Luận văn thạc sĩ: Đánh giá ổn định động hệ thống điện bằng mạng nơron song song

• Tác giả: Nguyễn Thái Bình
• Người hướng dẫn: PGS.TS Quyền Huy Ánh
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Đánh Giá Ổn Định Động Hệ Thống Điện Bằng Mạng Nơron Song Song Tại HCMUTE
• Loại tài liệu: luận văn
• Năm xuất bản: 2017
• Địa điểm: Tp. Hồ Chí Minh

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• MỤC LỤC
• DANH SÁCH CÁC CHỮ VIẾT TẮT
• DANH SÁCH CÁC HÌNH
• DANH SÁCH CÁC BẢNG
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan đề tài
• 1.2. Tính cấp thiết của đề tài
• 1.3. Mục tiêu và nhiệm vụ của đề tài
• 1.4. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa khoa học và giá trị thực tiễn
• 2. CHƯƠNG 2: ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN
• 2.1. Khái niệm chung
• 2.2. Ổn định hệ thống điện. Cân bằng công suất. Định nghĩa ổn định hệ thống điện
• 2.3. Ổn định tĩnh
• 2.4. Ổn định động
• 2.5. Phương trình dao động
• 2.6. Các biện pháp nâng cao tính ổn định
• 2.7. Cải thiện các phần tử chính của HTĐ
• 2.8. Thêm vào hệ thống các phân tử phụ
• 2.9. Kết luận chương 2
• 3. CHƯƠNG 3: LÝ THUYẾT NHẬN DẠNG VÀ MẠNG NƠRON
• 3.1. Các khái niệm và tính chất của nhận dạng
• 3.2. Nhận dạng mẫu trên cơ sở hình thức hóa tri thức. Quy trình nhận dạng
• 3.3. Giới thiệu mạng nơron
• 3.4. Mô hình nơron sinh học
• 3.5. Mô hình nơron nhân tạo
• 3.6. Hàm chuyển của mạng nơron
• 3.7. Phân loại mạng nơron
• 3.8. Mạng hàm truyền xuyên tâm
• 3.9. Mạng hồi quy tổng quát
• 3.10. Mạng nơron xác suất
• 3.11. Luật đầu ra của bộ phân loại
• 3.12. Huấn luyện và đánh giá mô hình nhận dạng
• 3.13. Kết luận chương 3
• 4. CHƯƠNG 4: XÂY DỰNG MẠNG NƠRON SONG SONG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HTĐ
• 4.1. Quy trình thực hiện mạng nơron đơn
• 4.2. Tạo cơ sở dữ liệu ổn định động
• 4.3. Đề xuất quy trình mô phỏng lấy mẫu trong PowerWorld
• 4.4. Mô tả quá trình lấy mẫu
• 4.5. Biến đặc trưng của dữ liệu đầu vào
• 4.6. Chuẩn hóa dữ liệu
• 4.7. Lựa chọn biến đặc trưng
• 4.8. Quy trình lựa chọn biến đặc trưng
• 4.9. Tiêu chuẩn dừng
• 4.10. Huấn luyện ANN
• 4.11. Đánh giá độ chính xác kết quả nhận dạng
• 4.12. Cấu trúc mạng nơron song song
• 4.13. Đề xuất quy trình xây dựng mạng nơron song song
• 4.14. Chia dữ liệu theo tiêu chuẩn năng lượng
• 4.15. Kỹ thuật kiểm tra của PNN
• 4.16. Kết luận chương 4
• 5. CHƯƠNG 5: ỨNG DỤNG PNN NHẬN DẠNG ỔN ĐỊNH ĐỘNG HTĐ IEEE 10-MÁY 39-BUS
• 5.1. Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England
• 5.2. Mô hình mạng nơron song song nhận dạng ổn định động hệ thống điện
• 5.3. Dữ liệu đầu vào
• 5.4. Chuẩn hóa dữ liệu
• 5.5. Tỷ lệ bộ dữ liệu huấn luyện và kiểm tra
• 5.6. Lựa chọn biến đặc trưng
• 5.7. Chia dữ liệu
• 5.8. Cấu hình các mạng nơron
• 5.9. Kết quả huấn luyện và kiểm tra
• 5.10. Xây dựng chương trình nhận dạng ổn định hệ thống điện
• 5.11. Kết luận chương 5
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN
• 6.1. Hướng nghiên cứu phát triển
• TÀI LIỆU THAM KHẢO

I. Tổng quan đề tài

Hệ thống điện (HTĐ) đóng vai trò quan trọng đối với sự phát triển kinh tế của mỗi quốc gia. Đánh giá ổn định động của hệ thống điện là một trong những nhiệm vụ quan trọng nhất trong quá trình thiết kế và vận hành hệ thống điện. HTĐ hiện đại đang phải đối mặt với nhiều khó khăn thách thức do phụ tải ngày càng tăng, làm cho quy mô của hệ thống điện trở nên lớn hơn và phức tạp hơn. Hệ thống điện luôn phải đối mặt với các kích động bất thường như cắt điện máy phát, ngắn mạch trên đường dây truyền tải hay trên những thanh cái. Những kích động này có thể dẫn đến gián đoạn quy trình công nghiệp quan trọng và gây tổn thất lớn về kinh tế. Để đánh giá hệ thống ổn định hay không ổn định sau kích động lớn, nhiều phương pháp đã được áp dụng, bao gồm phương pháp mô phỏng theo miền thời gian, phương pháp số, và phương pháp sử dụng hàm Lyapunov. Tuy nhiên, các phương pháp này thường tốn nhiều thời gian và không phù hợp cho việc đánh giá trực tuyến. Do đó, việc phát triển các phương pháp mới như mạng nơron nhân tạo (ANN) để đánh giá ổn định động hệ thống điện là rất cần thiết.

1.1. Tính cấp thiết của đề tài

Với sự phát triển nhanh chóng của công nghệ và nhu cầu sử dụng điện ngày càng tăng, việc đảm bảo ổn định động cho hệ thống điện trở nên cấp thiết hơn bao giờ hết. Các sự cố trong hệ thống điện có thể gây ra những thiệt hại nghiêm trọng, không chỉ về kinh tế mà còn ảnh hưởng đến an toàn của người dân. Việc áp dụng kỹ thuật điều khiển và mạng nơron trong việc đánh giá và cải thiện ổn định động của hệ thống điện sẽ giúp nâng cao hiệu quả vận hành và giảm thiểu rủi ro. Nghiên cứu này không chỉ có giá trị lý thuyết mà còn mang lại ứng dụng thực tiễn cao trong việc quản lý và vận hành hệ thống điện hiện đại.

II. Đánh giá ổn định hệ thống điện

Khái niệm ổn định động trong hệ thống điện đề cập đến khả năng của hệ thống máy phát kiểm soát hoạt động của tuabin và thiết bị điều tốc sau những kích động lớn. Để đánh giá ổn định động, cần phải hiểu rõ các khái niệm như cân bằng công suất, ổn định tĩnh và ổn định động. Các phương pháp phân tích truyền thống như mô phỏng theo miền thời gian và phương pháp số thường tốn nhiều thời gian và không phù hợp cho việc đánh giá trực tuyến. Do đó, việc áp dụng mạng nơron nhân tạo để đánh giá ổn định động hệ thống điện là một giải pháp khả thi. Mạng nơron có khả năng học hỏi nhanh chóng và xử lý dữ liệu một cách hiệu quả, giúp cải thiện độ chính xác trong việc đánh giá trạng thái ổn định của hệ thống điện.

2.1. Khái niệm chung

Ổn định hệ thống điện được định nghĩa là khả năng của hệ thống duy trì trạng thái hoạt động ổn định sau khi chịu tác động từ các kích động. Các yếu tố ảnh hưởng đến ổn định động bao gồm cấu trúc của hệ thống, các thông số kỹ thuật của máy phát và thiết bị điều tốc. Việc phân tích và đánh giá ổn định động là rất quan trọng để đảm bảo hệ thống điện hoạt động hiệu quả và an toàn. Các phương pháp hiện có như phương pháp mô phỏng và phương pháp số có thể cung cấp thông tin chi tiết về trạng thái ổn định, nhưng thường không đáp ứng được yêu cầu về thời gian thực. Do đó, việc phát triển các phương pháp mới như mạng nơron nhân tạo là cần thiết để cải thiện khả năng đánh giá và phản ứng nhanh chóng với các sự cố trong hệ thống điện.

III. Lý thuyết nhận dạng và mạng nơron

Mạng nơron nhân tạo (ANN) là một trong những công nghệ tiên tiến được sử dụng để đánh giá ổn định động hệ thống điện. ANN có khả năng học hỏi từ dữ liệu và nhận diện các mẫu phi tuyến, giúp cải thiện độ chính xác trong việc dự đoán trạng thái ổn định của hệ thống. Các mô hình nơron như mạng nơron song song có thể được áp dụng để xử lý thông tin một cách nhanh chóng và hiệu quả. Việc xây dựng mô hình nơron cần phải chú ý đến các yếu tố như lựa chọn biến đặc trưng, chuẩn hóa dữ liệu và quy trình huấn luyện. Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng ANN trong đánh giá ổn định động có thể mang lại kết quả khả quan, giúp nâng cao độ tin cậy của hệ thống điện.

3.1. Các khái niệm và tính chất của nhận dạng

Nhận dạng mẫu là quá trình phân tích và phân loại dữ liệu dựa trên các đặc trưng đã được xác định. Trong lĩnh vực ổn định động hệ thống điện, nhận dạng mẫu giúp xác định trạng thái ổn định hoặc không ổn định của hệ thống dựa trên các thông số đầu vào. Việc áp dụng mạng nơron trong nhận dạng mẫu cho phép hệ thống học hỏi từ dữ liệu lịch sử và đưa ra dự đoán chính xác hơn về trạng thái của hệ thống. Các mô hình nơron như mạng hồi quy tổng quát và mạng nơron xác suất có thể được sử dụng để cải thiện khả năng nhận dạng và đánh giá trạng thái ổn định của hệ thống điện.

IV. Xây dựng mạng nơron song song đánh giá ổn định động HTĐ

Quy trình xây dựng mạng nơron song song để đánh giá ổn định động hệ thống điện bao gồm nhiều bước quan trọng. Đầu tiên, cần tạo cơ sở dữ liệu ổn định động từ các thông số vận hành của hệ thống điện. Sau đó, quy trình mô phỏng lấy mẫu trong PowerWorld sẽ được thực hiện để thu thập dữ liệu. Việc lựa chọn biến đặc trưng và chuẩn hóa dữ liệu là rất quan trọng để đảm bảo tính chính xác của mô hình. Huấn luyện mạng nơron cần được thực hiện với các tiêu chuẩn dừng rõ ràng để đảm bảo mô hình không bị quá khớp. Kết quả huấn luyện và kiểm tra sẽ giúp đánh giá độ chính xác của mô hình trong việc nhận dạng trạng thái ổn định của hệ thống điện.

4.1. Quy trình thực hiện mạng nơron đơn

Quy trình thực hiện mạng nơron đơn bao gồm các bước từ việc thu thập dữ liệu, xử lý và huấn luyện mô hình. Đầu tiên, cần xác định các biến đặc trưng quan trọng để đưa vào mô hình. Sau đó, dữ liệu sẽ được chuẩn hóa để đảm bảo tính đồng nhất và chính xác. Việc lựa chọn biến đặc trưng cũng cần phải dựa trên các tiêu chí khoa học và thực tiễn. Sau khi hoàn tất quá trình huấn luyện, mô hình sẽ được kiểm tra với dữ liệu mới để đánh giá độ chính xác và khả năng nhận dạng trạng thái ổn định của hệ thống điện. Kết quả từ quá trình này sẽ cung cấp thông tin quý giá cho việc cải thiện và tối ưu hóa hệ thống điện.

Tổng quan nghiên cứu

Hệ thống điện hiện đại đóng vai trò thiết yếu trong phát triển kinh tế quốc gia, tuy nhiên đang đối mặt với nhiều thách thức do phụ tải ngày càng tăng, làm quy mô và độ phức tạp của hệ thống lớn hơn. Theo ước tính, các kích động bất thường như cắt điện máy phát, ngắn mạch trên đường dây truyền tải hay thanh cái xảy ra thường xuyên, gây gián đoạn quy trình công nghiệp và tổn thất kinh tế nghiêm trọng. Ổn định động hệ thống điện là khả năng duy trì đồng bộ của các máy phát điện sau các kích động lớn, đảm bảo vận hành liên tục và an toàn. Mục tiêu nghiên cứu là xây dựng mô hình mạng nơron song song (PNN) để đánh giá nhanh và chính xác trạng thái ổn định động của hệ thống điện, giúp cảnh báo sớm và hỗ trợ ra quyết định vận hành. Nghiên cứu tập trung trong phạm vi hệ thống điện IEEE 10 máy, 39 bus, với dữ liệu mô phỏng từ phần mềm PowerWorld trong giai đoạn 2015-2017. Ý nghĩa của nghiên cứu thể hiện qua việc rút ngắn thời gian tính toán so với các phương pháp truyền thống, nâng cao độ chính xác nhận dạng trạng thái ổn định, từ đó góp phần đảm bảo an toàn và hiệu quả vận hành hệ thống điện trong điều kiện ngày càng phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai nền tảng lý thuyết chính: lý thuyết ổn định hệ thống điện và lý thuyết mạng nơron nhân tạo (ANN).

• Ổn định hệ thống điện: Bao gồm ổn định tĩnh và ổn định động. Ổn định tĩnh liên quan đến khả năng duy trì trạng thái cân bằng công suất trong điều kiện biến đổi nhỏ, trong khi ổn định động đề cập đến khả năng hệ thống phục hồi sau các kích động lớn như ngắn mạch hoặc cắt điện máy phát. Phương trình dao động rotor và các chỉ số như góc công suất tương đối (δ) được sử dụng để đánh giá trạng thái ổn định. Hệ thống được coi là ổn định nếu góc công suất tương đối giữa các máy phát không vượt quá 180 độ.

• Mạng nơron nhân tạo (ANN): Mô phỏng hoạt động của hệ thần kinh sinh học, ANN có khả năng học và nhận dạng các mẫu phi tuyến phức tạp. Mạng nơron song song (PNN) được lựa chọn do ưu điểm về tốc độ tính toán và hiệu suất nhận dạng cao. Các khái niệm chính bao gồm: nơron nhân tạo, hàm kích hoạt (log-sigmoid, tan-sigmoid, linear), cấu trúc mạng (mạng đơn lớp, đa lớp), và quy trình huấn luyện mạng.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập thông qua mô phỏng offline trên phần mềm PowerWorld, tạo cơ sở dữ liệu ổn định động với khoảng 10.000 mẫu dữ liệu, bao gồm các biến đặc trưng trước và sau sự cố như công suất máy phát, điện áp bus, góc công suất rotor. Cỡ mẫu được chọn đủ lớn để đảm bảo tính bao quát và độ tin cậy của mô hình. Phương pháp chọn mẫu kết hợp kỹ thuật xử lý mẫu nhằm giữ nguyên tính đại diện của dữ liệu gốc, tránh mất thông tin quan trọng.

Phân tích dữ liệu sử dụng thuật toán Relief để lựa chọn biến đặc trưng quan trọng, chuẩn hóa dữ liệu nhằm tăng hiệu quả huấn luyện. Mô hình mạng nơron song song được xây dựng với cấu trúc gồm 3 mạng con, mỗi mạng con được huấn luyện độc lập trên nhóm dữ liệu phân chia theo tiêu chuẩn năng lượng. Quá trình huấn luyện và kiểm tra mô hình diễn ra trong khoảng thời gian 6 tháng, sử dụng Neural Network Toolbox trong MATLAB để tối ưu hóa trọng số và đánh giá độ chính xác nhận dạng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận dạng cao: Mô hình mạng nơron song song đạt độ chính xác nhận dạng ổn định động lên đến 97%, vượt trội so với mạng nơron đơn lớp với độ chính xác khoảng 95%. Kết quả này được chứng minh qua bảng phân bố dữ liệu và đồ thị biểu diễn mối quan hệ độ chính xác nhận dạng.

2. Tốc độ tính toán nhanh: So với các phương pháp truyền thống như mô phỏng miền thời gian hay phương pháp hàm năng lượng, mô hình PNN giảm thời gian tính toán xuống còn khoảng 30%, đáp ứng yêu cầu tính toán nhanh trong vận hành trực tuyến.

3. Hiệu quả xử lý mẫu: Kỹ thuật xử lý mẫu giữ nguyên tính bao quát của bộ dữ liệu ban đầu, giúp mô hình không bị giảm hiệu suất khi làm việc với cơ sở dữ liệu lớn, đồng thời giảm thiểu lỗi nhận dạng nhầm.

4. Khả năng cảnh báo sớm: Mô hình cho phép nhận dạng trạng thái mất ổn định động ngay sau kích động lớn, giúp hệ thống điều khiển kích hoạt các biện pháp khẩn cấp kịp thời, giảm thiểu nguy cơ tan rã hệ thống điện.

Thảo luận kết quả

Nguyên nhân chính của độ chính xác cao và tốc độ tính toán nhanh là do cấu trúc mạng nơron song song phân chia dữ liệu theo tiêu chuẩn năng lượng, giúp giảm tải cho từng mạng con và tăng khả năng học sâu các đặc trưng phi tuyến. So sánh với các nghiên cứu trước đây, mô hình này cải thiện đáng kể về độ tin cậy và khả năng xử lý dữ liệu lớn. Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các mô hình và bảng phân bố dữ liệu huấn luyện, kiểm tra. Ý nghĩa của nghiên cứu là mở ra hướng tiếp cận mới trong đánh giá ổn định động hệ thống điện, góp phần nâng cao an toàn và hiệu quả vận hành trong bối cảnh hệ thống ngày càng phức tạp.

Đề xuất và khuyến nghị

1. Triển khai mô hình PNN trong hệ thống điều khiển vận hành điện: Áp dụng mô hình vào hệ thống SCADA để đánh giá ổn định động theo thời gian thực, giảm thiểu rủi ro mất ổn định. Thời gian thực hiện dự kiến 12 tháng, chủ thể thực hiện là các trung tâm điều độ điện lực.

2. Phát triển phần mềm hỗ trợ huấn luyện điều độ viên: Sử dụng mô hình nhận dạng để xây dựng công cụ mô phỏng tình huống khẩn cấp, nâng cao kỹ năng xử lý sự cố cho nhân viên vận hành. Thời gian triển khai 6 tháng, do các trường đại học và công ty công nghệ phối hợp thực hiện.

3. Mở rộng nghiên cứu áp dụng cho hệ thống điện quy mô lớn hơn: Nghiên cứu mở rộng mô hình cho hệ thống điện quốc gia với số lượng máy phát và bus lớn hơn, đảm bảo tính mở rộng và hiệu quả. Thời gian nghiên cứu 18 tháng, do viện nghiên cứu và các công ty điện lực phối hợp.

4. Tích hợp công nghệ trí tuệ nhân tạo nâng cao: Kết hợp mạng nơron sâu (Deep Learning) và các thuật toán học máy khác để cải thiện khả năng dự báo và nhận dạng trạng thái phức tạp hơn. Thời gian nghiên cứu 24 tháng, do các nhóm nghiên cứu chuyên sâu về AI thực hiện.

Đối tượng nên tham khảo luận văn

1. Các kỹ sư và chuyên gia vận hành hệ thống điện: Nghiên cứu giúp nâng cao khả năng đánh giá và xử lý sự cố nhanh chóng, giảm thiểu rủi ro mất ổn định trong vận hành thực tế.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Cung cấp kiến thức chuyên sâu về ứng dụng mạng nơron song song trong đánh giá ổn định động, làm tài liệu tham khảo cho các đề tài nghiên cứu tiếp theo.

3. Các trung tâm điều độ và quản lý lưới điện: Hỗ trợ xây dựng hệ thống cảnh báo sớm và công cụ hỗ trợ ra quyết định dựa trên mô hình nhận dạng thông minh.

4. Các công ty phát triển phần mềm và công nghệ trong lĩnh vực năng lượng: Tham khảo để phát triển các giải pháp công nghệ mới, tích hợp trí tuệ nhân tạo vào quản lý và vận hành hệ thống điện.

Câu hỏi thường gặp

1. Mạng nơron song song khác gì so với mạng nơron đơn?
   Mạng nơron song song (PNN) gồm nhiều mạng con hoạt động đồng thời, giúp tăng tốc độ tính toán và cải thiện độ chính xác nhận dạng so với mạng đơn lớp, đặc biệt hiệu quả với dữ liệu lớn và phức tạp.

2. Tại sao cần đánh giá ổn định động hệ thống điện?
   Ổn định động đảm bảo hệ thống điện duy trì đồng bộ sau các kích động lớn, tránh mất ổn định gây gián đoạn cung cấp điện và tổn thất kinh tế nghiêm trọng.

3. Phương pháp truyền thống gặp hạn chế gì?
   Các phương pháp như mô phỏng miền thời gian hay hàm năng lượng tốn nhiều thời gian tính toán, không phù hợp với yêu cầu ra quyết định nhanh trong vận hành trực tuyến.

4. Dữ liệu huấn luyện được thu thập như thế nào?
   Dữ liệu được mô phỏng offline trên phần mềm PowerWorld, bao gồm các biến đặc trưng vận hành hệ thống điện trước và sau sự cố, đảm bảo tính đại diện và đa dạng.

5. Mô hình có thể áp dụng cho hệ thống điện lớn hơn không?
   Có thể, tuy nhiên cần mở rộng và điều chỉnh cấu trúc mạng, kỹ thuật xử lý mẫu để phù hợp với quy mô và đặc điểm phức tạp của hệ thống điện lớn hơn.

Kết luận

• Mạng nơron song song (PNN) được xây dựng thành công với độ chính xác nhận dạng ổn định động đạt 97%, vượt trội so với mạng đơn.
• Phương pháp xử lý mẫu hiệu quả giữ nguyên tính bao quát của dữ liệu, nâng cao độ tin cậy mô hình.
• Mô hình rút ngắn thời gian tính toán khoảng 30% so với các phương pháp truyền thống, đáp ứng yêu cầu vận hành trực tuyến.
• Ứng dụng mô hình giúp cảnh báo sớm trạng thái mất ổn định, hỗ trợ ra quyết định vận hành an toàn.
• Hướng nghiên cứu tiếp theo là mở rộng mô hình cho hệ thống điện quy mô lớn và tích hợp các công nghệ AI tiên tiến.

Đề nghị các đơn vị quản lý và vận hành hệ thống điện xem xét áp dụng mô hình để nâng cao hiệu quả và an toàn vận hành. Liên hệ tác giả để nhận bản đầy đủ và hỗ trợ triển khai mô hình trong thực tế.