  /cQ K Số lượng/ nhóm
1 26,94 0,958 39,38 136 
2 26,47 0,965 39,93 147 
3 24,58 0,953 35,26 112 
4 26,36 0,964 39,98 132 
5 24,73 0,959 38,29 171 
6 25,50 0,952 35,08 198 
7 26,17 0,955 36,17 133 
8 25,72 0,966 37,78 187 
9 24,82 0,969 40,24 109 
10 26,23 0,967 40,28 199 
11 25,55 0,955 35,44 171 
12 26,02 0,951 40,32 135 
13 24,26 0,967 40,24 127 
14 23,25 0,961 37,41 115 
15 24,77 0,969 39,30 144 
Hình 5. Thông số phụ tải và điện gió trước khi 
tiến hành điều phối tải 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 290 
Do đó, mô hình tối ưu hóa được đề xuất trong 
bài viết này được sử dụng để tối ưu hóa việc 
lập lịch trình ACL nhằm cải thiện đường cong 
tải. Trong bài báo này, bộ giải CPLEX của 
hộp công cụ trong MATLAB được sử dụng 
để giải bài toán tối ưu hóa. Kết quả tính toán 
được thể hiện trong hình 6. Net load đã được 
cải thiện. Vì công suất hệ thống là có giới hạn 
nên mặc dù công suất của đường dây dao 
động ở mức cao, nó vẫn được duy trì trong 
một phạm vi nhất định. 
Hình 6. So sánh đặc tính tải 
Bảng 2 cho thấy giá trị tối đa/ tối thiểu của tải 
hệ thống tại các thời điểm tương ứng với các 
ràng buộc tải max được đưa ra. Có thể thấy 
trước khi tối ưu hóa, tải hệ thống min là -0,94 
MW, dòng công suất chảy ngược về phía hệ 
thống. Sau khi tối ưu hóa, mặc dù phụ thuộc 
và giới hạn công suất hệ thống nhưng dòng 
công suất sẽ không giảm và luôn nhận giá trị 
dương. Khi ràng buộc tối đa công suất đường 
dây thay đổi, các giá trị tải tối đa và tối thiểu 
tương ứng cũng sẽ thay đổi và thời gian xuất 
hiện các giá trị tối đa và tối thiểu sẽ bị ảnh 
hưởng theo. 
Bảng 2. Dòng công suất hệ thống max/min 
max
tieP 
Công 
suất 
Max/MW 
Thời 
gian 
tương 
ứng/phút 
Công 
suất 
min/MW 
Thời 
gian 
tương 
ứng/phút 
Trước 
tối ưu 
3,213 32 -0,940 3 
2MW 1,998 38 0,016 21 
3MW 2,910 40 0,075 4 
4MW 3,952 38 0,092 4 
5MW 4,644 38 0,092 4 
6MW 5,052 40 0,109 22 
Mục tiêu tối ưu của bài viết này là tối đa hóa 
lợi ích chi phí của LA trên cơ sở các ràng 
buộc giới hạn công suất đường dây khác 
nhau, tổng hợp chi phí của LA được thể hiện 
trong bảng 3. 
Bảng 3. Phân tích lợi ích chi phí của LA 
max
tieP 
Doanh 
thu bán 
điện/USD 
Chi phí 
mua 
điện/USD 
Chi phí bồi 
thường/USD 
Thu 
nhập/USD 
Trước 
tối ưu 
349,33 242,52 32,35 74,47 
2MW 375,24 243,46 23,32 108,47 
3MW 385,83 252,35 22,65 109,24 
4MW 386,53 253,02 23,35 110,15 
5MW 388,21 253,82 23,41 110,98 
6MW 386,48 253,99 20,80 111,69 
Bảng 3 cho thấy lợi ích chi phí LA sau khi 
tiến hành điều phối lớn hơn nhiều so với thu 
nhập trước đó. Khi hạn chế công suất tối đa 
của tải tăng lên, lợi ích chi phí cũng được cải 
thiện, nhưng hiệu quả cải thiện này không 
nhiều. Trong thực tế, cần xem xét tác động 
của tải cực đại lên thiết bị và hạn chế tối đa 
công suất tải phù hợp. 
6. Kết luận 
Bài viết này đã đề xuất một chiến lược kiểm 
soát tải điều hòa trên cơ sở LA có xét đến bù 
chi phí cho người sử dụng. Trong phương 
pháp bù đáp ứng nhu cầu cho phía người 
dùng, bài viết này đề xuất phương pháp bù 
dựa trên sự thoải mái về thể chất thực tế. Mục 
tiêu của đáp ứng nhu cầu là để tối đa hóa lợi 
nhuận của bộ LA, đồng thời trên cơ sở các 
ràng buộc biến động công suất đường dây. 
Kết quả tính toán cho thấy hiệu quả và tính 
khả thi cho hoạt động điều phối tải điều hòa 
sử dụng các LA. 
Kết quả nghiên cứu của bài báo này có thể 
được áp dụng với các đối tượng phụ tải khác 
như xe điện và máy nước nóng (có đặc điểm 
tương tự như ACL). Vì vậy, việc xây dựng 
một hệ thống điều phối tải thống nhất nhiều 
loại hình phụ tải khác nhau cần được tiếp tục 
nghiên cứu và hoàn thiện. 
TÀI LIỆU THAM KHẢO/ REFERENCES 
[1]. S. Yinbiao, Z. Zhigang, and G. Jianbo, “Study 
on Key Factors and Solution of Renewable 
Energy Accomm- odation,” Proceedings of 
the CSEE, 2017, vol. 37, no. 01, pp. 1-9. 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 291 
[2]. C. Xu, Y. Yuyao, and Z. Yongjun, “Influence 
of Illumination Probability of Photovoltaic 
System on Voltage of Power Distribution 
Networks,” Journal of South China University 
of Technology (Natural Science Edition), vol. 
2015, no. 4, pp. 112-118, 2015. 
[3]. C. Haoyu, H. Shunjie, F. Zhihua, “Demand 
Response of Multi-Microgrid Based on Game 
Theory,” Southern Power System Technology, 
vol. 11, no. 2, pp. 34-40, 2017. 
[4]. Z. Kaiyu, S. Yiqun, and Y. Zheng, “Energy 
Storage Capacity Optimization for Load 
Aggregators Considering Probablity of 
Demand Response Resources’s Breach,” 
Automation of Electric Power Systems, vol. 
39, no. 17, pp. 127-133, 2015. 
[5]. A. H. Mohsenian-Rad，V. W. S. Wong，and 
J. Jatskevich，“Autonomous demand-side 
management based on game- theoretic energy 
consumption scheduling for the future smart 
grid,” IEEE Transactions on Smart 
Grid，vol. 1, no. 3, pp. 320- 331, 2010． 
[6]. W. Qianggang, L. Chao, and L. Yong, “A 
Reactive Power Optimization Model of High 
Voltage Distribution Network Considering 
DLC Cycle Control of Air- conditioning 
Loads,” Proceedings of the CSEE, 2018, vol. 
38, no. 06, pp. 1684-1694. 
[7]. G. Ciwei, L. Qianyu, and L. Yang, “Bi-level 
Optimal Dispatch and Control Strategy for 
Air-conditioning Load Based on Direct Load 
Control,” Proceedings of the CSEE, 2014, 
vol. 34, vol. 10, pp. 1546-1555. 
[8]. G. Ciwei, Z. Liangjie, and Y. Xiaomei, 
“Research on Load Aggregation of Central 
Air Conditioning and Its Participation in the 
Operation of Power System,” Proceedings of 
the CSEE, 2017, vol. 37, no. 11, pp. 3184-
3191+ 3373. 
[9]. Z. Zhidan, H. Xiaoqing, and C. Yijia, 
“Research on Active Response Policy for 
Grid Friendly Air Conditioning Load,” 
Proceedings of the CSEE, 2014 vol. 34, no. 
25, pp. 4207-4218. 
[10]. Z. Yanyu, Z. Peng, and L. Zhongwen, “A 
Multi-Objective Optimal Control Algorithm 
for Air Conditioning System in Smart Grid,” 
Power System Technology, vol. 38, no. 7, pp. 
1819-1826, 2014. 
[11]. L. Zhou, Y. Zhang, and X. Lin, “Optimal 
sizing of PV and BESS for a smart household 
considering different price mechanisms,” 
IEEE Access, vol. 2018, pp(99). 1-1, 2018. 
[12]. T. C. Chiu, Y. Y. Shih, and A. C. Pang, 
“Optimized Day-Ahead Pricing With 
Renewable Energy Demand-Side 
Management for Smart Grids,” IEEE Internet 
of Things Journal, vol. 4, no. 2, pp. 374-383, 
2017. 
[13]. M. Li, L. Nian, and Z. Jianhua, “Optimal 
Operation Model of User Group With 
Photovoltaic in the Mode of Automatic 
Demand Response,” Proceedings of the 
CSEE, 2016 vol. 36, no. 13, pp. 3422-3432 
+3361. 
[14]. L. Dongdong, X. Lianlian, and L. Xiang, 
“Optimal dispatching of microgrid 
considering the participation of reducible 
loads,distributed generators (DG) and energy 
storage units,” Power System Protection and 
Control, vol. 45, no. 2, pp. 35-41, 2017. 
[15]. C. Defu, C. Jinfu, and S. Dongyuan, “Impact 
of Wind Speed Correlation on Operation 
Characteristics of Distribution Network,” 
Power System Technology, vol. 37, no. 01, 
pp. 150-155, 2013. 
[16]. W. Yilan, T. Yibin, and H. Mei, “Research 
on Virtual Energy Storage Model of Air 
Conditioning Loads Based on Demand 
Response,” Power System Technology, vol. 
41, no. 02, pp. 394-401, 2017. 
[17]. H. M. Soliman, and A. Leon-Garcia, “Game-
Theoretic Demand-Side Management With 
Storage Devices for the Future Smart Grid,” 
IEEE Transactions on Smart Grid, vol. 5, no. 
3, pp. 1475-1485, 2014. 
[18]. L. Xiaofeng, G. Bingtuan, and L. Jing, “Non- 
cooperative Game Based Hierarchical 
Dispatch Model of Residential Loads,” 
Automation of Electric Power Systems, 2017, 
vol. 41, no. 14, pp. 54-60, 2017.