I. Phương pháp sa thải phụ tải Load Shedding Methods
Nghiên cứu tập trung vào phương pháp sa thải phụ tải, một giải pháp then chốt trong việc ổn định hệ thống điện. Đề tài phân tích các phương pháp sa thải phụ tải truyền thống, bao gồm sơ đồ liên động máy cắt, rơle dưới tần số (ANSI 81) và rơle sử dụng tốc độ thay đổi tần số (df/dt). Các phương pháp này thường thiếu chính xác và có thể gây sa thải quá mức, ảnh hưởng đến ổn định hệ thống điện. Để khắc phục, đề tài đề xuất cải tiến phương pháp sa thải phụ tải thông minh (ILS - Intelligent Load Shedding) dựa trên mạng nơron nhân tạo (ANN). Cải tiến thuật toán sa thải phụ tải này hướng tới tối ưu hóa sa thải phụ tải, giảm thiểu mất điện và nâng cao độ tin cậy hệ thống. HCMUTE đóng vai trò quan trọng trong nghiên cứu hệ thống điện, cụ thể là trong việc phát triển và ứng dụng các giải pháp ổn định hệ thống điện tiên tiến. Đề tài cũng đề cập đến quản lý phụ tải và dự báo phụ tải, hai yếu tố quan trọng trong việc lên kế hoạch và điều phối hoạt động của hệ thống.
1.1. Phương pháp truyền thống và hạn chế
Các phương pháp sa thải phụ tải truyền thống, như sơ đồ liên động máy cắt và rơle dưới tần số (ANSI 81), dựa trên các ngưỡng tần số và điện áp. Tuy nhiên, các phương pháp này có những hạn chế đáng kể. Chúng thường thiếu chính xác, dẫn đến sa thải phụ tải quá mức hoặc không đủ, gây mất ổn định hệ thống. Hơn nữa, chúng không thích ứng tốt với sự thay đổi động của hệ thống. Ví dụ, sự thay đổi đột ngột về phụ tải hoặc sự cố trên lưới điện có thể làm cho các phương pháp truyền thống này phản hồi chậm hoặc không hiệu quả. Điều này dẫn đến mất điện kéo dài và ảnh hưởng nghiêm trọng đến chất lượng cung cấp điện. Do đó, cải tiến phương pháp sa thải phụ tải là cần thiết để nâng cao hiệu quả và độ tin cậy của hệ thống điện. An toàn lưới điện phụ thuộc vào việc lựa chọn và triển khai phương pháp sa thải phụ tải phù hợp. Nghiên cứu hệ thống điện tại HCMUTE tập trung vào việc khắc phục những hạn chế này.
1.2. Phương pháp sa thải phụ tải thông minh ILS
Đề tài đề xuất phương pháp sa thải phụ tải thông minh (ILS) sử dụng mạng nơron nhân tạo (ANN). Cải tiến thuật toán sa thải phụ tải này cho phép phản hồi nhanh chóng và chính xác hơn so với các phương pháp truyền thống. ANN có khả năng học hỏi và thích ứng với các điều kiện hoạt động khác nhau của hệ thống điện. Tối ưu hóa sa thải phụ tải được thực hiện thông qua việc huấn luyện ANN trên cơ sở dữ liệu mô phỏng các tình huống sự cố khác nhau. Giảm thiểu mất điện là mục tiêu chính của ILS. Bằng cách phân tích các tín hiệu hệ thống điện trong thời gian thực, ANN có thể xác định chính xác lượng phụ tải cần sa thải và vị trí sa thải tối ưu. Điều này giúp nâng cao độ tin cậy hệ thống điện và an toàn lưới điện. Điều khiển hệ thống điện thông minh là một xu hướng phát triển quan trọng trong ngành điện hiện nay, và ILS là một ví dụ điển hình. HCMUTE đang đóng góp tích cực vào lĩnh vực này thông qua nghiên cứu khoa học HCMUTE.
II. Ứng dụng mạng nơron nhân tạo ANN và tối ưu hóa
Nghiên cứu sử dụng mạng nơron nhân tạo (ANN) để cải thiện phương pháp sa thải phụ tải. ANN được huấn luyện để nhận dạng sự cố và đưa ra quyết định sa thải phụ tải một cách nhanh chóng và hiệu quả. Việc sử dụng ANN cho phép tối ưu hóa sa thải phụ tải, giảm thiểu tác động đến người dùng và duy trì ổn định hệ thống. Thuật toán tối ưu được tích hợp vào hệ thống để xác định chiến lược sa thải tối ưu trong các tình huống khác nhau. Mô phỏng hệ thống điện được thực hiện sử dụng phần mềm chuyên dụng như PowerWorld để kiểm chứng hiệu quả của phương pháp sa thải phụ tải được đề xuất. Phân tích hệ thống điện là một phần quan trọng trong quá trình nghiên cứu này. Việc mở rộng nghiên cứu về ANN và các thuật toán tối ưu trong lĩnh vực này hứa hẹn mang lại những giải pháp ổn định hệ thống điện hiệu quả hơn trong tương lai. HCMUTE nghiên cứu hệ thống điện đã đóng góp đáng kể vào việc phát triển và ứng dụng công nghệ này.
2.1. Mô hình ANN và quá trình huấn luyện
Mạng nơron nhân tạo (ANN), cụ thể là mạng hồi quy tổng quát (GRNN), được sử dụng để xây dựng mô hình dự báo sa thải phụ tải. Quá trình huấn luyện ANN dựa trên dữ liệu mô phỏng thu thập từ phần mềm PowerWorld. Dữ liệu bao gồm các thông số như tần số, điện áp, công suất, và góc lệch pha. Việc lựa chọn GRNN là dựa trên khả năng học hỏi và tổng quát hóa cao của nó. Thuật toán tối ưu được sử dụng để tối ưu hóa cấu trúc và tham số của ANN. Quá trình huấn luyện được thực hiện lặp đi lặp lại cho đến khi đạt được độ chính xác mong muốn. Mô hình toán học hệ thống điện được sử dụng để tạo ra dữ liệu huấn luyện. Kết quả huấn luyện cho thấy ANN có khả năng dự báo chính xác lượng phụ tải cần sa thải trong các tình huống sự cố khác nhau. Nghiên cứu khoa học HCMUTE đã tập trung vào việc tối ưu hóa quá trình huấn luyện ANN để tăng hiệu quả dự báo.
2.2. Tối ưu hóa chiến lược sa thải phụ tải
Sau khi huấn luyện, ANN được tích hợp vào hệ thống sa thải phụ tải để đưa ra quyết định sa thải một cách tự động. Thuật toán tối ưu được sử dụng để sắp xếp thứ tự sa thải phụ tải sao cho ảnh hưởng đến hệ thống điện là tối thiểu. Tối ưu hóa sa thải phụ tải được thực hiện dựa trên nhiều tiêu chí, bao gồm việc giảm thiểu thời gian phục hồi tần số, giảm thiểu mất điện và duy trì chất lượng điện năng. Việc điều chỉnh điện áp và điều chỉnh tần số cũng được xem xét trong quá trình tối ưu hóa. Kết quả mô phỏng cho thấy chiến lược sa thải phụ tải tối ưu giúp ổn định tần số hệ thống điện nhanh chóng và hiệu quả. Phương pháp sa thải phụ tải này giúp giảm thiểu mất điện và nâng cao độ tin cậy hệ thống điện. HCMUTE nghiên cứu hệ thống điện đã mang đến những đóng góp đáng kể trong việc tối ưu hóa chiến lược sa thải phụ tải.
III. Kết quả và ứng dụng thực tiễn
Nghiên cứu đã chứng minh hiệu quả của phương pháp sa thải phụ tải được đề xuất thông qua mô phỏng hệ thống điện trên hệ thống chuẩn IEEE 39 bus. Kết quả cho thấy phương pháp sa thải phụ tải thông minh (ILS) sử dụng ANN vượt trội so với các phương pháp truyền thống về tốc độ phản hồi và độ chính xác. Giảm thiểu mất điện và nâng cao độ tin cậy hệ thống điện được ghi nhận rõ rệt. Nghiên cứu cung cấp giải pháp ổn định hệ thống điện hiệu quả, có thể ứng dụng thực tiễn trong các hệ thống điện thực tế. Phân phối điện năng hiệu quả hơn là một kết quả quan trọng. An toàn lưới điện được đảm bảo tốt hơn nhờ việc giảm thiểu rủi ro mất ổn định hệ thống. HCMUTE đã đóng góp vào việc phát triển công nghệ này và chia sẻ kết quả nghiên cứu cho các đơn vị liên quan. Công trình nghiên cứu HCMUTE mang tính ứng dụng cao và có tiềm năng lớn được triển khai rộng rãi.
3.1. Phân tích kết quả mô phỏng
Kết quả mô phỏng hệ thống điện trên hệ thống chuẩn IEEE 39 bus cho thấy phương pháp sa thải phụ tải được đề xuất có khả năng ổn định hệ thống điện nhanh chóng và hiệu quả hơn so với các phương pháp truyền thống. Thời gian phục hồi tần số được rút ngắn đáng kể. Giảm thiểu mất điện là một kết quả quan trọng. An ninh năng lượng được cải thiện nhờ việc giảm thiểu rủi ro mất ổn định hệ thống. Phân tích hệ thống điện cho thấy sự vượt trội của phương pháp sa thải phụ tải thông minh (ILS) trong việc xử lý các tình huống sự cố phức tạp. Điều khiển hệ thống điện thông minh đóng vai trò quan trọng trong việc đảm bảo vận hành ổn định và an toàn. Nghiên cứu hệ thống điện tại HCMUTE tiếp tục được mở rộng để hoàn thiện hơn phương pháp này.
3.2. Ứng dụng thực tiễn và triển vọng
Phương pháp sa thải phụ tải được đề xuất có thể ứng dụng thực tiễn trong các hệ thống điện thực tế. Việc tích hợp vào hệ thống điều khiển trung tâm sẽ giúp tự động hóa quá trình sa thải phụ tải, giảm thiểu sự can thiệp của con người. Quản lý phụ tải sẽ được cải thiện đáng kể. An toàn lưới điện được đảm bảo tốt hơn. Nghiên cứu hệ thống điện này đã góp phần vào việc thông minh hóa hệ thống điện. Ứng dụng công nghệ thông tin trong hệ thống điện là một xu hướng tất yếu. Nghiên cứu khoa học HCMUTE tiếp tục tập trung vào việc hoàn thiện và mở rộng ứng dụng phương pháp này trong tương lai. Công trình nghiên cứu HCMUTE đã tạo ra một bước tiến đáng kể trong việc ổn định hệ thống điện.
