Tổng quan tình hình nghiên cứu
Tốc độ xây dựng lưới điện không theo kịp sự phát triển của phụ tải do tăng trưởng kinh tế ở nhiều quốc gia trong những thập niên gần đây, dẫn đến hệ thống điện phải vận hành ở mức cận biên ổn định Trong bối cảnh đó, hệ thống điện thường xuyên đối mặt với các sự cố bất thường, và thế giới đã chứng kiến nhiều vụ tan rã lưới điện gây thiệt hại kinh tế xã hội vô cùng lớn.
Để ngăn ngừa mất ổn định hệ thống điện (HTĐ) và tan rã lưới điện, việc tìm kiếm giải pháp phân tích nhanh là rất cần thiết Các phương pháp truyền thống thường tốn nhiều thời gian và không thể hoạt động trực tuyến, dẫn đến chậm trễ trong quyết định điều khiển Do đó, nghiên cứu về nhận dạng ổn định HTĐ ngày càng thu hút sự quan tâm Các phương pháp hiện đại như kỹ thuật thống kê, mạng nơ-ron và cây quyết định đã được áp dụng để đánh giá ổn định hệ thống điện mà không cần giải hệ phương trình vi phân Cụ thể, Yan Xu đã sử dụng kỹ thuật phân lớp, S Kalyani áp dụng thuật toán phân cụm mờ, trong khi Ayman Hoballah và Haidar ứng dụng các loại mạng nơ-ron khác nhau Nhiều nghiên cứu gần đây đã chỉ ra hiệu quả của mạng nơ-ron trong việc nhận dạng ổn định HTĐ, bên cạnh đó, SVM cũng được áp dụng để cải thiện độ chính xác trong đánh giá ổn định hệ thống điện.
Tính cần thiết
Hệ thống điện hiện đại dễ bị tổn thương do thường xuyên gặp phải sự cố bất ngờ, dẫn đến mất ổn định Các phương pháp truyền thống thường tốn nhiều thời gian, gây chậm trễ trong quyết định điều khiển Do đó, việc nhận dạng ổn định hệ thống điện đã trở thành mối quan tâm lớn của nhiều nhà nghiên cứu.
Nhận dạng ổn định hệ thống điện (HTĐ) có thể được cải thiện thông qua các giải pháp tính toán thông minh, đặc biệt là máy học dựa trên tri thức Phương pháp này cho phép học từ dữ liệu phức tạp và sử dụng mạng nơ-rôn nhân tạo để tính toán nhanh chóng mà không cần giải hệ phương trình vi phân như phương pháp truyền thống Tuy nhiên, dữ liệu ổn định động HTĐ thường phức tạp, gây khó khăn cho mạng nơ-rôn trong việc phân biệt giữa lớp ổn định và không ổn định, dẫn đến rủi ro rơi vào cực trị địa phương trong quá trình huấn luyện Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng SVM có thể nâng cao độ chính xác trong nhận dạng Do đó, tác giả đề xuất sử dụng bộ nhận dạng SVM để xây dựng mô hình nhận dạng ổn định cho hệ thống điện trong nghiên cứu này.
Mục tiêu của đề tài
Xây dựng mô hình nhận dạng ổn định hệ thống điện.
Áp dụng bộ nhận dạng SVM vào xây dựng mô hình nhận dạng ổn định hệ thống điện.
Cách tiếp cận và phương pháp nghiên cứu
- Nghiên cứu các tài liệu, các bài báo, các sách về chẩn đoán ổn định hệ thống điện.
- Xây dựng hệ thống nhận dạng thông minh dựa trên cơ sở các bộ nhận dạng (ANN, K-NN, SVM).
- Đánh giá phương pháp đề xuất trên sơ đồ lưới điện chuẩn IEEE 39- bus.
- Nghiên cứu với sự trợ giúp của các phần mềm Matlab,
Bố cục của đề tài
Bố cục của đề tài bao gồm 5 chương:
Chương 1 Phân tích tổng quan vấn đề nghiên cứu
Chương 2 Lý thuyết nhận dạng
Chương 3 Dữ liệu trong nhận dạng ổn định hệ thống điện
Chương 4 Xây dựng và đánh giá mô hình nhận dạng ổn định động hệ thống điện
2.1 Mạng nơ-ron nhân tạo
2.1.1 Giới thiệu về mạng nơ-ron nhân tạo
Mạng nơ-ron nhân tạo (ANN) được phát triển dựa trên cấu trúc của bộ não con người, mang lại phương pháp tiếp cận mới cho hệ thống thông tin Với khả năng thực hiện các bài toán nhận dạng, phân loại và điều khiển cho cả đối tượng tuyến tính và phi tuyến, mạng nơ-ron nhân tạo cho hiệu quả cao hơn so với các phương pháp tính toán truyền thống.
Mạng nơ-ron nhân tạo là một cấu trúc bao gồm nhiều nơ-ron nhân tạo được kết nối với nhau, hoạt động tương tự như bộ não con người Nó có khả năng học hỏi, gọi lại và tổng hợp thông tin từ quá trình luyện tập với các mẫu dữ liệu.
2.1.2 Mô hình nơ-ron sinh học
Bộ não con người có khoảng 10 11 nơ-ron sinh học ở nhiều dạng khác nhau
Mô hình nơ-ron sinh học bao gồm ba phần chính: thân, cây và trục Cây chứa các dây thần kinh kết nối với thân, trong khi trục là một cấu trúc dài và đơn, cũng liên kết với thân Cuối trục có dạng phân nhánh, với mỗi nhánh chứa khớp thần kinh, nơi nơ-ron kết nối và truyền tín hiệu đến các nơ-ron khác Nơ-ron thu nhận thông tin chủ yếu từ cây hoặc thân của nó, với tín hiệu được tiếp nhận dưới dạng các xung điện.
Hình 2.1 Mô hình nơ-ron sinh học
Một tế bào thần kinh có ba phần, Hình 2.1:
-Phần đầu có nhiều khớp thần kinh (Dendrite) là nơi tiếp xúc với các với các điểm kết nối (Axon Terminal) của các tế bào thần kinh khác.
Nhân của tế bào thần kinh (Nucleus) tiếp nhận tín hiệu điện từ Dendrite, sau đó tổng hợp và xử lý các tín hiệu này Kết quả được truyền qua trục nơ-ron (Axon) đến các điểm kết nối (Axon Terminal) ở đuôi.
-Phần đuôi có nhiều điểm kết nối (Axon Terminal) để kết nối với các tế bào thần kinh khác.
2.1.3 Mô hình nơ-ron nhân tạo
2.1.3.1 Cấu trúc mô hình một nơ-ron nhân tạo
Mạng nơ-ron nhân tạo được phát triển nhằm tái tạo các đặc điểm của mạng nơ-ron sinh học, mô phỏng hoạt động tương tự như cách mà bộ não con người hoạt động.
[19] Các đặc tính của mạng nơ-ron là:
- Tri thức của mạng được nắm bắt bởi các nơ-ron thông qua quá trình học.
- Trọng số kết nối các nơ-ron đóng vai trò lưu giữ thông tin.
- Mạng nơ-ron tính toán rất nhanh.
Nơ-ron nhân tạo tiếp nhận nhiều ngõ vào từ dữ liệu gốc hoặc từ các nơ-ron khác trong mạng Mỗi kết nối đến ngõ vào được gán một trọng số (weight) w, thể hiện mức độ liên kết giữa các nơ-ron Trọng số dương biểu thị sự kích thích của khớp thần kinh, trong khi trọng số âm cho thấy sự kiềm chế Mỗi nơ-ron cũng có một giá trị ngưỡng (threshold), được điều chỉnh bởi thành phần dịch chuyển (bias) b.
Tín hiệu được truyền qua hàm kích hoạt f để tạo ra giá trị ngõ ra cho nơ-ron Mô hình nơ-ron bao gồm n phần tử ngõ vào, mỗi ngõ vào được kết nối với một trọng số w Tổng ngõ vào được trọng hóa và đưa tới ngõ ra thông qua hàm chuyển đổi f, như được thể hiện trong biểu thức (2.1).
Hình 2.2 Mô hình một nơ
…, x n ] là vector ngõ vào có n phần tử, trọng số kết nối W =
[w 1 , w 2 ,…, w n ] Ngõ ra mạng được tính theo công thức: n yf (b x w ) i i i1
Hàm chuyển đổi (Transfer Function) hay hàm kích hoạt (Activation Function) có vai trò quan trọng trong việc biến đổi tổng trọng (net) thành tín hiệu ngõ ra y Các nơ-ron có thể áp dụng nhiều loại hàm chuyển đổi khác nhau để tạo ra tín hiệu ngõ ra Một số hàm chuyển đổi phổ biến bao gồm hàm hard limit, logsig, tansig, purelin và hàm bán kính.
Bảng 2.1 Một số hàm phi tuyến thường dùng trong các mô hình nơ-ron
Tên hàm Công thứcĐặc tính g(u)= 1 nếu u 0
Hàm bước nhảy đơn vị g(u)=0 nếu u< 0
Hàm bước nhảy lưỡng cực u
2.1.3.2 Cấu trúc mô hình mạng nơ-ron nhân tạo nhiều lớp
Mạng nơ-ron nhân tạo được thiết kế dựa trên ý tưởng của mạng nơ-ron sinh học, nhưng có cấu trúc đơn giản hơn nhiều về số lượng nơ-ron và cách kết nối Các nơ-ron trong mạng nơ-ron nhân tạo được tổ chức sao cho dễ dàng biểu diễn bằng mô hình toán học Mạng nơ-ron nhiều lớp bao gồm một lớp đầu vào, một lớp đầu ra, và các lớp ẩn nằm giữa hai lớp này Trong mạng nơ-ron truyền thẳng, tín hiệu được truyền theo một hướng từ đầu vào đến đầu ra, với các nơ-ron được phân chia thành nhiều lớp, nơi mỗi nơ-ron chỉ kết nối với các nơ-ron ở lớp trước hoặc lớp sau.
Hình 2.3 Cấu trúc mô hình mạng nơ-ron nhân tạo nhiều lớp truyền thẳng
2.1.4 Phân loại mạng nơ-ron
Cấu trúc mạng nơ-ron phụ thuộc vào cách kết nối giữa các nơ-ron Trọng lượng của các kết nối này được điều chỉnh thông qua thuật toán huấn luyện để đáp ứng các yêu cầu của mạng Mạng nơ-ron có thể được phân loại dựa trên cấu trúc và thuật toán huấn luyện sử dụng.
Mạng nơ-ron được phân loại thành hai loại chính: mạng truyền thẳng và mạng phản hồi Mạng truyền thẳng nhiều lớp bao gồm lớp vào, các lớp ẩn và lớp ra, trong đó lớp vào nhận tín hiệu từ bên ngoài, còn lớp ra chứa các nơ-ron phát tín hiệu ra ngoài mạng Ngược lại, mạng phản hồi cho phép đầu ra của một số nơ-ron hồi tiếp ngược lại chính nó hoặc các nơ-ron trong lớp kế tiếp, cho phép tín hiệu di chuyển theo cả hai hướng: truyền tới và truyền lùi.
Theo phương pháp huấn luyện, mạng có thể được phân chia thành ba nhóm chính: phương pháp học tập có giám sát, phương pháp học tập không giám sát và phương pháp học tập củng cố.
Mạng Perceptron nhiều lớp (MLP) với thuật toán truyền ngược là công cụ quan trọng trong nhiều lĩnh vực, bao gồm một lớp ngõ vào, một hoặc nhiều lớp ẩn và một lớp ngõ ra Số lượng nơ-ron trong lớp ngõ vào tương ứng với số biến đầu vào Thuật toán truyền ngược, được phát triển độc lập bởi các nhà nghiên cứu như Werbos (1974), Parker (1985) và Rumelhart, Hinton, Williams (1986), đã trải qua nhiều cải tiến để nâng cao tốc độ hội tụ và tính ổn định Thuật toán này hoạt động theo phương pháp tìm gradient âm có giám sát, bao gồm hai quá trình: lan truyền tiến và lan truyền ngược sai số Trong quá trình lan truyền tiến, tín hiệu đầu vào được truyền qua mạng mà không thay đổi trọng số, tạo ra tín hiệu đầu ra Ngược lại, trong quá trình lan truyền ngược, tín hiệu lỗi được truyền ngược để điều chỉnh trọng số, giúp cải thiện độ chính xác của mạng.
Quy trình huấn luyện phổ biến nhất trong học máy là học có giám sát, sử dụng giải thuật lan truyền ngược Giải thuật này áp dụng phương pháp giảm Gradient để tối thiểu hóa sai số trung bình bình phương giữa đầu ra thực tế và đầu ra mong muốn.
Thuật toán Levenberg-Marquardt được khuyến nghị sử dụng trong huấn luyện nhờ vào tốc độ hội tụ nhanh và độ chính xác nhận dạng cao Trong quá trình huấn luyện, các thông số mạng được khởi tạo ngẫu nhiên và quá trình này sẽ dừng lại khi đạt một trong các điều kiện như số vòng lặp tối đa, thời gian huấn luyện tối đa, hoặc sai số đạt mức cho phép.
2.2 Bộ phân lớp K-Nearest Neighbor
Xây dựng mô hình nhận dạng ổn định động hệ thống điện
Hệ thống điện hiện đại đang phải đối mặt với áp lực vận hành gần giới hạn ổn định, dẫn đến nguy cơ mất ổn định khi xảy ra sự cố Với tính phi tuyến cao, việc phân tích ổn định quá độ của hệ thống điện bằng các phương pháp truyền thống thường tốn nhiều thời gian Do đó, việc phát hiện sớm mất ổn định trở thành yếu tố quan trọng để đảm bảo vận hành ổn định cho hệ thống điện Gần đây, các phương pháp nhận dạng đã được áp dụng như một giải pháp thay thế hiệu quả, giúp giải quyết những vấn đề mà các phương pháp phân tích truyền thống không thể xử lý kịp thời Mô hình nhận dạng được xây dựng thông qua quá trình học từ cơ sở dữ liệu đầu vào và đầu ra của các thông số chế độ vận hành, cho phép bộ nhận dạng nhanh chóng tính toán trạng thái ổn định của hệ thống điện.
Ma trận cơ sở dữ liệu ổn định HTĐ x có n biến và N mẫu Biến đầu ra y có N mẫu gán nhãn nhị phân.
Bài toán đánh giá ổn định hệ thống điện (HTĐ) là một thách thức phi tuyến phức tạp, với nhiều nghiên cứu đã áp dụng mạng nơ-ron để thiết kế bộ phân lớp đánh giá ổn định Tuy nhiên, việc huấn luyện mạng nơ-ron thường gặp khó khăn do dễ bị rơi vào cực trị địa phương Để giải quyết vấn đề phân lớp phi tuyến cao, bộ phân lớp SVM (Support Vector Machine) được đề xuất là một giải pháp hứa hẹn cho việc đánh giá ổn định HTĐ Đề tài này đã tiến hành so sánh độ chính xác của SVM với mạng nơ-ron MLP (Multilayer Perceptron Neural Network) trong việc nhận dạng ổn định HTĐ.
Hình 4.1 Mô hình bộ nhận dạng
Các bước xây dựng mô hình nhận dạng:
Bước 1 Tạo cơ sở dữ liệu.
Bước 2 Xử lý dữ liệu.
Sơ đồ IEEE 39-bus
Trong bài viết này, chúng tôi trình bày về hệ thống nhận dạng ổn định của mạng điện HTĐ IEEE 39-bus Hệ thống này bao gồm 39 bus, trong đó có 10 bus máy phát, 12 máy biến áp, 34 đường dây truyền tải và 19 tải Các máy phát được kết nối từ bus 30 đến các bus khác trong mạng lưới.
Trong hệ thống điện, có tổng cộng 39 bus, trong đó bus 39 được xem là bus Slack, 9 bus được gọi là bus PV, và 29 bus còn lại là bus PQ Hệ thống này hoạt động với hai cấp điện áp là 345kV và 20kV, như thể hiện trong Hình 4.2.
Mô hình máy phát điện trong hệ thống điện IEEE 10-máy 39-bus sử dụng mô hình GENPWTwoAxis, với điều khiển kích từ theo mô hình IEEET1 và điều khiển tần số theo mô hình TGVO1 Các đường dây trong hệ thống có chiều dài và các thông số điện trở, điện kháng, dung dẫn khác nhau, được tính toán trên cơ sở điện áp 345kV Tải được mô tả bằng trở kháng cố định Máy biến áp có điện trở RT và điện kháng XT, được xác định dưới dạng giá trị tương đương của cuộn dây sơ cấp và thứ cấp, với các đơn vị tương đối dựa trên điện áp 20kV cho cuộn sơ cấp và 345kV cho cuộn thứ cấp Tất cả các giá trị trong hệ thống điện được thiết lập trên cơ sở 100MVA Đây là sơ đồ đơn tuyến nổi tiếng, được nhiều công trình nghiên cứu và áp dụng.
Tất cả các mô hình phần tử trong sơ đồ được trích xuất từ thư viện phần mềm PowerWorld Thông số chi tiết của các phần tử trong hệ thống điện IEEE 39-bus được cung cấp trong phần phụ lục.
Tạo cơ sở dữ liệu
Chế độ HTĐ có hai dạng biến: biến ở chế độ xác lập và biến ở chế độ sự cố Biến ở chế độ xác lập hay tiền sự cố cung cấp thông tin giúp hệ thống nhận diện tình trạng mất ổn định, từ đó phát tín hiệu đến hệ thống điều khiển để ngăn chặn trước khi sự cố xảy ra Điều này giúp hệ thống điều khiển đưa ra quyết định nhằm duy trì hoạt động an toàn cho hệ thống điện, mặc dù sự cố có thể không xảy ra Tuy nhiên, việc điều khiển này có thể dẫn đến chi phí tổn thất do phải điều chỉnh lại lịch trình phát điện của các máy phát Các điểm vận hành trong chế độ tiền sự cố bao gồm điện áp tại các bus, công suất của các máy phát điện, dòng công suất trên các nhánh và công suất tổng.
Nguyễn Ngọc Âu nhấn mạnh rằng trong chế độ động hoặc chế độ sự cố, thông tin về tình trạng mất ổn định là rất quan trọng để phát tín hiệu cho hệ thống điều khiển khẩn cấp Lệnh điều khiển cần được thực thi ngay lập tức nhằm đưa hệ thống trở về trạng thái ổn định, bảo vệ hệ thống điện khỏi nguy cơ tan rã Các đặc trưng của chế độ sự cố bao gồm độ lệch điện áp tại các bus, độ lệch công suất phát, và độ lệch công suất trên các nhánh Trong phân tích ổn định hệ thống điện, độ sụt điện áp và độ thay đổi công suất tác dụng chứa thông tin quan trọng liên quan đến trạng thái ổn định của hệ thống Những biến này được chọn làm đầu vào cho bộ nhận dạng, trong khi biến đầu ra đại diện cho điều kiện ổn định động của hệ thống điện được gán nhãn nhị phân cho lớp ổn định và không ổn định.
Phần mềm Powerworld sử dụng công cụ tính toán phân bố công suất tối ưu OPF để tính toán mẫu công suất phát Nghiên cứu này thực hiện mô phỏng off-line nhằm thu thập dữ liệu đánh giá ổn định động của hệ thống điện trong chế độ vận hành đầy đủ các máy phát và đường dây truyền tải, với mức tải 100% và thời gian cắt ngắn mạch là 50ms Bài báo phân tích các sự cố ngắn mạch ba pha, một pha chạm đất, và hai pha tại tất cả các thanh góp cũng như dọc theo các đường dây truyền tải, với khoảng cách 5% chiều dài đường dây Dữ liệu đầu vào bao gồm x{∆Vbus, ∆Pload, ∆Pflow}, với tổng số 104 biến đầu vào (39+19+46) và 1 biến đầu ra Tổng số mẫu thu thập được là 310, trong đó có 158 mẫu ổn định và 152 mẫu không ổn định, và tập dữ liệu này đã được chuẩn hóa theo biểu thức 4.1.
Xử lý dữ liệu
Bài viết này trình bày bước chọn biến, trong đó tác giả đề xuất sử dụng phương pháp xếp hạng với hàm mục tiêu chọn biến F (Fisher) và phương pháp tìm kiếm tuần tự tiến lùi (SFFS) với hàm mục tiêu SM (Scatter-Matrice) Hai phương pháp này đã được áp dụng trong việc chọn biến và được công bố trong các tài liệu trước đó Để thực hiện quá trình chọn biến, dữ liệu được chia ngẫu nhiên thành 10 tập con có kích thước bằng nhau, trong đó mỗi lần huấn luyện sử dụng chín tập con và một tập con còn lại để kiểm tra.
Nguyễn Ngọc Âu đã tiến hành tập kiểm tra với kết quả huấn luyện và kiểm tra được tính toán trung bình cho 10 lần thực hiện Bộ nhận dạng K-Nearest Neighbor (1-NN, K=1) được khuyến nghị để đánh giá độ chính xác chọn biến nhờ vào tính đơn giản của nó Đánh giá độ chính xác nhận dạng theo biểu thức 4.4 cho thấy độ chính xác kiểm tra khi chọn biến theo phương pháp xếp hạng Fisher và SFFS lần lượt đạt 93,5% và 95,8% với số biến là 15 và 14 Kết quả chọn biến theo phương pháp SFFS cho thấy 14 biến được chọn, như được trình bày trong Bảng 4.1 và đã được tác giả công bố trong bài báo trước đây [35].
Hình 4.3 Độ chính xác kiểm tra chọn biến, bộ nhận dạng K-NN (K=1)
Bảng 4.1 Các biến được chọn
Xây dựng mô hình nhận dạng
Trong nghiên cứu này, dữ liệu được phân chia thành hai tập: tập huấn luyện gồm 230 mẫu (118 mẫu ổn định và 112 mẫu không ổn định) và tập kiểm tra gồm 80 mẫu (40 mẫu ổn định và 40 mẫu không ổn định) Tập dữ liệu tổng cộng có 310 mẫu với 14 biến đầu vào và một biến đầu ra Các công cụ nhận dạng được hỗ trợ từ phần mềm Matlab đã được sử dụng để xây dựng mô hình.
Mô hình mạng MLP được xây dựng với cấu trúc gồm 3 lớp: lớp vào, lớp ẩn và lớp ra Sử dụng thuật toán Levenberg-Marquardt để cập nhật trọng số và bias nhờ vào tốc độ tính toán nhanh Số chu kỳ huấn luyện được thiết lập là 1000 với sai số huấn luyện là 1e-3, các thông số khác giữ nguyên mặc định Mạng sử dụng hàm kích hoạt purelin cho lớp ra và hàm ẩn logsig với 10 nơ-rôn trong lớp ẩn Mạng có 14 biến đầu vào và 1 biến đầu ra y{1,0} Kết quả huấn luyện mạng được thể hiện trong Hình 4.4, với số chu trình huấn luyện là 32, và hệ số tương quan giữa đầu ra của mạng và giá trị mục tiêu được trình bày trong Hình 4.5.
Train Validation Test Best Goal
Hình 4.4 Đặc tuyến hội tụ huấn luyện mạng MLP
Hình 4.5 Hệ số tương quan
Xây dựng mô hình bộ phân lớp SVM trong phần mềm Matlab sử dụng hàm nhân RBF Kernel để tối ưu hóa hiệu suất nhận dạng Nghiên cứu đề xuất phương pháp chia lưới nhằm tìm kiếm cặp thông số C và Kernel (K) tốt nhất, với giá trị của C và K nằm trong khoảng [-γ,+γ] và γ được chọn trong khoảng [-15,15] Các thông số trong hàm phân lớp SVM được cài đặt trong khoảng [2 -γ ,2 γ ], với bước khoảng cách lưới là 0,1 Điều này tạo ra một lưới vuông với 301 điểm cho mỗi cạnh, tổng cộng có 90601 điểm trong lưới tìm kiếm, từ đó giúp cải thiện độ chính xác của mô hình.
Giá trị độ chính xác kiểm tra của Nguyễn Ngọc Âu được trình bày trong Hình 4.6 Dựa trên đó, cặp thông số (C, K) đã được lựa chọn và kết quả đánh giá được thể hiện trong Bảng 4.2.
Bảng 4.2 Kết quả xây dựng các bộ phân lớp
Hình 4.6 Đồ thị cặp thông số (C, K) và đường mức độ chính xác kiểm tra
Hệ số tương quan tổng thể giữa đầu ra của bộ phân lớp MLP và mục tiêu đạt 0,94696, cho thấy sự tương quan cao giữa chúng Độ chính xác kiểm tra của bộ phân lớp MLP là 95%, một kết quả được coi là chấp nhận được trong bài toán đánh giá ổn định hệ thống điều khiển.
Kết quả kiểm tra cho thấy bộ phân lớp SVM đạt độ chính xác 98,75%, cao hơn 3,75% so với MLP Đề tài đã đề xuất sử dụng SVM để nhận dạng ổn định động HTĐ do sự cố ngắn mạch gây ra, và kết quả cho thấy SVM vượt trội hơn MLP về độ chính xác.
Nâng cao độ chính xác trong nhận dạng sự cố giúp cải thiện khả năng can thiệp sớm khi hệ thống điện (HTĐ) gặp sự cố ngắn mạch và mất ổn định Kết quả này có ý nghĩa quan trọng trong nghiên cứu phát triển, đặc biệt là trong việc triển khai các biện pháp điều khiển khẩn cấp, như sa thải phụ tải, nhằm khắc phục tình trạng mất ổn định do ngắn mạch gây ra trên HTĐ.
Kết quả đạt được
Đánh giá ổn định hệ thống điện là yếu tố quan trọng để nâng cao độ tin cậy và tính ổn định trong vận hành, đặc biệt trong những tình huống khẩn cấp Các phương pháp truyền thống không đáp ứng hiệu quả trong việc đánh giá sự ổn định khi có dao động lớn do sự cố Việc đánh giá kịp thời sự mất ổn định động giúp tăng cơ hội điều khiển hệ thống điện trở về trạng thái ổn định Do đó, cần thiết phải xây dựng hệ thống đánh giá ổn định động với độ chính xác cao hơn Đề tài nghiên cứu đã hoàn thành nhiều nội dung khoa học và thực tiễn liên quan đến vấn đề này.
Bộ nhận dạng SVM đã được áp dụng thành công để xây dựng mô hình nhận dạng ổn định cho hệ thống điện Kết quả thử nghiệm trên sơ đồ IEEE 39-bus cho thấy bộ nhận dạng SVM đạt được độ chính xác cao.
Bộ nhận dạng ổn định hệ thống điện được thiết kế nhằm hỗ trợ đào tạo cho các nhân viên vận hành hệ thống điện, giúp họ xử lý hiệu quả các tình huống phát sinh từ các kịch bản sự cố.
Đề tài này sẽ mang lại giá trị thiết thực cho những ai quan tâm, đặc biệt là các học viên cao học chuyên ngành kỹ thuật điện, khi áp dụng phương pháp nhận dạng để nghiên cứu và cải thiện sự ổn định quá độ của hệ thống điện.
Từ kết quả nghiên cứu trong đề tài, các kiến nghị cho nghiên cứu cần tiếp tục triển khai trong tương lai như sau:
Nghiên cứu phối hợp với khâu điều khiển khẩn cấp là cần thiết để duy trì sự ổn định của hệ thống điện trong các tình huống mất ổn định, chẳng hạn như trong việc điều khiển sa thải phụ tải.
Nghiên cứu mở rộng áp dụng phương pháp nghiên cứu trong đề tài cho nhận dạng ổn định điện áp, ổn định tần số.
[1] Y V Makarov, V I Reshetov, V A Stroev, and N I Voropai,
“Blackout prevention in the United States, Europe, and Russia,” Proc IEEE, vol 93, no 11, pp 1942–1954, 2005.
[2] Y Xu, S Member, Z Y Dong, S Member, L Guan, and R. Zhang,
“Preventive Dynamic Security Control of Power Systems Based on Pattern Discovery Technique,” vol 27, no 3, pp 1236–1244, 2012.
[3] A M A Haidar, M W Mustafa, F A F Ibrahim, and I A Ahmed,
“Transient stability evaluation of electrical power system using generalized regression neural networks,” Appl Soft Comput J., vol 11, no 4, pp 3558–
[4] S Kalyani and K S Swarup, “Supervised fuzzy C-means clustering technique for security assessment and classification in power systems,”
Multicr Int J Eng Sci Technol., vol 2, no 3, pp 175–185, 2010.
[5] A Hoballah and I Erlich, “Transient stability assessment using ANN considering power system topology changes,” 2009 15th Int Conf.
Syst Appl to Power Syst ISAP ’09, 2009.
[6] A Karami, “Power system transient stability margin estimation using neural networks,” Int J Electr Power Energy Syst., vol 33, no 4, pp. 983–991, 2011.
[7] N Amjady and S F Majedi, “Transient stability prediction by a hybrid intelligent system,” IEEE Trans Power Syst., vol 22, no 3, pp. 1275–1283, 2007.
[8] A Y Abdelaziz and M A El-Dessouki, “Transient Stability Assessment using Decision Trees and Fuzzy Logic Techniques,” Int J.
Intell Syst Appl., vol 5, no 10, pp 1–10, 2013.
[9] Y Xu et al., “Assessing Short-Term Voltage Stability of Electric Power
Systems by a Hierarchical Intelligent System,” IEEE Trans Neural
Networks Learn Syst., vol 27, no 8, pp 1686–1696, 2016.
[10] S M Ashraf, A Gupta, D K Choudhary, and S Chakrabarti,
Nguyễn Ngọc Âu stability monitoring of power systems using reduced network and artificial neural network,” Int J Electr Power Energy Syst., vol 87, pp 43–51, 2017.
[11] R Zhang, Y Xu, Z Y Dong, K Meng, and Z Xu, “Intelligent systems for power system dynamic security assessment: Review and classification,”
2011 4th Int Conf Electr Util Deregul Restruct Power Technol., pp 134–
[12] Z Y Dong, Z Rui, and Y Xu, “Feature selection for intelligent stability assessment of power systems,” in 2012 IEEE Power and Energy
[13] A Karami and S Z Esmaili, “Transient stability assessment of power systems described with detailed models using neural networks,” Int.
J Electr Power Energy Syst., vol 45, no 1, pp 279–292, 2013.
[14] A M A Haidar, A Mohamed, A Hussain, and N Jaalam,
“Artificial Intelligence application to Malaysian electrical powersystem,”
Expert Syst Appl., vol 37, no 7, pp 5023–5031, 2010.
[15] W Hu et al., “Real-time transient stability assessment in power system based on improved SVM,” J Mod Power Syst Clean Energy, vol 7, no 1, 2019.
[16] Y Zhou, J Wu, Z Yu, L Ji, and L Hao, “A hierarchical method for transient stability prediction of power systems using the confidence of a SVM-based ensemble classifier,” Energies, vol 9, no 10, 2016.
[17] F R Gomez, A D Rajapakse, U D Annakkage, and I T. Fernando, “Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements,” IEEE Trans.
Power Syst., vol 26, no 3, pp 1474–1483, 2011.
[18] S Kalyani and K S Swarup, “Pattern analysis and classification for security evaluation in power networks,” Int J Electr Power Energy
[19] S Haykin, Neural Networks and Learning Machines, Third Edit Pearson Prentice Halll, 2009.
[20] M H Beale, M T Hagan, and H B Demuth, “Neural Network Toolbox TM User ’ s Guide R 2014 a,” 2014.
[21] S Theodoridis and K Koutroumbas, Pattern Recognition, Fourth Edi Elsevier Inc, 2009.
[22] A R Webb and K D Copsey, Statistical Pattern Recognition 2011.
[23] B E Boser, T B Laboratories, I M Guyon, T B Laboratories, and V N.
Vapnik, “A Training Algorithm for Optimal Margin Classiers,” Proc 5th
Annu Work Comput Learn Theory, p page 144-152, 1992.
[24] C Cortes and V Vapnik, “Support-Vector Networks,” Proc Mach
[25] H Byun and S Lee, “Applications of Support Vector Machines for Pattern
Recognition : A Survey,” Springer-Verlag Berlin Heidelb 2002, pp 213–
[26] Lã Văn Út, Phân tích & điều khiển ổn định hệ thống điện NXB Đại Học Quốc Gia TP.HCM, 2011.
[27] Nguyễn Hoàng Việt and Phan Thị Thanh Bình, Ngắn Mạch & Ổn Định Trong Hệ Thống Điện NXB Đại Học Quốc Gia TP.HCM, 2011.
[28] P Kundur, N J Balu, and M G Lauby, Power system stability and control McGraw-Hill, Inc, 1994.
[29] T a Lipo, Analysis of Synchronous Machines, Second Edi CRC Press, 2012.
[30] K Y Lee and M A El-Sharkawi, Modern Heuristic Optimization
Techniques A John Wiley & Sons Inc Publication, 2008.
[31] M Cheriet, N Kharma, C.-L Liu, and C Y Suen, Character
Recognition Systems - A Guide for Students and Practioners A Jonhn Wley
[32] N.N.Au, Q.H.Anh, and P.T.T.Binh, “Feature Subset Selection inDynamic Stability Assessment Power System Using Artificial NeuralNetworks,” Sci Technol Dev Vol.18, No.K3, 2015.
[33] N.N.Au, Q.H.Anh, and P.T.T.Binh, “Dyanamic Stability Assessment Of Power System Using Multilayer Feedforward Neural Networks With
Reduced Feature Selection,” 2Nd Int Conf Green Technol Sustain Dev.
[34] N A Nguyen, T N Le, H A Quyen, B P T Thanh, and T B Nguyen,
“Hybrid Classifier Model for Dynamic Stability Prediction in Power System,” Proc - 2017 Int Conf Syst Sci Eng ICSSE 2017, vol 2017, no. Icsse, pp 144–147, 2017.
[35] N.N.Au, L.T.Nghia, Q.H.Anh, and P.T.T.Binh, “Sa thải phụ tải dựa trên nhận dạng nhanh ổn định động hệ thống điện,” Tạp chí Khoa học và
Công nghệ Đại học Đà nẵng, vol 2, no 6, pp 6–11, 2017.
PHỤ LỤC Bảng PL1 Công suất máy phát
Bảng PL2 Mô hình máy phát điện đồng bộ GENPWTwoAxis
Bảng PL3 Thông số thiết bị điều khiển kích từ IEEE1
Bảng PL4 Thông số thiết bị điều chỉnh tần số TGOV1
Bảng PL5 Thông số máy biến áp
Bảng PL6 Thông số trở kháng đường dây
Bảng PL7 Thông số trở kháng thứ tự không đường dây
