Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha

Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha

TỔNG QUAN

Khái quát ổn định hệ thống điện

Nghiên cứu ổn định hệ thống điện là một lĩnh vực quan trọng, tập trung vào sản xuất và truyền tải điện từ nguồn đến hộ tiêu thụ Công suất tiêu thụ thường thay đổi do tải biến động hoặc sự cố trên đường dây Do đó, các giải pháp ổn định hệ thống điện rất cần thiết để đảm bảo khả năng phục hồi nhanh chóng về trạng thái ổn định sau khi xảy ra sự cố hoặc thay đổi trong hệ thống.

Việc ổn định hệ thống điện là mục tiêu quan trọng của nhà điều độ và khách hàng, đòi hỏi quá trình xây dựng và phát triển phải tuân thủ quy định nghiêm ngặt từ các cơ quan chuyên ngành và nhà nước Tuy nhiên, các yếu tố khách quan như mất đường dây, mất máy phát, hay tải tăng đột ngột có thể gây ra nhiễu loạn trong hệ thống Trong những tình huống này, cần áp dụng các biện pháp khẩn cấp để khôi phục trạng thái ổn định, trong đó sa thải phụ tải được xem là giải pháp cuối cùng hiệu quả và nhanh chóng.

Nhiễu loạn trong hệ thống điện thường xuất phát từ sự cố máy phát điện, đường dây truyền tải hoặc thay đổi đột ngột về tải Khi xảy ra nhiễu loạn, hệ thống có thể mất ổn định, điều này nhấn mạnh tầm quan trọng của việc nghiên cứu và theo dõi hệ thống điện để duy trì sự ổn định Tần số hệ thống bị ảnh hưởng bởi sự chênh lệch giữa công suất phát và nhu cầu phụ tải, dẫn đến giảm khả năng phát điện Ví dụ, khi một máy phát điện gặp sự cố, khả năng phát điện giảm trong khi nhu cầu vẫn không đổi hoặc tăng lên, nếu các máy phát điện khác không cung cấp đủ công suất, tần số hệ thống sẽ giảm.

Để phục hồi tần số trong giới hạn định mức, cần áp dụng chương trình sa thải tải cho hệ thống.

Khái quát về vận hành khi sự cố trong hệ thống điện tỉnh An Giang [1, 2]

Hệ thống điện (HTĐ) là một mạng lưới phức tạp với nhiều điểm kết nối giữa các đường dây và máy phát Việc xử lý sự cố được xác định bởi các chuyên gia trong ngành và được chính phủ phê duyệt Mỗi địa phương sẽ dựa vào các quyết định và quy định đã ban hành để xây dựng phương án ứng phó khi xảy ra sự cố.

Hiện nay, tại Điện lực An Giang, khi hệ thống điện gặp sự cố gây mất liên kết giữa các nhà máy và trạm điện, dẫn đến tình trạng mất điện một phần hoặc toàn bộ hệ thống điện miền, các nhà máy điện như Trị An, Đa Nhim và Hàm Thuận có khả năng khởi động đen và khôi phục hệ thống điện miền Nam Kỹ sư điều hành A2 sẽ chỉ huy quá trình khôi phục các đường dây và trạm điện 220kV, bao gồm cả trạm 220 kV Châu Đốc, với trang bị bộ hòa đồng bộ.

Điều độ viên (ĐĐV) đã nhanh chóng khôi phục hệ thống điện phân phối cho các trạm 110kV tại tỉnh An Giang, theo mức phân bố công suất của KSĐH A2 Việc phục hồi cấp điện được thực hiện dựa trên danh sách thứ tự ưu tiên các phát tuyến đã được UBND tỉnh phê duyệt.

Khi mất điện toàn bộ hệ thống điện phân phối, sau khi cập nhật tình hình và thông báo cho các cấp, điều hành viên trạm (ĐHV) và trực ban vận hành (TBVH) sẽ thực hiện tách lưới điện phân phối để ưu tiên cấp điện cho các phụ tải quan trọng, bao gồm các trung tâm huyện, thị, thành phố Cụ thể, ĐHV tại các trạm 110kV sẽ mở tất cả máy cắt các phát tuyến 22kV và 35kV, trong khi ĐHV tại các trạm 35kV sẽ mở tất cả máy cắt các phát tuyến 22kV tại các trạm 35kV Tân Châu, An Phú, và Tịnh Biên.

Trực Ban Vận Hành (TBVH) các Điện lực thao tác cắt thiết bị phân đoạn như sau:

✓ TBVH Chợ Mới: cắt MC trụ 6/92 tuyến 476CM (NC Thép)

✓ TBVH Châu Phú: cắt LBS trụ 7/150 tuyến 471CD (cấp 477CĐ)

✓ TBVH Thoại Sơn: cắt nhánh rẽ 1/165.1, 1/194.2, 1/352 tuyến 472LX

HVTH: Nguyễn Công Anh Vũ 3

Sau đó, tiến hành khôi phục phụ tải khi nhận sự phân bổ của A2:

Trường hợp A2 cho phép nhận điện đến 30MW (⁓15% Ptải)

Bảng 1.1 Bảng đóng máy cắt tải cho phép nhận điện đến 30MW

STT Đóng máy cắt P (MW) P(MW) cộng dồn Ghi chú

6 372,373,374 CĐ 0 tải 26.7 Cấp trạm 35kV

Trường hợp A2 cho phép nhận điện đến 60MW (⁓30% Ptải): thực hiện đóng các

MC như Bảng 1.1 và thực hiện đóng các MC theo Bảng 1.2:

Bảng 1.2 Bảng đóng máy cắt tải cho phép nhận điện đến 60MW

STT Đóng máy cắt P (MW) P(MW) cộng dồn Ghi chú

Khi trung tâm các huyện, thị, thành phố đã có điện, ĐĐV chỉ huy sẽ thực hiện thao tác đóng các MC theo thứ tự khi KSĐH A2 cho phép khai thác tải tiếp tục.

✓ 473 Tịnh Biên (tuyến 471, 472TB nhận từ 473TT)

✓ Đóng các phân đoạn và nhánh rẽ còn lại

Ngoài ra, để nâng cao độ tin cậy, Điện lực An Giang cũng sử dụng các relay sa thải phụ tải tần số thấp R81

Bảng 1.3 Danh sách các phát tuyến cài đặt relay R81

Cắt tải theo mức tần số

Các nghiên cứu trong và ngoài nước

Giải pháp sa thải phụ tải được xem là biện pháp cuối cùng trong các tình huống khẩn cấp, nhằm điều chỉnh giá trị tần số về mức cho phép Hiện tại, có nhiều nghiên cứu và ý tưởng khác nhau đang được triển khai để phát triển giải pháp này trong nước và trên thế giới.

1.3.1 Các nghiên cứu ở trong nước

1 Luận văn ThS Nguyễn Văn Hải, trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh, nghiên cứu phương pháp sa thải phụ tải nhằm duy trì ổn định động của hệ thống điện khi xuất hiện dao động lớn trên cơ sở kết hợp giải thuật K-means, mạng nơ-ron và giải thuật AHP

2 Luận văn ThS Bùi Nguyễn Xuân Vũ, trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh, nghiên cứu đề xuất phương pháp sa thải phụ tải trên cơ sở phối hợp mạng nơ-ron hồi quy và lý thuyết về khoảng cách điện theo góc pha nhằm duy trì hệ thống điện ổn định khi có sự cố mất một phát xảy ra trong hệ thống điện

3 Luận văn ThS Nguyễn Viết Toại, trường Đại học Sư phạm kỹ thuật thành phố Hồ Chí Minh, trình bày quy trình xây dựng hệ thống nhận dạng để đánh giá trạng thái không ổn định của hệ thống điện và phân lớp chiến lược sa thải phụ tải trên cơ sở 2 mạng nơron Mô hình đề xuất sử dụng giải thuật Kmeans kết hợp với giải thuật AHP để xây dựng nhóm chiến lược sa thải phụ tải có xét đến tầm quan trọng của phụ tải nhằm làm giảm thiệt hại về mặt kinh tế khi sa thải so với các phương pháp truyền thống trước đây

1.3.2 Các nghiên cứu ở nước ngoài

1 Kazem Mehrabi, Saeed Afsharnia[13], đã nghiên cứu đề xuất một chương trình UFLS thích ứng dựa trên các hệ thống đo lường diện rộng (WAMS) Mâu thuẫn với phương pháp hiện có, phương pháp đề xuất được đặc trưng với một cách thích

HVTH: Nguyễn Công Anh Vũ 6 ứng dụng giá trị tần số rơle STPT để điều chỉnh thích ứng với từng loại nhiễu loạn Hệ thống đo lường diện rộng được đề xuất nhằm lựa chọn lượng yêu cầu STPT Nghiên cứu về sản lượng lớn đã được thực hiện trên một nghiên cứu điển hình thực tế, nhằm đánh giá hiệu quả của phương pháp này.

2 Muhammad Faizan Tahir và các thành viên trong nhóm nghiên cứu [14], nghiên cứu thuật toán áp dụng cho việc sa thải phụ tải tối ưu để duy trì trạng thái ổn định của hệ thống điện Kết quả thu được bởi các phương pháp truyền thống tốn nhiều thời gian hơn khi so sánh với mạng trí tuệ nhân tạo (ANN) Sa thải tải tối ưu sử dụng quần thể mạng trí tuệ nhân tạo là kết quả của nghiên cứu này Trong bài báo này, thuật toán Bootstrap Aggregating (Bagging) với Disjoint Partition đã được sử dụng để tạo một quần thể ANN bởi vì sự hội tụ nhanh và phương sai thấp

3 R Hooshmand, M Moazzami [15], áp dụng các phương pháp thông minh để giải quyết các vấn đề của sa thải phụ tải truyền thống Phương pháp này được thực hiện bằng phương pháp sa thải phụ tải tập trung Một sa thải phụ tải dưới tần số thích nghi dựa trên độ lớn ước lượng nhiễu loạn cho việc bảo vệ hệ thống điện từ mất ổn định động và sụp đổ tần số được đề xuất Hai thuật toán sa thải phụ tải dưới tần số thích nghi tập trung để đồng thời bảo vệ hệ thống điện chống lại sự mất ổn định tần số cũng như mất ổn định điện áp

4 A.P Ghaleh, M Sanaye-Pasand, A Saffarian [3], đã đề xuất một phương pháp sa thải tải mới để tăng tính bảo mật của hệ thống điện trong các nhiễu loạn lớn Phương pháp được đề xuất sử dụng tín hiệu điện áp và tần số đo tại chỗ và không cần bất kỳ liên kết truyền thông nào Hiệu quả của sơ đồ truyền thống và phương pháp sa thải được đề xuất sử dụng các tiêu chuẩn cắt khác nhau đã được mô phỏng trong hai hệ thống thử nghiệm: một mạng lớn thực sự và một hệ thống kiểm tra tiêu chuẩn

Các nghiên cứu trước đây chưa áp dụng sự kết hợp giữa hai mạng neural lan truyền ngược và hồi quy để phát triển chiến lược sa thải phụ tải hợp lý trong trường hợp xảy ra sự cố máy phát trong hệ thống điện.

Tính cấp thiết của đề tài

Trong bối cảnh hội nhập hiện nay, nền kinh tế Việt Nam đang phát triển mạnh mẽ, dẫn đến nhu cầu sử dụng điện năng và yêu cầu về chất lượng điện năng ngày càng tăng cao.

HVTH: Nguyễn Công Anh Vũ 7 tâm nhấn mạnh rằng yêu cầu của khách hàng ngày càng cao, đòi hỏi cung cấp điện liên tục và đủ công suất Để đáp ứng nhu cầu này, việc duy trì ổn định hệ thống điện trong quá trình vận hành là rất quan trọng, nhằm ngăn chặn sự cố lan rộng trong hệ thống.

Các phương án điều khiển chống sự cố trong hệ thống điện hiện tại gặp nhiều hạn chế và tốn thời gian ra quyết định, dẫn đến tổn thất kinh tế Do đó, cần tiến hành nghiên cứu chuyên sâu để tìm ra các giải pháp tối ưu hơn về kỹ thuật và kinh tế.

Luận văn “Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha” giới thiệu phương pháp sa thải phụ tải kết hợp mạng nơ-ron lan truyền ngược để xác định máy phát gặp sự cố và nhu cầu sa thải phụ tải Bên cạnh đó, mạng nơ-ron hồi quy được sử dụng để phát triển chiến lược điều khiển dựa trên khoảng cách pha, nhằm duy trì ổn định tần số hệ thống điện khi xảy ra sự cố mất máy phát Việc sa thải phụ tải được ưu tiên tại các nút theo khoảng cách pha tăng dần giữa máy phát bị sự cố và các nút tải, đảm bảo hiệu quả trong quản lý hệ thống điện.

Phạm vi nghiên cứu

Giải pháp sa thải phụ tải được xây dựng nhằm duy trì ổn định tần số hệ thống điện thông qua khoảng cách pha Mô hình hệ thống điện chuẩn IEEE 39 bus với 10 máy phát đã được áp dụng mạng nơ-ron kép để tối ưu hóa hiệu suất.

Phương pháp nghiên cứu

✓ Phương pháp tham khảo tài liệu trong và ngoài nước

✓ Phương pháp mô hình hóa mô phỏng

✓ Phương pháp sa thải phụ tải theo khoảng cách pha

✓ Phương pháp phân tích và tổng hợp.

Điểm mới của đề tài

Phương pháp sa thải phụ tải được đề xuất nhằm duy trì ổn định tần số hệ thống điện dựa trên khoảng cách pha, kết hợp với mạng nơ-ron kép Phương pháp này cho phép xác định vị trí và khối lượng sa thải phụ tải hợp lý, đồng thời phục hồi ổn định hệ thống nhanh hơn so với các phương pháp truyền thống.

Giá trị thực tiễn của đề tài

Kết quả nghiên cứu này có thể làm tài liệu tham khảo hữu ích cho nghiên cứu sinh và học viên cao học ngành Kỹ thuật điện, cũng như cho các điều độ viên trong việc vận hành hệ thống điện, đặc biệt khi giải quyết vấn đề sa thải phụ tải trong trường hợp xảy ra sự cố máy phát.

Nội dung đề tài

✓ Chương 2: Cơ sở lý thuyết

✓ Chương 3: Phương pháp sa thải phụ tải đề xuất

✓ Chương 4: Thực nghiệm trên sơ đồ hệ thống điện chuẩn IEEE 39-Bus

✓ Chương 5: Kết luận và hướng nghiên cứu phát triển

CƠ SỞ LÝ THUYẾT

Mạng Nơ-ron [4, 5]

The concept of Artificial Neural Networks (ANN) was first introduced in 1943 by neuroscientist Warren McCulloch and logician Walter Pitts, inspired by the neural networks found in living organisms.

Não người được cấu tạo từ các nơ-ron thần kinh liên kết thành một hệ thống phức tạp Mỗi nơ-ron bao gồm một thân chứa nhân và nhiều sợi nhánh ngắn, cùng với một sợi trục dài có bao myelin Đầu mỗi sợi trục có các xi-náp, cho phép kết nối các nơ-ron với nhau, hình thành mạng nơ-ron thần kinh Xung thần kinh được truyền từ sợi trục của một tế bào đến sợi nhánh của tế bào khác, tạo ra một quá trình lan truyền liên tục.

Mạng nơ-ron nhân tạo được phát triển dựa trên mô hình nơ-ron tự nhiên, với cấu trúc bao gồm nhiều đầu vào (sợi nhánh), một đầu ra (sợi trục) và một giá trị ngưỡng để xác định việc truyền tín hiệu Các đầu vào sẽ được nhân với trọng số w và cộng với một hằng số phụ b (bias) Khi tổng các giá trị này vượt ngưỡng, nơ-ron sẽ được kích hoạt (thường là +1), ngược lại sẽ không được kích hoạt (thường là -1) Quá trình học cho phép điều chỉnh trọng số đầu vào của mỗi nơ-ron, nhằm xây dựng mạng nơ-ron tối ưu cho các bài toán cụ thể.

Hình 2.1.Cấu trúc một tế bào nơ-ron nhân tạo

Mô hình ANN (Artificial Neural Network) là một hệ thống xử lý thông tin được mô phỏng theo hoạt động của hệ thần kinh sinh vật, với nhiều nơ-ron kết nối để xử lý dữ liệu Tương tự như bộ não con người, ANN có khả năng học hỏi từ kinh nghiệm thông qua quá trình huấn luyện, lưu giữ tri thức và áp dụng để dự đoán dữ liệu chưa biết.

2.1.2 Mạng nơ-ron lan truyền thẳng

Mạng truyền thẳng nhiều lớp (MLP - MultiLayer Perceptron) là một loại mạng thường được sử dụng trong các hệ thống nhận dạng Nó bao gồm một lớp vào, một lớp ra và một hoặc nhiều lớp ẩn Các nơ-ron đầu vào chỉ tiếp nhận dữ liệu mà không thực hiện tính toán, trong khi các nơ-ron ở lớp ẩn và lớp ra thực hiện các phép toán và định dạng kết quả thông qua hàm đầu ra Thuật ngữ “truyền thẳng” (feed forward) chỉ ra rằng các nơ-ron chỉ được kết nối theo một hướng, từ lớp này sang lớp khác, không bao gồm các nơ-ron ở lớp ra.

Hình 2.2 Cấu trúc mạng nơ-ron truyền thẳng nhiều lớp

Trong mô hình mạng nơ-ron, P là vector đầu vào dạng cột, W_i đại diện cho ma trận trọng số của lớp nơ-ron thứ i, với S là số lượng nơ-ron và R là số đầu vào Ngoài ra, b_i là vector độ lệch (bias) của lớp đó.

HVTH: Nguyễn Công Anh Vũ 11 của lớp thứ i (S i x1) thể hiện net input (n i) là Si x1, trong khi f i là hàm chuyển (hàm kích hoạt) và a i là net output (Si x1) Biểu thức ⊕ đại diện cho hàm tổng thông thường.

Mỗi liên kết trong mạng nơ-ron có trọng số, có thể dương (kích thích) hoặc âm (kiềm chế), ảnh hưởng đến tín hiệu khi đi qua Các nơ-ron tính toán mức kích hoạt bằng cách cộng tổng các đầu vào và áp dụng hàm chuyển Sau khi tất cả nơ-ron trong một lớp hoàn thành tính toán, lớp tiếp theo bắt đầu xử lý, vì đầu ra của lớp hiện tại trở thành đầu vào cho lớp tiếp theo Cuối cùng, kết quả được cung cấp bởi các nơ-ron đầu ra Nếu kết quả không đạt yêu cầu, thuật toán huấn luyện sẽ được sử dụng để điều chỉnh các tham số của mạng.

Xét trường hợp mạng có hai lớp như Hình 2.2, công thức tính toán cho đầu ra như sau:

Mạng nơ-ron nhiều lớp vượt trội hơn so với mạng nơ-ron đơn lớp, ví dụ như mạng hai lớp với lớp đầu tiên sử dụng hàm sigmoid và lớp thứ hai áp dụng hàm đồng nhất, cho phép xấp xỉ các hàm toán học hiệu quả hơn Ngược lại, mạng chỉ có một lớp không có khả năng này.

Thiết kế cấu trúc mạng

Mặc dù lý thuyết cho rằng có thể xây dựng một mạng có khả năng mô phỏng bài toán với độ chính xác cao, việc xác định cấu trúc mạng phù hợp lại rất phức tạp Cần xác định số lượng lớp ẩn và số đơn vị xử lý trong mỗi lớp cho từng bài toán cụ thể, điều này đòi hỏi sự nghiên cứu và phân tích kỹ lưỡng.

Mạng nơ-ron với hai lớp ẩn có khả năng biểu diễn các hàm với bất kỳ hình dạng nào, vì vậy lý thuyết cho thấy không cần thiết phải sử dụng nhiều hơn hai lớp ẩn Thực tế cho thấy, đối với hầu hết các bài toán cụ thể, chỉ một lớp ẩn là đủ Việc sử dụng hai lớp ẩn trong các bài toán thực tiễn là hiếm gặp, và ngay cả khi cần nhiều hơn một lớp ẩn, trong phần lớn các trường hợp vẫn có thể giải quyết được với một lớp duy nhất.

HVTH: Nguyễn Công Anh Vũ 12 cho thấy rằng việc sử dụng một lớp ẩn trong mạng nơ-ron mang lại hiệu năng tốt hơn so với việc sử dụng nhiều lớp ẩn Ngoài ra, việc huấn luyện mạng nơ-ron thường diễn ra chậm hơn khi số lượng lớp ẩn tăng lên.

Số đơn vị trong lớp ẩn

Một yếu tố quan trọng trong thiết kế mạng là xác định số lượng đơn vị cần có trong mỗi lớp Nếu sử dụng quá ít đơn vị, mạng có thể không nhận diện đầy đủ các tín hiệu trong tập dữ liệu phức tạp, dẫn đến hiện tượng thiếu ăn khớp (underfitting).

Việc sử dụng quá nhiều đơn vị trong mạng nơ-ron có thể làm tăng thời gian huấn luyện và dẫn đến tình trạng quá tải thông tin Khi mạng có quá nhiều đơn vị, nó có thể gặp phải hiện tượng thừa ăn khớp (overfitting), nghĩa là mạng đã tiếp nhận quá nhiều thông tin, trong khi tập dữ liệu mẫu không đủ đa dạng để cung cấp các đặc trưng cần thiết cho quá trình huấn luyện hiệu quả.

Số lượng đơn vị ẩn tối ưu trong mạng nơ-ron phụ thuộc vào nhiều yếu tố như số lượng đầu vào và đầu ra, số lượng trường hợp trong tập mẫu, mức độ nhiễu của dữ liệu đích, độ phức tạp của hàm lỗi, cũng như kiến trúc mạng và thuật toán huấn luyện được sử dụng.

Khoảng cách pha [7]

Khoảng cách pha được xác định theo biểu thức sau:

Dp(i,j) =(δθi/δPi)+ (δθj/δPj)- (δθj/δPi)- (δθi/δPj) (2.11)

HVTH: Nguyễn Công Anh Vũ 19 Ở đây: i ; j ; j ; i i j i i

    là các thành phần được lấy từ ma trận J1; Ma trận [J1] -1 là ma trận nghịch đảo của ma trận Jacobian J 1  P

Khái niệm về sa thải phụ tải

Trong tình huống khẩn cấp, khi các thông số vượt quá tiêu chuẩn do nguyên nhân nào đó gây ra hậu quả nghiêm trọng, việc sa thải phụ tải trở thành giải pháp cần thiết Biện pháp này giúp cắt giảm phụ tải từ hệ thống điện, đảm bảo sự ổn định cho phần còn lại của hệ thống.

Sa thải phụ tải là biện pháp cuối cùng nhằm đối phó với sự nhiễu loạn trong hệ thống điện, xảy ra khi có sự chênh lệch giữa công suất phát và công suất tải Biện pháp này cũng được áp dụng khi có sự gia tăng đột ngột về tải, vượt quá khả năng dự trữ công suất của hệ thống.

Việc phân loại các phương pháp sa thải phụ tải được trình bày ở Hình 2.4

Hình 2.4 Phân loại các phương pháp sa thải phụ tải

2.3.1 Phương pháp sa thải phụ tải truyền thống

Sa thải phụ tải bằng rơle tần số thấp là phương pháp phổ biến để bảo vệ hệ thống điện Khi tần số lưới điện giảm xuống dưới ngưỡng cho phép, rơle tần số thấp sẽ tự động ngắt từng mức phụ tải, giúp ngăn chặn sự sụt giảm tần số hệ thống Nếu không có biện pháp ngắt này, hệ thống có thể gặp phải hậu quả nghiêm trọng như rã lưới, dẫn đến mất điện trên diện rộng.

Tần số đóng vai trò quan trọng trong việc duy trì sự cân bằng giữa tải tiêu thụ và nguồn cung cấp, ảnh hưởng trực tiếp đến chất lượng điện năng, đặc biệt trong các tải công nghiệp Do đó, tần số cần được xem xét kỹ lưỡng.

HVTH: Nguyễn Công Anh Vũ 20 nhấn mạnh tầm quan trọng của 20 thông số cài đặt chính nhằm đảm bảo an toàn, ổn định và chất lượng cho hệ thống Hiện nay, có nhiều loại rơle sa thải phụ tải dưới tần số được phát triển, trong đó có các loại sử dụng thông số biến thiên df/dt.

Ví dụ về ERCOT [8], Hội đồng điện tin cậy của Texas, có chương trình sa thải tải dưới tần số

Bảng 2.3: Chương trình sa thải tải của ERCOT

Tần số sa thải Tải sa thải

Bảng 2.3 cho thấy có ba cấp độ sa thải phụ tải tương ứng với các mức tần số khác nhau Khi tần số giảm xuống 58.5Hz, 25% phụ tải sẽ bị sa thải Ưu điểm của phương pháp này là giúp duy trì sự ổn định của hệ thống điện.

✓ Nguyên lý làm việc đơn giản, chi phí thấp, được ứng dụng rất rộng rãi

✓ Việc cắt tải gần như diễn ra tức thời khi tần số thấp

✓ Phát triển sa thải phụ tải dựa vào df/dt, cho phép ứng dụng rộng hơn Nhược điểm:

Bất kỳ sự quá tải nào đều cần áp dụng chiến lược sa thải phụ tải, tuy nhiên mức độ quá tải lại không xác định rõ ràng số lượng và chất lượng của việc sa thải Điều này có thể dẫn đến tình trạng sa thải quá mức hoặc không đủ, ảnh hưởng đến hiệu quả hoạt động.

✓ Việc cắt tải khi tần số thấp phải phụ thuộc vào việc cài đặt, chọn chủng loại phù hợp với mạng điện đó

✓ Phụ thuộc vào người thiết kế HTĐ, vào sự hiểu biết của người đó Vậy nên có khả năng có lỗi

✓ Không phù hợp về lâu dài, vì HTĐ có khả năng thay đổi lớn

2.3.2 Sa thải phụ tải thông minh (ILS) [12]

Hệ thống sa thải phụ tải hiện đại sử dụng công nghệ máy tính và mạng máy tính để thu thập dữ liệu rộng rãi và liên tục cập nhật thông tin cho mô hình lưới điện Bằng cách kết hợp các thuật toán huấn luyện mạng phù hợp, hệ thống này đảm bảo tính chính xác và hiệu quả trong việc quản lý năng lượng.

HVTH: Nguyễn Công Anh Vũ 21 đề xuất một phương pháp gọi là sa thải phụ tải thông minh (ILS), cho phép tối ưu hóa lượng tải cần cắt bằng cách chỉ cắt những phụ tải cần thiết Phương pháp này sử dụng các rơle dưới tần số trong một chương trình sa thải tải thông minh có khả năng thay đổi động Các thành phần chính của chương trình bao gồm cơ sở tri thức, danh sách nhiễu loạn và các công cụ tính toán ILS.

Hệ thống này phải có các khả năng sau:

✓ Khả năng bản đồ một hệ thống năng lượng phi tuyến phức tạp

✓ Cấu hình hệ thống nhớ tự động, các điều kiện vận hành như là tải, năng lượng, đáp ứng hệ thống với các dao động

✓ Nhận dạng các mẫu hệ thống khác để dự đoán đáp ứng hệ thống cho các nhiễu loạn khác

✓ Tận dụng vào sự hiểu biết ban đầu có thể cải thiện được bằng các trường hợp đã xác định được khách hàng

✓ Khả năng thích nghi huấn luyện tự động và hệ tự học của cơ sở kiến thức hệ thống dẫn đến các thay đổi hệ thống

✓ Ra các quyết định nhanh, đúng, và tin cậy trong việc ưu tiên sa thải phụ tải dựa vào tình trạng tải thực tế của lưới

✓ Sa thải lượng phụ tải nhỏ nhất để duy trì sự ổn định của hệ thống và tần số thông thường

✓ Sự kết hợp tối ưu để sa thải của các máy cắt với sự hiểu biết đầy đủ vào các ràng buộc của hệ thống

Thông số các cơ sở tri thức cần có cho hệ thống ILS bao gồm:

✓ Năng lượng trước và sau dao động

✓ Khả năng nguồn phát trước và sau dao động

✓ Đặc điểm cơ năng máy phát trong lưới điện

✓ Tải thực tế và cập nhật tình trang thay đổi của phụ tải

Hình 2.5 Sơ đồ khối của sa thải phụ tải thông minh

Cơ sở tri thức sử dụng thông tin đầu vào để kết nối với công cụ tính toán, kiểm soát phân loại và gửi tín hiệu cắt tới các rơle nhằm sa thải phụ tải Nhờ vào cơ chế tự học và huấn luyện theo diễn tiến của lưới điện, cơ sở tri thức sẽ ngày càng hoàn thiện, đảm bảo việc cắt tải được tối ưu nhất.

Ngoài những ưu điểm đã nêu trên, thì hệ thống còn có một số ưu điểm:

✓ Tối ưu hóa lượng phụ tải sa thải

✓ Cơ chế tự học và luôn theo sát tình hình trên lưới điện, đưa ra đáp ứng nhanh và kịp thời

✓ Hệ thống có nhiều thành phần tham gia vào, việc sa thải phụ tải sẽ trải qua nhiều bước

✓ Vì có nhiều thành phần nên đòi hỏi chế độ bảo dưỡng hợp lý, giám sát

✓ Có quá nhiều dữ liệu đầu vào cần được đưa vào hệ thống

PHƯƠNG PHÁP SA THẢI PHỤ TẢI ĐỀ XUẤT

Khái quát phương pháp sa thải phụ tải đề xuất

Sơ đồ khối phương pháp sa thải phụ tải đề xuất trình bày ở Hình 3.1.:

Hình 3.1 Sơ đồ khối phương pháp sa thải phụ tải đề xuất

Quá trình xây dựng công cụ sa thải phụ tải đề xuất bao gồm 2 phần:

✓ Phần đầu (Hình 3.2): mô phỏng (chạy offline) thu thập mẫu và tạo nơ- ron

Trong phần hai của mô hình lưới cụ thể (Hình 3.3), chúng ta thực hiện kiểm tra online với các thông số quan trọng như ΔPG (công suất máy phát), ΔPL (độ thay đổi công suất tải), ΔPB (độ thay đổi công suất truyền trên nhánh), ΔVBus (độ thay đổi điện áp của bus) và ΔfBus (độ thay đổi tần số của bus).

Trình tự mô phỏng lấy mẫu được trình bày ở Hình 3.2

Hình 3.2 Lưu đồ lấy mẫu khi chạy offline

Hình 3.3 Cấu trúc mạng nơ-ron kép sa thải phụ tải

Sau khi hoàn thành tập mẫu, chúng tôi tiến hành xây dựng mạng nơ-ron kép với hai mạng nơ-ron: mạng nơ-ron lan truyền ngược ANN1 (BPNN) để nhận diện sự cố và xác định máy phát gặp sự cố, và mạng nơ-ron hồi quy ANN2 (GRNN) để phát triển chiến lược điều khiển sa thải phụ tải dựa trên khoảng cách pha.

Hình 3.4 Lưu đồ làm việc online của phương pháp sa thải phụ tải đề xuất.

153 biến ngõ vào: P Gi , P Li ,

Neural 1 Máy phát bị sự cố Neural 2

Chiến lược sa thải phụ tải

Xây dựng chiến lược sa thải đề xuất

Quá trình thực hiện chiến lược sa thải phụ tải dựa trên khoảng cách pha thực hiện theo lưu đồ trình bày ở Hình 3.5

Hình 3.5 Quy trình xây dựng chiến lược sa thải dựa trên khoảng cách pha

Quá trình xây dựng công cụ sa thải phụ tải được tiến hành theo 5 bước:

Dp(i,j) = (δθi/δPi) + (δθj/δPj) - (δθj/δPi) - (δθi/δPj) (3.1)

Với: (δθi/δPi), (δθj/δPj), (δθj/δPi) và (δθi/δPj) là các phần tử tương ứng hàng i, cột j trong ma trận [J1] -1

Ma trận Jacobian có dạng tổng quát như sau:

Bước 1: Lấy ma trận Jacobian J1

Bước 2: Nghịch đảo các phần tử trong ma trận jacobian J1

Bước 3: Áp dụng biểu thức (3.1), tính khoảng cách pha

Bước 4: Lọc lại ma trận để tìm quan hệ giữa các nút chứa máy phát với các nút chứa tải

Quá trình thu thập mẫu và huấn luyện cho nơ-ron

Các bước trong việc huấn luyện mạng nơ-ron:

✓ Thu thập và xử lý dữ liệu vào và dữ liệu ra của đối tượng;

✓ Chọn lựa cấu trúc và xây dựng ANN;

✓ Kiểm tra độ chính xác của mô hình bằng tập mẫu kiểm tra

Bước thu thập và xử lý dữ liệu đầu vào và đầu ra là yếu tố quyết định sự thành công của mạng nơ-ron nhân tạo (ANN) Việc huấn luyện ANN yêu cầu nhận dạng chính xác mẫu dữ liệu đầu vào và cung cấp câu trả lời phù hợp với mục đích của người huấn luyện Để đạt được kết quả mong muốn, dữ liệu được sử dụng trong quá trình mô phỏng huấn luyện cần phải phản ánh thực tế, và các biến được chọn cho tập dữ liệu phải thể hiện rõ đặc điểm hoạt động của hệ thống.

Quá trình lấy mẫu được tiến hành qua 3 giai đoạn sau:

✓ Giai đoạn 1: Tiến hành cài đặt thông số hệ thống

✓ Giai đoạn 2: Tiến hành phân bố công suất máy phát theo OPF

✓ Giai đoạn 3: Tiến hành tạo sự cố và xử lý sự cố để thu thập mẫu Nội dung cụ thể của các giai đoạn như sau:

Giai đoạn 1 (Hình 3.6): Quá trình cài đặt các thông số chuẩn của hệ thống trong mô phỏng

Hình 3.6 Giai đoạn 1- Cài đặt thông số

Giai đoạn 2 (Hình 3.7): Đưa dữ liệu tải của toàn hệ thống ở các mức khác nhau để chạy phân bố công suất tối ưu cho từng mức tải

Hình 3.7 Giai đoạn 2- Truy cập dữ liệu tải và phân bố tối ưu công suất

Giai đoạn 3 (Hình 3.8): Tiến hành giả lập sự cố và xử lý bằng cách sa thải tải dựa vào chiến lược đề xuất, thu thập thành tập mẫu

Hình 3.8 Giai đoạn 3- Xây dựng tập mẫu huấn luyện

THỰC NGHIỆM PHƯƠNG PHÁP STPT ĐỀ XUẤT

Đề xuất chiến lược sa thải phụ tải

Mô hình sa thải phụ tải theo phương pháp đề xuất đã được thử nghiệm trên sơ đồ IEEE 39 bus với 10 máy phát, như thể hiện trong Hình 4.2 Các bước thực hiện để xây dựng chiến lược sa thải phụ tải được trình bày rõ ràng trong nghiên cứu này.

Hình 4.2 Sơ đồ hệ thống 39-Bus New England Bước 1: Lấy ma trận Jacobian J1trong ma trận J trong phần mềm Powerworld

Hình 4.3 Vị trí ma trận Jacobian J1 trong phần mềm Powerworld

Bước 2: Nghịch đảo ma trận Jacobian J1

Sử dụng hàm inv của Matlab để nghịch đảo ma trận J1

Bảng 4.2 Bảng ma trận jacobian 1 sau khi nghịch đảo

The Jacobian equation outlines the angles for multiple buses, specifically detailing the angles from Bus 1 through Bus 39 Each bus is assigned a unique angle, contributing to the overall system's functionality and performance This structured approach ensures clarity in managing the angles, which are critical for optimizing electrical networks and enhancing operational efficiency.

Bước 3: Áp dung công thức tính khoảng cách pha

Dp(j,i) = Dp(i,j) = (δθi/δPi)+ (δθj/δPj)- (δθj/δPi)- (δθi/δPj) (4.1)

Từ biểu thức (4.1), sử dụng phần mềm Matlab xây dựng ma trận khoảng cách pha giữa các nút trong mạng điện với nhau, gọi là ma trận Dp

X=inv(J1);% J1 là ma trận jacobian 1, X là nghịch đảo J1

N8; % N là bậc của ma trận n=1;m=2; %n và m là 2 biến thực hiện vòng lập for i = n:N-1 for j = m:N

Bảng 4.3 Bảng quan hệ giữa các bus trong hệ thống về khoảng cách pha

Bus 1 Bus 2 Bus 3 Bus 4 Bus 5 Bus 6 Bus 7 Bus 8 Bus 9 Bus 10 Bus 11 Bus 12 Bus 13 Bus 14 Bus 15 Bus 16 Bus 17 Bus 18 Bus 19 Bus 20 Bus 21 Bus 22 Bus 23 Bus 24 Bus 25 Bus 26 Bus 27 Bus 28 Bus 29 Bus 30 Bus 32 Bus 33 Bus 34 Bus 35 Bus 36 Bus 37 Bus 38 Bus 39Bus 1 0 0.02873 0.03459 0.03868 0.03934 0.03986 0.04102 0.03937 0.03278 0.04395 0.04309 0.06246 0.04394 0.0417 0.04643 0.04501 0.04197 0.04083 0.06288 0.07716 0.05547 0.06137 0.06289 0.05013 0.03834 0.04911 0.0482 0.07596 0.07719 0.04562 0.06507 0.07713 0.09488 0.07479 0.08754 0.06025 0.09142 0.01983Bus 2 0.02873 0 0.01122 0.02186 0.02631 0.02694 0.0299 0.02918 0.03899 0.02931 0.02901 0.04782 0.02873 0.02502 0.02674 0.02404 0.01977 0.01817 0.04198 0.05625 0.03453 0.04047 0.04198 0.02916 0.01105 0.02434 0.02458 0.05126 0.05254 0.01688 0.05043 0.05627 0.07402 0.05389 0.06666 0.03302 0.06686 0.03735Bus 3 0.03459 0.01122 0 0.01393 0.01975 0.02045 0.02393 0.02348 0.03816 0.02245 0.02227 0.04095 0.02174 0.0177 0.01978 0.01724 0.01311 0.00976 0.03518 0.04945 0.02772 0.03366 0.03518 0.02236 0.01881 0.02494 0.02187 0.05182 0.05307 0.0281 0.04357 0.04947 0.06721 0.04709 0.05986 0.04072 0.06734 0.03988Bus 4 0.03868 0.02186 0.01393 0 0.00855 0.00954 0.01359 0.01342 0.03406 0.01217 0.01178 0.03067 0.01167 0.00817 0.01896 0.02018 0.01961 0.01912 0.038 0.05229 0.03062 0.03649 0.03801 0.0253 0.02832 0.03297 0.02924 0.05975 0.0609 0.03874 0.03329 0.05222 0.06998 0.04991 0.06265 0.05016 0.07504 0.0399Bus 5 0.03934 0.02631 0.01975 0.00855 0 0.00205 0.0061 0.00593 0.03001 0.00971 0.00768 0.02822 0.01086 0.01168 0.02323 0.02475 0.0245 0.02438 0.04247 0.05677 0.03516 0.04096 0.04248 0.02987 0.03262 0.03757 0.034 0.06429 0.06539 0.04319 0.03083 0.05663 0.07439 0.05439 0.06709 0.05442 0.07944 0.03821Bus 6 0.03986 0.02694 0.02045 0.00954 0.00205 0 0.00557 0.00617 0.03037 0.00863 0.00629 0.02714 0.0101 0.01175 0.02353 0.02515 0.025 0.02496 0.04285 0.05715 0.03555 0.04134 0.04287 0.03027 0.03318 0.0381 0.03452 0.0648 0.06589 0.04382 0.02975 0.05699 0.07476 0.05477 0.06746 0.05497 0.07993 0.03865Bus 7 0.04102 0.0299 0.02393 0.01359 0.0061 0.00557 0 0.00356 0.02934 0.01366 0.0115 0.03217 0.01496 0.01615 0.02754 0.02899 0.02868 0.02856 0.0467 0.061 0.0394 0.0452 0.04672 0.03411 0.03631 0.0415 0.03805 0.06822 0.06932 0.04678 0.03478 0.06086 0.07863 0.05862 0.07132 0.05811 0.08337 0.03871Bus 8 0.03937 0.02918 0.02348 0.01342 0.00593 0.00617 0.00356 0 0.02657 0.01399 0.01191 0.0325 0.0152 0.01616 0.02735 0.02871 0.02832 0.02817 0.04643 0.06074 0.03912 0.04493 0.04645 0.03383 0.03568 0.04101 0.03761 0.06773 0.06883 0.04606 0.03511 0.0606 0.07836 0.05835 0.07105 0.05748 0.08289 0.0365Bus 9 0.03278 0.03899 0.03816 0.03406 0.03001 0.03037 0.02934 0.02657 0 0.03662 0.03505 0.05513 0.03731 0.03692 0.04539 0.04558 0.04407 0.0435 0.06336 0.07766 0.05601 0.06186 0.06338 0.0507 0.0468 0.05442 0.05207 0.0812 0.08235 0.05587 0.05774 0.07756 0.09532 0.07528 0.088 0.06865 0.09648 0.01987Bus 10 0.04395 0.02931 0.02245 0.01217 0.00971 0.00863 0.01366 0.01399 0.03662 0 0.00352 0.02247 0.00354 0.00963 0.02303 0.02537 0.02587 0.02626 0.04314 0.05744 0.0358 0.04164 0.04316 0.03049 0.03541 0.03965 0.03575 0.06639 0.06751 0.0462 0.02112 0.05733 0.0751 0.05506 0.06778 0.05722 0.0816 0.04382Bus 11 0.04309 0.02901 0.02227 0.01178 0.00768 0.00629 0.0115 0.01191 0.03505 0.00352 0 0.02201 0.00614 0.01079 0.02366 0.02577 0.02606 0.0263 0.04352 0.05781 0.03619 0.04201 0.04353 0.03089 0.03515 0.03962 0.03582 0.06635 0.06745 0.04589 0.02464 0.05769 0.07546 0.05544 0.06814 0.05696 0.08153 0.04261Bus 12 0.06246 0.04782 0.04095 0.03067 0.02822 0.02714 0.03217 0.0325 0.05513 0.02247 0.02201 0 0.02203 0.02813 0.04153 0.04387 0.04438 0.04476 0.06164 0.07594 0.0543 0.06014 0.06166 0.04899 0.05391 0.05815 0.05425 0.0849 0.08602 0.0647 0.04359 0.07583 0.0936 0.07356 0.08628 0.07572 0.1001 0.06233Bus 13 0.04394 0.02873 0.02174 0.01167 0.01086 0.0101 0.01496 0.0152 0.03731 0.00354 0.00614 0.02203 0 0.00756 0.02149 0.02408 0.02479 0.02531 0.04187 0.05616 0.03451 0.04036 0.04188 0.0292 0.03477 0.03879 0.03478 0.06555 0.06668 0.04561 0.02466 0.05608 0.07384 0.05379 0.06651 0.05659 0.08078 0.04416Bus 14 0.0417 0.02502 0.0177 0.00817 0.01168 0.01175 0.01615 0.01616 0.03692 0.00963 0.01079 0.02813 0.00756 0 0.01531 0.01853 0.01979 0.02068 0.03638 0.05066 0.02898 0.03487 0.03639 0.02364 0.03094 0.03438 0.03009 0.06116 0.06232 0.0419 0.03075 0.05062 0.06838 0.04829 0.06104 0.05278 0.07647 0.04284Bus 15 0.04643 0.02674 0.01978 0.01896 0.02323 0.02353 0.02754 0.02735 0.04539 0.02303 0.02366 0.04153 0.02149 0.01531 0 0.00799 0.01362 0.01765 0.02603 0.04029 0.01851 0.02451 0.02603 0.01311 0.03147 0.03158 0.0257 0.05844 0.05967 0.04363 0.04415 0.04039 0.05812 0.03794 0.05074 0.05335 0.07392 0.04943Bus 16 0.04501 0.02404 0.01724 0.02018 0.02475 0.02515 0.02899 0.02871 0.04558 0.02537 0.02577 0.04387 0.02408 0.01853 0.00799 0 0.00751 0.0129 0.01812 0.03237 0.01055 0.0166 0.01811 0.00512 0.02826 0.02693 0.02037 0.05382 0.05508 0.04093 0.04649 0.03253 0.05026 0.03002 0.04286 0.05016 0.06937 0.04881Bus 17 0.04197 0.01977 0.01311 0.01961 0.0245 0.025 0.02868 0.02832 0.04407 0.02587 0.02606 0.04438 0.02479 0.01979 0.01362 0.00751 0 0.00669 0.02556 0.03982 0.01803 0.02405 0.02556 0.01263 0.0235 0.0208 0.0136 0.04772 0.04901 0.03666 0.04699 0.03993 0.05767 0.03747 0.05028 0.04541 0.06335 0.04653Bus 18 0.04083 0.01817 0.00976 0.01912 0.02438 0.02496 0.02856 0.02817 0.0435 0.02626 0.0263 0.04476 0.02531 0.02068 0.01765 0.0129 0.00669 0 0.03091 0.04518 0.02341 0.0294 0.03091 0.01802 0.02337 0.02406 0.01843 0.05096 0.05224 0.03505 0.04738 0.04525 0.06299 0.04282 0.05562 0.04529 0.06654 0.04567Bus 19 0.06288 0.04198 0.03518 0.038 0.04247 0.04285 0.0467 0.04643 0.06336 0.04314 0.04352 0.06164 0.04187 0.03638 0.02603 0.01812 0.02556 0.03091 0 0.01421 0.02867 0.03472 0.03624 0.02324 0.04621 0.04493 0.0384 0.07182 0.07309 0.05886 0.06426 0.01459 0.0323 0.04815 0.06098 0.06811 0.08738 0.06664Bus 20 0.07716 0.05625 0.04945 0.05229 0.05677 0.05715 0.061 0.06074 0.07766 0.05744 0.05781 0.07594 0.05616 0.05066 0.04029 0.03237 0.03982 0.04518 0.01421 0 0.04292 0.04898 0.05049 0.03749 0.06049 0.0592 0.05266 0.08609 0.08735 0.07314 0.07856 0.0288 0.01824 0.0624 0.07523 0.08238 0.10164 0.08092Bus 21 0.05547 0.03453 0.02772 0.03062 0.03516 0.03555 0.0394 0.03912 0.05601 0.0358 0.03619 0.0543 0.03451 0.02898 0.01851 0.01055 0.01803 0.02341 0.02867 0.04292 0 0.01073 0.01534 0.01374 0.03875 0.03743 0.03088 0.06432 0.06559 0.05141 0.05692 0.04307 0.0608 0.02416 0.04013 0.06065 0.07988 0.05926Bus 22 0.06137 0.04047 0.03366 0.03649 0.04096 0.04134 0.0452 0.04493 0.06186 0.04164 0.04201 0.06014 0.04036 0.03487 0.02451 0.0166 0.02405 0.0294 0.03472 0.04898 0.01073 0 0.00778 0.01783 0.0447 0.04342 0.03688 0.07031 0.07157 0.05735 0.06276 0.04913 0.06686 0.01342 0.0326 0.0666 0.08586 0.06513Bus 23 0.06289 0.04198 0.03518 0.03801 0.04248 0.04287 0.04672 0.04645 0.06338 0.04316 0.04353 0.06166 0.04188 0.03639 0.02603 0.01811 0.02556 0.03091 0.03624 0.05049 0.01534 0.00778 0 0.01801 0.04622 0.04493 0.0384 0.07182 0.07309 0.05887 0.06428 0.05064 0.06837 0.0212 0.02485 0.06812 0.08738 0.06665Bus 24 0.05013 0.02916 0.02236 0.0253 0.02987 0.03027 0.03411 0.03383 0.0507 0.03049 0.03089 0.04899 0.0292 0.02364 0.01311 0.00512 0.01263 0.01802 0.02324 0.03749 0.01374 0.01783 0.01801 0 0.03338 0.03204 0.02549 0.05894 0.0602 0.04605 0.05161 0.03765 0.05538 0.03126 0.04277 0.05528 0.07449 0.05393Bus 25 0.03834 0.01105 0.01881 0.02832 0.03262 0.03318 0.03631 0.03568 0.0468 0.03541 0.03515 0.05391 0.03477 0.03094 0.03147 0.02826 0.0235 0.02337 0.04621 0.06049 0.03875 0.0447 0.04622 0.03338 0 0.02062 0.02425 0.04759 0.04893 0.02794 0.05653 0.06052 0.07826 0.05812 0.0709 0.02203 0.06332 0.04606Bus 26 0.04911 0.02434 0.02494 0.03297 0.03757 0.0381 0.0415 0.04101 0.05442 0.03965 0.03962 0.05815 0.03879 0.03438 0.03158 0.02693 0.0208 0.02406 0.04493 0.0592 0.03743 0.04342 0.04493 0.03204 0.02062 0 0.01178 0.0271 0.02856 0.04123 0.06077 0.05927 0.07701 0.05684 0.06963 0.04259 0.04313 0.05527Bus 27 0.0482 0.02458 0.02187 0.02924 0.034 0.03452 0.03805 0.03761 0.05207 0.03575 0.03582 0.05425 0.03478 0.03009 0.0257 0.02037 0.0136 0.01843 0.0384 0.05266 0.03088 0.03688 0.0384 0.02549 0.02425 0.01178 0 0.03879 0.04018 0.04146 0.05687 0.05275 0.07049 0.05031 0.06311 0.04619 0.05464 0.05364Bus 28 0.07596 0.05126 0.05182 0.05975 0.06429 0.0648 0.06822 0.06773 0.0812 0.06639 0.06635 0.0849 0.06555 0.06116 0.05844 0.05382 0.04772 0.05096 0.07182 0.08609 0.06432 0.07031 0.07182 0.05894 0.04759 0.0271 0.03879 0 0.01226 0.06814 0.08751 0.08616 0.1039 0.08373 0.09653 0.06956 0.02714 0.08208Bus 29 0.07719 0.05254 0.05307 0.0609 0.06539 0.06589 0.06932 0.06883 0.08235 0.06751 0.06745 0.08602 0.06668 0.06232 0.05967 0.05508 0.04901 0.05224 0.07309 0.08735 0.06559 0.07157 0.07309 0.0602 0.04893 0.02856 0.04018 0.01226 0 0.06942 0.08863 0.08742 0.10516 0.08499 0.09779 0.0709 0.01498 0.08327Bus 30 0.04562 0.01688 0.0281 0.03874 0.04319 0.04382 0.04678 0.04606 0.05587 0.0462 0.04589 0.0647 0.04561 0.0419 0.04363 0.04093 0.03666 0.03505 0.05886 0.07314 0.05141 0.05735 0.05887 0.04605 0.02794 0.04123 0.04146 0.06814 0.06942 0 0.06732 0.07315 0.0909 0.07077 0.08354 0.0499 0.08374 0.05424Bus 32 0.06507 0.05043 0.04357 0.03329 0.03083 0.02975 0.03478 0.03511 0.05774 0.02112 0.02464 0.04359 0.02466 0.03075 0.04415 0.04649 0.04699 0.04738 0.06426 0.07856 0.05692 0.06276 0.06428 0.05161 0.05653 0.06077 0.05687 0.08751 0.08863 0.06732 0 0.07845 0.09622 0.07618 0.0889 0.07834 0.10272 0.06494Bus 33 0.07713 0.05627 0.04947 0.05222 0.05663 0.05699 0.06086 0.0606 0.07756 0.05733 0.05769 0.07583 0.05608 0.05062 0.04039 0.03253 0.03993 0.04525 0.01459 0.0288 0.04307 0.04913 0.05064 0.03765 0.06052 0.05927 0.05275 0.08616 0.08742 0.07315 0.07845 0 0.04689 0.06255 0.07538 0.08242 0.10171 0.08086Bus 34 0.09488 0.07402 0.06721 0.06998 0.07439 0.07476 0.07863 0.07836 0.09532 0.0751 0.07546 0.0936 0.07384 0.06838 0.05812 0.05026 0.05767 0.06299 0.0323 0.01824 0.0608 0.06686 0.06837 0.05538 0.07826 0.07701 0.07049 0.1039 0.10516 0.0909 0.09622 0.04689 0 0.08028 0.09312 0.10016 0.11945 0.09862Bus 35 0.07479 0.05389 0.04709 0.04991 0.05439 0.05477 0.05862 0.05835 0.07528 0.05506 0.05544 0.07356 0.05379 0.04829 0.03794 0.03002 0.03747 0.04282 0.04815 0.0624 0.02416 0.01342 0.0212 0.03126 0.05812 0.05684 0.05031 0.08373 0.08499 0.07077 0.07618 0.06255 0.08028 0 0.04602 0.08002 0.09929 0.07855Bus 36 0.08754 0.06666 0.05986 0.06265 0.06709 0.06746 0.07132 0.07105 0.088 0.06778 0.06814 0.08628 0.06651 0.06104 0.05074 0.04286 0.05028 0.05562 0.06098 0.07523 0.04013 0.0326 0.02485 0.04277 0.0709 0.06963 0.06311 0.09653 0.09779 0.08354 0.0889 0.07538 0.09312 0.04602 0 0.0928 0.11208 0.09129Bus 37 0.06025 0.03302 0.04072 0.05016 0.05442 0.05497 0.05811 0.05748 0.06865 0.05722 0.05696 0.07572 0.05659 0.05278 0.05335 0.05016 0.04541 0.04529 0.06811 0.08238 0.06065 0.0666 0.06812 0.05528 0.02203 0.04259 0.04619 0.06956 0.0709 0.0499 0.07834 0.08242 0.10016 0.08002 0.0928 0 0.08529 0.06795Bus 38 0.09142 0.06686 0.06734 0.07504 0.07944 0.07993 0.08337 0.08289 0.09648 0.0816 0.08153 0.1001 0.08078 0.07647 0.07392 0.06937 0.06335 0.06654 0.08738 0.10164 0.07988 0.08586 0.08738 0.07449 0.06332 0.04313 0.05464 0.02714 0.01498 0.08374 0.10272 0.10171 0.11945 0.09929 0.11208 0.08529 0 0.09746Bus 39 0.01983 0.03735 0.03988 0.0399 0.03821 0.03865 0.03871 0.0365 0.01987 0.04382 0.04261 0.06233 0.04416 0.04284 0.04943 0.04881 0.04653 0.04567 0.06664 0.08092 0.05926 0.06513 0.06665 0.05393 0.04606 0.05527 0.05364 0.08208 0.08327 0.05424 0.06494 0.08086 0.09862 0.07855 0.09129 0.06795 0.09746 0

Bước 4 là quá trình lọc ma trận nhằm xác định mối quan hệ giữa các nút máy phát và nút tải Trong đó, các cột đại diện cho bus tải và các hàng đại diện cho bus máy phát Sau khi hoàn thành, chúng ta sẽ loại bỏ các bus không chứa tải và bus không chứa máy phát, kết quả sẽ được trình bày trong Bảng 4.4.

Bảng 4.4 Bảng rút gọn quan hệ giữa các bus máy phát và bus tải trong hệ thống về khoảng cách pha

Bus 30 Bus 32 Bus 33 Bus 34 Bus 35 Bus 36 Bus 37 Bus 38 Bus 39 Bus 3 0,028 0,044 0,049 0,067 0,047 0,060 0,041 0,067 0,040

Bước 5: Sắp xếp thứ tự ưu tiên sa thải phụ tải ứng với sự cố máy phát tương ứng

Mỗi sự cố máy phát yêu cầu xây dựng bảng thứ tự khoảng cách giữa bus máy phát và bus tải, nhằm xác định chiến lược sa thải phù hợp.

Bảng 4.5 Bảng chiến lược sa thải đề xuất

Bus 30 Bus 32 Bus 33 Bus 34 Bus 35 Bus 36 Bus 37 Bus 38 Bus 39

1 Load 25 Load 4 Load 20 Load 20 Load 23 Load 23 Load 25 Load 29 Load 39

4.2 Thử nghiệm STPT theo phương pháp đề xuất cho sơ đồ 39-Bus New England

Qui trình mô phỏng lấy mẫu với sơ đồ 39-Bus New England (Hình 4.2) được thực hiện như sau:

Sau khi cài đặt các thông số cho hệ thống điện, bạn có thể tiến hành mô phỏng quá độ bằng cách truy cập vào mục Add Ons → Transient Stability Quá trình mô phỏng này sẽ mô phỏng sự cố mất máy phát, như thể hiện trong Hình 4.4 và Hình 4.5.

Hình 4.4 Công cụ mô phỏng quá độ trong phần mềm PowerWorld

Hình 4.5 Cài đặt các thông số quá độ

Để giả lập sự cố, chọn Insert → Generator và chỉnh sửa máy phát 30, với mục Description Type là Open và mức tải 100% Sau khi hoàn tất mô phỏng, để thu thập dữ liệu trong Powerworld, thực hiện Display/Column Option → Copy/Paste/Send → Send All To Excel Số biến thu thập bao gồm 153 biến, trong đó có 10 biến công suất của các máy phát PG, 39 biến điện áp tại các Bus volt, và công suất tại các tải.

PL (19 biến); Công suất trên các đường dây Pline (46 biến) và tần số tại các Bus Frequency (39 biến)

Hình 4.6 Cài đặt giả lập sự cố máy phát 30

Hình 4.7 Biểu đồ góc rotor máy phát và tần số của Bus khi sự cố máy phát 30

Khi giá trị tần số bus và góc rotor vượt quá giới hạn cho phép, cần thực hiện sa thải phụ tải theo chiến lược đã trình bày trong Bảng 4.5 Quá trình mô phỏng sẽ được lặp lại cho đến khi đạt được kết quả mong muốn, với giá trị góc rotor máy phát dưới 180 độ và tần số bus ổn định trong khoảng cho phép (60,3Hz ≥ f ≥ 59,7Hz) Đặc biệt, trong trường hợp sự cố máy phát 30 với mức tải 100%, chỉ cần tiến hành sa thải tải tại bus.

25 thì hệ thống đã ổn định

Hình 4.8 Mô phỏng sa thải ở sự cố máy phát 30 với mức tải 100%

Hình 4.9 Biểu đồ góc rotor MF và tần số f sau khi sa thải tải ứng với sự cố MF 30

Quá trình mô phỏng được thực hiện từ mức tải 60% đến 100%, trong đó xảy ra sự cố từ máy phát 30 đến máy phát 39 Sau khi sa thải phụ tải để hệ thống ổn định, tổng hợp kết quả để tạo thành tập mẫu Kết quả cuối cùng cho thấy có tổng cộng 328 mẫu sau khi mô phỏng các trường hợp khác nhau.

Xây dựng mạng nơ-ron [9, 10]

Trong phần mềm, Matlab quá trình tạo mạng nơ-ron được thực hiện theo 6 bước như sau:

Hình 4.10 Lưu đồ xây dựng mạng nơ-ron

Quá trình xây dựng mạng nơ-ron kép được chia thành hai giai đoạn khác nhau do việc sử dụng hai loại mạng nơ-ron Mỗi giai đoạn thực hiện sẽ có những phương pháp và quy trình riêng biệt tùy thuộc vào từng loại mạng nơ-ron.

4.3.1 Xây dựng mạng nơ-ron hồi quy

Quy trình xây dựng mạng nơ-ron hồi quy gồm 5 bước:

Bước đầu tiên trong quy trình nghiên cứu là thu thập dữ liệu bằng cách mô phỏng trên phần mềm Powerworld, nhằm lấy số liệu từ các mức tải từ 60% đến 100% Kết quả mô phỏng sẽ được tổng hợp thành một tập dữ liệu đầu vào, sau đó chia thành 85% cho tập mẫu huấn luyện và 15% cho tập mẫu kiểm tra.

Bước 2: Tiền xử lý dữ liệu thông qua việc chuẩn hóa các dữ liệu có đơn vị khác nhau

Bước 3: Tạo mạng nơ-ron và tiến hành huấn luyện mạng nơ-ron hồi quy bằng cách cung cấp mẫu đầu vào và đầu ra cùng với hằng số lan truyền Trong giai đoạn này, cần xác định hằng số huấn luyện phù hợp thông qua các phép thử nghiệm.

Bước 4: Tạo mạng nơ-ron

Bước 5: Đánh giá độ chính xác nhận dạng sau huấn luyện

Tập dữ liệu huấn luyện mạng nơ-ron bao gồm 328 mẫu với 153 biến đầu vào và biến đầu ra là chiến lược sa thải cần thực hiện Quá trình xây dựng và huấn luyện mạng nơ-ron hồi quy diễn ra theo các bước cụ thể.

Hình 4.11 Khái quát quá trình huấn luyện nơ-ron Bước 1: Thu thập dữ liệu

Sau khi mô phỏng, thu thập dữ liệu cần cho việc nhận dạng thành một bảng dữ liệu trình bày ở Hình 4.12.:

Hình 4.12 Bảng dữ liệu sau khi mô phỏng

Bước 2: Tiền xử lý dữ liệu

Sau khi hoàn thành việc tạo bảng dữ liệu, bước tiếp theo là phân chia thành tập input và tập target Đồng thời, cần tiến hành xử lý dữ liệu input để cải thiện tốc độ huấn luyện và nâng cao độ chính xác của kết quả học.

Có nhiều phương pháp để xử lý dữ liệu, trong đó z-score là một phương pháp phổ biến được nhiều nghiên cứu áp dụng Phương pháp này chuẩn hóa các giá trị trong dữ liệu dựa trên độ lệch chuẩn và giá trị trung bình.

Bước 3: Tìm hằng số lan truyền (spread constant)

Bước này thực hiện phép thử thực hiện nhiều lần để tìm được hằng số huấn luyện phù hợp

Sau 5 lần chạy với xáo trộn mẫu ngẫu nhiên các kết quả đều cho thấy tập mẫu đạt độ chính xác cao với giá trị spread trong khoảng từ 0,001 đến 0,2 Chọn giá trị spread trong mạng là 0,1

Hình 4.13 Kết quả phép thử hệ số Spread trong huấn luyện tập dữ liệu Bước 4: Tạo mạng nơ-ron trên Matlab

Bước 5: Đánh giá độ chính xác của quá trình nhận dạng Độ chính xác được đo lường thông qua sai số toàn phương trung bình (MSE) từ các lần chạy tìm Spread, trong đó hệ số 0.01 được coi là phù hợp cho việc huấn luyện.

Bảng 4.6 Kết quả sai số toàn phương trung bình (MSE)

MSE huấn luyện 0.0341 0.0350 0.0359 0.0363 0.0365 0.0367 0.0367 0.0368 0.0368 0.0368 MSE kiểm tra 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013

4.3.2 Xây dựng mạng nơ-ron lan truyền ngược

Sơ đồ khối của thuật toán lan truyền ngược và quá trình tính toán được minh họa ở Hình 4.14:

Hình 4.14 Lưu đồ quá trình huấn luyện mạng nơ-ron lan truyền ngược

Qui trình tạo mạng nơ-ron lan truyền ngược theo các bước sau:

Bước đầu tiên là thu thập dữ liệu bằng cách mô phỏng trên phần mềm Powerworld để lấy số liệu cho từng mức tải Sau đó, tổng hợp các dữ liệu này thành một tập hợp đầu vào, chia thành 85% cho việc huấn luyện và 15% cho kiểm tra.

Bước 2: Tiền xử lý dữ liệu

Bước 3: Tạo mạng và thực hiện huấn luyện bằng thuật toán lan truyền ngược, cần cung cấp thông tin mẫu đầu vào và đầu ra, cùng với các thông số cài đặt phù hợp cho mạng thông qua phép thử.

Bước 5: Đánh giá độ chính xác sau huấn luyện

Quá trình huấn luyện cụ thể như sau:

Bước 1: Cũng giống như mạng nơ-ron hồi quy, bước này thu thập dữ liệu và tạo bảng dữ liệu

Bước 2: Tiến hành tiền xử lý dữ liệu bằng cách chuẩn hóa các giá trị đầu vào về khoảng [0.05, 0.95] Việc này là cần thiết để đảm bảo hiệu quả hoạt động của mạng nơ-ron lan truyền ngược.

Nguyễn Công Anh Vũ 45 đã nghiên cứu về thuật toán kích hoạt ở lớp ẩn, trong đó hàm sigmoid được sử dụng phổ biến Giá trị đầu ra của hàm sigmoid thường nằm trong khoảng (0,1), cho thấy nó là một hàm tiếp cận hiệu quả.

Trong bước 3, việc tìm kiếm các thông số cài đặt là rất quan trọng, bao gồm lựa chọn thuật toán huấn luyện, số lớp ẩn và số nơ-ron trong lớp ẩn Các chuyên gia thường dựa vào kinh nghiệm hoặc thử nghiệm nhiều lần để xác định thông số phù hợp Thuật toán huấn luyện phổ biến cho các bài toán nhận dạng và phân loại bao gồm Lenvenberg-Marquardt, Bayesian, Scaled Conjugate Gradient và Resilient Backpropagation, trong đó Lenvenberg-Marquardt được đánh giá có hiệu quả cao nhất Về lý thuyết, mạng có hai lớp ẩn có khả năng biểu diễn các hàm với hình dạng bất kỳ, vì vậy không cần thiết phải sử dụng nhiều hơn hai lớp ẩn Nhiều nghiên cứu cho thấy, đối với hầu hết các bài toán cụ thể, chỉ cần một lớp ẩn là đủ, và việc sử dụng quá nhiều lớp ẩn có thể làm chậm quá trình huấn luyện.

Trong hầu hết các bài toán, việc xác định tối ưu số lượng nơ-ron cho một lớp không hề đơn giản Cần phải tiến hành huấn luyện mạng với các số lượng nơ-ron khác nhau trong lớp ẩn và dự đoán lỗi tổng quát hóa cho từng lựa chọn Qua đó, ta có thể lựa chọn số nơ-ron phù hợp nhất.

Sau khi thiết lập hai thông số ban đầu, chúng tôi tiến hành thử nghiệm với số lượng nơ-ron trong lớp ẩn, bắt đầu từ 2 đến 20, tăng dần mỗi lần 2 nơ-ron để xác định giá trị tối ưu nhất.

Hình 4.16 Đồ thị phần trăm độ chính xác nhận dạng và số nơ-ron lớp ẩn

Chọn số nơ-ron lớp ẩn phù hợp là 12

Sau khi chọn các thông số cài đặt phù hợp tiến hành huấn luyện mạng

Hình 4.17 Huấn luyện mạng nơ-ron theo thuật toán Lenvenberg-Marquardt Bước 5: Đánh giá độ chính xác nhận dạng sau khi huấn luyện

Kiểm tra lại độ chính xác với dữ liệu là tập huấn luyện và tập kiểm tra, kết quả trình bày ở Bảng 4.7

Bảng 4.7 Kết quả nhận dạng của mạng nơ-ron hồi quy

So sánh phương pháp STPT đề xuất với các phương pháp khác

Để đánh giá các ưu điểm và hạn chế của phương pháp đề xuất, cần so sánh độ chính xác nhận dạng, lượng sa thải phụ tải và thời gian phục hồi tần số với các phương pháp khác.

4.4.1 Phương pháp AHP sa thải phụ tải [8]

Chiến lược sa thải theo đề xuất của thuật toán AHP cho hệ thống IEEE 39-Bus New England trình bày ở Bảng 4.8 (TLTK [8])

Bảng 4.8 Thứ tự sa thải phụ tải ưu tiên theo thuật toán AHP

STT sa thải Tải Trung tâm tải W di W kj W ij

4.4.2 Phương pháp sa thải phụ tải theo tần số thấp [8]

Có nhiều loại rơle sa thải phụ tải dưới tần số đã được phát triển, trong đó có các loại sử dụng thông số biến thiên df/dt.

Ví dụ của chương trình sa thải tải dưới tần số theo đề xuất của ERCOT [8], trình bày ở Bảng 4.8

Bảng 4.9 Chương trình sa thải tải của ERCOT

Tần số sa thải Tải sa thải

Theo Bảng 4.8, có ba cấp độ sa thải phụ tải tương ứng với các mức tần số khác nhau Khi tần số giảm xuống 58.5Hz, sẽ có tới 25% phụ tải bị sa thải.

4.4.3 Mô phỏng và so sánh các phương pháp STPT khác nhau

Giả sử trường hợp nghiên cứu là sự cố máy phát G34

Biểu đồ góc rotor máy phát và tần số hệ thống theo thời gian khi sự cố máy phát

34, mức tải 100% trình bày ở Hình 4.18

Hình 4.18 Biểu đồ góc rotor máy phát và tần số bus theo t khi sự cố MF34

Hình 4.19 Biểu đồ góc rotor máy phát và tần số bus sau khi STPT theo phương pháp đề xuất ứng với sự cố máy phát 34

Hình 4.20 Biểu đồ góc rotor máy phát và tần số bus khi sự cố máy phát 34 theo phương pháp AHP

Hình 4.21 Biểu đồ góc rotor máy phát và tần số bus ổn định khi sự cố máy phát

34 theo phương pháp tần số thấp

Bảng 4.10 Bảng nhận xét các thông số của 3 phương pháp

Phương pháp Thời gian khôi phục tần số (s)

Mức tần số ổn định (Hz)

Dung lượng sa thải (MW)

Khi máy phát 34 gặp sự cố ở mức tải 100%, phương pháp sa thải theo khoảng cách điện về pha cho thấy nhiều ưu điểm vượt trội so với hai phương pháp khác.

✓ Công suất sa thải tải ít hơn so với hai phương pháp còn lại;

✓ Thời gian phục hồi tần số sớm hơn, khoảng 20÷25s

Tiêu đề	Nghiên Cứu Sa Thải Phụ Tải Trong Hệ Thống Điện Dựa Trên Khoảng Cách Pha
Tác giả	Nguyễn Công Anh Vũ
Người hướng dẫn	PGS.TS. Quyền Huy Ánh
Trường học	Trường Đại Học
Chuyên ngành	Kỹ Thuật Điện
Thể loại	luận văn thạc sĩ

Định dạng
Số trang	63
Dung lượng	2,92 MB