Tối ưu vị trí tua - bin trong nhà máy điện gió sử dụng phương pháp tìm kiếm tia sét

68 Nguyễn Đăng Khoa, Võ Ngọc Điều, Lê Đình Văn 
TỐI ƯU VỊ TRÍ TUA-BIN TRONG NHÀ MÁY ĐIỆN GIÓ 
SỬ DỤNG PHƯƠNG PHÁP TÌM KIẾM TIA SÉT 
OPTIMIZING LAYOUT OF WIND TURBINES IN WIND FARMS 
USING LIGHTNING SEARCH ALGORITHM 
Nguyễn Đăng Khoa1, Võ Ngọc Điều2, Lê Đình Văn2 
1Trường Đại học Cần Thơ; dangkhoa@ctu.edu.vn 
2Trường Đại học Bách khoa – Đại học Quốc gia Thành phố Hồ Chí Minh; vndieu@hcmut.edu.vn 
Tóm tắt - Ngày nay, với sự trợ giúp từ máy tính, việc tính toán tối 
ưu đang ngày một trở thành công cụ vô cùng mạnh mẽ và các 
thuật toán tính toán tối ưu cũng phát triển theo. Các thuật toán này 
thường được dựa trên mô phỏng hoạt động của tự nhiên hoặc 
cách giải quyết vấn đề theo tự nhiên. Chẳng hạn như thuật toán tối 
ưu đàn kiến (ACO), thuật toán di truyền (GA),  Tối ưu vị trí đặt 
tua-bin điện gió bằng phương pháp tìm kiến tia sét (Lightning 
Search Algorithm - LSA) là một cách tiếp cận mới về việc tìm vị trí 
tối ưu để đặt tua-bin gió nhằm thu được năng lượng lớn nhất. Bài 
báo này sẽ khảo sát một trang trại máy phát điện gió đặt ở biển 
dựa trên các điều kiện như hướng gió, tốc độ gió, sự ảnh hưởng 
của lưu khối không khí phía sau máy phát điện gió (hiệu ứng 
Wake), độ nhám bề mặt,  từ đó sẽ xác định vị trí tối ưu lắp đặt 
tua-bin gió để đạt được công suất cao nhất. 
Abstract - Nowadays, with the support from computers, the 
optimal computation is becoming a powerful tool, and optimization 
algorithms have been also developed accordingly. These 
algorithms such as the ant colony optimization (ACO), genetic 
algorithm (GA), etc. are usually based on simulations of the natural 
behavior or problems in the nature. Optimizing layout of wind 
turbines in wind farms using the lightning search algorithm (LSA) is 
a new approach to obtain the highest amount of energy. This paper 
has investigated an offshore wind farm based on the conditions 
such as wind direction, wind velocity, the effect of wind turbine 
generators on wind velocity (wake effect) and rough surface to 
determine the optimal location for the installation of the wind 
turbines to capture the highest wind capacity. 
Từ khóa - thuật toán tìm kiếm tia sét; vị trí tối ưu; tua-bin gió; nhà 
máy điện gió; hiệu ứng Wake 
Key words - lightning search algorithm; optimal layout; wind 
turbine; wind farm; Wake effect 
1. Giới thiệu 
Trong cuộc sống hiện đại ngày nay, năng lượng ngày 
càng đóng vai trò thiết yếu cho sự tồn tại và phát triển của 
một quốc gia, đặc biệt là sự đóng góp của các dạng năng 
lượng hóa thạch như dầu mỏ, than đá, khí tự nhiên, ... [1]. 
Tuy nhiên, nguồn nhiên liệu hóa thạch trong lớp vỏ Trái 
đất cũng đang ngày càng cạn kiệt do khai thác quá mức, 
đồng thời lượng khí thải từ nhiên liệu hóa thạch đi vào môi 
sinh cũng tác động không nhỏ đến hệ sinh thái và môi 
trường, gây ra nhiều chiều hướng tiêu cực như biến đổi khí 
hậu, hiệu ứng nhà kính, Trái đất nóng dần lên 
Năng lượng tái tạo là nguồn năng lượng “xanh”, “sạch” 
không gây tác hại đến môi trường. Tuy nhiên, năng lượng 
tái tạo vẫn chưa tạo ra cho mình bước đột phá do nguồn 
năng lượng thu lại thường nhỏ, chi phí công nghệ cao. Từ 
đó, việc nghiên cứu làm sao để tăng năng suất đồng thời 
với việc giảm chi phí lắp đặt và chi phí công nghệ đến mức 
thấp nhất đang là một bài toán lớn mà các nhà khoa học từ 
các nước trên thế giới đang cùng nhau nghiên cứu và xây 
dựng. Cụ thể như dò tìm điểm công suất cực đại trong lắp 
đặt hệ thống pin mặt trời, vị trí đặt tua-bin gió,  
Vì thế, bài báo này sẽ đi sâu vào nghiên cứu tối ưu vị 
trí đặt tua-bin gió trong một trang trại máy phát gió đặt trên 
biển (offshore) dựa trên thuật toán Lightning Search 
Algorithm (LSA) [2], [3]. 
2. Mô hình hiệu ứng Wake và Thuật toán tìm kiếm tia sét 
2.1. Mô hình hiệu ứng Wake của Jensen 
Theo mô hình của Jensen [4] như trong Hình 1, gió thổi 
từ trái sang phải với tốc độ v0 và đập vào tua-bin, bán kính 
quét của cánh quạt là r0. Tại một khoảng cách x nằm phía 
sau tua-bin, tốc độ sẽ là v1 và bán kính bị ảnh hưởng bởi hiệu 
ứng Wake là rx = ax + r0. Đại lượng thể hiện mức độ mở 
rộng hiệu ứng Wake và được xác định theo công thức: 
0
0,5
ln
z
z
 =
 (1) 
trong đó, z là chiều cao tua-bin gió và z0 là độ nhám bề mặt. 
Hình 1. Mô hình hiệu ứng Wake của Jensen 
Gọi i là vị trí tua-bin phía trước tạo ra hiệu ứng Wake, 
j là vị trí tua-bin phía sau bị ảnh hưởng, v0 là biên độ tốc độ 
gió, vj là tốc độ gió tại vị trí j. Ta có: 
( )ijj vdvv −= 10 (2) 
trong đó, vdij là vận tốc hao hụt tại vị trí j khi bị ảnh hưởng hiệu 
ứng Wake của tua-bin ở vị trí i, vdij được xác định như sau: 
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(126).2018, Quyển 1 69 
2
1
2
+
=
d
ij
ij
r
x
vd
 (3) 
Hệ số được gọi là hệ số điện kháng dọc trục và được 
xác định như sau: 
( )0,5 1 1 TC = − − (4) 
Trong đó, CT là hệ số đẩy của tua-bin, có mối quan hệ với 
điện kháng dọc trục như sau: 
( ) −= 14TC (5) 
trong đó, rd là bán kính quét của rotor phía sau: 
21
1
−
−
= rd rr (6) 
trong đó, xij là khoảng cách giữa vị trí i và j. 
Trong một trang trại máy phát gió, hiệu ứng Wake bị 
giao nhau và các tua-bin phía sau đều bị ảnh hưởng cùng 
một lúc [7]. Theo mô hình của Jensen, vận tốc bị hao hụt 
vdef (j) tại vị trí thứ j sẽ bị ảnh hưởng theo công thức sau: 
( ) 
=
)(
2
jWi
ijdef vdjv
 (7) 
Trong đó, W(j) là tập hợp các tua-bin bị ảnh hưởng hiệu 
ứng Wake bởi tua-bin vị trí i. 
Theo giả thuyết của Mosetti [5], tổng chi phí đầu tư cho 
một tua-bin là 1, thì đầu tư cho mỗi tua-bin tiếp theo chỉ 
còn 1/3. Như vậy, tổng chi phí trên một năm của một trang 
trại gió được tính như sau: 
20,001742 1cos exp
3 3
Nt N −
= + 
 (8) 
Hiệu suất của trang trại máy phát điện gió được tính 
như sau: 
3
00,3
totalPEfficiency
Nv
= (9) 
Để tính toán công suất trong một trang trại máy phát điện 
gió, các công thức được đề xuất từ Mosetti [3] như sau: 
Đối với 01 tua-bin gió có xét đến hiệu suất: 
3
2
1
AuproducedPower = (10) 
Trong đó,  là hiệu suất tổng thể của tua-bin gió; là mật độ 
không khí (kg/m3); và A là diện tích quét của tua-bin gió (m2); 
Công suất của tua-bin được đề xuất theo [3] là: 
( )
2 3140% 1,2 20
2
Power produced u = (11) 
)(301 3 WattuproducedPower = (12) 
2.2. Thuật toán Tìm kiếm tia sét và áp dụng 
Phương pháp LSA là thuật toán tối ưu mới phát triển do 
Hussain Shareef cùng các đồng nghiệp đề xuất [2]. Thuật 
toán LSA là một thuật toán tối ưu được lấy cảm hứng từ 
hiện tượng tự nhiên, đó là sự hình thành sét trong cơn bão. 
Thuật toán này là một trong những thuật toán tối ưu sử 
dụng công cụ tính toán bằng máy vi tính đã được đề xuất 
trong thời gian gần đây. Có thể kể đến như thuật toán di 
truyền (GA), thuật toán đàn kiến (ACO), thuật toán tối ưu 
bầy đàn (PSO), thuật toán đàn ong (ABC) [10-12]. Tất cả 
các thuật toán kể trên đều mô phỏng theo cách giải quyết 
vấn đề của tự nhiên. 
Một tính chất rất quan trọng của tiên đạo bước là có thể 
rẽ nhánh, trong đó các nhánh xuất hiện cân xứng và cùng 
một lúc. Hiện tượng này hiếm khi xảy ra bởi vì có sự va 
chạm hạt nhân. Nhiều kênh mới được tạo trong suốt thời 
gian các điểm nhánh tăng số lượng hướng phóng. Trong 
thuật toán này, giả định rằng điểm nhánh luôn rẽ thành 
2 hướng và được thể hiện như Hình 2 [8]. 
Hình 2. Sự hình thành của tiên đạo sét 
Trước tiên, các kênh được hình thành cùng một lúc do sự 
va chạm hạt nhân của các hướng phóng điện theo công thức: 
ii PbaP −+= (13) 
Trong đó, iP là hướng phóng điện nghịch; Pi là hướng 
phóng điện thuận; và a, b là giới hạn biên. 
Đáp ứng này sẽ làm tăng một số giải pháp “xấu”. Nếu 
điểm nhánh không làm tăng số kênh trong thuật toán LSA, 
thì một trong số các kênh tại điểm rẽ nhánh sẽ phát sáng để 
duy trì quy mô. 
Điểm rẽ thứ hai, một kênh được giả định hình thành tại 
đỉnh tiên đạo do có sự phân bố lại năng lượng của tất cả các 
tiên đạo không có khả năng hình thành sau một vài lần thử 
lan truyền. Những tiên đạo không có khả năng hình thành 
đó có thể được phân bố lại bằng cách xác định số lượng tối 
đa có thể cho phép của những lần thử như là thời gian kênh 
[8]. Trong trường hợp này, số tiên đạo sẽ không tăng. 
Hàm mật độ xác suất: 
( )
 −
=
)()(0
1
bxoraxkhi
bxakhia
bxf
T
T
T (14) 
Trong đó, xT là số ngẫu nhiên đại diện cho một giải pháp 
hoặc năng lượng ban đầu Esli của tiên đạo sli và a, b là hai 
bờ biên. 
Véc-tơ tiên đạo: SL = [sl1, sl2, sl3, , slN] 
Véc-tơ hướng phóng ngẫu nhiên (random projectile): 
PT= [p1T, p2T, p3T,, pNT] 
70 Nguyễn Đăng Khoa, Võ Ngọc Điều, Lê Đình Văn 
Véc-tơ hướng phóng không gian (space projectile): 
PS = [p1S, p2S, p3S,, pNS] 
Hàm mật độ xác suất với hệ số dạng  viết dưới dạng 
hàm mũ: 
( )
=
−
00
0
1
S
S
x
S
xkhi
xkhie
xf
s


 (15) 
Hàm (15) biểu diễn vị trí của hướng phóng không gian 
hay là véc-tơ hướng cho bước phóng điện tiếp theo và nó 
được hiệu chỉnh bằng hệ số dạng . 
Vị trí của hướng phóng không gian piS tại bước thứ 
bước +1 có thể viết thành: 
)(exp i
S
i
S
newi randpp  =− (16) 
Trong đó, exprand là số mũ ngẫu nhiên. Nếu piS là số âm, 
thì thành phần số ngẫu nhiên (exprand) phải mang dấu âm 
do (15) luôn dương. Tuy nhiên, vị trí mới S
newip − không đảm 
bảo hướng phóng điện của tiên đạo, trừ trường hợp năng 
lượng hướng phóng điện S
ipE − lớn hơn tiên đạo bước 
S
newiE − để mở rộng kênh truyền dẫn hay có giải pháp tốt 
được tìm thấy. Nếu S
newip − cung cấp một giải pháp tốt ở 
bước (bước +1), thì các tiên đạo sli được mở rộng đến một 
vị trí mới sli-new, và piS được cập nhật đến S
newip − . Ngược 
lại, chúng sẽ duy trì không đổi ở bước tiếp theo. Nếu 
S
newip − mở rộng sli-new vượt ra ngoài khoảng, hầu hết các tia 
tiên đạo mở rộng trong suốt quá trình này sẽ trở thành 
hướng phóng tiên đạo chính. 
Có thể dự đoán, tiên đạo bước sẽ di chuyển gần với mặt 
đất và hướng phóng đi cùng với nó sẽ không đủ năng lượng 
để ion hóa không khí trước đỉnh tiên đạo. Vì thế tiên đạo 
phóng chính có thể mô hình hóa như là một số ngẫu nhiên 
rút ra từ phân bố chuẩn với hệ số dạng  và hế số tỉ lệ . 
Hàm mật độ được biểu diễn: 
( )
( )
2
2
2
2
1


 
−−
=
Lx
L exf (17) 
Công thức (17) cho thấy tiên đạo chính hình thành ngẫu 
nhiên này có thể tìm kiếm tất cả các hướng từ vị trí hiện tại 
bằng hệ số dạng. Hướng tuyến còn có thể sử dụng hệ số tỉ 
lệ. Trong thuật toán LSA, L dùng cho hướng tiên đạo 
chính pL, và hệ số tỉ lệ L sẽ giảm theo hàm mũ khi nó 
hướng về phía mặt đất hoặc tìm ra một giải pháp tốt nhất. 
Như vậy, vị trí pL tại bước bước +1 có thể được viết: 
),( LL
LL
new normrandpp += (18) 
Trong đó, normrand là số ngẫu nhiên trong hàm phân bố. 
Tương tự, hướng tiên đạo chính mới có vị trí S
newp sẽ không 
đảm bảo hướng phóng của tiên đạo trừ khi tiên đạo chính 
có năng lượng S
ipE − lớn hơn tia tiên đạo bước Esl-i để mở 
rộng giải pháp. Nếu L
newp cung cấp một giải pháp tốt tại 
bước (bước +1), thì tia tiên đạo sli sẽ được mở rộng đến vị 
trí mới slL-new, và pL được cập nhật đến L
newp . Trái lại, chúng 
sẽ duy trì không thay đổi cho đến bước tiếp theo, như 
trường hợp của hướng phóng không gian. 
Hiệu ứng Wake được lồng ghép vào chương trình tính 
toán công suất để tìm ra công suất lớn nhất. Cụ thể như sau: 
Bước 1: Sau khi có vị trí phân bố tua-bin ban đầu, 
chương trình sẽ thực hiện kiểm tra từng tua-bin trong trang 
trại gió có kích thước LxL theo các điều kiện thỏa để xảy 
ra hiệu ứng Wake (kiểm tra bằng điều kiện giới hạn nhỏ 
nhất xảy ra hiệu ứng Wake). Nếu xảy ra hiệu ứng Wake, sẽ 
thực hiện tính toán công suất tại các tua-bin đó. Quá trình 
sẽ thực hiện kiểm tra từ tua-bin thứ 2 đến tua-bin thứ N. 
Các tua-bin không bị ảnh hưởng bởi hiệu ứng Wake coi 
như nhận được công suất gió là tối đa. 
Công suất tổng sẽ bằng tổng công suất của N tua-bin. 
Bước 2: Vị trí tua-bin tiếp theo của tua-bin sẽ được 
chương trình chính của thuật toán LSA cập nhật từ giá trị 
tua-bin ở vòng lặp thứ nhất. Quá trình được tính toán tương 
tự vòng lặp 1, kiểm tra ảnh hưởng của hiệu ứng Wake cho 
từng tua-bin, sau đó tính ra công suất tổng cho vòng lặp thứ 
2. Quá trình được tiếp diễn cho tới vòng lặp thứ k của 
chương trình chính (k cho trước). 
Hình 3 trình bày sơ đồ thuật toán LSA cho việc tìm 
kiếm vị trí tối ưu lắp đặt tua-bin gió để có được công suất 
lớn nhất. 
Hình 3. Sơ đồ thuật toán LSA 
3. Kết quả tính toán và thảo luận 
Dựa theo mô hình bài toán do Mosetti và Grady [3], [6] 
và đề xuất như Bảng 1: 
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(126).2018, Quyển 1 71 
Bảng 1. Thông số bài toán 
STT Thông số Giá trị 
1 Độ nhám (z0) 0,3 
2 Vận tốc gió ban đầu (v0) 12 m/s 
3 Chiều cao cột tháp tua-bin (h) 60 m 
4 Đường kính rotor tua-bin (D) 40 m 
5 Chiều dài khoảng đất 2.000 m 
6 Chiều rộng khoảng đất 2.000 m 
7 Hệ số CT 0,88 
8 Mật độ không khí 1,2253(kg/m3) 
9 Diện tích quét của tua-bin gió 5.080 (m2) 
Bài toán bố trí cho 26 và 30 tua-bin gió trên mặt biển 
hoặc khu đất lý tưởng có địa hình bằng phẳng, cây cỏ thấp 
có diện tích 2.000m x 2.000m. Khu đất được chia thành 10 
ô (ngang x dọc), mỗi ô có kích thước 200m x 200m. Xem 
như các tua-bin gió là giống nhau về mặt kỹ thuật và công 
suất, hướng gió được lấy trong điều kiện lý tưởng là gió 
thổi theo một hướng và vuông góc với mặt trước cánh quạt 
tua-bin gió, được thể hiện như Hình 4. 
Hình 4. Mô hình tua-bin gió 
Các bước áp dụng thuật toán LSA cho bài toán đặt tối 
ưu vị trí tua-bin gió trong nhà máy điện gió như sau: 
Bước 1: Khởi tạo các giá trị ban đầu bao gồm: 
- Khởi tạo số vòng lặp T. 
- Số lượng tua-bin N. 
- Tốc độ gió ban đầu v0 (m/s). 
- Kích thước ranh đất L (m). 
- Độ nhám của môi trường xung quanh z0. 
- Chiều cao của tua-bin h (m). 
- Bán kính mặt phẳng quét của cánh quạt tua-bin r0 (m). 
- Hệ số CT. 
- Góc 𝛼 (thể hiện bán kính ảnh hưởng của hiệu ứng 
Wake của tua-bin phía trước đối với tua-bin sau). 
- Số kênh (channel). 
- Số kênh lớn nhất (max channel). 
- Kích thước dân số (population size). 
- Dim (Dimension). 
- Khởi tạo ngẫu nhiên vị trí của các tua-bin theo điều 
kiện ràng buộc (wind farm). 
- Khởi tạo hướng phóng tiên đạo direct. 
Bước 2: Tính toán giá trị năng lượng gió ban đầu với vị 
trí tua-bin ngẫu nhiên. 
Bước 3: Đánh giá năng lượng qua vị trí đầu tiên. Gán hàm 
năng lượng ban đầu E bằng giá trị năng lượng ngẫu nhiên. 
Bước 4: Cập nhật hướng phóng, loại bỏ các tiên đạo 
bước “xấu”. 
Bước 5: Cập nhật tiên đạo bước, trong bước này sẽ 
kiểm tra có hiện tượng rẽ nhánh không, nếu có sẽ loại bỏ 
kênh có năng lượng thấp, giữ lại các kênh có năng lượng 
cao hơn. 
Bước 6: Kiểm tra số vòng lặp. Nếu chưa thỏa mãn, sẽ 
cập nhật lại số kênh và tính toán như ban đầu. Kết quả thu 
được là vị trí các tua-bin có năng lượng thu về là lớn nhất. 
Bước 7: Kết thúc. 
Kết quả tính toán tối ưu bằng thuật toán LSA với số lượng 
tua-bin là 26 và 30 được thể hiện ở Hình 6 và Hình 8. Có thể 
thấy rằng sự phân bố tua-bin bằng LSA khác hoàn toàn so với 
thuật toán GA, được thể hiện ở Hình 5 và Hình 7. 
Bảng 2 và Bảng 3 là sự so sánh về tổng công suất nhận 
được và hiệu suất của toàn trang trại điện gió giữa hai giải 
thuật LSA và GA với cùng số lượng tua-bin là 26 và 30. 
Bảng 2 với số lượng tua-bin là 26 như nhau, nhưng kết quả 
tính toán bằng LSA sẽ cho công suất là 13.461kW và hiệu 
suất là 99,871%, lớn hơn so với kết quả tính toáng bằng 
GA có công suất là 12.352kW và hiệu suất 91,645%. 
Tương tự cho trường hợp số lượng tua-bin là 30 thì việc sử 
dụng LSA cũng cho kết quả tốt hơn so với GA và được thể 
hiện cụ thể ở Bảng 3. Công suất thu được và hiệu suất của 
thuật toán LSA là 15.548 kW và 99,974%, so với 
14.310 kW và 92,015% của thuật toán GA [9]. 
Bảng 2. Công suất nhận được và so sánh với 
thuật toán di truyền với số tua-bin là 26 [9] 
Thuật toán GA LSA 
Số lượng tua-bin N 26 26 
Tổng công suất (kW) 12.352 13.461 
Hiệu suất 91,645% 99,871% 
Bảng 3. Công suất nhận được và so sánh với 
thuật toán di truyền với số tua-bin là 30 [9] 
Thuật toán GA LSA 
Số lượng tua-bin N 30 30 
Tổng công suất (kW) 14.310 15.548 
Hiệu suất 92,015% 99,974% 
Hình 5. Kết quả phân bố 26 tua-bin sử dụng GA [9] 
wind direction
200 m
200 m
wind turbine
2
0
0
0
m
2000m 
72 Nguyễn Đăng Khoa, Võ Ngọc Điều, Lê Đình Văn 
Hình 6. Kết quả phân bố 26 tua-bin sử dụng LSA 
Hình 7. Kết quả phân bố 30 tua-bin sử dụng GA [9] 
Hình 8. Kết quả phân bố 30 tua-bin sử dụng LSA 
4. Kết luận 
Trong bài báo này, thuật toán LSA đã được áp dụng 
thành công đối với bài toán xác định vị trí tối ưu cho các 
tua-bin gió trong nhà máy điện gió. Việc áp dụng thuật toán 
LSA vào bài toán tìm vị trí tối ưu của tua-bin gió có thể 
giúp nhanh chóng tìm ra vị trí thích hợp của các tua-bin gió 
sao cho năng lượng gió được khai thác trong một khu vực 
là lớn nhất. Kết quả tính toán thuật toán LSA đạt hiệu quả 
cao hơn phương pháp GA cho cùng một bài toán. Do đó, 
thuật toán LSA có thể được tin cậy sử dụng để tính toán 
tìm vị trí tối ưu tua-bin gió trong nhà máy điện gió. Tuy 
nhiên, thuật toán chỉ mới xét trên phương diện lý tưởng về 
mặt địa hình và hướng gió trực tiếp. Đối với đất liền, địa 
hình sẽ không được lý tưởng, do đó các tua-bin có độ cao 
khác nhau nên khả năng đón gió khác nhau và bị ảnh hưởng 
hiệu ứng Wake cũng khác nhau. Bên cạnh đó, hướng gió 
không chỉ thổi trực tiếp mà sẽ thổi theo các góc nghiêng 
khác nhau, tốc độ gió cũng không được ổn định trong suốt 
thời gian tua-bin gió vận hành. Do đó, những nghiên cứu 
tiếp theo sẽ xem xét các khía cạnh này. 
TÀI LIỆU THAM KHẢO 
[1] Hồ Phạm Huy Ánh, Nguyễn Hữu Phúc, Phạm Đình Trực, Nguyễn 
Quang Nam, Trần Công Binh, Phạm Quang Ấn, Kỹ thuật hệ thống năng 
lượng tái tạo, NXB Đại học Quốc gia Thành phố Hồ Chí Minh, 2013. 
[2] Hussain Shareef, Ahmad Asrul Ibrahim, Ammar Hussein Mutlag. 
“Lightning Search Algorithm”, Applied Soft Computing, Vol. 36, 
Nov 2015, pp. 315-333. 
[3] Hussain Shareef, Ammar Hussein Mutlag, Azah Mohamed, “A 
Novel Approach for Fuzzy Logic PV Inverter Controller 
Optimization Using Lightning Search Algorithm”, Neurocomputing, 
Vol. 168, 2015, pp. 435-453. 
[4] Jensen, N., A Note on Wind Turbine Interaction, Technical Report 
No. M-2411, Risoe National Laboratory: Roskilde, Denmark, 1983. 
[5] G. Mosetti, C. Poloni, B. Diviacco. “Optimization of Turbine 
Positioning in Large Wind Farms by Means of A Genetic 
Algorithm”, Journal of Wind Engineering and Industrial 
Aerodynamics, Vol. 51, 1994, pp. 105-116. 
[6] S. A. Grady, M. Y. Hussaini, M. M. Abdullah, “Placement of Wind 
Turbines Using Genetic Algorithms”, Renewable Energy, Vol. 30, 
2005, pp. 259-270. 
[7] Michele Samorani, The Wind Farm Layout Optimization Problem, 
in Handbook of Wind power systems, Panos M. Pardalos, Steffen 
Rebennack, Mario V.F. Pereira, Niko A. Iliadis, Vijay Pappu, Ed. 
Berlin: Springer, 2013, pp 21-38. 
[8] M. D. N. Perera and D. U. J. Sonnadara, “Fractal Nature of 
Simulated Lightning Channels”, Sri Lankan Journal of Physics, Vol. 
13(2), 2012, pp. 9-25. 
[9] C. BalaKrishna, M. K. Deshmukh, Darshana Mukherejee, “Optimal 
Location of Wind Turbines in A Wind Farm Using Genetic 
Algorithm”, Telkomnika Indonesian Journal of Electrical 
Engineering, Vol. 12, No. 8, 2014, pp. 5869-5876. 
[10] A. M. Adrian, A. Utamima và K. J. Wang, “A Comparative Study of 
GA, PSO and ACO for Solving Construction Site Layout Optimization”, 
KSCE Journal of Civil Engineering, 1, 2014, pp. 520-527. 
[11] Alireza Emami, Pirooz Noghreh, “New Approach on Optimization 
in Placement of Wind Turbines within Wind Farm by Genetic 
Algorithms”, Renewable Energy, Vol. 35, 2010, pp. 1559-1564. 
[12] Tales G. Couto, Bruno Farias, Alberto Carlos G. C. Diniz, Marcus 
Vinicius G. de Morais, Optimization of Wind Farm Layout Using 
Genetic Algorithm, in 10th World Congress on Structural and 
Multidisciplinary Optimization, Frorida, May 2013. 
(BBT nhận bài: 06/3/2018, hoàn tất thủ tục phản biện: 20/4/2018) 
2
0
0
0
m
2000m