Nhận dạng sự cố trên đường dây truyền tải điện bằng kỹ thuật WAVELET kết hợp mạng nơ rôn

Nhận dạng sự cố trên đường dây truyền tải điện bằng kỹ thuật WAVELET kết hợp mạng nơ rôn Nhận dạng sự cố trên đường dây truyền tải điện bằng kỹ thuật WAVELET kết hợp mạng nơ rôn Nhận dạng sự cố trên đường dây truyền tải điện bằng kỹ thuật WAVELET kết hợp mạng nơ rôn

TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU

Đặt vấn đề

Sự cố trên đường dây truyền tải điện có thể gây gián đoạn cung cấp điện cho khách hàng và dẫn đến thiệt hại lớn cho xã hội, đặc biệt trong ngành sản xuất công nghiệp Việc phát hiện nhanh chóng và sửa chữa kịp thời các sự cố này là rất quan trọng để duy trì hệ thống điện hoạt động ổn định Tính sẵn sàng và độ tin cậy trong cung cấp điện ngày càng trở nên quan trọng, nhất là trong bối cảnh các chính sách tự do hóa năng lượng và thị trường năng lượng cạnh tranh, nhằm giảm chi phí vận hành và tăng lợi nhuận.

Khi xảy ra sự cố trên hệ thống đường dây truyền tải, việc xác định vị trí gặp sự cố trở nên phức tạp do chiều dài của tuyến đường dây, địa hình khó tiếp cận, và phương tiện giao thông hạn chế Hơn nữa, các sự cố thường xảy ra ở những khu vực xa dân cư, yêu cầu tổ chức tìm kiếm khẩn trương bất kể thời gian trong ngày.

Phát hiện dấu vết và nguyên nhân gây ra sự cố không phải là điều dễ dàng Một số sự cố tại hiện trường, như đứt dây dẫn hoặc dây chống sét, có thể nhận diện dễ dàng bằng mắt thường.

Sự cố phóng điện qua chuỗi sứ thường để lại dấu vết rất khó phát hiện, đặc biệt là vào ban đêm, khi mà dấu vết này quá nhỏ để nhìn thấy bằng mắt thường từ mặt đất Việc không phát hiện được dấu vết hiện trường sẽ dẫn đến khó khăn trong việc xác định vị trí và nguyên nhân gây ra sự cố Nếu không có thông tin ban đầu như khoảng cách rơle báo hoặc báo cáo từ người dân về tiếng nổ bất thường, việc xác định khu vực nghi ngờ để tìm ra nguyên nhân sự cố trở nên khó khăn, từ đó ảnh hưởng đến kế hoạch sửa chữa và khắc phục kịp thời.

Hình 1.1: Ngọn cây dầu dính vào dây dẫn Pha C cách trạm 500kV Tân Định 2,5 km đường dây 500kV Tân Định (573, 574) - Di Linh (571, 572) (sự cố lúc 13g50, ngày

Hình 1.2: Đứt dây dẫn pha A khoảng trụ 62 -63 (phía trụ 63) đường dây 220kV Ô môn-Thốt nốt (sự cố ngày 24/09/2010 -PTC4)

Hình 1.3: Chuỗi sứ néo pha B trụ 218 bị phóng điện (phía trụ 219) đường dây 220kV Cao lãnh-Thốt nốt (sự cố ngày 05/11/2011 -PTC4)

Hình 1.4: Dấu vết chuỗi sứ néo pha B trụ 218 bị phóng điện đường dây 220kV Cao Lãnh-Thốt Nốt (sự cố ngày 05/11/2011 -PTC4)

Việc xác định vị trí sự cố chính xác trên đường dây truyền tải điện là rất quan trọng để nhanh chóng khôi phục cung cấp điện, giảm thiểu thời gian mất điện và tiết kiệm công sức tìm kiếm Mục tiêu này được các công ty truyền tải điện hướng đến, vì nghiên cứu các phương pháp xác định vị trí sự cố là cần thiết cho việc quản lý và vận hành hiệu quả hệ thống điện.

Mục đích

Mục tiêu của luận văn là phát triển giải pháp mô phỏng đường dây truyền tải bằng Matlab-Simulink để khảo sát quá trình quá độ khi xảy ra ngắn mạch Nghiên cứu sẽ tập trung vào các phương pháp xác định và nhận dạng sự cố đường dây, sử dụng công nghệ biến đổi wavelet và mạng nơron.

Nhiệm vụ của đề tài

Đề tài "nhận dạng sự cố trên đường dây truyền tải điện bằng kỹ thuật wavelet kết hợp mạng nơ rôn" có nhiệm vụ cụ thể sau:

- Giới thiệu về phương pháp biến đổi wavelet

- Tìm hiểu và nghiên cứu phương pháp sử dụng để xác định vị trí sự cố trên đường dây truyền tải

- Mô phỏng khảo sát đường dây truyền tải trên không bằng Matlab – Simulink, áp dụng phương pháp biến đổi wavelet và mạng nơ ron.

Phạm vi nghiên cứu

- Nghiên cứu các lý thuyết về nhận dạng hệ thống như biến đổi wavelet

- Tổng quan phương pháp nhận dạng sự cố bằng kỹ thuật wavelet kết hợp mạng nơ ron dựa theo một số bài báo trong và ngoài nước

- Tập trung nghiên cứu về nhận dạng các loại sự cố 10 dạng ngắn mạch trên đường dây truyền tải.

Phương pháp nghiên cứu

- Thu thập tài liệu liên quan đến đề tài nghiên cứu

- Đánh giá ưu nhược điểm của các phương pháp đã đề xuất trước đây Nhận xét tổng quan về lĩnh vực đề tài đang nghiên cứu

- Xây dựng giải thuật phân loại và nhận dạng các hiện tượng ngắn mạch trong hệ thống điện

- Xây dựng giao diện cho giải thuật phân loại và nhận dạng các hiện tượng ngắn mạch trong hệ thống điện

- Phân tích các kết quả nhận được

- Đánh giá tổng quát toàn bộ đề tài Đề nghị hướng phát triển của đề tài.

Điểm mới của đề tài

Đề xuất một giải thuật hiệu quả cho việc phân loại và nhận dạng sự cố ngắn mạch trong hệ thống điện, sử dụng biến đổi Wavelet kết hợp với mạng nơ ron Giải thuật này đảm bảo độ chính xác cao và thời gian đáp ứng nhanh, góp phần nâng cao hiệu quả quản lý và bảo trì hệ thống điện.

- Xây dựng được chương trình tự động trong vấn đề phân loại và nhận dạng các hiện tượng quá độ trong hệ thống điện

- Góp phần cải thiện chất lượng điện năng của hệ thống điện bằng cách phân loại và nhận dạng nhanh các sự cố ngắn mạch trên hệ thống điện.

Giá trị thực tiễn của đề tài

Mục tiêu của nghiên cứu là phát triển một giải thuật nhận dạng và phân loại tín hiệu sự cố bằng cách kết hợp mạng Nơ ron và phân tích Wavelets Giải pháp này nhằm tự động và nhanh chóng nhận diện các sự cố ngắn mạch trong hệ thống điện Khi được triển khai thực tế, thiết bị sẽ giúp giảm thiểu thời gian và nhân lực cần thiết cho việc phát hiện và cảnh báo các tác động tiêu cực của hiện tượng quá độ trong vận hành lưới điện.

Đề tài “Nhận dạng sự cố trên đường dây truyền tải bằng kỹ thuật wavelet kết hợp mạng nơ ron” được thực hiện nhằm cung cấp giải pháp hiệu quả, góp phần nâng cao chất lượng vận hành cho hệ thống điện.

Từ công việc nghiên cứu của đề tài:

- Nhận được kết quả của mô hình " Nhận dạng sự cố trên đường dây truyền tải bằng kỹ thuật wavelet kết hợp mạng nơ ron "

- Ứng dụng rộng rãi trong các trạm vận hành hệ thống điện trên toàn hệ thống nhằm nhận dạng và phân loại các tín hiệu sự cố

- Giúp các nhà hoa ̣ch đi ̣nh có thêm mô ̣t giải pháp nhằm nâng cao hiệu quả vận hành và nâng cao chất lượng điện năng hệ thống điện

- Sử dụng làm tài liệu giảng dạy.

Các nghiên cứu khoa học liên quan

Trong hai thập kỷ qua, nghiên cứu về phương pháp nhận dạng và phân loại tín hiệu quá độ trong hệ thống điện đã trở nên cấp thiết Sự gia tăng sử dụng các thiết bị điện tử công suất trong các thiết bị tiêu thụ điện nhấn mạnh tầm quan trọng của việc nghiên cứu, do các thiết bị này rất nhạy cảm với những nhiễu loạn xảy ra trong các hiện tượng quá độ.

Nghiên cứu của P.S.Wright trong " Short time fourier transform and wigner-ville distributions applied to the calibration of power frequency harmonic analyzers" năm 1999

Chất lượng điện năng thường không ổn định và có thể xuất hiện nhiễu loạn trong thời gian ngắn Để nhận diện tín hiệu, cần có thông tin về cả thời gian và tần số Việc áp dụng biến đổi Fourier thông dụng không đủ để phân tích tín hiệu, vì nó chỉ cung cấp thông tin về phổ tần mà không xác định được thời gian xuất hiện nhiễu loạn Thông tin về thời gian xuất hiện là yếu tố cơ bản để xác định thời gian và chu kỳ của các nhiễu loạn này.

In the 2000 study by Y Gu and M Bollen titled "Time Frequency and Time Scale Domain Analysis of Voltage Disturbances," it was demonstrated that time-frequency analysis is more suitable for examining unstable signals, as it provides valuable information regarding both the timing and frequency spectrum of the signals Numerous researchers have employed techniques such as Discrete Wavelet Transform (DWT) and Short Time Fourier Transform (STFT) among the various available methods.

Để phân tích các tín hiệu điện, biến đổi Fourier trong thời gian ngắn sử dụng khung bề rộng cố định để dịch chuyển theo thời gian, tuy nhiên, biến đổi wavelet rời rạc lại hiệu quả hơn trong việc nhận dạng sự thay đổi thời gian-tần số Nghiên cứu của T.Jayasree và các đồng nghiệp đã đề xuất một phương pháp mạng Neural cơ bản hình tia để phân loại các nhiễu loạn quá độ trong chất lượng điện năng Các nhiễu loạn khác nhau được tạo ra và phân tách thông qua kỹ thuật phân tích nhiều chuyển hóa Wavelet (MRA).

Nghiên cứu của Gaing [11] áp dụng kỹ thuật phân tích nhiều chuyển hóa để tách tín hiệu thành các thành phần và hệ số xấp xỉ Bài báo giới thiệu một mạng nơ ron xác suất (Probabilistic Neural Network) nhằm phân loại các hiện tượng chất lượng điện năng dựa trên các thuộc tính được thu thập từ hệ số các thành phần qua quá trình phân tách.

Zhang Ming và các cộng sự đã đề xuất một phương pháp kết hợp kỹ thuật RMS và FFT để tách các đặc trưng từ tín hiệu nhận được Họ sử dụng thuật toán cây dự đoán dựa trên nguyên tắc (RBDT) để phân loại các tín hiệu điện Bài báo này trình bày phương pháp phân tích wavelet cùng với thuật toán dựa trên nguyên tắc, nhằm phân loại các tín hiệu nhiễu loạn sau khi trích xuất đặc tính từ tín hiệu bằng kỹ thuật phân tích đa chuyển hóa.

Hướng nghiên cứu của đề tài

Dựa trên những kết quả từ các nghiên cứu trước đây, đề tài "Nhận dạng sự cố trên đường dây truyền tải bằng kỹ thuật wavelet kết hợp mạng nơ ron" đề xuất một hướng nghiên cứu mới nhằm cải thiện khả năng phát hiện và phân tích sự cố trong hệ thống truyền tải điện.

Thiết lập các tín hiệu nhiễu loạn về chất lượng điện năng là rất quan trọng để nhận diện từng hiện tượng nhiễu loạn Những tín hiệu này cung cấp nguồn dữ liệu cần thiết cho các phương pháp nhận dạng hiệu quả.

8 và phương pháp các tín hiệu sự cố dựa vào mạng Nơ ron kết hợp với phân tích Wavelets được đề xuất

Biến đổi wavelet là phương pháp hiệu quả và phổ biến hiện nay để tách các đặc trưng năng lượng từ tín hiệu nhiễu loạn điện Phương pháp này đặc biệt phù hợp cho việc phân tích các tín hiệu có đặc trưng thời gian-tần số cần thu nhận.

- Sử dụng mạng nơ ron để nhận dạng các đặc trưng năng lượng đã phân tích được bằng phương pháp biến đổi wavelet

GIỚI THIỆU VỀ PHƯƠNG PHÁP BIẾN ĐỔI WAVELET

Giới thiệu tổng quan mạng wavelet

Sự kết hợp giữa lý thuyết wavelet và mạng neuron đã tạo ra mạng wavelet, mang lại ảnh hưởng sâu sắc đến xử lý tín hiệu Lý thuyết wavelet cung cấp một phương pháp toán học nghiêm ngặt cho kỹ thuật phân tích đa phân Sự kết hợp giữa phần mềm tính toán và lý thuyết wavelet đã dẫn đến sự phát triển của nhiều kỹ thuật mới như mạng wavelet, wavenet và wavelet mờ.

Phân tích wavelet và mạng neuron được kết hợp theo phương thức số Có hai loại cần phân biệt là:

- Phần wavelet được tách riêng từ việc học: tín hiệu được phân tích trên các wavelet và các hệ số wavelet sẽ được cung cấp tới mạng neuron

- Kết hợp wavelet và mạng neuron thành một

Cấu trúc một mạng neuron thông thường bao gồm 3 lớp cơ bản: lớp ngõ vào, lớp ẩn và lớp ngõ ra (hình 2.1)

Ngõ ra được cho bởi phương trình tổng quát như sau:

Hàm K f (x) được biểu diễn dưới dạng tổng hợp các trọng số w i và hàm biến đổi tùy chọn ξ, với các tham số a i, b i được tối ưu trong quá trình học Trong trường hợp mạng wavelet, đây là một mạng neuron nuôi tiến 3 lớp, trong đó hàm ξ được chọn là một wavelet mẫu ψ.

Nếu các trọng số được tối ưu trong phương trình (2.1) và hàm biến đổi ψ m,n = ψ

(2 -m (x-n)), với m, n là các số nguyên lúc đó ta gọi mạng wavelet này là một wavenet

Một loại mạng wavelet đặc biệt được gọi là mạng wavelet mờ hay wavenet mờ, có thể được phân tích thông qua tương quan 2-scalet theo phương pháp của Mallat (1998) Cụ thể, một wavelet có thể được biểu diễn dưới dạng tổng các scalet, được diễn tả bằng công thức: ξ (x) = ∑h n−2r f (2x − r) r.

Ngõ vào Lớp ẩn Ngõ ra

Wavelet đóng vai trò là hàm biến đổi

Mạng wavelet thường được mô tả qua cấu trúc như hình 2.1, với phương trình (2.1) thể hiện mối quan hệ giữa giá trị trung bình của hàm f và các hệ số d m,n của mạng neuron.

Mạng Wavelet mờ, hay wavenet mờ Mạng Wavelet

Hình 2.2 Mạng wavelet dựa trên cấu trúc perceptron

Các mạng wavelet phổ biến thường dựa trên cấu trúc perceptron Mạng wavelet mờ, hay còn gọi là wavenet mờ, có thể được coi là một mô hình của neuron mờ, hoạt động đồng thời với các tập hợp của mạng wavelet.

Nguồn gốc mạng wavelet

Nguồn gốc của mạng wavelet có thể được đánh dấu bởi các nghiên cứu của

Daugman (1988) đã áp dụng wavelet để phân loại ảnh, mở đầu cho sự phát triển của mạng wavelet Sự phổ biến của mạng wavelet gia tăng nhờ vào các nghiên cứu của Pati (1991, 1992), Zhang (1992) và Szu (1992) Mạng wavelet được xem như một loại mạng neuron nuôi tiến đặc biệt, trong đó Zhang đã ứng dụng mạng wavelet để điều khiển cánh tay robot, sử dụng hàm wavelet mẫu.

Szu sử dụng một hàm wavelet mẫu khác là:

Phương pháp phân loại âm sắc và nhận dạng giọng nói sử dụng công thức (x) = cos(1.75 x) e −1 / 2 x2, với các hình xích-ma được Pati (1991) chọn lựa Phương pháp này đã được tổng quát hóa để cải thiện hiệu quả trong việc phân tích âm thanh.

Marar(1996) đến các đa thức của hàm xích-ma

Mạng neuron wavelet sử dụng cấu trúc của perceptron 3-lớp được cấu thành một cách tổng quát như sau:

N f (x) = ∑w i det(D i 1 / 2 ) ψ[D i x − t i ] (2.3) i=1 với D là ma trận “giãn” đường chéo và t là vector tịnh tiến Để phân loại ngõ ra có thể sử dụng σ(f(x)), với σ là hàm xích-ma (Szu, 1992).

Ứng dụng wavelet trong hệ thống điện

Biến đổi wavelet là một công cụ toán học mạnh mẽ trong hệ thống điện, cho phép phân tích hiệu quả các dạng sóng quá độ Nó hoạt động như một phương tiện đáp ứng nhanh, thay thế cho phép biến đổi Fourier thông thường.

Các quá độ trong hệ thống điện, như hiện tượng sét, dòng tăng vọt trong máy biến áp, và dòng khởi động động cơ, gây ra hiệu ứng tiêu cực đối với hoạt động bình thường của hệ thống Việc phân tích và hiểu rõ các quá độ này, đặc biệt trong các điều kiện bất thường, là rất quan trọng để lý giải và điều chỉnh nguyên nhân gây ra Sự nhận dạng quá độ thời gian thực và xử lý nhanh chóng, chính xác các tín hiệu dòng áp đóng vai trò then chốt trong việc cải thiện hiệu suất của hệ thống điện.

Các kỹ sư điện hiện đang quan tâm đến việc điều khiển trực tuyến các ứng dụng truyền tải, phân bố và lưu trữ hay nén dữ liệu trong các quá độ Hiện nay, có hai phương pháp chủ yếu được áp dụng để phân tích hiện tượng quá độ: đầu tiên là biến đổi dữ liệu trong miền tần số bằng các phương pháp như Fourier, Laplace hoặc biến đổi z; thứ hai là sử dụng các chương trình mô phỏng hệ thống điện, chẳng hạn như chương trình quá độ điện từ (EMTP) hoặc các giải pháp toán học cho phương trình vi phân.

Mặc dù các phương pháp hiện tại vẫn được sử dụng hiệu quả, nhưng sự phức tạp ngày càng tăng của các hệ thống và yêu cầu về mạng ngày càng nghiêm ngặt đòi hỏi chúng ta phải tìm kiếm các phương pháp phân tích quá độ tiên tiến hơn để thay thế cho những phương pháp hiện tại có nhiều hạn chế.

Chuỗi Fourier yêu cầu tính chu kỳ của tất cả các hàm thời gian, trong đó các hàm cơ bản như sóng sine và cosine được xác định chính xác tần số tồn tại của chúng trong suốt thời gian Biến đổi Fourier cổ điển tính toán thông tin tần số của tín hiệu bằng cách trung bình qua toàn bộ khoảng thời gian của tín hiệu.

Trong phân tích Fourier, nếu có tín hiệu quá độ cục bộ trong khoảng thời gian ngắn, nó sẽ ảnh hưởng đến kết quả phân tích, dù chỉ là một phần nhỏ Tuy nhiên, vị trí của tín hiệu trên trục thời gian sẽ không được xác định Phân tích Fourier truyền thống không xem xét sự thay đổi tần số theo thời gian, dẫn đến việc không thể phân tích các tín hiệu không dừng.

Biến đổi Fourier cửa sổ (hay biến đổi Fourier thời gian ngắn, STFT) là một kỹ thuật hiệu quả để khắc phục các vấn đề liên quan đến phân tích tín hiệu Tuy nhiên, STFT gặp phải hạn chế về độ rộng cửa sổ cố định, điều này yêu cầu phải xác định một giai đoạn cụ thể trong quá trình phân tích.

Phương pháp biến đổi Fourier cửa sổ gặp khó khăn trong việc cung cấp độ phân giải tốt cả ở miền thời gian và tần số, điều này rất quan trọng khi phân tích các tín hiệu quá độ với các thành phần tần số thấp và cao Cụ thể, một cửa sổ rộng cho độ phân giải tần số tốt nhưng kém ở miền thời gian, trong khi một cửa sổ hẹp lại ngược lại Mặc dù có thể áp dụng một dải tuần tự các cửa sổ với độ rộng khác nhau để cải thiện độ chi tiết của vị trí quá độ, nhưng phương pháp này lại trở nên cồng kềnh và tốn nhiều thời gian.

Phân tích wavelet vượt trội hơn biến đổi Fourier nhờ khả năng phân tích đồng thời trong cả hai miền thời gian và tần số Biến đổi wavelet phù hợp với các tín hiệu băng thông rộng không chu kỳ, có thể bao gồm cả thành phần sin và xung, điển hình cho quá độ hệ thống điện nhanh Đặc biệt, wavelet có khả năng tập trung vào các giai đoạn ngắn cho tần số cao và giai đoạn dài cho tần số thấp, cải thiện khả năng phân tích các tín hiệu có dao động và xung cục bộ, đặc biệt là sự xuất hiện của các họa tần cơ bản và họa tần thứ tự thấp Wavelet cũng cho phép điều chỉnh cửa sổ tự động để đạt được độ phân giải tối ưu.

Hình 2.3: Sự cục bộ thời gian – tần số thể hiện qua biến đổi wavelet liên tục, phương pháp này được trình bày bởi Morlet vào năm 1980

TỔNG QUAN PHƯƠNG PHÁP NHẬN DẠNG SỰ CỐ DỰA TRÊN MỘT SỐ BÀO BÁO NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC

Tóm tắt nội dung

The article "Detection and Classification of Faults on 220 KV Transmission Line Using Wavelet Transform and Neural Network" by R P Hasabe and A P Vaidya presents a discrete wavelet transform and neural network approach for identifying and classifying faults in transmission lines Fault detection and classification are achieved by utilizing the energy of the detail coefficients from phase signals, which serve as input for the neural network to categorize transmission line faults The neural network demonstrates effective performance under varying fault conditions and system parameters.

Giới thiệu

Bảo vệ đường dây truyền tải là nhiệm vụ quan trọng trong hệ thống điện, nhằm phát hiện và xử lý sự cố nhanh chóng để duy trì ổn định mạng lưới Hệ thống bảo vệ cần phải có khả năng phát hiện, phân loại và xác định chính xác các sự cố để ngăn chặn sự lan truyền lỗi Kỹ thuật biến đổi Fourier giúp nhận diện các tần số trong tín hiệu nhưng không cung cấp thông tin về thời gian Trong khi đó, chuyển đổi Wavelet mang lại lợi thế về tốc độ và độ chính xác, cho phép phân tích tín hiệu hiệu quả cả trong miền thời gian và tần số Phân tích độ phân giải nhiều băng tần giúp xác định các đặc điểm của tín hiệu, và việc phát hiện lỗi được thực hiện thông qua phân tích các hệ số wavelets năng lượng liên quan đến dòng điện pha.

Thuật toán được đề xuất sử dụng phân tích tần số thời gian của các biến thoái sự cố thông qua biến đổi Wavelet, kết hợp với nhận dạng mẫu bằng mạng nơ ron Biến đổi Wavelet có khả năng phát hiện lỗi và định vị thời gian chính xác, trong khi mạng nơ ron với khả năng học hỏi và xử lý song song đã chứng tỏ hiệu quả trong nhiều hệ thống Việc sử dụng mạng nơ ron cho phân loại mô hình là một ứng dụng phổ biến và mạnh mẽ Các tín hiệu sự cố được tạo ra và kiểm tra tính đúng đắn của thuật toán thông qua MATLAB/SIMULINK, với sự hỗ trợ từ hộp công cụ Wavelet và Neural Network trong phiên bản MATLAB 7.10 Đề án này cho thấy tính không nhạy cảm với sự biến đổi của các thông số khác nhau như loại sự cố và kháng sự cố, đồng thời kỹ thuật dựa trên ANN đã được áp dụng trong bảo vệ hệ thống điện và các ứng dụng phân loại, nhằm gán các mẫu đầu vào vào các lớp khác nhau.

Biến đổi wavelet rời rạc

Chuyển đổi Wavelet rời rạc là công cụ hữu ích trong phân tích các hiện tượng quá độ, đặc biệt trong việc phát hiện sự cố trên đường dây truyền tải Các tín hiệu sự cố thường không cố định và có thể lan truyền thay đổi khắp trục tần số, khiến cho các kỹ thuật Fourier Transform trở nên kém hiệu quả S.T.F.T (Chuyển đổi Fourier thời gian ngắn) sử dụng cửa sổ hỗ trợ cố định để phát hiện các chuyển tiếp sắc nét trong tín hiệu không cố định Tín hiệu sự cố trong hệ thống điện thực tế có nhiều tần số, bao gồm cả tần số cơ bản và các tần số khác Kỹ thuật biến đổi wavelet rất phù hợp với các tín hiệu băng rộng không định kỳ, bao gồm cả thành phần hình sin và không hình sin Biến đổi wavelet có khả năng tập trung vào khoảng thời gian ngắn cho các thành phần tần số cao và dài cho các thành phần tần số thấp Phân tích đa phân giải (MRA) là một công cụ trong chuyển đổi Wavelet rời rạc (D.W.T), giúp phân tách tín hiệu không cố định thành tín hiệu tần số thấp (xấp xỉ) và tần số cao (chi tiết) với các mức độ giải quyết khác nhau.

Bài báo này thảo luận về 18 hiệu ứng với các quy mô và giải pháp khác nhau, tập trung vào việc sử dụng các hệ số chi tiết để phát hiện sự cố Các hệ số này chứa thông tin quan trọng cần thiết cho việc nhận diện và xử lý các sự cố hiệu quả.

Hình 3.1 Mô hình lọc Wavelet

Bài viết này mô tả quá trình phân tích tín hiệu bằng cách sử dụng các bộ lọc có tần số cắt khác nhau để đạt được độ phân giải đa dạng Tín hiệu được truyền qua các bộ lọc cao (hàm wavelet) để phân tích tần số cao và qua các bộ lọc thấp (chức năng điều chỉnh) để phân tích tần số thấp Trong phân hủy đầu tiên, tín hiệu được chia thành D1 và A1 với dải tần số tương ứng là fs/4 - fs/2 và 0 - fs/4 Ở bước phân tích thứ hai, A1 được phân tích thành A2 và D2, với dải tần số D2 là fs/8 - fs/4 và A2 là 0 - fs/8 Quá trình phân tích lặp lại giúp thu được tín hiệu của thành phần tần số mong muốn Wavelet mẹ xác định bộ lọc dùng để phân tích, và trong nghiên cứu này, hàm Db4 (Daubechies 4) được chọn vì hiệu quả của nó trong việc phát hiện sự cố.

Mạng nơ ron nhân tạo

Mạng nơ ron nhân tạo (ANN) được phát triển dựa trên cấu trúc của hệ thống thần kinh sinh học và lần đầu tiên được giới thiệu vào những năm 1960 Chúng hoạt động như một bộ xử lý phân tán song song, có khả năng tự lưu trữ tri thức thực nghiệm một cách hiệu quả.

Mạng nơ ron nhân tạo (ANN) mô phỏng hành vi của hệ thống tự nhiên thông qua việc kết nối các nơ-ron, các đơn vị xử lý cơ bản Các nơ-ron liên kết chặt chẽ với nhau và có khả năng nhận tín hiệu từ bên ngoài hoặc từ các nơ-ron khác, bị ảnh hưởng bởi yếu tố 'sức nặng' Kết quả của nơ-ron được xác định bởi một chức năng chuyển giao, kết hợp tổng các đầu vào và một giá trị ngưỡng gọi là 'sự phân cực' Nhờ vào những đặc điểm này, ANN có thể phát triển nhiều cấu trúc mạng khác nhau, thể hiện sức mạnh và khả năng học hỏi cao Chúng được thiết kế để xử lý dữ liệu đầu vào không đầy đủ và không dự kiến, với mô hình cơ bản bao gồm: nơ-ron, trọng lượng synap, tổng hợp điểm nút và chức năng kích hoạt.

Mạng nơ-ron nhân tạo (ANN) có khả năng học hỏi từ các ví dụ và giải quyết các tình huống khác nhau sau khi được đào tạo Trọng lượng của mạng được điều chỉnh tự động để đạt được đầu ra mục tiêu cho từng đầu vào cụ thể Mạng nơ-ron có thể bao gồm nhiều lớp, với mỗi nơ-ron trong một lớp kết nối trực tiếp với tất cả nơ-ron trong lớp kế tiếp Việc chèn các lớp ẩn giúp phát triển mô hình phi tuyến tính của hệ thống Mạng lưới cấp dữ liệu nhiều lớp có khả năng xử lý mối quan hệ đầu vào và đầu ra phi tuyến phức tạp Thuật toán lan truyền ngược được sử dụng để giảm thiểu lỗi cho đến khi ANN học được dữ liệu huấn luyện, bắt đầu với trọng lượng ngẫu nhiên và mục tiêu tối thiểu hóa lỗi Mạng lưới cấp dữ liệu nhiều lớp đã được chọn để xử lý dữ liệu đầu vào đã chuẩn bị từ W.T.

ANNs được lựa chọn tùy thuộc vào:

2) Chuyển chức năng của mỗi neuron

3) Trọng lượng ban đầu và dự kiến

3.5 Mô hình đường dây truyền tải

Mô hình đường truyền 220 kV dài 200 km từ P đến Q được thiết lập với máy phát 500 MW kết nối ở một đầu và bốn tải nối tại điện áp 13.8 kV và 220 kV Các sự cố khác nhau đã được mô phỏng trên đường dây bằng cách thay đổi các tham số khác nhau Đánh giá của mô hình hệ thống điện được trình bày trong Bảng 1 Hình 2 minh họa mô hình đường truyền đã được xây dựng trong MATLAB 7.10.

Hình 3.2 Mô hình đường dây truyền tải đơn

Bảng 3.1 Các thông số mô hình

1 Generator 500MVA, 13.8kv, 50Hz, synchronous generator pu model

4 Load1 50MW, 220kV, 50MW, 1Mvar, RL load

5 Load2 50MW, 220kV, 50MW, 1MVar, RL load

6 Load3 13.8kV, 40MW, RL load

7 Load4 13.8kV, 40MW, RL load

Các thông số đường dây truyền tải bao gồm R1 = 0.10809Ω/km, R0 = 0.2188Ω/km, L1 = 0.00092 H/km, L0 = 0.0032 H/km, C1 = 1.25x10^-8 f/km và C0 = 7.85x10^-9 f/km Mô hình tham số phân tán của đường dây truyền tải được xem xét để phân tích hiệu suất và tối ưu hóa hệ thống truyền tải điện.

Bài viết phân tích tín hiệu dòng của hệ thống ba pha và dây trung tính, được lấy mẫu với tần số 20 kHz Nghiên cứu mô phỏng các sự cố khác nhau như: một pha chạm đất, hai pha chạm đất, hai pha chạm nhau và ba pha chạm nhau, diễn ra trên đường dây truyền tải trong các điều kiện hệ thống khác nhau.

Thiết kế phát hiện và phân loại lỗi

Quá trình xây dựng phương pháp phát hiện và phân loại lỗi được đề xuất như sau:

1) Tạo mô hình hệ thống điện, thu thập dữ liệu các tín hiệu dòng điện và điện áp

2) Thay đổi các thông số hệ thống, và thu được tín hiệu dòng điện và điện áp

3) Ứng dụng của D.W.T trên các tín hiệu hiện tại và tính hệ số chi phí năng lượng

4) Lựa chọn cấu trúc ANN thích hợp cho ứng dụng nhất định

5) Đào tạo ANN và hợp thức hóa của ANN được đào tạo bằng cách sử dụng mẫu thử nghiệm để kiểm tra tính chính xác và khái quát của nó

Kết hợp các điều kiện sự cố khác nhau là yếu tố quan trọng trong việc tạo ra các mô hình đào tạo cho hệ thống điện Các loại sự cố như độ bền, vị trí và loại sự cố sẽ được thay đổi nhằm tạo ra các mẫu huấn luyện đa dạng và hiệu quả.

Hình 3.3 Quy trình phát hiện sự cố và phân loại

Kết luận

Trong bài báo này thảo luận về kỹ thuật phân tích lỗi và phát hiện lỗi chính xác

Kỹ thuật này sử dụng tín hiệu dòng để trích xuất các đặc trưng thông qua biến đổi wavelet, sau đó đưa vào mạng nơ ron để phân loại mẫu Các nghiên cứu mô phỏng đã được thực hiện với nhiều thông số và điều kiện hệ thống khác nhau Kết quả cho thấy độ chính xác đạt được với chức năng chuyển "tansig-logsig" cho các lớp ẩn I và II là thỏa đáng Mặc dù bài báo tập trung vào phân loại sự cố, nhưng có thể mở rộng để giải quyết các vấn đề bảo vệ hệ thống điện khác, như xác định vị trí sự cố.

Ý TƯỞNG CHO VIỆC NHẬN DẠNG VÀ GIỚI THIỆU VỀ MẠNG NƠ RON RBF 23

Đặc điểm của bài toán

Bài toán nhận dạng và phân loại tín hiệu sự cố tập trung vào việc phát hiện sự thay đổi giữa hai trạng thái: bình thường và sự cố Điều này được thực hiện thông qua việc phân tích dạng sóng của tín hiệu thu được.

Biến đổi wavelet sẽ giúp ta “phân rã” tín hiệu thành nhiều thành đặc trưng tạo điều kiện thuận lợi cho quá trình nhận dạng

Mức độ thay đổi các hệ số được xác định thông qua giá trị RMS từ các hệ số scalet và wavelet Chúng ta tính toán giá trị RMS của các hệ số ở các cấp độ phân giải, coi đây là giá trị năng lượng tương ứng của từng cấp phân giải Giá trị này được tính toán theo công thức cụ thể.

- Đối với các hệ số scalet

Lc0 : Là số điểm trong hệ số Scalet

- Đối với các hệ số wavelet

Ldj : là số điểm của hệ số wavelet

J : là cấp độ phân tích lớn nhất được chọn j : là cấp độ phân tích thứ j

Công thức được viết trong giao diện matlab để chạy ra bộ dữ liệu cuối cuốn luận văn:

Các vector tín hiệu RMS biểu diễn các hệ số scalet và wavelet của tín hiệu bị méo dạng f(t) tương ứng với từng cấp độ phân giải.

Trong bài toán này, chúng ta chọn cấp phân giải tối đa J=3 và áp dụng hàm wavelet db4 làm mẫu Do đó, các hệ số wavelet được sử dụng để tính toán bao gồm a3, d3, d2 và d1.

Trong nghiên cứu này, 25 tương ứng với các giá trị RMSa3, RMSd3, RMSd2 và RMSd1, dẫn đến việc tạo ra một tín hiệu đặc trưng bởi 4 hệ số biến đổi wavelet Chúng tôi khảo sát tổng cộng 7 tín hiệu, từ đó hình thành 28 thành phần trong một vector nhận dạng Tổng quát, một tín hiệu bất kỳ sẽ được phân tích thành một vector đặc trưng gồm 4 thành phần.

Sau khi tính toán 7 tín hiệu điện áp và dòng điện trong hệ thống, chúng tôi đã thu được một vector trạng thái gồm 28 thành phần, đặc trưng cho trạng thái vận hành của hệ thống Các trạng thái này được mô tả chi tiết trong bảng 4.1.

Bảng 4.1: Các trạng thái của hệ thống

STT Các trạng thái hệ thống

1 Ngắn mạch 3 pha Dầu đường dây 3ph

Giữa đường dây 3pm Cuối đường dây 3pe

2 Ngắn mạch 2 pha BC không chạm đất Dầu đường dây bc_2ph

Giữa đường dây bc_2pm Cuối đường dây bc_2pe

3 Ngắn mạch 2 pha AB không chạm đất

Dầu đường dây ab_2ph Giữa đường dây ab_2pm Cuối đường dây ab_2pe

4 Ngắn mạch 2 pha AC không chạm đất Dầu đường dây ac_2ph

Giữa đường dây ac_2pm Cuối đường dây ac_2pe

5 Ngắn mạch 2 pha BC chạm nhau và chạm đất

Dầu đường dây bc_2pgh Giữa đường dây bc_2pgm Cuối đường dây bc_2pge

6 Ngắn mạch 2 pha AB chạm nhau và chạm đất Dầu đường dây ab_2pgh

Giữa đường dây ab_2pgm Cuối đường dây ab_2pge

7 Ngắn mạch 2 pha AC chạm nhau và chạm đất

Dầu đường dây ac_2pgh Giữa đường dây ac_2pgm Cuối đường dây ac_2pge

8 Ngắn mạch 1 pha A chạm đất Dầu đường dây a_1pgh

Giữa đường dây a_1pgm Cuối đường dây a_1pge

9 Ngắn mạch 1 pha B chạm đất Dầu đường dây b_1pgh

Giữa đường dây b_1pgm Cuối đường dây b_1pge

10 Ngắn mạch 1 pha C chạm đất Dầu đường dây c_1pgh

Giữa đường dây c_1pgm Cuối đường dây c_1pge

Ý tưởng

Để phân tích và nhận dạng trạng thái của hệ thống trực tuyến (bình thường hay sự cố) cũng như phân loại từng sự cố, cần thiết phải xác định một khoảng thời gian giới hạn và thực hiện phân tích liên tục khi có sự thay đổi tín hiệu.

Cửa sổ trượt là phương pháp hiệu quả trong việc chọn lựa, với độ rộng có thể điều chỉnh tối ưu tùy thuộc vào bài toán và mô hình phân tích Độ rộng cửa sổ trượt được chọn gồm 34 mẫu tín hiệu tương ứng với một chu kỳ tín hiệu Để nhận dạng sự cố với vector trạng thái 28 thành phần, cần xây dựng mạng neuron RBF (Radial Basic Function) Để xác định vị trí ngắn mạch, cần áp dụng luật “láng giềng gần nhất” nhằm tìm khoảng cách gần nhất giữa vector trạng thái và vector mẫu tương ứng với từng trạng thái.

Biến đổi wavelet rời rạc và biến đổi RMS được phân tích qua sơ đồ đa phân, cho thấy mối quan hệ giữa các hệ số ở các mức độ phân giải khác nhau J đại diện cho cấp phân giải lớn nhất trong phân tích này.

Xây dựng sơ đồ giải thuật

Từ các kết quả trên ta có thể xây dựng sơ đồ giải thuật như sau:

Hình 4.2 Sơ đồ giải thuật cho việc nhận dạng và phân loại sự cố

Cấu trúc của một mạng RBF (Radial Basis Funtion)

Đây là một loại mạng neuron nhân tạo nuôi tiến mới và cực kỳ mạch mẽ Đặc điểm của một mạng RBF là:

- Mạng có một lớp ngõ vào với các nút là các thành phần đặc trưng giống như MLP (Multi-Layer Perceptron)

Một lớp ẩn được thiết kế với mỗi nút có một hàm biến đổi đặc biệt, tập trung vào vector trung tâm của một “cluster” hoặc “subcluster” trong không gian đặc trưng Điều này giúp các hàm phản ứng một cách phù hợp với các vector đầu vào gần với tâm của chúng.

Một lớp ngõ ra trong mạng RBF tổng quát được tính bằng tổng các ngõ ra từ các nút của lớp ẩn, sử dụng hàm biến đổi tuyến tính Để đảm bảo rằng giá trị trung bình của các tổng khác không, mỗi ngõ ra sẽ có một tham số "bias" b j được thêm vào Hình 4.3 minh họa cấu trúc của mạng này.

Hình 4.3: Mạng RBF tổng quát

Các RBF tổng quát là: x -> y 1 = f 1 (x, v (1) ),…, x -> y M = f M (x, v (M) ),

Trong bài viết này, chúng ta xem xét nút lớp ẩn với vector đặc trưng đầu vào x(q), với q = 1…Q, và đặt M