Cơ sở lý thuyết ổn định hệ thống điện
Khái niện chung
Hệ thống điện là một tập hợp phức tạp gồm các phần tử phát, dẫn và phân phối, tương tác với nhau và chịu ảnh hưởng của nhiều nhiễu Để đảm bảo sự tồn tại và vận hành, hệ thống cần duy trì tính ổn định khi đối mặt với các tác động này Ổn định hệ thống điện được định nghĩa là khả năng trở lại trạng thái hoạt động bình thường sau khi bị nhiễu Để đạt được chế độ xác lập, cần có sự cân bằng công suất trong hệ thống, với các thông số giữ ổn định và chỉ dao động nhẹ dưới tác động của các kích động nhỏ Bên cạnh đó, khi có thao tác đóng cắt, hệ thống điện phải có khả năng chuyển đổi từ chế độ xác lập này sang chế độ xác lập mới.
Hình 2.1: Sơ đồ hệ thống điện đơn giản.
Ổn định hệ thống điện
2.2.1 Các chế độ làm việc hệ thống điện
Chế độ làm việc của HTĐ
Chế độ xác lập Chế độ quá độ
Hình 2.2: Các chế độ làm việc của HTĐ
Các chế độ làm việc của hệ thống điện chia làm hai loại chính: Chế độ xác lập và chế độ quá độ
Chế độ xác lập là trạng thái làm việc ổn định của hệ thống điện, trong đó các thông số không thay đổi hoặc chỉ biến thiên nhẹ trong khoảng thời gian ngắn Tuy nhiên, thực tế không có chế độ nào mà các thông số luôn bất biến, vì hệ thống điện bao gồm rất nhiều phần tử luôn biến đổi, dẫn đến sự thay đổi liên tục của các thông số Chế độ xác lập được phân chia thành nhiều loại khác nhau.
- Chế độ xác lập bình thường là chế độ vận hành bình thường của HTĐ
- Chế độ xác lập sau sự cố xảy ra sau khi đã loại trừ sự cố
- Chế độ sự cố xác lập là chế độ sự cố duy trì sau thời gian quá độ Ví dụ chế độ ngắn mạch duy trì,…
Chế độ quá độ là giai đoạn chuyển tiếp giữa hai chế độ xác lập, thường xảy ra sau các sự cố hoặc khi các phần tử mang công suất bị đóng cắt, được gọi là kích động lớn Chế độ này bao gồm nhiều yếu tố quan trọng trong quá trình chuyển đổi.
Chế độ quá độ bình thường là quá trình chuyển tiếp giữa hai trạng thái xác lập bình thường khác nhau Trong giai đoạn này, các thông số của hệ thống có thể biến đổi nhưng sau một thời gian sẽ quay trở lại gần với giá trị định mức và duy trì sự ổn định.
- Chế độ quá độ sự cố: có thông số hệ thống biến thiên mạnh, sau đó tăng trưởng vô hạn hoặc giảm đến 0
2.2.2 Phân loại ổn định hệ thống
Các chế độ làm việc của hệ thống điện gắn liền với sự tồn tại của điểm cân bằng công suất, là điều kiện cần để duy trì thông số hệ thống ổn định Tuy nhiên, trạng thái cân bằng chỉ là một phần trong việc duy trì chế độ xác lập, vì luôn có các kích động ngẫu nhiên làm lệch thông số khỏi điểm cân bằng, ví dụ như thay đổi công suất tải Để đảm bảo chế độ xác lập, hệ thống cần duy trì độ lệch nhỏ của các thông số, phụ thuộc vào tính chất ổn định tĩnh Nếu các kích động lớn xảy ra, hệ thống cần có tính chất ổn định động để duy trì trạng thái ổn định Do đó, điều kiện cân bằng công suất không đủ để tồn tại một chế độ xác lập trong thực tế, vì các chế độ luôn bị tác động từ bên ngoài Một chế độ thỏa mãn điều kiện cân bằng công suất cần có khả năng chịu đựng các kích động mà không làm mất đi sự đồng bộ Các kích động này được chia thành hai loại: ổn định tĩnh và ổn định động, bao gồm ổn định hệ thống điện, ổn định góc rotor, ổn định tần số và ổn định điện áp.
Nhiễu lớn Nhiễu nhỏ Ổn định tín hiệu nhỏ Ổn định quá độ
Ngắn hạn Dài hạn Ngắn hạn Dài hạn
Đánh giá ổn định động trong hệ thống điện là quá trình xác định khả năng của hệ thống để chịu đựng các kích động ngẫu nhiên mà không mất ổn định Đây là một yếu tố quan trọng trong việc đảm bảo an toàn và độ tin cậy cho vận hành hệ thống điện Việc phân loại ổn định hệ thống điện giúp hiểu rõ hơn về khả năng phản ứng của nó trong các tình huống quá độ.
Trong luận văn, việc đánh giá ổn định động của hệ thống điện được thực hiện thông qua góc rotor, hay còn gọi là góc công suất Đánh giá này tập trung vào thuộc tính động của hệ thống trong quá trình xảy ra ngắn mạch, dựa trên mối quan hệ giữa các góc công suất của các máy phát điện Hệ thống điện được coi là ổn định nếu bất kỳ góc công suất tương đối của máy phát thứ i không vượt quá ngưỡng cho phép.
i so với máy phát thứ j j không vượt quá 180 0 Ngược lại, nếu góc công suất tương đối vượt quá 180 0 thì hệ thống mất ổn định
Tiêu chuẩn để đánh giá ổn định là:
Nếu: ij 180 0 ổn định Nếu: ij 180 0 không ổn định
2.2.2.1 Cân bằng công suất Điều kiện cần để chế độ xác lập có thể tồn tại là sự cân bằng công suất tác dụng và công suất phản kháng Công suất do các nguồn sinh ra phải bằng công suất do các phụ tải tiêu thụ cộng với tổn thất công suất trong các phần tử của HTĐ
Q F pt (2.2) Giữa công suất tác dụng và công suất phản kháng có mối quan hệ:
Các điều kiện cân bằng công suất 2.1 và 2.2 cần được xem xét trong mối quan hệ với nhau, không thể tách rời Trong thực tế, việc tính toán và vận hành hệ thống điện (HTĐ) có thể coi sự biến đổi của công suất tác dụng và công suất phản kháng là độc lập, ít ảnh hưởng đến nhau Biến đổi công suất tác dụng chủ yếu tác động đến tần số của hệ thống, trong khi ảnh hưởng đến điện áp là không đáng kể Do đó, tần số có thể được coi là tiêu chí đánh giá sự cân bằng công suất tác dụng Ngược lại, biến đổi công suất phản kháng chủ yếu ảnh hưởng đến điện áp của HTĐ, vì vậy điện áp trở thành chỉ tiêu để đánh giá sự cân bằng công suất phản kháng.
Trong quá trình vận hành hệ thống điện, các điều kiện cân bằng công suất 2.1 và 2.2 được duy trì một cách tự nhiên Các thông số của chế độ hoạt động luôn được điều chỉnh để đảm bảo các điều kiện này được thỏa mãn Để đảm bảo hiệu suất làm việc của phụ tải và hệ thống điện, cần quy định các giá trị cân bằng cho công suất tác dụng và công suất phản kháng.
Công suất tác dụng là cân bằng khi tần số của hệ thống bằng tần số đồng bộ f
(50 hoặc 60 Hz) hoặc nằm trong giới hạn cho phép: max cp cp f f f (2.4)
Công suất phản kháng là cân bằng khi điện áp tại các nút của HTĐ nằm trong giới hạn cho phép: max cp cp U U
Khi điện áp và tần số không nằm trong giới hạn cho phép, sự cân bằng công suất sẽ không được đảm bảo, đòi hỏi các biện pháp can thiệp Sự cân bằng công suất tác dụng có tính chất toàn hệ thống, vì giá trị này phải đồng nhất ở mọi điểm trong mạng lưới Để duy trì tần số, việc điều chỉnh công suất tại một nhà máy là đủ Ngược lại, cân bằng công suất phản kháng lại mang tính chất cục bộ, với sự thừa thiếu ở các khu vực khác nhau, khiến cho việc điều chỉnh công suất phản kháng trở nên phức tạp và không thể thực hiện đồng bộ cho toàn bộ hệ thống.
Trong hệ thống điện, máy phát điện đóng vai trò quyết định cho hoạt động của toàn bộ hệ thống Sự cân bằng công suất tác dụng trên trục rotor của các máy phát điện rất quan trọng để duy trì chế độ xác lập Đây là một dạng cân bằng cơ điện, thể hiện mối quan hệ giữa công suất cơ học của tuabin (P TB) và công suất điện (P MF) mà máy phát điện cung cấp.
Sự cân bằng công suất tác dụng trong hệ thống điện rất quan trọng, vì bất kỳ sự mất cân bằng nào cũng sẽ ngay lập tức ảnh hưởng đến máy phát điện và gây ra sự mất cân bằng cơ điện Đặc biệt, sự cân bằng công suất phản kháng tại các nút phụ tải lớn là yếu tố then chốt Đối với các phụ tải quay, cần đảm bảo sự cân bằng giữa công suất điện lưới Ppt và công suất cơ Pc của các máy công cụ.
2.2.2.2 Ổn định tĩnh Ổn định tĩnh là khả năng của hệ thống điện trở lại vận hành ở trạng thái ban đầu sau khi hệ thống bị những nhiễu nhỏ tác động Nếu cho rằng chế độ xác lập của hệ thống điện tương ứng với vị trí cân bằng thì có thể xét đoán ổn định tĩnh theo một trong những điều kiện sau:
- Khi hệ thống chịu tác động đủ bé thì các thông số của hệ thống cũng biến đổi đủ bé
Khi độ lệch của các thông số chế độ so với vị trí cân bằng nhỏ, các biến đổi tiếp theo của các thông số này cũng sẽ ở mức nhỏ.
Trong hệ thống điện, khi ở vị trí cân bằng, tác động nhỏ có thể chuyển hệ sang vị trí cân bằng mới gần vị trí cũ Điều kiện làm việc của hệ thống điện thường gặp các tác động nhỏ không chu kỳ, dẫn đến biến đổi chậm và không có chu kỳ, cho phép coi hệ thống là ổn định Đây chính là định nghĩa về ổn định tĩnh trong hệ thống điện.
Các phương pháp nghiên cứu ổn định động hệ thống điện
Phân tích ổn định động hệ thống điện (HTĐ) là quá trình đánh giá khả năng của HTĐ chuyển sang trạng thái ổn định mới sau khi xảy ra các dao động lớn Những dao động này có thể do nhiều nguyên nhân như sa thải máy phát, sa thải phụ tải, mở đường dây hoặc sự cố ngắn mạch, trong đó ngắn mạch ba pha là nghiêm trọng nhất Các dao động lớn dẫn đến sự mất cân bằng giữa công suất cơ đầu vào và công suất điện ra của máy phát, gây ra dao động rotor giữa các máy phát và làm giảm tính ổn định của HTĐ.
Có nhiều phương pháp để phân tích ổn định hệ thống điều khiển Bài viết này sẽ trình bày bốn phương pháp khảo sát ổn định, bao gồm: phương pháp diện tích, phương pháp trực tiếp, phương pháp tích phân số và phương pháp mô phỏng theo miền thời gian.
2.3.1 Phương pháp tích phân số
Phương pháp phân tích số là công cụ phổ biến trong nghiên cứu ổn định động của hệ thống điện (HTĐ) Bằng cách áp dụng các thuật toán khác nhau, tích phân số hệ phương trình vi phân phi tuyến trong quá trình quá độ cho phép xác định đường cong biến thiên góc lệch δ, từ đó đánh giá được ổn định động của hệ thống Ưu điểm nổi bật của phương pháp này là tính vạn năng, có thể áp dụng cho nhiều loại mô hình và cấu trúc HTĐ khác nhau.
Nhược điểm của phương pháp này bao gồm yêu cầu khối lượng tính toán lớn và thời gian xử lý lâu, dẫn đến hạn chế trong việc ứng dụng cho các bài toán cần giải quyết nhanh Ngoài ra, độ chính xác của nó cũng thấp khi tính toán các quá trình quá độ trong thời gian dài, gây khó khăn trong việc phân tích kết quả.
Ví dụ trường hợp xét ổn định HTĐ khi cắt đột ngột một đường dây như hình vẽ:
2 không ổn định ổn định t
Hình 2.4: Biểu diễn góc lệch
Kết quả tính toán bằng phương pháp tích phân số là các trị số của các góc lệch
ở những điểm khác nhau Nếu tính toán với thời gian đủ dài, ở thời điểm có
t 2 ta nói quá trình quá độ ổn định
2.3.2 Phương pháp diện tích Ưu điểm: Đối với HTĐ đơn giản xét theo mô hình đơn giản hóa quá trình quá độ phương pháp diện tích tỏa ra thuận lợi và hiệu quả Trong phạm vi có thể (với các
14 phép biến đổi đẳng trị đơn giản hóa sơ đồ) người ta thường sử dụng tối đa ưu điểm của phương pháp này
Nhược điểm: Đối với HTĐ lớn do có nhiều máy phát tương tác phức tạp trên hệ thống thì phương pháp diện tích sẽ không còn phù hợp
Phương pháp trực tiếp hay phương pháp năng lượng trong tính toán ổn định hệ thống điện có ưu điểm là loại bỏ bước giải hệ phương trình vi phân, tuy nhiên, nó đòi hỏi nhiều tính toán để xác định chỉ số ổn định quá độ.
2.3.4 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 mô phỏng cho phép phân tích mà không cần chuyển đổi sang hệ thống một máy kết nối với hệ thống vô cùng lớn Bằng cách xem xét góc lệch của các máy phát so với máy phát chuẩn, ta có thể xác định tính ổn định của hệ thống Khi hệ thống chịu tác động từ nhiễu lớn, mọi thông số và trạng thái của nó đều thay đổi Các thông số đầu vào cho quá trình phân tích được lấy từ kết quả bài toán phân bố công suất, nhưng việc tính toán này cần thực hiện qua nhiều lần lặp lại để đạt độ chính xác.
Bằng phương pháp mô phỏng miền thời gian, quá trình mô phỏng được lặp lại cho đến khi góc lệch của một máy phát so với máy phát chuẩn đạt giá trị vô hạn Khi đó, quá trình sẽ dừng lại và xác định được thời gian cắt tới hạn Thời gian cắt tới hạn là khoảng thời gian tối đa cho phép để hệ thống vẫn duy trì sự ổn định, tương ứng với góc công suất cắt tới hạn.
Nhược điểm: Trở ngại lớn nhất đối với phương pháp này là vần đề thời gian giải.
Phương trình dao động
Tổ máy phát điện bao gồm một máy phát điện đồng bộ 3 pha và động cơ sơ cấp Phương trình dao động mô tả chuyển động của rotor được viết lại để phân tích hiệu suất và hoạt động của hệ thống.
J: Tổng mômen quán tính của khối lượng quay, kgm 2 α m : Gia tốc góc rotor, rad/s 2
T m : Mômen cơ được cung cấp bởi động cơ sơ cấp trừ mômen cản do tổn thất cơ, Nm
T e : Mômen điện đại diện cho tổng công suất điện 3 pha ngõ ra của máy phát, cộng với tổn thất điện, Nm
T a : Mômen gia tốc cuối cùng, Nm
Ngoài ra, gia tốc góc rotor được cho bởi:
Trong đó: ω m : Tốc độ góc rotor, rad/s θ m : Vị trí góc rotor đối với một trục cố định, rad/s
T m và T e là hai yếu tố quan trọng trong hoạt động của máy phát Khi T m = T e, mômen gia tốc T a = 0, dẫn đến gia tốc rotor α m = 0, tạo ra tốc độ rotor ổn định gọi là tốc độ đồng bộ Nếu T m > T e, mômen gia tốc T a sẽ dương, khiến tốc độ rotor tăng Ngược lại, khi T m < T e, tốc độ rotor sẽ giảm Để thuận tiện cho việc đo vị trí góc rotor, ta sử dụng một trục quy chiếu quay đồng bộ thay vì trục cố định.
𝜔 𝑚𝑠𝑦𝑛 : Tốc độ góc đồng bộ của rotor, rad/s δ 𝑚 : Vị trí góc rotor đối với một trục quy chiếu quay đồng bộ, rad
Sử dụng (2.9) và (2.11), (2.8) trở thành:
Để thuận tiện trong việc tính toán công suất thay vì mômen quay, chúng ta sử dụng hệ đơn vị tương đối Cụ thể, chúng ta nhân công thức (2.12) với 𝜃 𝑚 (𝑡) và chia cho S rated, công suất cơ bản ba pha của máy phát.
( ) ( ) m m m m e m e mpu epu rated rated rated d t d t t T t T t P t P t
𝑃 𝑚𝑝𝑢 : Công suất cơ được cung cấp bởi động cơ sơ cấp trừ tổn thất cơ, pu
𝑃 𝑒𝑝𝑢 : Công suất điện ngõ ra của máy phát cộng với tổn thất điện, pu
Cuối cùng, để tiện tính toán với một hằng số quán tính chuẩn hóa, được gọi là hằng số H, mà được định nghĩa là:
H Jw Jun VA hoặc pu s
: Động năng tích lũy ở tốc độ đồng bộ
: Công suất cơ bản máy phát
Hằng số H có ưu điểm là nằm trong một phạm vi hẹp, thường từ 1 đến 10 pu.s, trong khi đó, J lại có sự biến đổi lớn và phụ thuộc vào kích thước cũng như loại máy phát Khi thay thế J vào các công thức liên quan, chúng ta có thể thu được các kết quả cần thiết.
(2.15) Định nghĩa tốc độ góc rotor trong đơn vị tương đối:
( ) ( ) ( ) ( ) pu mpu epu apu syn
(2.17) Đối với một máy phát điện đồng bộ có P cực, gia tốc góc điện 𝛼, tần số góc điện
𝜔, và góc công suất 𝛿 là:
(2.20) Tương tự, tần số góc điện đồng bộ là: syn 2 msyn
P (2.21) Tần số điện trong đơn vị tương đối là:
Sử dụng (2.19 – 2.22), (2.17) có thể được viết là:
( ) ( ) ( ) ( ) pu mpu epu apu syn
Thông thường, phương trình (2.23) được điều chỉnh để có thể biểu diễn mô-men cản tại mọi thời điểm của máy phát, biến thiên từ tốc độ đồng bộ Giá trị của mô-men cản này tỷ lệ thuận với độ lệch tốc độ.
( ) ( ) ( ) ( ) w syn pu mpu epu syn apu
Với D 0 2 : Các đơn vị của D là công suất trong đơn vị tương đối chia cho độ lệch tốc độ trong đơn vị tương đối
Phương trình (2.24) được xem là phương trình dao động trong đơn vị tương đối, đóng vai trò quan trọng trong việc xác định thuộc tính động của rotor trong nghiên cứu ổn định quá độ Sự phi tuyến trong phương trình này bị ảnh hưởng bởi P epu ( )t và pu ( )t Tuy nhiên, trong thực tế, tốc độ rotor thường không biến đổi nhiều so với tốc độ đồng bộ trong suốt quá trình quá độ, do đó, trong các tính toán thủ công cho (2.24), người ta thường giả định rằng pu ( ) 1t .
Phương trình (2.24) là một phương trình vi phân bậc hai mà có thể được viết lại như hai phương trình vi phân bậc một
Lấy vi phân (2.10), và sau đó sử dụng (2.19) - (2.21), chúng ta có được:
( ) ( ) ( ) ( ) pu mpu epu apu syn syn
Ổn định hệ nhiều máy
Hình 2.5 trình bày một hệ thống điện N nút với M máy phát điện đồng bộ [10]
Hệ thống điện N nút kết nối với các đầu cực máy phát G1, G2,
Các đường dây truyền tải, các máy biến áp, các phụ tải được mô hình hóa bởi những tổng dẫn không đổi
Hình 2.5: Hệ thống điện N nút dùng cho các nghiên cứu ổn định quá độ
Mỗi máy phát được mô tả bằng mô hình đơn giản hóa với sức điện động ký hiệu là E¢1, E¢2,… E¢M Các đầu cực của M máy được kết nối với các nút trong hệ thống, ký hiệu là G1, G2,… GM Tất cả các phụ tải trong hệ thống được mô hình hóa như các tổng dẫn không đổi.
Phương trình nút của hệ thống:
𝑉 𝑁 ] là N vectơ của các điện áp bus (2.28)
𝐸 𝑀 ′ ] là M vectơ của các điện áp máy phát (2.29)
𝐼 𝑀 ] là M vecto của các dòng điện máy phát (nguồn dòng) (2.30)
Y 12 T Y 22 ] là một ma trận tổng dẫn (N + M) × (N + M) (2.31)
Ma trận tổng dẫn trong (2.27) được phân chia theo đúng N nút hệ thống và M nút sức điện động như sau:
Y11 là ma trận tổng dẫn nút quan trọng trong việc tính toán phân bố công suất, không bao gồm các tổng dẫn phụ tải và trở kháng của máy phát nghịch đảo Điều này có nghĩa rằng, khi xem xét một phụ tải
20 được kết nối đến nút n, thì tổng dẫn phụ tải đó được cộng vào phần tử đường chéo
Y 11𝑛𝑚 Ngoài ra, thành phần 1/𝑗𝑋 𝑑𝑛 ′ được cộng vào phần tử đường chéo Y 11𝐺𝑚𝐺𝑛
Y 22 là một ma trận đường chéo của các trở kháng máy phát điện nghịch đảo:
Ngoài ra, phần tử thứ km của 𝑌 12 là:
Viết (2.27) thành 2 phương trình riêng biệt,
Giả sử giá trị E đã được xác định, phương trình (2.29) trở thành một phương trình tuyến tính trong V, có thể giải bằng phương pháp lặp hoặc khử Gauss Để giải quyết vấn đề này, chúng ta áp dụng phương pháp lặp Gauss-Seidel như được trình bày trong phương trình (2.31).
Thành phần thứ k của V được tính như sau:
(2.37) Sau khi tính được V, các dòng điện máy phát có thể tìm được từ (2.30)
Công suất điện (thực) ngõ ra của máy phát thứ n khi đó là:
Phân tích tình hình nghiên cứu liên quan
Việc đánh giá sự ổn định của hệ thống điện sau sự cố lớn có thể được thực hiện qua nhiều phương pháp khác nhau Phương pháp mô phỏng theo miền thời gian cho kết quả chính xác nhưng tốn nhiều thời gian do phải giải hệ phương trình vi phân phi tuyến Phương pháp số cũng mang lại độ chính xác cao nhưng gặp khó khăn trong việc giải các phương trình vi phân bậc 2 và yêu cầu thời gian dài Mặc dù phương pháp hàm năng lượng có thể xác định ổn định quá độ mà không cần giải các phương trình không gian trạng thái, nhưng nó đòi hỏi nhiều tính toán và cần đơn giản hóa mô hình cho các hệ thống lớn với nhiều máy phát Cuối cùng, phương pháp tính toán dựa trên hàm năng lượng của hệ thống cho biết thời gian cắt ổn định động nhưng lại khá phức tạp và tốn thời gian.
Với sự phức tạp và thời gian phân tích kéo dài, các phương pháp truyền thống gây ra chậm trễ trong quyết định Do đó, nhu cầu nghiên cứu và áp dụng các phương pháp hiệu quả hơn ngày càng tăng Phương pháp nhận dạng mẫu nổi lên như một giải pháp hiệu quả trong bối cảnh này.
Mạng nơron nhân tạo (ANN) hứa hẹn khả năng dự đoán nhanh chóng và chính xác sự ổn định động của hệ thống điện, thông qua việc huấn luyện từ một nhóm nhỏ biến hệ thống Kỹ thuật xử lý dữ liệu đóng vai trò quan trọng trong việc áp dụng ANN, đặc biệt là trong việc lựa chọn và trích xuất biến cùng mẫu đặc trưng Điều này giúp hệ thống chọn lọc dữ liệu đặc trưng tốt nhất, nâng cao khả năng phân biệt và cải thiện tốc độ xử lý dữ liệu với độ chính xác chấp nhận được.
Tác giả trong [12] đã đề xuất sử dụng mạng hồi quy tổng quát (GRNN) để đánh giá sự ổn định động trong các hệ thống điện, cho thấy GRNN là một mạng ANN hứa hẹn trong việc này nhờ khả năng phân loại nhanh chóng Trong [13], các tác giả đã trình bày việc áp dụng ANN với phương pháp lựa chọn biến divergence.
Trong nghiên cứu, tác giả đã so sánh hiệu suất của mạng Perceptron Multilayer (MLP) bằng cách thay đổi các hàm chuyển đổi như sigmoid, tiếp tuyến hyperbol và hàm mũ MLP là công cụ phổ biến trong nhận dạng và phân loại dữ liệu Bên cạnh đó, việc chia bộ dữ liệu thành nhiều nhóm đã được áp dụng để nâng cao hiệu suất của phương pháp phân cụm Kmeans Kết hợp với các kỹ thuật xử lý dữ liệu, mạng nơ-ron nhân tạo (ANN) nổi bật với tốc độ đánh giá ổn định thời gian thực, yêu cầu dữ liệu tối thiểu, khả năng khái quát hóa mạnh mẽ và khả năng mở rộng ANN cũng cung cấp kết quả nhanh chóng và chính xác, giúp thực hiện các hành động cần thiết khi xảy ra sự cố ngẫu nhiên.
Kết luận chương 2
Chương 2 đã trình bày tổng quan về lý thuyết ổn định hệ thống điện, các biện pháp nâng cao tính ổn định và phân tích một số công trình đã được nghiên cứu Trong chương 3, trình bày chi tiết về ANN và mô hình ANN nhận dạng ổn định động hệ thống điện.
Lý thuyết mạng nơron và mô hình nhận dạng
Mô hình nơron sinh học
Tri thức của con người hiện nay rất phong phú và đa dạng, bao gồm hiểu biết về thế giới vi mô như nguyên tử và điện tử, cũng như các khía cạnh vĩ mô như trái đất và hệ mặt trời Chúng ta còn có kiến thức sâu rộng về thế giới tự nhiên, xã hội và các ngành khoa học, kỹ thuật như toán học, vật lý học, hóa học và công nghệ thông tin, cùng với những hiểu biết về chính bản thân con người.
Bộ não con người chứa khoảng 10^11 nơron sinh học và 10^15 khớp kết nối, với các khớp này ban đầu ít kết nối và phát triển qua quá trình học tập Nhờ vào khả năng xử lý song song, phân tán và phi tuyến, con người có thể đưa ra những quyết định phức tạp và nhanh chóng Mỗi nơron bao gồm ba thành phần chính: thân nơron, cây nơron và trục nơron Cây nơron chứa các dây thần kinh liên kết với thân, trong khi trục nơron dài và đơn, kết nối với thân và có phần cuối phân nhánh Tại các nhánh này, khớp thần kinh cho phép nơron giao tiếp với nhau thông qua tín hiệu điện, và thông tin được thu nhận từ cây hoặc thân nơron.
Khớp thần kinh Thân nơron Nhân nơron
Hình 3.1: Mô hình nơron sinh học
Mô hình nơron nhân tạo
Nơron nhân tạo (ANN) là mô hình toán học dựa trên cấu trúc của các nơron sinh học Chức năng chính của mỗi ANN là tổng hợp thông tin từ các đầu vào và chuyển đổi chúng thành tín hiệu đầu ra.
Mỗi mạng nơ-ron nhân tạo (ANN) có khả năng tiếp nhận nhiều đầu vào nhưng chỉ cho ra một đầu ra duy nhất Mỗi đầu vào được gán với một trọng số (weight) tương ứng, đóng vai trò quan trọng trong việc xác định mối liên kết giữa các nơ-ron, tương tự như các khớp nối trong nơ-ron sinh học Các trọng số này có thể mang giá trị dương hoặc âm, phản ánh sự kích thích hoặc ức chế trong các khớp nối sinh học.
Một mạng nơ-ron nhân tạo (ANN) được thiết kế cho các ứng dụng cụ thể như nhận dạng mẫu hay phân loại thông qua việc học từ tập dữ liệu huấn luyện Quá trình học này chủ yếu là điều chỉnh trọng số kết nối giữa các nơ-ron nhằm giảm thiểu giá trị hàm lỗi đến mức thấp nhất.
ANN có rất nhiều ứng dụng trong nhiều lĩnh vực như nhận dạng, phân lớp ảnh, phân tích dữ liệu, các bài toán tối ưu, dự báo, chuẩn đoán,…
Hình 3.2: Mô hình mạng nơron nhân tạo.
Phân loại mạng nơron
Mạng nơron nhân tạo (ANN) bao gồm sự kết nối của nhiều nơron, với ngõ ra của mỗi nơron liên kết với các nơron khác thông qua trọng số hoặc tự phản hồi về ngõ vào của chính nó Dựa trên các đặc điểm này, ANN được phân loại thành nhiều loại khác nhau.
- Mạng một lớp (mạng đơn nơron): Mạng chỉ gồm 1 nơron
- Mạng nhiều lớp (mạng đa nơron): Mạng gồm nhiều nơron
- Mạng liên kết đầy đủ (fully connected): Nếu mọi đầu ra từ một lớp liên kết với mọi nơron của lớp kế tiếp
Mạng lan truyền tiến (feedforward network) là loại mạng mà trong đó không có đầu ra của một nút nào trở thành đầu vào của một nút khác trong cùng một tầng hoặc trong tầng phía trước.
Mạng phản hồi (feedback network) là một cấu trúc trong đó đầu ra của một nút có thể ảnh hưởng ngược lại đến các đầu vào của nút khác trong cùng một tầng hoặc tầng phía trước, tạo ra sự tương tác giữa các nút trong mạng.
- Mạng hồi quy (recurrent network): Nếu các mạng phản hồi có các vòng lặp kín (closed loops)
Một nơron được định nghĩa bởi đầu vào x = [x1, x2, x3, , xR], trọng số W = [w1,1, w1,2, w1,3, , w1,R], ngưỡng b và hàm truyền f Việc điều chỉnh trọng số và ngưỡng trên các nơron cho phép chúng ta đạt được giá trị đầu ra mong muốn Tổng đối số và ngưỡng sẽ tạo ra đầu ra n.
Wx b f y (3.2) Trong đó, hàm tác động f(net) là hàm chuyển đổi hay hàm bước:
Hình 3.3: Cấu trúc một nơron
Tuy nhiên, khi một lớp gồm nhiều nơron, ta có công thức sau: b 1 n 1 y 1 n s y s x 1 x 2 x 3 x R
Hình 3.4: Một lớp có nhiều nơron
Vectơ x được biểu diễn bằng một thanh rắn thẳng đứng màu đen có kích thước R × 1, trong đó R là các phần tử đầu vào của vectơ x Đầu vào mạng là hàm chuyển f, được tính bằng n, là tổng của b và tích số của Wx Tổng này được truyền qua hàm chuyển đổi f để tạo ra ngõ ra nơron y Nếu có nhiều hơn một nơron, ngõ ra sẽ là một vectơ.
3.3.2 Mạng có nhiều lớp nơron
Mạng nơ-ron có cấu trúc nhiều lớp, mỗi lớp bao gồm một ma trận W, một ngưỡng b và một vector đầu ra y Giá trị đầu ra của một lớp thường trở thành giá trị đầu vào cho lớp tiếp theo Trong mạng, lớp cuối cùng tạo ra kết quả được gọi là lớp ngõ ra, trong khi tất cả các lớp còn lại được gọi là lớp ẩn Mạng đa lớp có khả năng xử lý thông tin rất mạnh mẽ.
Ngõ vào Lớp thứ nhất
Lớp thứ hai Lớp thứ ba x
Hình 3.5: Mạng có nhiều lớp nơron
Hàm chuyển đổi của mạng nơron
Tan-sigmoid(tansig) Log-sigmoid(logsig) Linear(purelin) Radial basis(rabas)
Hàm chuyển đổi (Transfer Function), còn gọi là hàm kích hoạt (Activation Function), có nhiệm vụ biến đổi tổng trọng n (hoặc net) thành tín hiệu ngõ ra y
Mạng Perceptron nhiều lớp (MLPNN) có cấu trúc bao gồm lớp ngõ vào, một hoặc nhiều lớp ẩn, và lớp ngõ ra Số lượng nơron trong lớp ngõ vào tương ứng với số lượng biến đặc trưng trong mỗi mẫu huấn luyện.
Hình 3.6: Cấu trúc một lớp của mạng perceptron
Số lớp ẩn trong quá trình huấn luyện có thể thay đổi tùy thuộc vào dữ liệu bài toán Giá trị của các nút đầu ra sẽ phụ thuộc vào lớp nút đầu ra mục tiêu Quy trình huấn luyện phổ biến nhất hiện nay là học có giám sát với thuật toán lan truyền ngược, thực hiện phương pháp giảm Gradient để tối ưu hóa sai số trung bình bình phương giữa đầu ra và đầu ra mong muốn Thông số mạng ban đầu được khởi tạo ngẫu nhiên, và quá trình huấn luyện sẽ dừng lại khi đạt đến số vòng lặp tối đa, sai số đạt mức cho phép hoặc sai số không còn tăng nữa.
3.3.4 Mạng hàm truyền xuyên tâm
Mạng hàm truyền xuyên tâm (Radial Basis Function Network - RBFN) là một công cụ hiệu quả để giải quyết các bài toán phân loại Mặc dù RBFN yêu cầu nhiều nơron hơn so với mạng nơron đa lớp (MLPNN), nhưng thời gian huấn luyện lại ngắn hơn RBFN bao gồm hai biến thể chính: mạng hồi quy tổng quát (Generalized Regression Neural Network - GRNN) và mạng nơron xác suất (Probabilistic Neural Network).
RBFN bao gồm ba lớp: lớp ngõ vào, lớp ẩn hàm xuyên tâm và lớp ngõ ra tuyến tính Số lượng nơron trong lớp ẩn tương ứng với số mẫu huấn luyện Cấu trúc của RBFN được minh họa trong hình 3.7.
Hình 3.7: Mạng hàm truyền xuyên tâm
Hoạt động của lớp ẩn hàm ẩn hàm xuyên tâm diễn ra như sau: Hàm dist, hay còn gọi là hàm trọng số khoảng cách Euclidean, được sử dụng để tính toán khoảng cách giữa vectơ đầu vào và vectơ trọng số, từ đó tạo ra ngõ vào có trọng số cho mỗi nơron Ngõ vào mạng của nơron được xác định thông qua hàm tạo ngõ vào mạng (Product Net Input Function) netprod, bằng cách kết hợp ngõ vào có trọng số với ngưỡng của nó qua phép nhân phần tử Cuối cùng, ngõ ra của nơron là ngõ vào mạng của nó được xử lý qua hàm truyền xuyên tâm radbas.
The newrbe network architecture consists of an input layer, a radial basis function (RBF) hidden layer, and a linear output layer The RBF hidden layer employs radbas neurons to compute weighted inputs using the distance metric (dist) and the network inputs through the netprod function Meanwhile, the linear output layer utilizes purelin neurons to calculate its weighted inputs via the dot product (Dot Product Weight Function) and the overall network inputs through the netsum (Sum Net Input Function) Both the RBF hidden layer and the linear output layer in the newrbe network incorporate a bias term (b).
Trong MATLAB, hàm mạng newrbe được sử dụng với cú pháp: net = newrbe(x, t, spread) Ở đây, x đại diện cho vectơ dữ liệu đầu vào, t là giá trị đầu ra mục tiêu, và spread là độ rộng của hàm xuyên tâm.
Hàm mạng newrb bao gồm ba lớp: lớp ngõ vào, lớp ẩn hàm xuyên tâm với các nơron radbas, và lớp ngõ ra tuyến tính với các nơron purelin Lớp ẩn hàm xuyên tâm tính toán ngõ vào có trọng số thông qua dist và netprod, trong khi lớp ngõ ra tuyến tính sử dụng dotprod và netsum để tính toán ngõ vào Cả hai lớp ẩn hàm xuyên tâm và lớp ngõ ra tuyến tính đều có ngưỡng b.
Trong MATLAB, hàm newrb được sử dụng với cú pháp: net = newrb(x,t,goal,spread,MN,DF) Ở đây, x đại diện cho vectơ dữ liệu đầu vào, t là ngõ ra mục tiêu, goal là mục tiêu về sai số trung bình bình phương, spread là độ rộng của hàm xuyên tâm, MN là số nơron tối đa có thể sử dụng, và DF là số nơron bổ sung giữa hai thời điểm hiển thị (mặc định là 25).
3.3.4.1 Mạng hồi quy tổng quát
Luật đầu ra của bộ phân loại
Kết quả đầu ra của bộ phân loại GRNN và MLPNN thường là số lẻ, dẫn đến sai số so với giá trị nhị phân đã được gán nhãn Nếu đầu ra lớn hơn một ngưỡng cố định (thường là 0.5 cho trạng thái logic của hàm kích hoạt), thì đầu ra của bộ phân loại GRNN và MLPNN sẽ được quy định theo một cách cụ thể.
Nếu mã hóa ngõ ra {1} là ổn định, và {0} là không ổn định thì:
Nếu mã hóa ngõ ra {1
1} là không ổn định, hoặc tổng quát: Giả sử có M lớp thì ma trận ngõ ra M lớp sau:
F M (x) Ngõ ra tuân theo luật số lớn, kết quả nhận dạng được xếp vào lớp thứ k nếu: k j (x) F (x)
(3.16) Trong đó Fk(x) và Fj(x) là kết quả tính toán từ hàm ánh xạ mạng nơron
Ví dụ: Nếu các giá trị ngõ ra của F(x) là:
Do F1(x) = 0.9 > F2(x) = 0.1, cho nên kết quả nhận dạng được xếp vào lớp 1, ổn định
Do F1(x) = 0.1 < F2(x) = 0.9, cho nên kết quả nhận dạng được xếp vào lớp 2, không ổn định
Trong luận văn, ngõ ra của bộ phân loại GRNN được mã hóa theo trường hợp 1.
Huấn luyện và đánh giá mô hình nhận dạng
Quá trình huấn luyện và kiểm tra mô hình diễn ra k lần, với độ chính xác nhận dạng được tính trung bình qua các lần thực hiện này Độ chính xác được đánh giá dựa trên tỷ lệ phần trăm các dự đoán đúng trong quá trình huấn luyện hoặc kiểm tra, theo công thức: Độ chính xác nhận dạng (%) = (số dự đoán đúng / tổng số dự đoán) x 100%.
R (3.18) Trong đó: R là tổng số mẫu đúng, S là tổng số mẫu
Bộ nhận dạng hay phân lớp kết hợp được biết đến như hệ thống song song, trong đó các bộ phân lớp được huấn luyện độc lập và quyết định đầu ra cuối cùng thông qua bộ tổng hợp.
Bộ tổng hợp Đầu ra
Hình 3.10: Mô hình mạng nơron dựa trên các nơron kết hợp
Có nhiều phương pháp để kết hợp các bộ phân lớp, bao gồm việc sử dụng các mạng nơron song song và các dạng mô hình phân lớp khác nhau Các mô hình mạng nơron song song được minh họa trong hình 3.10.
Bô ̣ tổng hơ ̣p và luâ ̣t bình bầu theo số đông
Trong bộ phân lớp kết hợp hay song song, bộ phân lớp Di cung cấp kết quả đầu ra dưới dạng gán nhãn nhị phân ổn định (1) hoặc không ổn định (0) Với tập dữ liệu Z, bộ phân lớp Di cho kết quả đầu ra Mô hình bộ kết hợp được mô tả bằng phương trình yij = 1 nếu Di phân lớp cho mẫu zj là ổn định và yij = 0 nếu không Phương pháp bình bầu theo số đông được áp dụng cho bài toán phân lớp gán nhãn, trong đó nhãn đầu ra của các bộ phân lớp thứ i là vector nhị phân có kích thước c{0,1} là [di1, di2,…, dic] T ∈ {0,1} c, với d ij = 1 nếu Di thuộc wj và d ij = 0 nếu ngược lại Bình bầu theo số đông quyết định cho lớp thứ.
Nghiên cứu cho thấy rằng việc kết hợp bình bầu theo số đông có thể cải thiện độ chính xác trong phân lớp, đặc biệt khi điều kiện đầu ra của bộ phân lớp là độc lập.
Nếu tổng số bộ phân lớp là lẻ, kết quả bầu chọn bộ phân lớp song song được chọn nếu ⌊LT/2+1⌋ > 0.5 * L, trong đó ⌊a⌋ là ký hiệu hàm floor làm tròn về giá trị nhỏ LT là số lượng được bầu chọn ổn định.
Nếu tổng số lớp là chẵn, kết quả bầu cho ̣n bô ̣ phân lớp kết hợp được cho ̣n nếu
Giả sử mỗi lớp có khả năng phân lớp đúng là p, khi đó bộ phân lớp song song có khả năng quyết định đúng với phân bố nhị thức Cụ thể, khả năng chọn k > ⌊LT/2 + 1⌋ bộ phân lớp đúng của LT lớp là: (LT + 1)/2 > 0.5 * L.
Nhận dạng hệ thống là quá trình xây dựng mô hình toán học cho hệ thống dựa trên cấu trúc và tham số từ dữ liệu thực nghiệm Mục tiêu của quá trình này là điều chỉnh các tham số của mô hình để tín hiệu đầu ra của nó khớp với tín hiệu đo được của hệ thống.
Cơ sở toán học của lý thuyết nhận dạng được xây dựng và phát triển theo các hướng chính sau đây:
Lý thuyết thống kê về nhận dạng là một lĩnh vực phát triển từ thống kê toán học, áp dụng các phương pháp toán thống kê cơ bản để nghiên cứu các vấn đề nhận dạng có tính ngẫu nhiên và yêu cầu lượng thông tin lớn.
Lý thuyết cấu trúc về nhận dạng nghiên cứu các đối tượng, trong đó các đối tượng này được hình thành từ các đối tượng sơ cấp liên kết với nhau thông qua những mối liên hệ chuẩn.
- Lý thuyết đại số về nhận dạng: nhằm mục đích xây dựng cấu trúc đại số cho các đối tượng và thuật toán nhận dạng
3.7.2 Những tính chất chung của nhận dạng
Nhận dạng mẫu là quá trình biến đổi thông tin đầu vào, bao gồm các thông số và dấu hiệu của mẫu cần nhận diện, để đưa ra kết luận về lớp mà mẫu đó thuộc về Điều này liên quan đến điều khiển học, một lĩnh vực nghiên cứu các quy luật chung của sự biến đổi thông tin trong các hệ thống phức tạp, cho thấy nhận dạng mẫu là một nhánh quan trọng trong khoa học này.
Để đáp ứng yêu cầu trong nhiều lĩnh vực như cơ giới hóa, tự động hóa sản xuất, robot và y học, việc xây dựng mô hình trí tuệ nhân tạo đóng vai trò quan trọng trong việc giải quyết các bài toán nhận dạng Các hệ thống này cần đạt được khả năng nhận dạng tương tự như con người, nhằm giải quyết hiệu quả các vấn đề trong kỹ thuật, dự báo khí tượng và đánh giá hiện tượng kinh tế - xã hội Tuy nhiên, trong quá trình phát triển hệ thống tự động nhận dạng mẫu, nhiều thách thức xuất hiện cần được giải quyết.
Để xây dựng hệ thống nhận dạng mẫu, cần xác định tập dấu hiệu hoặc biến đặc trưng cho mẫu hoặc hiện tượng Những yếu tố này giúp hệ thống có khả năng nhận diện và phân loại các mẫu một cách hiệu quả.
Xếp lớp các mẫu và hiện tượng được nhận dạng là một quy trình quan trọng, trong đó các lớp này được đặc trưng bởi các mã gọi là mẫu tự Nhiệm vụ chính trong quá trình này là lựa chọn nguyên lý phân loại phù hợp để đảm bảo tính chính xác và hiệu quả trong việc phân tích dữ liệu.
Xử lý các tập biến đặc trưng tiên đề là một bước quan trọng, được xây dựng dựa trên kết quả của vấn đề thứ nhất Tập biến này không chỉ bao gồm các biến đặc trưng từ thông tin ban đầu cần thiết để mô tả các lớp mà còn mở rộng ra nhiều yếu tố khác.
- Mô tả tất cả các lớp có mã là các mẫu tự trong ngôn ngữ dấu hiệu
Mô hình nhận dạng
Nhận dạng hệ thống là quá trình xây dựng mô hình toán học cho hệ thống dựa trên các dữ liệu thực nghiệm Mục tiêu của quá trình này là điều chỉnh các tham số của mô hình để tín hiệu đầu ra của mô hình khớp với tín hiệu đo được từ hệ thống.
Cơ sở toán học của lý thuyết nhận dạng được xây dựng và phát triển theo các hướng chính sau đây:
Lý thuyết thống kê về nhận dạng là một lĩnh vực phát triển từ thống kê toán học, áp dụng các phương pháp toán thống kê cơ bản để nghiên cứu các vấn đề nhận dạng có yếu tố ngẫu nhiên và lượng thông tin lớn.
Lý thuyết cấu trúc về nhận dạng nghiên cứu các đối tượng, trong đó các đối tượng này được hình thành từ các đối tượng sơ cấp liên kết với nhau qua những mối quan hệ chuẩn.
- Lý thuyết đại số về nhận dạng: nhằm mục đích xây dựng cấu trúc đại số cho các đối tượng và thuật toán nhận dạng
3.7.2 Những tính chất chung của nhận dạng
Nhận dạng mẫu là quá trình biến đổi thông tin đầu vào, bao gồm các thông số và dấu hiệu của mẫu, để đưa ra kết luận về lớp mà mẫu đó thuộc về Là một nhánh của điều khiển học, nhận dạng mẫu nghiên cứu các quy luật chung của sự biến đổi thông tin trong các hệ thống phức tạp.
Để đáp ứng nhu cầu trong nhiều lĩnh vực như cơ giới hóa, tự động hóa sản xuất, sản xuất robot, và các lĩnh vực khác, việc xây dựng mô hình trí tuệ nhân tạo là rất quan trọng Mô hình này giúp giải quyết các bài toán chẩn đoán kỹ thuật và y học, dự báo khí tượng, cũng như đánh giá các hiện tượng kinh tế và xã hội Tất cả đều nhằm giải quyết các vấn đề lý thuyết và thực nghiệm liên quan đến nhận dạng Tuy nhiên, trong quá trình xây dựng hệ thống tự động nhận dạng mẫu, sẽ xuất hiện nhiều thách thức cần được khắc phục.
Xác định các dấu hiệu hoặc biến đặc trưng cho mẫu hay hiện tượng là bước quan trọng trong việc xây dựng hệ thống nhận dạng Hệ thống này sẽ dựa vào các đặc điểm đã xác định để nhận diện các mẫu một cách chính xác.
Xếp lớp các mẫu và hiện tượng đã được nhận dạng, với mỗi lớp được đặc trưng bởi các mã tên gọi là mẫu tự Nhiệm vụ quan trọng trong quá trình này là lựa chọn nguyên lý phân loại phù hợp.
Xử lý các tập biến đặc trưng tiên đề là một bước quan trọng, dựa trên kết quả của vấn đề đầu tiên Các tập dữ liệu này không chỉ bao gồm những biến đặc trưng từ thông tin ban đầu mà còn mở rộng để mô tả đầy đủ các lớp.
- Mô tả tất cả các lớp có mã là các mẫu tự trong ngôn ngữ dấu hiệu
Không gian dấu hiệu được phân chia thành các vùng tương ứng với các lớp của tập hợp lớp có mã là các mẫu tự Việc lựa chọn thuật toán nhận dạng là rất quan trọng, nhằm đảm bảo rằng các mẫu được nhận dạng sẽ được sắp xếp chính xác vào lớp tương ứng.
Việc xây dựng mô hình mạng ANN để đánh giá ổn định động hệ thống điện rất quan trọng, vì nó giúp rút ngắn thời gian tính toán và nâng cao độ chính xác, từ đó cải thiện khả năng vận hành hệ thống điện Mô hình nhận dạng sử dụng ANN bao gồm các bước như kiểm tra và loại bỏ các mẫu dữ liệu trùng lặp, nhằm tăng độ chính xác và giảm sai sót trong nhận dạng Quá trình xử lý dữ liệu bao gồm việc trích xuất tập dữ liệu đại diện cho hệ thống điện thông qua lựa chọn biến đặc trưng, chia dữ liệu theo mức năng lượng và phân cụm dữ liệu Cuối cùng, ANN được sử dụng để đánh giá độ chính xác của quá trình nhận dạng.
Lựa chọn biến đặc trưng
Phân cụm dữ liệu Đánh giá chính xác nhận dạng của ANN
Hình 3.11: Quy trình nhận dạng ANN.
Kết luận chương 3
Chương 3 đã trình bày tổng quan về ANN và mô hình ANN nhận dạng ổn định động hệ thống điện Trong chương này, cũng đã trình bày chi tiết về MLPNN (Multilayer Perceptron Neural Network), RBFN (Radial Basis Function Network), và hai biến thể của RBFN là GRNN (Generalized Regression Neural Network) và Mạng nơron xác suất (Probabilistic Neural Networks) Trong đó GRNN được chọn để xây dựng mô hình nơron nhận dạng ổn định động hệ thống điện Trong Chương
4 sẽ trình bày chi tiết các bước xây dựng mô hình nơron cải tiến nhận dạng ổn định động hệ thống điện
XÂY DỰNG MẠNG NƠRON CẢI TIẾN NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN
Quy trình thực hiện mạng nơron đơn
Trong việc đánh giá ổn định động hệ thống điện, ứng dụng mạng nơron đóng vai trò quan trọng, giúp nhận thông tin chính xác và nhanh chóng Điều này cho phép đưa ra biện pháp xử lý kịp thời, giữ cho hệ thống điện luôn ổn định Hơn nữa, việc xây dựng mô hình đánh giá hiệu suất ổn định động cũng ảnh hưởng đáng kể đến độ chính xác trong việc nhận dạng.
Trong luận văn này, quy trình thực hiện mạng nơron đơn nhận dạng ổn định động hệ thống điện được thực hiện cụ thể các bước sau:
- Bước 1: Tạo cơ sở dữ liệu đầu vào
- Bước 2: Chuẩn hóa dữ liệu
- Bước 3: Lựa chọn biến đặc trưng
- Bước 4: Chia dữ liệu theo tiêu chuẩn năng lượng
- Bước 5: Phâm cụm dữ liệu
- Bước 7: Đánh giá độ chính xác huấn luyện
Quy trình thực hiện mạng nơron đơn nhận dạng ổn định động hệ thống điện được thể hiện ở hình 4.1
Tạo cơ sở dữ liệu
Lựa chọn biến đặc trưng
Chia dữ liệu theo tiêu chuẩn năng lượng
Hình 4.1: Quy trình thực hiện mạng nơron đơn
4.1.1 Tạo cơ sở dữ liệu
Mạng nơron cần dữ liệu đầu vào để hoạt động hiệu quả, do đó việc xây dựng tập dữ liệu học là rất quan trọng Tập dữ liệu này được hình thành từ việc phân tích kết quả tính toán và thu thập số liệu từ các biến dữ liệu đầu vào, đại diện cho chế độ quá độ của hệ thống, bao gồm công suất tác dụng tải, độ sụt áp tại các nút, và công suất tác dụng phân bố trên đường dây truyền tải.
Đề xuất quy trình mô phỏng lấy mẫu trên phần mềm PowerWorld nhằm đánh giá ổn định hệ thống điện, yêu cầu một lượng dữ liệu phong phú dựa trên các trạng thái khác nhau của hệ thống.
Hệ thống vận hành bao gồm các yếu tố quan trọng như cấu trúc trước sự cố, điều kiện tải và máy phát, dao động dữ liệu của máy phát, hành động kiểm soát sau sự cố, cũng như loại và thời gian duy trì sự cố và điều kiện vận hành của hệ thống.
Quy trình chạy mô phỏng lấy số liệu được đề xuất tiến hành qua 7 bước chính:
- Bước 1: Cài đặt thông số chuẩn của các mô hình trong hệ thống điện
- Bước 2: Cài đặt mức tải (P, Q) tại các bus
- Bước 3: Chạy phân bố công suất tối ưu (OPF)
- Bước 4: Thiết lập các lựa chọn thông số được lưu trong dữ liệu khi sự cố xảy ra
- Bước 5: Tạo kịch bản sự cố
- Bước 6: Chạy ổn định quá độ, phân biệt trạng thái ồn định/không ổn định của hệ thống sau sự cố
- Bước 7: Chọn thời điểm lấy mẫu và tiến hành lưu mẫu
Biến đặc trưng của dữ liệu đầu vào
Dữ liệu đầu vào cần bao quát tất cả các trạng thái vận hành của hệ thống điện và phản ánh các chế độ quá độ Các trạng thái này được gọi là mẫu, được tạo ra từ mô phỏng offline, và bao gồm cả trạng thái ổn định và không ổn định của hệ thống điện qua các mô phỏng ngắn mạch Mỗi mẫu dữ liệu được thể hiện dưới dạng vector với nhiều biến đặc trưng khác nhau.
Chuẩn hóa dữ liệu là quá trình xử lý dữ liệu đầu vào trước khi áp dụng các thuật toán xử lý dữ liệu, đóng vai trò quan trọng trong việc lựa chọn biến cho các bước tiếp theo.
Chuẩn hóa giá trị của các biến đặc trưng được thực hiện theo công thức (4.1):
Giá trị ban đầu và giá trị chuẩn hóa của biến đặc trưng thứ i được ký hiệu lần lượt là x i và z i, trong đó m i là giá trị trung bình của dữ liệu và i là phương sai chuẩn của dữ liệu.
4.1.3 Lựa chọn biến đặc trưng
Lựa chọn biến đặc trưng là một yếu tố quan trọng trong việc xây dựng hệ thống nhận dạng bằng mạng nơron để đánh giá ổn định động của hệ thống điện Việc chọn lựa những biến có độ tách biệt dữ liệu cao giữa các lớp sẽ giúp nâng cao hiệu suất của hệ thống nhận dạng, trong khi những biến có độ tách biệt thấp sẽ làm giảm hiệu quả này Do đó, cần thiết phải xác định các biến đặc trưng sao cho dữ liệu giữa các lớp khác nhau được phân tách rõ ràng, trong khi dữ liệu của các biến trong cùng một lớp nên gần nhau.
Lựa chọn biến đặc trưng có những ý nghĩa rất lớn sau đây:
- Giảm số cảm biến đo lường thu thập số liệu
- Giảm thời gian tính toán
- Nâng cao độ chính xác
Quy trình lựa chọn biến đặc trưng
Trong thiết kế mô hình mạng nơron nhận dạng ổn định động hệ thống điện, việc lựa chọn biến đặc trưng là rất quan trọng vì nó ảnh hưởng trực tiếp đến thời gian huấn luyện và độ chính xác chẩn đoán Biến đặc trưng cần có độ tách biệt cao giữa lớp ổn định và không ổn định để nâng cao độ chính xác nhận dạng Quy trình lựa chọn biến đặc trưng bao gồm 4 bước.
- Bước 1: Xác định biến đặc trưng ban đầu
- Bước 2: Tìm kiếm biến ứng viên
- Bước 3: Đánh giá biến ứng viên
Quy trình lựa chọn biến đặc trưng được chia thành 4 bước, được trình bày như Hình 4.2
Xác định biến đặc trưng ban đầu
Tìm kiếm biến ứng viên Đánh giá biến ứng viên
Hình 4.2: Quy trình lựa chọn biến đặc trưng
- Bước 1: Lựa chọn biến đặc trưng ban đầu
Bước đầu tiên là xác định tập biến ban đầu để huấn luyện mạng nơ-ron nhân tạo (ANN), mô tả các tham số vận hành của hệ thống từ trạng thái ổn định Tập hợp biến này có thể thay đổi tùy thuộc vào loại biến đặc trưng, cũng như việc lựa chọn biến trước hoặc sau khi hệ thống điện (HTĐ) gặp sự cố, hoặc các giá trị đo được khi hệ thống ở trạng thái xác lập hoặc trong các điều kiện động.
Trong đánh giá ổn định quá độ của hệ thống điện, các biến sự cố như độ thay đổi công suất của máy phát, công suất trên các nhánh và phụ tải, cùng với độ lệch điện áp tại các bus đều rất quan trọng Nếu trạng thái hiện tại của hệ thống điện được xác định là không ổn định, các điều độ viên có thể thực hiện các biện pháp điều khiển để chuyển điểm vận hành về vùng an toàn, nhằm ngăn ngừa nguy cơ mất ổn định Điều này không chỉ đảm bảo hệ thống hoạt động trong trạng thái an toàn mà còn có thể gia tăng chi phí do cần tái kế hoạch phát điện và thay đổi trạng thái vận hành.
- Bước 2: Tìm kiếm biến đặc trưng ứng viên
Bước này liên quan đến việc xác định các tập con biến ứng viên cho đầu vào của bộ phân lớp, ảnh hưởng lớn đến thời gian tính toán trong quá trình lựa chọn biến Các chiến lược tìm kiếm bao gồm tìm kiếm tối ưu toàn cục, tìm kiếm tối ưu cục bộ và phương pháp sếp hạng.
Chiến lược tìm kiếm toàn cục có ưu điểm lớn là khả năng cung cấp ngõ ra tối ưu và hiệu suất huấn luyện cao Tuy nhiên, nó gặp hai vấn đề chính: thứ nhất, gánh nặng tính toán đáng kể trong các bài toán với nhiều biến đặc trưng, khiến nó không hiệu quả cho ứng dụng trực tuyến hay tính toán theo thời gian thực; thứ hai, tập dữ liệu con mà nó cung cấp có thể không phù hợp cho quá trình huấn luyện.
Tìm kiếm tối ưu cục bộ là một phương pháp có chi phí tính toán thấp và khả thi trong thực hiện, do đó được nhiều công trình đề nghị áp dụng Chiến lược này không quét toàn bộ không gian tìm kiếm mà dừng lại ngay khi đạt được điều kiện xác định trước Các phương pháp tìm kiếm phổ biến bao gồm tìm kiếm tuần tự và tìm kiếm song song.
Tìm kiếm tuần tự bắt đầu từ một tập rỗng hoặc một tập biến đặc trưng đầy đủ, tạo ra trạng thái tiếp theo bằng cách tăng dần (tìm kiếm tiến) hoặc giảm dần (tìm kiếm lùi) từ trạng thái trước Quá trình này thực hiện bằng cách thêm hoặc loại bỏ một hoặc nhiều biến đặc trưng từ tập biến đặc trưng trước đó Trên hành trình từ điểm khởi đầu đến điểm kết thúc, mỗi trạng thái là tập lớn hoặc tập con của các tập kế vị của nó.
Mạng nơron song song
Việc xây dựng quy trình thực mạng nơron song song dựa trên quy trình thực hiện mạng nơron đơn
Xây dựng mô hình mạng nơron để đánh giá ổn định động hệ thống điện là rất quan trọng, vì nó giúp rút ngắn thời gian tính toán và nâng cao độ chính xác Điều này đảm bảo khả năng xử lý kịp thời, từ đó cải thiện hiệu quả vận hành của hệ thống điện.
Trước đây, đã có nhiều nghiên cứu về các phương pháp tính toán nhanh nhằm rút ngắn thời gian và nâng cao hiệu suất đánh giá huấn luyện mạng nơ-ron nhân tạo (ANN) Trong nghiên cứu [6], tác giả tập trung vào việc lựa chọn biến đặc trưng để loại bỏ các biến thừa cho bộ phân lớp, nhưng vẫn chưa giải quyết được vấn đề thu gọn mẫu Vấn đề xử lý giảm không gian mẫu đã được tác giả [7] nghiên cứu.
Giải thuật Kmean rất nhạy cảm với tâm khởi tạo ban đầu, điều này được thể hiện qua các ví dụ trong hình 4.4, nơi ba lần thực hiện Kmean dẫn đến các tâm khác nhau (Hình 4.4a, 4.4b, 4.4c) Do đó, khi học riêng lẻ trên các bộ mẫu này, mặt phẳng phân cách hay biên của bộ nhận dạng cũng sẽ khác nhau, như minh họa trong hình 4.8a, 4.8b, 4.8c.
Hình 4.8: Bộ nhận dạng kết hợp
Việc thực thi kết hợp song song các bộ nhận dạng giúp bao quát hơn các biên của tâm cụm, dẫn đến kết quả nhận dạng tốt hơn, như thể hiện ở Hình 4.8d Do đó, đề tài này đề xuất quy trình xây dựng mô hình nhận dạng mạng nơron song song để đánh giá ổn định động hệ thống điện, như mô tả trong Hình 4.9.
Hình 4.9: Quy trình xây dựng mạng nơron song song
Quy trình xây dựng mạng nơron song song được tóm lược các bước chính:
- Bước 1: Dữ liệu đầu vào
- Bước 2: Chuẩn hóa dữ liệu
- Bước 3: Lựa chọn biến đặc trưng
- Bước 4: Chia dữ liệu theo tiêu chuẩn năng lượng
- Bước 5: Phâm cụm dữ liệu
- Bước 7: Đánh giá độ chính xác huấn luyện
Bước 1 trong quy trình này là tạo cơ sở dữ liệu ổn định và loại bỏ các mẫu trùng lặp để nâng cao độ chính xác của mô hình nhận dạng, tiếp theo là chuẩn hóa dữ liệu ở Bước 2 Bước 3 thực hiện việc lựa chọn biến đặc trưng bằng giải thuật Relief để đánh giá xếp hạng các biến Bước 4 chia dữ liệu theo mức năng lượng, trong khi Bước 5 áp dụng giải thuật Kmeans để phân cụm dữ liệu nhằm rút gọn mẫu, thực hiện nhiều lần để tìm bộ mẫu tối ưu cho huấn luyện Bước 6 là giai đoạn huấn luyện với các mạng nơron con nhận dữ liệu từ khâu rút gọn mẫu Bước 7 đánh giá hiệu suất bằng cách vẽ đồ thị mối quan hệ giữa độ chính xác và số lượng mạng nơron con, chọn số mạng có độ chính xác cao nhất và số lượng ít nhất Cuối cùng, Bước 8 là bước quan trọng quyết định số mạng song song ở đầu ra.
![Hình 2.5 trình bày một hệ thống điện N nút với M máy phát điện đồng bộ [10]. - Ứng dụng mạng nơron cải tiến nâng cao độ chính xác nhận dạng chế độ hệ thống điện trong dao động lớn](https://media.store123doc.com/figures/006/022/hinh-trinh-bay-thong-dien-phat-dien-dong-6022588.webp)
