Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài ở trong và ngoài nước 1
Có nhiều phương pháp sa thải phụ tải và phục hồi hệ thống đã được phát triển và áp dụng trong ngành công nghiệp năng lượng toàn cầu Các kỹ thuật này được phân loại thành ba nhóm chính: sa thải phụ tải truyền thống, sa thải phụ tải thích nghi và sa thải phụ tải thông minh Hình 1 cung cấp cái nhìn tổng quan về các kỹ thuật sa thải phụ tải này.
Các kỹ thuật sa thải phụ tải
Các kỹ thuật sa thải phụ tải truyền thống
Các kỹ thuật sa thải phụ tải thích nghi
Các kỹ thuật sa thải phụ tải thông minh
UFLS sa thải phụ tải dưới tần số
UVLS sa thải phụ tải dưới điện áp
Adaptive Neuro Fuzzy Infernce System (ANFIS)
Hình 1 Tổng quan về các kỹ thuật sa thải phụ tải trong hệ thống điện
Sa thải tải dưới tần số (UFLS) là phương pháp khôi phục tần số hệ thống điện bằng cách loại bỏ các phụ tải khi tần số giảm xuống dưới mức cài đặt Mỗi quốc gia và trung tâm điều độ có quy định riêng trong việc triển khai kế hoạch UFLS Bài báo này trình bày nguyên tắc thực hiện UFLS và kiểm nghiệm qua mô phỏng hệ thống 56bus thử nghiệm, đồng thời so sánh và phân tích hiệu suất của các sơ đồ trong các điều kiện sự cố khác nhau.
Các phương án thay thế khi sắp xảy ra sự cố sụp đổ điện áp bao gồm sa thải tải dưới điện áp (UVLS), điều chỉnh tốc độ tuabin và tự động bộ điều chỉnh điện áp UVLS được áp dụng khi hệ thống điện hoạt động không hiệu quả, nhằm ngắt kết nối một số tải để duy trì ổn định điện áp và tránh mất điện hoàn toàn Vấn đề chính của UVLS là phát triển chiến lược xác định lượng và vị trí tải cần sa thải để bảo vệ hệ thống điện.
Sa thải phụ tải trong hệ thống điện là một quá trình phức tạp và nhanh chóng, với các sự cố vận hành khó lường và thời gian thực hiện ngắn Nếu được thực hiện kịp thời, sa thải phụ tải có thể ngăn ngừa mất điện hoàn toàn Tuy nhiên, kỹ thuật UFLS truyền thống ngày nay không còn phù hợp cho các hệ thống điện lớn và phức tạp Các sự cố rã lưới gần đây trên thế giới đã làm giảm độ tin cậy của các kỹ thuật UFLS và UVLS, khiến chúng không còn hiệu quả như trước.
Kỹ thuật tính toán sa thải phụ tải thông minh, bao gồm các phương pháp như ANN, logic mờ, ANFIS, thuật toán di truyền (GA), tối ưu hóa phần tử bầy đàn (PSO) và vi khuẩn tìm kiếm thức ăn theo định hướng thuật toán PSO, đang được áp dụng hiệu quả trong các hệ thống điện hiện đại Những kỹ thuật này không chỉ giúp giảm thiểu khả năng mất điện mà còn nâng cao độ tin cậy của hệ thống điện, đảm bảo hoạt động ổn định và hiệu quả.
1.2 Các nghiên cứu trong nước
Trong hệ thống điện hiện đại, sa thải phụ tải đóng vai trò quan trọng, đặc biệt trong môi trường điện cạnh tranh Nhu cầu sa thải phụ tải một cách nhanh chóng và chính xác là ưu tiên hàng đầu, với mục tiêu tối ưu hóa quá trình này để đảm bảo sự ổn định cao nhất cho nhà cung cấp và giảm thiểu mất điện cho người tiêu dùng Cả hai bên đều mong muốn đạt được sự cân bằng giữa việc giảm thiểu sa thải và duy trì độ ổn định Do đó, nghiên cứu về tối ưu hóa sa thải phụ tải luôn là một chủ đề nóng, đặc biệt trong bối cảnh Việt Nam đang đối mặt với tình trạng thiếu hụt nguồn điện.
Tính cấp thiết của đề tài
Với sự phát triển của hệ thống điện hiện đại, việc duy trì ổn định hệ thống điện là rất quan trọng để đảm bảo an ninh kinh tế - chính trị Nhiều vấn đề như sự cố mất điện, ngắn mạch đường dây, hoặc tải thay đổi đột ngột có thể gây rối loạn hệ thống, thậm chí dẫn đến sụp đổ toàn bộ lưới điện Để đảm bảo ổn định, cần có các phương pháp can thiệp nhanh chóng và chính xác Mặc dù hiện nay có nhiều biện pháp như thiết bị FACT và bộ PSS, nhưng chúng chưa thực sự hiệu quả Phương pháp sa thải phụ tải được xem là giải pháp mạnh mẽ giúp hệ thống phục hồi nhanh chóng Tuy nhiên, việc sa thải cần phải được thực hiện nhanh và hợp lý để duy trì ổn định và phục hồi các thông số về giá trị cho phép, đòi hỏi nghiên cứu sâu về lý thuyết mạng lưới điện và ứng dụng công nghệ tri thức cùng mạng nơ-ron để xây dựng mô hình đánh giá và xử lý sự cố kịp thời.
Mục tiêu – Cách tiếp cận – Phương pháp nghiên cứu
Cách tiếp cận
Nghiên cứu tài liệu về các phương pháp sa thải phụ tải thực tế đang được áp dụng tại các công ty điện lực, đồng thời tìm hiểu các giải thuật từ các bài báo liên quan Bài viết sẽ đề xuất các phương pháp sa thải hiệu quả nhằm tối ưu hóa quản lý điện năng.
Phương pháp nghiên cứu
- Nghiên cứu tài liệu, tổng hợp, phân tích, mô hình hóa và mô phỏng
- Ứng dụng phần mềm Powerworld, Matlab để mô phỏng kiểm nghiệm kết quả đề xuất.
Nội dung nghiên cứu
Tổng quan về hướng nghiên cứu tập trung vào việc tóm tắt các kết quả nghiên cứu quốc tế và tính cấp thiết của vấn đề khôi phục tần số hệ thống điện Mục tiêu của nghiên cứu là xác định các phương pháp hiệu quả để giải quyết vấn đề này Cách tiếp cận nghiên cứu sẽ bao gồm việc phân tích các phương pháp hiện có và đề xuất giải pháp mới Phương pháp nghiên cứu sẽ được áp dụng cho các đối tượng cụ thể trong phạm vi hệ thống điện, nhằm đảm bảo tính khả thi và hiệu quả Nội dung nghiên cứu sẽ đi sâu vào việc đặt ra các vấn đề và tìm kiếm hướng giải quyết phù hợp để cải thiện tần số của hệ thống điện.
NGHIÊN CỨU TỔNG QUAN CÁC PHƯƠNG PHÁP SA THẢI PHỤ TẢI 5 1.1 Khái quát về sa thải phụ tải trong thống điện
PHƯƠNG PHÁP ĐIỀU KHIỂN TẦN SỐ SƠ CẤP, THỨ CẤP VÀ PHƯƠNG PHÁP XÁC ĐỊNH HỆ SỐ TẦM QUAN TRỌNG CỦA PHỤ TẢI
Tính toán hệ số tầm quan trọng của dựa trên thuật toán AHP
PHƯƠNG PHÁP ĐIỀU KHIỂN TẦN SỐ SƠ CẤP, THỨ CẤP VÀ PHƯƠNG PHÁP XÁC ĐỊNH HỆ SỐ TẦM QUAN TRỌNG CỦA
2.1 Điều khiển tần số sơ cấp và thứ cấp trong hệ thống điện
2.1.1 Đặc tính điều khiển tần số của tua-bin máy phát [18] Đặc tính thay đổi công suất tua-bin theo sự thay đổi của tần số được biểu diễn bởi đường (1), chỉ được áp dụng khi tổ máy có bộ điều tốc Đặc tính điều chỉnh máy phát khi không có bộ điều tốc tua-bin được biểu diễn bởi đường đặc tính (2) Trong đó, đường đặc tính (1) cho thấy tác động của bộ điều tốc thay đổi công suất tua-bin theo sự thay đổi của tần số Trong chế độ vận hành ổn định, điểm giao nhau của đặc tính máy phát (1), (2) với đặc tính tần số của phụ tải Pt xác định xác định tần số làm việc của hệ thống F 0 , giá trị của F 0 bằng 50Hz hoặc 60Hz tùy vào quy định tần số chuẩn của hệ thống, được trình bày ở như Hình 2.1 và Hình 2.2.
Hình 2.1 Đặc tính điều chỉnh máy phát khi có bộ điều tốc
PHƯƠNG PHÁP SA THẢI PHỤ TẢI CÓ XÉT ĐẾN YẾU TỐ ĐIỀU KHIỂN SƠ CẤP, THỨ CẤP TỔ MÁY PHÁT ĐIỆN VÀ HỆ SỐ TẦM QUAN TRỌNG CỦA TẢI
Đáp ứng tần số trong hệ thống điện
Xét mạng điện gồm một máy phát cung cấp cho một tải độc lập được trình bày ở Hình
Khả năng biến đổi công suất theo tần số và ổn định tần số của tuabin phụ thuộc vào độ dốc của đặc tính điều chỉnh của bộ điều chỉnh tốc độ Độ dốc này được xác định thông qua một biểu thức cụ thể.
0 Ở đây: P G n là công suất định mức của máy phát, độ thay đổi tần số, P là độ thay đổi công suất phát.
(3.1) f 0 là tần số định mức, f f f 0 là
Công thức (3.1) chỉ ra rằng một sự thay đổi 1% trong tần số sẽ dẫn đến sự thay đổi K F % trong công suất phát Đặt R 1 là hệ số điều chỉnh tốc độ, công thức (3.1) có thể được viết lại để phản ánh mối quan hệ này.
Phụ tải trong hệ thống điện bao gồm nhiều thiết bị điện khác nhau Đối với các phụ tải điện trở như tải chiếu sáng và sưởi ấm, công suất điện không bị ảnh hưởng bởi sự thay đổi tần số, điều này có nghĩa là tốc độ động cơ không tác động đến công suất Theo [21], công suất của phụ tải tổng hợp có thể được biểu diễn bằng một biểu thức cụ thể.
P L P ID P D là các thành phần của phụ tải điện, trong đó P L đại diện cho phụ tải tổng hợp, P ID cho phụ tải không phụ thuộc tần số như tải nhiệt và chiếu sáng, còn P D là phụ tải phụ thuộc vào sự thay đổi tần số, ví dụ như động cơ và máy bơm Quan hệ giữa độ biến đổi công suất phụ tải và tần số được xác định theo biểu thức đã nêu trong tài liệu [20].
Trong hệ thống điện, công suất phụ tải (P L) chịu ảnh hưởng bởi độ biến đổi công suất phụ tải (∆P D) theo tần số Hệ số D, phản ánh phần trăm thay đổi của tải theo phần trăm thay đổi tần số, thường nằm trong khoảng từ 1% đến 2% và được xác định qua thực nghiệm Cụ thể, nếu D=2%, một sự thay đổi 1% của tần số sẽ dẫn đến sự thay đổi 2% ở công suất phụ tải.
MẠNG NƠ-RON NHÂN TẠO VÀ CÁC THUẬT TOÁN HUẤN LUYỆN 21
Các thành phần cơ bản của nạng Neural nhân tạo
4.1 Các khái niệm cơ bản mạng neural nhân tạo
Mạng neuron nhân tạo là hệ thống được thiết kế giống như hệ thống thần kinh của con người, sử dụng thiết bị điện tử và các phần tử cơ nhạy Các hệ thống này nhằm mục đích sao chép các phương pháp xử lý thông minh của con người, bao gồm học tập, tự cải tiến và tạo ra suy diễn Mô hình toán đơn giản của mạng neuron được minh họa trong hình 3.1.
Hình 4.1 Mô hình toán đơn giản của một neural 4.2 Các thành phần cơ bản của nạng Neural nhân tạo
Mạng neuron nhân tạo (ANN) bao gồm ba thành phần chính: mô hình neuron, cấu trúc kết nối theo kiểu synapse và quy tắc huấn luyện để cập nhật trọng số kết nối.
Mô hình neural là một thành phần xử lý kết nối giữa đầu vào và đầu ra, sử dụng hàm tổng hợp net để tổ hợp thông tin tương tác Hàm tổng hợp này thường là hàm tuyến tính, với các đầu vào x j được mô tả rõ ràng.
Các hàm tổng hợp net cũng có thể có dạng là: Hàm bình phương (Quadratic function); Hàm mặt cầu (Sherical Funtion), …
4.2.2 Mô hình kết nối (Connections)
Cấu trúc và kết nối hình học giữa các phần tử xử lý trong mạng nơ-ron nhân tạo (ANN) cần được xác định rõ ràng cho từng yếu tố Một ví dụ điển hình là mạng nơ-ron đơn giản với một nút xử lý Dựa vào hình thức kết nối, mạng nơ-ron có thể được phân loại thành năm loại cơ bản, trong đó có mạng nơ-ron phản hồi dương một lớp (Single layer feedforward network).
Mạng neural phản hồi dương một lớp là loại mạng bao gồm các phần tử xử lý nằm trên cùng một mức, trong đó mỗi phần tử xử lý thứ j được kết nối với các đầu vào x1, x2,…, xI thông qua các hệ số trọng lượng w11, w21,…, wIJ Đầu ra của phần tử này được xác định dựa trên các kết nối và trọng số đã nêu.
Hình 4.2 Mạng Feedforward 1 lớp b Mạng neural phản hồi dương đa lớp (Multi layer feedforward network)
Có thể kết nối nhiều mạng phản hồi dương một mức lại nhau để tạo thành một mạng đa mức phản hồi dương như được mô tả ở Hình 4.3:
Lớp Các lớp Lớp nhập ẩn xuất
Hình 4.3 Mạng Feedforward đa lớp c Các mạng neuron phản hồi âm (Feedback network):
Mạng neuron phản hồi âm là loại mạng cho phép các đầu ra được định hướng trở lại các đầu vào cùng lớp hoặc các nút ở lớp trước Khi các mạng phản hồi âm này có cấu trúc vòng kín, chúng được gọi là mạng đệ quy.
Mạng neural đệ qui đơn giản nhất là vòng phản hồi âm, bao gồm một phần tử xử lý với phản hồi âm từ chính nó Hình 4.5 minh họa mạng đệ qui một lớp, trong khi Hình 4.6 mô tả mạng neural đệ quy đa lớp.
Hình 4.4 Neural có hồi tiếp về chính nó Hình 4.5 Mạng neural hồi tiếp một lớp x 1
Thành phần quan trọng thứ ba của mạng neural là phương pháp huấn luyện, hay còn gọi là các qui tắc học Trong mạng neural nhân tạo, có hai loại học chính: học thông số và học cấu trúc Học thông số tập trung vào việc cập nhật các hệ số trọng lượng kết nối, trong khi học cấu trúc liên quan đến việc thay đổi cấu trúc mạng, bao gồm số lượng phần tử xử lý và kiểu kết nối Ở đây, chúng ta sẽ chỉ đề cập đến các phương pháp học thông số, trong đó có học giám sát.
Trong cách học giám sát, mạng neural nhân tạo nhận một chuỗi các cặp đầu vào và đầu ra mong muốn, được biểu diễn dưới dạng (x(1), d(1)), (x(2), d(2)), , (x(k), d(k)) Khi đầu vào x(k) được đưa vào mạng, đầu ra mong muốn d(k) cũng được cung cấp Sự khác biệt giữa đầu ra thực tế y(k) và đầu ra mong muốn d(k) là yếu tố quan trọng trong quá trình học.
Bộ phát sinh tín hiệu sai (error signal generator) tạo ra 23 đo lường để cung cấp các tín hiệu lỗi cho mạng, nhằm điều chỉnh các hệ số trọng lượng Quá trình này giúp đầu ra thực tế của mạng tiến gần hơn đến đầu ra mong muốn Hình ảnh minh họa bên dưới thể hiện cách thức học giám sát trong mạng neural.
W (Input) h ie ọu lo ói C ỏ c tớ n
Y Đầu ra thật sự (Actual output)
Hình 4.7 Học có gíám sát b) Học củng cố (hay còn gọi là học có tăng cường - Reinforcement learning):
Học củng cố là một dạng học có giám sát bởi vì mạng vẫn nhận một vài phản hồi âm từ môi trường của nó
W (Input) đ ỏ n h g ia ự C ỏ c t ớn h ie ọu
Y Đầu ra thật sự (Actual output)
Hình 4.8 Học củng cố c) Học không giám sát (Unsupervised learning):
Trong học không giám sát, mạng không nhận phản hồi từ môi trường để điều chỉnh các đầu ra Thay vào đó, mạng phải tự khám phá các mẫu, đặc trưng và mối quan hệ trong dữ liệu đầu vào, đồng thời mã hóa chúng thành đầu ra Quá trình này yêu cầu mạng trải qua nhiều thay đổi trong các thông số của mình, được gọi là tự tổ chức.
Y Đầu ra thật sự (Actual output)
Phân loại mạng neural
a Phân loại theo cấu trúc
Theo cấu trúc, mạng neural có thể được chia thành 2 loại, mạng feedforward và mạng recurrent
Mạng feedforward là một loại mạng nơ-ron trong đó các nơ-ron được tổ chức thành các lớp Tín hiệu được truyền từ lớp đầu vào đến lớp đầu ra thông qua các kết nối không trực tiếp Các nơ-ron giữa các lớp được kết nối với nhau, nhưng không có kết nối nào trong cùng một lớp.
Mạng recurrent là loại mạng nơ-ron mà trong đó, đầu ra của một số nơ-ron hồi tiếp được kết nối trở lại với chính nó hoặc với các nơ-ron trong lớp kế tiếp Điều này cho phép tín hiệu truyền đi theo hai hướng: tiến về phía trước (forward) hoặc lùi lại (backward) Hơn nữa, mạng recurrent còn có thể được phân loại dựa trên phương pháp học tập mà nó sử dụng.
Các loại mạng neural
a Mạng Perceptron nhiều lớp và thuật toán truyền ngược
Mạng perceptron nhiều lớp, bao gồm lớp nhập, một hoặc nhiều lớp ẩn và lớp xuất, kết hợp với thuật toán truyền ngược, là một trong những mạng neural phổ biến nhất trong việc giải quyết các vấn đề đa dạng trong nhiều lĩnh vực Nhiều nhà nghiên cứu đã cải tiến thuật toán truyền ngược nhằm nâng cao tốc độ hội tụ và tăng cường tính ổn định của nó.
Thuật toán truyền ngược là một phương pháp tìm kiếm theo gradient âm có giám sát, bao gồm hai giai đoạn chính: lan truyền tiến và lan truyền ngược sai số Trong giai đoạn lan truyền tiến, tín hiệu đầu vào được đưa vào mạng và truyền qua các lớp, tạo ra một tập hợp tín hiệu đầu ra mà không thay đổi trọng số của mạng Ngược lại, trong giai đoạn lan truyền ngược, tín hiệu sai số được tính toán từ sự chênh lệch giữa đáp ứng mong muốn và đáp ứng thực tế, sau đó được truyền ngược để điều chỉnh trọng số, giúp cải thiện độ chính xác của mạng Một trong những loại mạng sử dụng thuật toán này là mạng RBF (Radial Basis Function).
Mạng RBF, được giới thiệu bởi Broomhead và Lpwe vào năm 1988, ngày càng chứng tỏ hiệu quả trong việc giải quyết các bài toán thực tế Mạng này bao gồm ba lớp khác nhau: lớp nhập với các nút nguồn không có chức năng tính toán, lớp ẩn hoàn toàn kết nối với lớp xuất Đặc điểm nổi bật của mạng RBF là các tác động của các neuron trong lớp ẩn sử dụng các hàm đối xứng xuyên tâm Do đó, mạng RBF được xem như một sự thay thế hiệu quả cho mạng perceptron nhiều lớp, dẫn đến việc gia tăng ứng dụng của nó trong các hệ thống điện.
Mạng Hopfield là một loại mạng nơ-ron với chỉ một lớp duy nhất, hoạt động vừa như lớp đầu vào vừa là lớp đầu ra Trong mạng này, đầu ra của mỗi nơ-ron được kết nối ngược với các nơ-ron khác, khiến trạng thái của mỗi nơ-ron phụ thuộc vào tín hiệu đầu vào, trạng thái trước đó của các nơ-ron và hàm tác động riêng của nó Mạng Hopfield tỏ ra hiệu quả trong việc giải quyết các bài toán tối ưu hóa tổ hợp và được ứng dụng rộng rãi trong hệ thống điện, bao gồm đánh giá an toàn hệ thống, quy hoạch hệ thống điện và phân bố công suất tối ưu.
Mạng Kohonen là một loại mạng nơ-ron không giám sát, sử dụng các nơ-ron thích nghi để nhận diện tín hiệu từ không gian sự kiện Mạng này bao gồm các nơ-ron được sắp xếp theo một chiều hoặc hai chiều, với các nơ-ron có khả năng truyền ngược tín hiệu về chính nó và các nơ-ron lân cận, giảm dần theo khoảng cách Ý tưởng cốt lõi của mạng Kohonen là xây dựng một hệ thống tự điều chỉnh, trong đó các nơ-ron gần nhau sẽ có phản ứng tương tự đối với tín hiệu đầu vào Khi một nơ-ron phản ứng tốt với tín hiệu, nó và các nơ-ron xung quanh sẽ điều chỉnh trọng số để tất cả đều có phản ứng giống nơ-ron phản ứng tốt nhất Trong lĩnh vực điện, mạng Kohonen đã được áp dụng để giải quyết các bài toán dự báo phụ tải, cùng với mạng perceptron nhiều lớp.
Đặc tính của mạng neural
Qua các phần tìm hiểu một số khái quát trên, ta có thể rút ra một số tính chất về mạng neuron:
- Rất thích hợp với các bài toán phân lớp và nhận dạng
- Có khả năng tổng quát hóa cao
- Đáp ứng nhanh, tin cậy và hiệu quả
- Loại được nhiễu, thích nghi và tối ưu.
PHƯƠNG PHÁP SA THẢI PHỤ TẢI ĐỀ XUẤT VÀ KHẢO SÁT, THỬ NGHIỆM TRÊN HỆ THỐNG ĐIỆN
Giới thiệu sơ đồ 37-Bus IEEE
Hệ thống điện chuẩn IEEE 37-Bus được lựa chọn làm hệ thống thử nghiệm, với sơ đồ đơn tuyến được thể hiện trong Hình 5.1 Hệ thống này bao gồm 9 máy phát điện, 25 tải và 57 nhánh, trong đó máy phát SLACK345 tại Bus 31 đóng vai trò là bus cân bằng.
Sơ đồ được xây dựng với ba cấp điện áp khác nhau (69 kV, 138 kV và 345 kV).
Hình 5.1 Sơ đồ đơn tuyến hệ thống IEEE 37-Bus.
Thử nghiệm phương pháp đề xuất trên mô hình IEEE 37-Bus
5.2.1 Đề xuất phương pháp sa thải
Khi máy phát gặp sự cố trong hệ thống điện, hệ thống SCADA sẽ thu thập dữ liệu các thông số liên quan Nếu sau quá trình điều khiển tần số sơ cấp và thứ cấp mà tần số vẫn không trở về mức cho phép, dữ liệu này sẽ được sử dụng để huấn luyện mạng nơ-ron ANN, nhằm phát triển chiến lược điều khiển sa thải phụ tải hiệu quả.
Trong bài viết này, chúng tôi tính toán lượng công suất sa thải phụ tải tối thiểu và phân bố công suất này tại các bus tải thông qua thuật toán AHP Thuật toán AHP đóng vai trò quan trọng trong việc xác định hệ số tầm quan trọng của từng phụ tải, trong đó phụ tải có hệ số tầm quan trọng thấp sẽ được ưu tiên sa thải nhiều công suất hơn Hình 5.2 minh họa lưu đồ giải thuật của phương pháp sa thải phụ tải được đề xuất.
Hình 5.2 Lưu đồ phương pháp sa thải tải đề xuất
5.2.2 Thử nghiệm trên sơ đồ 37-Bus IEEE
Dựa trên hệ thống kiểm tra IEEE 37 bus với 9 máy phát, chúng tôi đã xây dựng mô hình phân cấp và ma trận phán đoán giữa các tâm phụ tải và các phụ tải trong trung tâm phụ tải theo các bước đã trình bày ở mục 2.2 Kết quả của quá trình xây dựng hệ thống phân cấp mô hình được thể hiện rõ trong Hình 5.3 và các bảng từ Bảng 5.1 đến Bảng 5.5.
Hình 5.3 Mô hình AHP các vùng trung tâm tải và các đơn vị tải cho sơ đồ
IEEE 37 Bus Bảng 5.1: Ma trận phán đoán trung tâm phụ tải LC i
Bảng 5.2: Ma trận phán đoán các phụ tải L j ở trung tâm tải LC 1
Bảng 5.3: Ma trận phán đoán các phụ tải L j ở trung tâm tải LC 2
Bảng 5.4: Ma trận phán đoán các phụ tải L j ở trung tâm tải LC 3
Bảng 5.5: Ma trận phán đoán các phụ tải L j ở trung tâm tải LC 4
Khi máy phát BLT138 (Bus 53) gặp sự cố và bị ngắt khỏi lưới điện, máy phát SLACK 345 (SLACK Bus) trong sơ đồ hệ thống điện 9 máy phát IEEE 37 bus được chọn làm máy phát điều khiển tần số thứ cấp với công suất điều khiển là 10,72MW Bảng 5.7 trình bày giá trị công suất điều khiển sơ cấp của từng tuabin máy phát.
Khi tần số sơ cấp và thứ cấp không được khôi phục về giá trị cho phép, cần phải giảm tải để đưa tần số về mức cho phép Sử dụng công thức (3.16) để tính toán công suất tải giảm thiểu cần thiết, tổng lượng sa thải tối thiểu được xác định là 16.64MW Lượng công suất này sẽ được phân phối cho các nút phụ tải dựa trên hệ số quan trọng của từng phụ tải, như được trình bày trong Bảng 5.6.
Bảng 5.6: Giá trị của tải và hệ số quan trọng của tải được tính bằng AHP
Bảng 5.7: Giá trị thông số và công suất điều chỉnh sơ cấp của các máy phát
Tổng 5.2.3 Xây dựng tập mẫu học và huấn luyện mạng nơron
Việc xây dựng tập mẫu huấn luyện cho mạng nơ-ron được thực hiện bằng phần mềm PowerWorld GSO 19, nhằm mô phỏng off-line và thu thập dữ liệu cho chiến lược điều khiển sa thải phụ tải khi xảy ra sự cố mất máy phát Hệ thống điện sẽ thực hiện sa thải phụ tải khi tần số giảm xuống dưới 59.7Hz, với lượng công suất sa thải được tính toán và phân bố dựa trên thuật toán AHP Tập mẫu huấn luyện được tạo ra bằng cách thay đổi mức tải từ 60% đến 100% và vị trí máy phát gặp sự cố, dẫn đến 122 mẫu dữ liệu được thu thập Trong quá trình huấn luyện mạng nơ-ron, dữ liệu được chia thành 80% để huấn luyện và 20% để kiểm tra, đồng thời được chuẩn hóa trước khi tiến hành huấn luyện.
Cấu trúc mạng nơ ron bao gồm ba lớp: lớp đầu vào, lớp ẩn và lớp đầu ra Mạng này có tổng cộng 164 biến đầu vào, bao gồm 9 biến ΔP G, 25 biến ΔP Load, 56 biến ΔP Branch, 37 biến Δfbus và 37 biến ΔVbus Lượng công suất sa thải tại các bus tải, với 25 biến, là các tín hiệu đầu ra phản ánh các tình huống máy phát gặp sự cố Cấu hình mạng ANN được thể hiện trong hình 5.4.
The training of the ANN2 neural network is conducted using Back Propagation Neural Network (BPNN) with four training algorithms: Levenberg-Marquardt (trainlm), Bayesian (trainbr), and Scaled Conjugate Gradient (trainscg).
Phương pháp Resilient Backpropagation (trainrp) được sử dụng để so sánh hiệu quả của các kỹ thuật huấn luyện Kết quả về độ chính xác trong quá trình huấn luyện và độ chính xác kiểm tra của các phương pháp này được trình bày chi tiết trong Bảng 5.8 và Hình 5.5.
Bảng 5.8: Độ chính huấn luyện và kiểm tra của từng thuật toán huấn luyện ANN
Thuật toán huấn luyện của ANN Độ xác luyện (%) Độ xác tra (%)
Hình 5.5 So sánh độ chính xác huấn luyện và kiểm tra của các thuật toán huấn luyện ANN
Dữ liệu từ Hình 5.5 cho thấy rằng phương pháp huấn luyện mạng nơ-ron với thuật toán Bayesian mang lại độ chính xác cao nhất trong việc nhận dạng chiến lược sa thải phụ tải Đặc biệt, khi số biến đầu vào tăng lên, độ chính xác cũng tăng theo, đạt mức cao nhất với 130 biến, với độ chính xác huấn luyện là 97.92% và độ chính xác kiểm tra đạt 98.51%.
Bài viết so sánh hai phương pháp sa thải phụ tải: phương pháp sử dụng mạng nơron kết hợp với thuật toán AHP và phương pháp sử dụng relay sa thải phụ tải dưới tần số (UFLS) khi sa thải cùng một lượng công suất 16.64MW Phương pháp AHP có thời gian sa thải là 300ms sau sự cố máy phát, trong khi phương pháp UFLS sa thải khi tần số giảm xuống dưới ngưỡng cho phép.
Hình 5.6 minh họa tần số của hệ thống khi áp dụng phương pháp giảm tải truyền thống so với phương pháp đề xuất Bảng 5.9 trình bày so sánh thiệt hại kinh tế do sa thải tải dựa trên hai thuật toán AHP và UFLS, cho thấy hiệu quả của từng phương pháp sa thải.
Lượng công suất sa thải (MW)
Giá trị tần số phục hồi (Hz)
Giá trị tần số đáp ứng thấp nhất (Hz)
Thời gian phục hồi tần số (s)
Thiệt hại kinh tế ∑P LSi C mi (x10 3 ) ($)
Phương pháp sa thải phụ tải dựa trên mạng noron, thuật toán AHP và sa thải phụ tải UFLS đều đạt được giá trị tần số phục hồi trong giới hạn cho phép, như thể hiện trong hình 5.6 Cả hai phương pháp này đều có giá trị tần số ổn định tương tự nhau do lượng công suất sa thải phụ tải là giống nhau.
Phương pháp ANN-AHP luôn cho giá trị đáp ứng tần số cao hơn và tốt hơn so với phương pháp UFLS Nguyên nhân chính là do ANN-AHP có thời gian xử lý nhanh, cho phép ra quyết định kịp thời về chiến lược điều khiển sa thải phụ tải Ngược lại, UFLS phải chờ tần số giảm xuống dưới ngưỡng cài đặt của relay UFLS mới thực hiện sa thải, dẫn đến việc quyết định chậm trễ và giá trị đáp ứng tần số không đạt yêu cầu như phương pháp ANN-AHP.
Phương pháp sa thải phụ tải dựa trên ANN-AHP cho thấy giá trị thiệt hại thấp hơn so với phương pháp UFLS, mặc dù cả hai đều có cùng lượng công suất sa thải Điều này xuất phát từ việc thuật toán AHP đã xếp hạng các phụ tải theo thứ tự ưu tiên, cho phép sa thải những phụ tải ít quan trọng hơn với lượng công suất lớn hơn, từ đó giảm thiệt hại khi cắt điện.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
