Xử lý dự liệu cho bài toán phân lớp ổn định hệ thống điện

Tổng quan tình hình nghiên cứu

Bài toán phân lớp ổn định hệ thống điện (HTĐ) đang thu hút sự quan tâm nghiên cứu từ nhiều tác giả gần đây Việc phát hiện sớm các sự cố và mất ổn định trong HTĐ là rất quan trọng để điều khiển hiệu quả, tránh tình trạng tan rã lưới Tuy nhiên, các phương pháp truyền thống thường mất nhiều thời gian giải quyết, gây chậm trễ trong quyết định điều khiển.

Để xây dựng bộ phân lớp hiệu quả, việc xử lý dữ liệu là rất quan trọng Bài báo [2] cung cấp cái nhìn tổng quan về hệ thống thông minh đánh giá ổn định hệ thống điện Trong khi đó, bài báo [3] áp dụng kỹ thuật thống kê để khám phá mẫu và phân lớp chế độ ổn định của hệ thống điện Các tác giả trong bài báo [4] sử dụng giải thuật phân cụm mờ có giám sát để phân chia nhóm các đặc trưng phục vụ cho việc đánh giá ổn định hệ thống điện Bài báo [5] ứng dụng mạng neural thống kê GRNN để đánh giá ổn định quá độ của hệ thống điện Cuối cùng, bài báo [6] và [7] đề xuất mô hình song song nhằm làm gọn nhẹ quá trình huấn luyện, tuy nhiên chưa phù hợp cho việc chẩn đoán ổn định của các hệ thống điện lớn với nhiều máy.

Do yêu cầu thời gian phân lớp trong chế độ khẩn cấp, cần lựa chọn các biến đầu vào có tính đại diện cao để tối ưu hóa hiệu quả của mô hình Nhiều công trình nghiên cứu gần đây chỉ sử dụng phương pháp xếp hạng để chọn biến, dẫn đến tập biến chưa đạt tối ưu Bài báo [8] và [9] áp dụng hàm Fisher để xếp hạng chọn biến, trong khi bài báo [8] còn giới thiệu thêm hàm Divergence và giải thuật Relief để cải thiện quá trình này.

Tính cần thiết

Hệ thống điện luôn phải đối mặt với các sự cố như cắt điện máy phát, cắt điện đường dây, và ngắn mạch ba pha, gây mất ổn định Việc phát hiện nhanh chóng các sự cố này là rất quan trọng để đưa hệ thống trở về trạng thái ổn định Các phương pháp truyền thống thường tốn nhiều thời gian, do đó, nghiên cứu về phương pháp nhận dạng phân lớp ổn định hệ thống điện đang được chú trọng Để tối ưu hóa hiệu quả, cần xử lý không gian dữ liệu và chọn các biến đầu vào có tính đại diện cao Nghiên cứu này áp dụng phương pháp Wrapper kết hợp với thuật toán BPSO và bộ nhận dạng K-NN (K=1) để tìm kiếm tập biến đầu vào đặc trưng cho dữ liệu Kết quả thử nghiệm trên sơ đồ mạng điện chuẩn IEEE – 39 bus cho thấy phương pháp này giúp giảm số biến hiệu quả với độ chính xác cao.

Mục tiêu của đề tài

 Xử lý dữ liệu cho bài toán phân lớp ổn định HTĐ.

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

- Nghiên cứu giải thuật giảm không gian biến của tập dữ liệu

- Xây dựng hệ thống nhận dạng thông minh dựa trên cơ sở các bộ phân lớp phân lớp (ANN, K-NN), giảm không gian biến của tập dữ liệu

- 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, PowerWorld.

Bố cục của đề tài

Bố cục của luận án bao gồm 6 chương:

Chương 2 Ổn định hệ thống điện

Chương 3 Các bộ phân lớp

Chương 4 Giải thuật xử lý dữ liệu trong bài toán phân lớp ổn định HTĐ

Chương 5 Xây dựng mô hình bộ phân lớp đánh giá ổn định HTĐ

Chương 6 Kết luận ỔN ĐỊNH HỆ THỐNG ĐIỆN

Ổn định động hệ thống điện

Các chế độ làm việc hệ thống

Các chế độ làm việc của hệ thống điện được chia làm 2 loại chính: chế độ xác lập và chế độ quá độ [10]

Chế độ xác lập là trạng thái trong đó các thông số của hệ thống điện duy trì ổn định hoặc chỉ thay đổi nhẹ trong khoảng thời gian ngắn, phản ánh chế độ bình thường và lâu dài của hệ thống Ngoài ra, chế độ xác lập sau sự cố cũng thuộc loại này, khi hệ thống được phục hồi và hoạt động tạm thời.

Chế độ quá độ là giai đoạn trung gian chuyển tiếp giữa hai chế độ xác lập khác nhau, thường xảy ra sau các sự cố hoặc khi đóng cắt các phần tử mang công suất, được gọi là kích động lớn Nếu chế độ quá độ tiến đến một chế độ xác lập mới mà các thông số hệ thống biến thiên nhưng sau đó trở về gần mức định sẵn, nó được gọi là chế độ quá độ bình thường Ngược lại, nếu thông số hệ thống biến thiên mạnh và có thể tăng trưởng vô hạn hoặc giảm đến 0, thì đây được xem là chế độ quá độ sự cố.

Ổn định hệ thống điện

Ổn định hệ thống điện (HTĐ) là khả năng của các máy phát điện chuyển đổi giữa các trạng thái vận hành xác lập mà không mất đồng bộ sau khi bị kích động Có hai loại ổn định hệ thống điện: ổn định tĩnh và ổn định động Ổn định tĩnh đề cập đến khả năng phục hồi chế độ ban đầu hoặc gần với chế độ ban đầu sau những kích động nhỏ Trong khi đó, ổn định động liên quan đến khả năng phục hồi trạng thái vận hành cho phép ban đầu hoặc gần với trạng thái đó sau những kích động lớn.

Trong hệ thống điện, ổn định được phân loại theo tiêu chuẩn IEEE/CIGRE thành ba loại: ổn định góc rotor, ổn định tần số và ổn định điện áp Ổn định động, cụ thể là ổn định góc rotor, đề cập đến khả năng duy trì ổn định sau các dao động lớn hoặc sự cố nghiêm trọng như ngắn mạch ba pha.

Hình 2.1Phân loại ổn định hệ thống điện theo IEEE/CIGRE

Các phương pháp phân tích đánh giá ổn định động hệ thống điện

Mô hình toán học hệ thống điện nhiều máy

Hành vi động của máy điện phát điện được mô tả theo phương trình vi phân sau [10]–[12]: mi ei i i P P dt

 (2.2) Thay (2.2) vào (2.1), khi đó (2.1) trở thành (2.3): i i P mi P ei dt

Trong bài viết này, các ký hiệu được sử dụng bao gồm: \( \delta_i \) là góc của rotor máy phát thứ i; \( \omega_i \) là tốc độ góc của rotor máy phát thứ i; \( P_{mi} \) là công suất cơ của máy phát thứ i; \( P_{ei} \) là công suất điện của máy phát thứ i; và \( M_i \) là mô-men quán tính của máy phát thứ i.

Phương pháp tích phân số

Trong phần này giới thiệu hai phương pháp tích phân số là phương pháp Euler và Phương pháp Runge-Kutta [10]–[12]

Cho phương trình vi phân: dx/dt=f(x,t) Ở bước tích phân thứ n+1: xn+1 = xn+(dx/dt)n.t = xn+f(xn).t (2.4)

Phương pháp Runge-Kutta bậc 4 sử dụng biểu thức phức tạp hơn: xn+1 = xn+1/6 (k1+ 2k2+2k3+ k4) (2.5) Ở đây: k1 = f(xn, tn) t; k2 = f(xn+ k1/2, tn+t/2) t; k3 = f(xn+ k2/2, tn+t/2) t;

Phương pháp tích phân số cho kết quả chính xác nhưng cần chú ý đến sai số tích lũy trong quá trình giải Kết quả thu được từ phương pháp này là trị số các góc lệch (t) tại những thời điểm khác nhau Nếu kết quả tính toán đủ dài, khi có (t) < 180°, quá trình quá độ sẽ ổn định; ngược lại, nếu (t) ≥ 180°, quá trình quá độ sẽ không ổn định.

Bằng cách quan sát trực quan đường cong dao động tắt dần hoặc tăng trưởng vô hạn, chúng ta có thể rút ra kết luận về đặc trưng ổn định của hệ thống.

Trạng thái ổn định của hệ thống điện đánh giá theo luật như sau:

Nếu ij  180 0 thì ‘Không ổn định’

Phương pháp diện tích

Phương trình chuyển động rô-to của hệ thống điện đơn giản [10], [11]:

Pa là công suất tăng tốc

Để hệ thống ổn định, cần có một góc δ tồn tại sao cho hằng số tích phân C = 0 khi dδ/dt = 0 và δ = δo, trong đó δo là góc rô-to trước khi có nhiễu.

Hệ thống sẽ ổn định khi diện tích dưới Pa giảm xuống không tại một giá trị nhất định của , tức là diện tích tăng tốc bằng diện tích hãm tốc, dẫn đến phần diện tích dương bằng diện tích âm.

Giới hạn của phương pháp này cho thấy rằng đối với hệ thống điện lớn, sự tương tác phức tạp giữa nhiều máy phát sẽ khiến tiêu chuẩn diện tích không còn phù hợp.

Phương pháp trực tiếp

Phương pháp trực tiếp bỏ qua khâu giải hệ phương trình vi phân được nêu trong tài liệu [12] Trong một hệ thống điện, mối quan hệ giữa vector dòng điện và vector điện áp của máy phát được mô tả qua phương trình sau:

Trong đó: YR là ma trận tổng dẫn nút rút gọn; EG, IG lần lượt là vectơ điện áp và dòng điện của các máy phát

Với một hệ thống có n máy phát, công suất tác dụng cung cấp bởi máy phát thứ i được cho bởi:

Và tổng dẫn: y ij  G ij  j B ij (2.13)

Với hệ thống n máy phát, công suất tác dụng được cung cấp bởi máy phát thứ i được cho bởi:

sin( ) cos( ) n i i i i ij j j n ii i j ij i j ij i j j j i

Vị trí tâm của quán tính góc (Centre of Inertia-COI) COI được xác định theo

Trong đó: HT là tổng các hằng số quán tính của tất cả các máy phát trong hệ thống,

i là góc lệch roto của máy phát thứ i Chuyển động của COI được xác định bởi:

=E E G mi m i ii n ei ij i j ij i j j i j i

Với: Pmi là công suất cơ của máy phát thứ i; 0 là tốc độ đồng bộ tính bằng rad/s;

COI là sự thay đổi tốc độ của COI quanh tốc độ đồng bộ

Sự chuyển động của máy phát thứ i theo COI có thể được biểu diễn như sau:

Hàm năng lượng V biểu diễn tổng năng lượng quá độ của hệ thống sau khi xảy ra sự cố được xác định:

2 cos cos cos i j s s i j n n s i i mi i i i i n n s ij ij ij ij ij i j i j i

Góc ở nút thứ i tại điểm cân bằng ổn định và thời điểm sự cố được ký hiệu là i s Mômen quán tính của máy phát thứ i được tính bằng công thức Ji = 2Hi0, với đơn vị tương đối.

Hàm năng lượng bao gồm 4 thành phần sau: a) 2

Trong hệ quy chiếu của COI, sự biến đổi động năng rô-to của tất cả các máy phát được biểu diễn bằng tổng ∑ Sự biến đổi thế năng rô-to của các máy phát trong cơ sở COI được thể hiện qua ∑ P mi (θ i - θ i s) Thay đổi năng lượng từ tích trữ trong tất cả các nhánh của hệ thống được mô tả bởi ∑∑ C ij (cosθ ij - cosθ ij s) Cuối cùng, sự thay đổi năng lượng tiêu tán trong tất cả các nhánh của hệ thống được biểu diễn bằng ∑∑∫ D ij cosθ ij d(θ i + θ j).

Động năng (V ke) là thành phần trong mục (a), phụ thuộc duy nhất vào tốc độ của các máy phát Trong khi đó, thế năng (V pe) được hình thành từ tổng ba thành phần ở các mục (b), (c), (d) và chỉ phụ thuộc vào góc của các máy phát.

Các bước tính toán đánh giá ổn định quá độ:

1 Tính toán năng lượng tới hạn (Vcr)

2 Tính toán năng lượng tổng của hệ thống tại thời điểm giải trừ sự cố (Vcl)

3 Tính chỉ số ổn định: (Vcr – Vcl)

4 Đánh giá: hệ thống sẽ ổn định nếu chỉ số ổn định dương

Phương pháp trực tiếp hay phương pháp năng lượng tính toán ổn định hệ thống điện có lợi thế là không cần giải hệ phương trình vi phân, tuy nhiên, nó đòi hỏi nhiều tính toán để xác định chỉ số ổn định quá độ.

Phương pháp mô phỏng theo miền thời gian

Phân tích ổn định động cho hệ thống điện nhiều máy là một thách thức phức tạp Phương pháp này không yêu cầu biến đổi tương đương thành hệ thống một máy nối với hệ thống vô cùng lớn Thay vào đó, phân tích dựa trên góc lệch của các máy phát so với máy phát chuẩn, từ đó xác định được tính ổn định của hệ thống.

Bằng phương pháp mô phỏng miền thời gian, quá trình mô phỏng được lặp lại cho đến khi góc lệch của một trong các máy phát so với máy phát chuẩn tăng vô hạn, lúc này quá trình lặp sẽ dừng lại Thời gian cắt tới hạn (CCT - Critical Clearing Time) là thời gian cắt sự cố tối đa cho phép để hệ thống điện vẫn giữ được ổn định, tương ứng với góc công suất cắt tới hạn.

Mạng nơ-ron nhân tạo

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 đến một phương pháp mới trong việc tiếp cận hệ thống thông tin ANN có khả năng thực hiện các bài toán nhận dạng, phân loại và điều khiển cho các đối tượng tuyến tính và phi tuyến, đạt hiệu quả cao hơn so với các phương pháp tính toán truyền thống.

Mạng nơ-ron nhân tạo bao gồm nhiều nơ-ron nhân tạo được kết nối thành một hệ thống, hoạt động tương tự như bộ não con người Nó có khả năng học hỏi, gọi lại và tổng hợp thông tin từ việc luyện tập với các mẫu dữ liệu.

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 của 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 đơn dài liên kết với thân và có phần cuối dạng phân nhánh Mỗi nhánh chứa các khớp thần kinh, cho phép nơ-ron sinh học kết nối với các nơ-ron khác thông qua tín hiệu Thông tin được nơ-ron thu nhận từ cây hoặc thân, dưới dạng các xung điện.

Hình 3.1 Mô hình nơ-ron sinh học

Trục Đầu ra Đầu vào

Một tế bào thần kinh có ba phần, Hình 3.1:

-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 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 sẽ được truyền qua trục nơ-ron (Axon) đến các điểm kết nối (Axon Terminal) ở cuối.

-Phần đuôi có nhiều điểm kết nối (Axon Terminal) để kết nối với các tế bào thần kinh khác.

Mô hình nơ-ron nhân tạo

3.1.3.1 Cấu trúc mô hình một nơ-ron nhân tạo

Mạng nơ-ron nhân tạo được phát triển nhằm tái tạo hoạt động của mạng nơ-ron sinh học, tương tự như cách mà bộ não con người hoạt động Các đặc điểm nổi bật của mạng nơ-ron bao gồm khả năng học hỏi, xử lý thông tin và nhận diện mẫu, giúp cải thiện hiệu suất trong nhiều ứng dụng như nhận diện hình ảnh và xử lý ngôn ngữ tự nhiên.

- 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 nhận các ngõ vào từ dữ liệu gốc hoặc từ các nơ-ron khác trong mạng Mỗi kết nối đến ngõ vào có trọng số (weight) w, thể hiện mức độ liên kết giữa các nơ-ron Trọng số dương tương ứng với khớp thần kinh bị kích thích, trong khi trọng số âm thể hiện khớp thần kinh bị 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 hoặc hàm chuyển đổi f để tạo ra giá trị đầu ra cho nơ-ron Mô hình nơ-ron bao gồm n phần tử đầu vào, với mỗi đầu vào được kết nối với trọng số w Tổng ngõ vào được trọng hóa và đưa tới đầu ra qua hàm chuyển đổi f theo biểu thức (3.1).

Hình 3.2 Mô hình một nơ-ron nhân tạo

Trong đó: Biến ngõ vào x = [x1, x2,…, xn] là vector ngõ vào có n phần tử, trọng số kết nối W = [w1, w2,…, wn] Ngõ ra mạng được tính theo công thức:

Hàm chuyển đổi (Transfer Function) hay hàm kích hoạt (Activation Function) có vai trò quan trọng trong việc chuyển 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 3.1 Một số hàm phi tuyến thường dùng trong các mô hình nơ-ron

Tên hàm Công thức Đặc tính

Hàm bước nhảy đơn vị

Hàm bước nhảy lưỡng cực g(u)=1 nếu u 0 g(u)=-1 nếu u< 0

Hàm tuyến tính (purelin) g(u)=a.u

Hàm sigmoid lưỡng cực

3.1.3.2 Cấu trúc mô hình mạng nơ-ron nhân tạo nhiều lớp

Cấu trúc của mạng nơ-ron nhân tạo mô phỏng ý tưởng của mạng nơ-ron sinh u g

Mạng nơ-ron nhân tạo bao gồm các nơ-ron được kết nối theo một cấu trúc nhất định, cho phép biểu diễn bằng mô hình toán học Mạng nơ-ron nhiều lớp có một lớp đầu vào, một lớp đầu ra và các lớp ẩn nằm giữa Mạng nơ-ron truyền thẳng là loại mạng với hai hoặc nhiều lớp, trong đó tín hiệu di chuyển theo một hướng từ đầu vào đến đầu ra, với các nơ-ron được phân chia thành nhiều lớp và chỉ kết nối với các nơ-ron ở lớp liền trước hoặc liền sau.

Hình 3.3 Cấu trúc mô hình mạng nơ-ron nhân tạo nhiều lớp truyền thẳng

Phân loại mạng nơ-ron

Cấu trúc mạng nơ-ron được xác định bởi 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 và lớp ra 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 truyền theo cả hai hướng: truyền tới và truyền lùi.

Theo phương pháp huấn luyện, mạng có thể được chia thành ba nhóm chính: học tập có giám sát, học tập không giám sát và học tập củng cố.

Mạng Perceptron nhiều lớp

Mạng Perceptron nhiều lớp (Multilayer Perceptron - MLP) sử dụng thuật toán truyền ngược để giải quyết nhiều vấn đề trong các lĩnh vực khác nhau Mạng này bao gồm một lớp ngõ vào, một hoặc nhiều lớp ẩn và một lớp ngõ ra, với số lượng nơ-ron ở lớp ngõ vào tương ứng với số lượng biến đầu vào Thuật toán truyền ngược, được phát triển độc lập bởi Werbos (1974), Parker (1985), và Rumelhart, Hinton, Williams (1986), là thuật toán học quan trọng nhất trong mạng nơ-ron, đã được cải tiến để tăng tốc độ hội tụ và tính ổn định Thuật toán này hoạt động theo hai quá trình: lan truyền tiến, nơi tín hiệu đầu vào được đưa vào mạng và tạo ra tín hiệu đầu ra mà không thay đổi trọng số, và lan truyền ngược, nơi 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 hiện nay là học có giám sát thông qua giải thuật lan truyền ngược, thực hiện phương pháp giảm Gradient để tối thiểu hóa sai số trung bình bình phương giữa ngõ ra thực tế và ngõ ra mong muốn Trong số các giải thuật huấn luyện, thuật toán Levenberg-Marquardt được khuyến nghị sử dụng nhờ vào tốc độ hội tụ nhanh và độ chính xác cao Thông số mạng ban đầu được khởi tạo ngẫu nhiên, và quá trình huấn luyện 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.

Mạng nơ-ron Generalized Regression Nơ-ron Network (GRNN)

3.1.6.1 Mạng Generalized Regression Nơ-ron Network

Mạng RBF có biến thể là Mạng Nơ-ron Hồi quy Tổng quát (GRNN), được đề xuất trong tài liệu [17] GRNN được phân loại là một dạng của mạng nơ-ron xác suất (PNN), nổi bật với độ chính xác cao, khả năng học nhanh và hội tụ tối ưu khi xử lý dữ liệu lớn Đặc biệt, ngay cả khi số lượng mẫu nhỏ, GRNN vẫn có khả năng cung cấp kết quả dự báo tốt.

Mạng GRNN bao gồm các thành phần chính như lớp vào, lớp mẫu (lớp ẩn), lớp tổng và lớp ra So với mạng RBF, mạng GRNN có cấu trúc tương tự nhưng có sự khác biệt nhỏ ở lớp tổng, tạo nên những đặc điểm riêng biệt cho mạng này.

Lớp đầu vào kết nối với lớp mẫu, trong đó số nơ-ron của lớp vào tương ứng với số biến của bài toán, và đầu ra phản ánh khoảng cách của biến đầu vào đến các tâm Chỉ lớp mẫu (hay lớp ẩn) có hệ số ngưỡng, cho phép các nơ-ron trong lớp này ghi nhớ thông tin về mối quan hệ giữa nơ-ron lớp vào và đặc tính đáp ứng của lớp mẫu Hàm chuyển đổi của nơ-ron lớp mẫu được biểu diễn dưới dạng hàm Gauss.

Hình 3.4 Sơ đồ cấu trúc mạng nơ-ron GRNN

Mỗi nơ-ron trong lớp mẫu kết nối với hai nơ-ron đặc biệt, bao gồm nơ-ron tổng S (S-summation) và nơ-ron tổng D (D-summation) Nơ-ron S chịu trách nhiệm tính toán tổng đầu ra của lớp mẫu với trọng số, trong khi nơ-ron D thực hiện tổng đầu ra của lớp mẫu dựa trên trọng số kết nối đơn vị Trọng số kết nối giữa nơ-ron lớp mẫu và nơ-ron D tương ứng với giá trị đầu ra mục tiêu của mẫu đầu vào Giá trị đầu ra của lớp được tính bằng tỷ số giữa mỗi đầu ra S và mỗi đầu ra D, theo biểu thức (3.2) Hệ số độ rộng (spread) được xác định thông qua các thí nghiệm thực tế.

Bộ phân lớp K-Nearest Neighbor

Thuật toán K-Nearest Neighbor (K-NN) tìm ra các láng giềng gần nhất của mẫu học và phân loại chúng dựa trên nhãn đa số, nghĩa là các mẫu được phân loại vào cùng một lớp khi chúng gần gũi nhau K-NN giả định rằng vị trí trong không gian đặc trưng thể hiện mối quan hệ gần gũi giữa các nhãn lớp Thuật toán này phân loại vector chưa biết dựa vào các mẫu gần nhất và toàn bộ mẫu huấn luyện, với K=1 là trường hợp đơn giản nhất, gọi là 1-NN.

Các bước của thuật toán K-NN:

Bước 1 Xác định số K, K được chọn phải là số lẻ cho trường hợp có 2 lớp hay số lớp chẵn

Bước 2 Tính khoảng cách giữa đối tượng cần phân lớp với tất cả các mẫu huấn luyện Khoảng cách Euclide thường được sử dụng

Bước 3 Xếp khoảng cách theo thứ tự tăng dần

Bước 4 Xác định K láng giềng gần nhất với lớp.

Xây dựng tập mẫu

Xây dựng hệ thống nhận dạng bắt đầu bằng việc xác định tập dữ liệu đại diện cho các trạng thái chế độ của hệ thống điện Tập mẫu này cần phản ánh tất cả các chế độ vận hành, bao gồm các trạng thái ổn định và không ổn định của hệ thống Việc đánh giá trạng thái ổn định được thực hiện qua từng sự cố, nhằm thu thập tri thức về ổn định quá độ của hệ thống điện trong các tình huống khác nhau.

Chế độ tiền sự cố trong hệ thống điện được đặc trưng bởi các thông số như dòng công suất trên các nhánh và điện áp tại các nút Cần chú ý đến các đường dây tải nặng, điện áp tải ở các nút, máy phát có công suất lớn, và độ sụt áp tại các nút tải khi sự cố xảy ra.

Các thông số quan trọng trong chế độ sự cố hệ thống điện bao gồm sự thay đổi công suất tại các nút tải lớn và trên các đường dây truyền tải Đặc biệt, dao động công suất tác dụng và độ sụt điện áp là những chỉ số quan trọng phản ánh trạng thái ổn định của hệ thống điện.

Dữ liệu có thể bao gồm thông tin lịch sử được lưu trữ trong hệ thống thu thập và xử lý dữ liệu, với mô phỏng off-line Do điều kiện vận hành của hệ thống điện rất đa dạng, mô phỏng off-line được thực hiện nhằm tạo ra cơ sở dữ liệu ban đầu, cung cấp dữ liệu đầy đủ và đại diện cho các thông số chế độ sự cố của hệ thống điện.

Mô phỏng off-line để thu thập dữ liệu là công việc nặng nhọc, trong khi mô phỏng tất cả các sự cố tại mọi vị trí trên đường dây là không khả thi Tuy nhiên, dựa trên khảo sát các trường hợp điển hình, việc phân tích các tình huống sự cố thực tế và hiểu biết về bản chất vật lý của quá trình quá độ có thể giúp hạn chế số lượng sự cố cần xem xét và số điểm xuất hiện Điều này cho phép loại trừ các sự cố không gây mất ổn định hệ thống điện và tập trung vào các vùng nguy hiểm khi sự cố xảy ra.

Với điều kiện vận hành hệ thống điện đa dạng, việc mô phỏng off-line được thực hiện để tạo ra cơ sở dữ liệu ban đầu đại diện cho các thông số chế độ sự cố của hệ thống Sau khi học off-line, mạng nơ-ron có khả năng lưu trữ thông tin và tự học để cập nhật tri thức, làm phong phú thêm cho mô hình, đồng thời nhận diện các mẫu mới Việc xây dựng tập mẫu là một công việc quan trọng trong bài toán nhận dạng ứng dụng mạng nơ-ron.

Xây dựng sơ đồ thay thế hệ thống điện là quá trình thiết lập sơ đồ từ hệ thống điện cần nghiên cứu, trong đó các phần tử như đường dây, máy biến áp, và máy phát điện được mô hình hóa chi tiết Để thực hiện nghiên cứu này, phần mềm chuyên dụng PowerWorld được đề xuất sử dụng.

Để xác định chế độ vận hành của hệ thống điện, cần xem xét tất cả các chế độ và mức tải khác nhau Việc tham khảo ý kiến từ các chuyên gia sẽ giúp thu thập dữ liệu đại diện, đảm bảo bao quát đầy đủ các thông số liên quan đến chế độ vận hành.

Để đảm bảo ổn định hệ thống điện, cần xác định các vị trí sự cố có thể gây ra dao động, dẫn đến mất ổn định Những sự cố này bao gồm cắt điện máy phát, cắt điện đường dây tải lớn, gia tăng tải đột ngột, cắt máy biến áp, và nguy hiểm nhất là hiện tượng ngắn mạch Việc xem xét ngắn mạch cần tập trung vào các bus của trạm biến áp công suất lớn, cũng như các đường dây liên kết giữa các nhà máy điện và các vùng Các dạng ngắn mạch cần được phân tích gồm ngắn mạch một pha, hai pha, ba pha, tại tất cả các thanh góp và dọc theo các đường dây truyền tải Đặc biệt, điểm ngắn mạch trên đường dây cần được lựa chọn từ đầu đến cuối đường dây để đánh giá chính xác.

Chế độ quá độ trong hệ thống điện có thể được mô phỏng bằng chương trình chuyên dụng nhằm đánh giá độ ổn định động Quá trình này bao gồm việc thực hiện mô phỏng và phân loại dữ liệu thành hai tập: tập ổn định và tập không ổn định.

Chuẩn hóa dữ liệu là bước quan trọng trong quá trình nhận dạng, vì dữ liệu của các biến có đơn vị đo khác nhau có thể ảnh hưởng đến kết quả tính toán Trước khi tiến hành trích xuất tri thức hay học, dữ liệu thu thập cần được chuẩn hóa Phương pháp chuẩn hóa được sử dụng là zij=[xij-m(xij)]/σ(xij).

Trong đó, xij đại diện cho dữ liệu ban đầu của biến thứ j, m(xij) là giá trị trung bình của dữ liệu này, (xij) thể hiện độ lệch chuẩn, và zij là dữ liệu đã được chuẩn hóa của biến thứ j.

Chọn biến

Phương pháp chọn biến

Kỹ thuật chọn biến có hai kỹ thuật chính là kỹ thuật lọc (Filter) và kỹ thuật bao gói (Wrapper)

Kỹ thuật Filter sử dụng các thuật toán tìm kiếm kết hợp với hàm đánh giá hoặc hàm mục tiêu nhằm tối ưu hóa chiến lược tìm kiếm các biến để đạt được giá trị mục tiêu (J) tốt nhất, như được minh họa trong Hình 4.3.

Hình 4.3 Kỹ thuật chọn biến Filter

Kỹ thuật Wrapper áp dụng kỹ thuật tìm kiếm với giá trị mục tiêu là độ chính nhận dạng đạt giá trị cao nhất được trình bày ở Hình 4.4

Hình 4.4 Kỹ thuật chọn biến Wrapper.

Giải thuật BPSO trong lựa chọn biến

PSO (Particle Swarm Optimization) là một thuật toán tối ưu được phát triển bởi Kennedy và Eberhart Trong PSO, mỗi ứng viên của bài toán được mã hóa thành một cá thể, với vị trí của cá thể được cập nhật dựa trên kinh nghiệm cá nhân và các cá thể lân cận Vectơ xi = (xi1, xi2,…, xiD) đại diện cho vị trí của cá thể thứ i, trong khi vectơ vi = (vi1, vi2,…, viD) đại diện cho vận tốc của nó, với D là kích thước không gian tìm kiếm Trong quá trình tìm kiếm, vị trí tốt nhất của mỗi cá thể được ghi nhận là pbest, trong khi vị trí tốt nhất của toàn bầy được gọi là gbest Bầy cá thể được khởi tạo ngẫu nhiên từ dân số, và việc tìm kiếm giải pháp tối ưu được thực hiện bằng cách cập nhật vận tốc và vị trí của mỗi cá thể theo các phương trình đã định.

* *(p ) *(p ) t t t t id id i id id i gd id v   w v  c r  x  c r  x (4.3)

Trong quá trình tìm kiếm, t đại diện cho lần lặp thứ t, d là kích thước trong không gian tìm kiếm thuộc tập D Các hằng số gia tốc c1 và c2, cùng với giá trị ngẫu nhiên ri1 và ri2 trong khoảng [0,1], đóng vai trò quan trọng trong thuật toán pid và pgd thể hiện các phần tử pbest và gbest với kích thước d Trọng số quán tính được ký hiệu là w, trong khi vận tốc v id t được giới hạn bởi vận tốc tối đa vmax.

Giải thuật PSO ban đầu được áp dụng cho các bài toán liên tục, nhưng Kennedy và Eberhart đã phát triển giải thuật BPSO cho các bài toán rời rạc Trong BPSO, vận tốc đại diện cho khả năng của phần tử để lấy giá trị 1, và phương trình (4) vẫn được sử dụng để cập nhật vận tốc, trong khi các giá trị xid và pid nhận giá trị 0 hoặc 1 Để chuyển đổi giá trị vid vào khoảng (0,1), hàm sigmoid s(vid) được áp dụng BPSO cập nhật vị trí của mỗi cá thể dựa trên các phương trình (4.4) và (4.5).

Hàm rand() là hàm ngẫu nhiên có giá trị phân bố trong (0,1)

Giải thuật chọn biến BPSO

Data set, kfold; D: dimensionality of search space

N : the population size; T : maximum iterations; c1, c2, vmax, w

To begin the process, randomly initialize the position and velocity of each particle While the time variable t remains less than or equal to T, evaluate the fitness of each particle based on Equation (4.6) For each particle i from 1 to N, update its personal best (pbest) and the global best (gbest) Next, iterate through each dimension d from 1 to D, updating the velocity of particle i using Equations 4.2 and 4.3, followed by updating its position according to Equations 4.4 and 4.5 After all particles have been processed, calculate the classification error for the selected feature subset Finally, return the position of the global best (gbest), which represents the selected feature subset, along with the corresponding classification error.

4.2.2.1 Hàm mục tiêu chọn biến được đề xuất áp dụng vào giải thuật BPSO:

Trong đó: ErrsF là sai số nhận dạng của tập biến được chọn

AccsF: độ chính xác nhận dạng của tập biến được chọn

AccSample: số mẫu nhận dạng đúng

TotalF: tổng số biến trong tập dữ liệu

Xây dựng mô hình nhận dạng ổn định động hệ thống điện

Dao động lớn từ các sự cố có thể gây mất ổn định cho hệ thống điện Do đó, việc dự báo nhanh chóng tình trạng mất ổn định này là rất cần thiết để thực hiện các biện pháp điều khiển nhằm giảm thiểu rủi ro.

Áp dụng giải thuật BPSO chọn biến cho BPL nhận dạng ổn định động hệ thống điện

Sơ đồ hệ thống điện chuẩn IEEE 39-bus

Hình 5.1 Sơ đồ hệ thống điện IEEE 39 bus

Hệ thống điện IEEE 10-máy 39-bus bao gồm 39 bus, trong đó có 10 bus máy kết nối từ bus 30 đến bus 39, với bus 39 được chọn làm bus chuẩn Trong số này, có 9 bus được phân loại là bus PV và 29 bus còn lại là bus PQ Hệ thống hoạt động với hai cấp điện áp khác nhau là 345kV và 20kV, như được mô tả trong sơ đồ hệ thống điện IEEE 39 bus ở Hình 5.1.

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 Mỗi đường dây trong hệ thống có chiều dài, điện trở, điện kháng và dung dẫn khác nhau, được thể hiện bằng đơn vị tương đối dựa trên điện áp 345kV Tải được mô tả bằng trở kháng cố định, trong khi máy biến áp có điện trở RT và điện kháng XT, với các giá trị này tương đương cho cuộn dây sơ cấp và thứ cấp, sử dụng đơn vị tương đối theo điện áp 20kV cho cuộn sơ cấp và 345kV cho cuộn thứ cấp Tất cả các giá trị trong hệ thống điện được quy đổi về cùng một hệ thống cơ bản 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 về các phần tử của hệ thống điện IEEE 39-bus được cung cấp trong phần phụ lục.

Xây dựng tập mẫu và tập biến ban đầu

Thực hiện mô phỏng off-line để thu thập dữ liệu đánh giá ổn định động của hệ thống điện với các mức tải từ 80% đến 120% tải cơ bản, với thời gian cắt ngắn mạch cài đặt là 50ms Các sự cố được xem xét bao gồm 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 Tại mỗi mẫu tải, phần mềm Powerworld 18 được sử dụng để tính toán mẫu công suất phát tương ứng thông qua công cụ tính toán phân bố công suất tối ưu (OPF).

Trong chế độ động hay quá độ, việc biến đổi đầu vào chứa thông tin về chế độ xác lập và chế độ sự cố Các chuyên gia đã chọn các biến ban đầu bao gồm độ lệch điện áp tại các bus {delVbus}, độ lệch công suất tải {delPload}, và độ lệch công suất trên các đường dây truyền tải {delPflow}.

Kết quả mô phỏng cho thấy hệ thống điện duy trì trạng thái ổn định khi góc lệch giữa hai máy phát không vượt quá 180 độ Ngược lại, nếu góc lệch vượt quá 180 độ, hệ thống sẽ trở nên không ổn định.

1617 mẫu với 834 mẫu ổn định (S) và 783 mẫu không ổn định (U).

Áp dụng giải thuật BPSO chọn biến

5.2.3.1 Biến đầu vào và biến đầu ra

Sau khi thực hiện xây dựng bộ mẫu bước kế tiếp là thực thi chọn biến

Biến đầu ra được phân loại nhị phân, với {1} đại diện cho lớp ổn định và {0} cho lớp không ổn định Trong mô hình này, biến đầu vào được ký hiệu là x và biến đầu ra là y Tổng số biến đầu vào là 104, bao gồm 39 biến độ lệch điện áp tại các bus, 19 biến độ lệch công suất tác dụng của tải, và 46 biến độ lệch công suất tác dụng trên nhánh Biến đầu ra duy nhất là y với các giá trị {1,0}.

Tổng số biến đầu vào là 104 biến và 1 biến đầu ra

5.2.3.2 Áp dụng giải thuật BPSO chọn biến

Bộ phân lớp được chọn là K-NN (K=1), và độ sai số phân lớp của 1-NN được đánh giá bằng phương pháp k-folds Các hàm tính toán được hỗ trợ bởi phần mềm Matlab 2018b Giải thuật BPSO được áp dụng để thực hiện chọn biến với các giá trị N={10, 20, 30, 40, 50}, w={0.4, 0.5, 0.6, 0.7, 0.8, 0.9}, T0, c1=2, c2=2 Hình 5.2 minh họa đặc tuyến hội tụ của giải thuật BPSO, trong khi Bảng 5.1 trình bày kết quả thực thi chọn biến của giải thuật này.

Hình 5.2 Đặc tuyến hội tụ của giải thuật chọn biến BPSO

Bảng 5.1 Kết quả thực thi chọn biến của giải thuật BPSO w N f Best Fitness ErrsF(%) 0.4 10 32 7.3868e-04 5,07

Kết quả tối ưu trong chương trình BPSO với w=0.9 và NP cho thấy số biến trong tập biến là 23, đạt sai số nhận dạng 5,07%, tương ứng với độ chính xác nhận dạng là 94,93%.

Kết quả cho thấy giải thuật BPSO giảm biến là hiệu quả Cụ thể, số biến ban đầu là 104 biến giảm xuống còn 23 biến hay giảm đến 77,8% số biến

Bảng 5.2 Các biến được chọn

1 delVBus2 Độ lệch điện áp Bus 2 X1

6 delPLoad15 Độ lệch công suất tác dụng của tải 15 X6

9 delPFlow1-2 Độ lệch công suất tác dụng của nhánh 1-2 X9

10 delPFlow2-25 Độ lệch công suất tác dụng của tải 2-25 X10

Xây dựng bộ phân lớp mạng nơ-ron Generalized Regression Nơ-ron

Bộ phân lớp áp dụng mạng GRNN có cấu trúc gồm lớp vào, lớp mẫu (lớp ẩn), lớp tổng, và lớp ra, Hình 5.3

Hình 5.3 Bộ phân lớp GRNN Các bước xây dựng mô hình:

Bước 1 Tập dữ liệu ban đầu

Tập dữ liệu đầu vào bao gồm 23 biến đã được lựa chọn Dữ liệu được chia thành hai phần: tập huấn luyện và tập kiểm tra, với cách chọn ngẫu nhiên Tập huấn luyện có 1217 mẫu, ký hiệu là Dtrain(634,583), trong khi tập kiểm tra gồm 400 mẫu, được ký hiệu là Dtest(200,200), bao gồm 200 mẫu S và 200 mẫu U.

Hàm huấn luyện bộ phân lớp GRNN trong Matlab được định nghĩa là net = newgrnn(x,t,spread), với x là đầu vào và t là tập ra Hệ số spread, được xác định theo kinh nghiệm, trong nghiên cứu này được khảo sát với giá trị từ 0,01 đến 1 Kết quả của quá trình huấn luyện và kiểm tra được thể hiện trong Hình 5.4.

Hình 5.4 Kết quả huấn luyện bộ phân lớp GRNN

Theo Hình 5.4, với giá trị spread là 0.5, độ chính xác huấn luyện đạt 99,3% và độ chính xác kiểm tra trong vùng khảo sát là 95,3% Kết quả này phù hợp với các nghiên cứu trước đây về đánh giá ổn định hệ thống điện, với độ chính xác dao động từ 94% đến 97% [8], [14], [23].

Tiêu đề	Xử Lý Dữ Liệu Cho Bài Toán Phân Lớp Ổn Định Hệ Thống Điện
Tác giả	TS. Nguyễn Ngọc Âu
Trường học	Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
Chuyên ngành	Khoa Điện Điện Tử
Thể loại	Báo Cáo Tổng Kết Đề Tài KH&CN Cấp Trường Trọng Điểm
Năm xuất bản	2021
Thành phố	Tp. Hồ Chí Minh

Định dạng
Số trang	79
Dung lượng	4,73 MB