Đánh giá ổn định động hệ thống điện dùng mạng nơ-ron nhân tạo

Đánh giá ổn định động hệ thống điện sử dụng mạng nơ ron nhân tạo trong luận văn thạc sĩ, cung cấp cái nhìn sâu sắc và ứng dụng thực tiễn.

• Tác giả: Trần Hữu Phụng
• 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 Nơ-Ron Nhân Tạo
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• Trang tựa
• Quyết định giao đề tài
• Lý lịch khoa học
• Lời cam đoan
• Lời cảm tạ
• Danh sách các chữ viết tắt
• Danh sách các hình
• Danh sách các bảng
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về lĩnh vực nghiên cứu
• 1.2. Mục tiêu của luận án
• 1.3. Phạm vi nghiên cứu
• 1.4. Giá trị thực tiễn của luận án
• 2. CHƯƠNG 2: ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN
• 2.1. Các chế độ hệ thống điện
• 2.2. Ổn định hệ thống điện
• 2.3. Ổn định tĩnh
• 2.4. Ổn định tĩnh
• 2.5. Phương trình dao động
• 2.6. Đơn giản hóa mô hình máy phát
• 2.7. Tiêu chuẩn cân bằng diện tích
• 2.8. Phương pháp tích phân số cho phương trình dao động
• 2.9. Ổn định hệ nhiều máy
• 3. CHƯƠNG 3: LÝ THUYẾT NHẬN DẠNG
• 3.1. Những tính chất của nhận dạng mẫu và hiện tượng
• 3.2. Nhận dạng mẫu trên cơ sở hình thức hóa tri thức
• 3.3. Phương pháp luận từ việc học qua ví dụ
• 4. CHƯƠNG 4: LÝ THUYẾT MẠNG NƠ-RON NHÂN TẠO
• 4.1. Cấu trúc mạng nơ-ron nhân tạo
• 4.2. Phân loại mạng nơ-ron nhân tạo
• 4.3. Các phương pháp huấn luyện mạng nơ-ron
• 4.4. Mạng nơ-ron truyền thẳng với thuật toán lan truyền ngược
• 5. CHƯƠNG 5: LỰA CHỌN BIẾN ĐẶC TRƯNG TRONG ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN
• 5.1. Mô hình nhận dạng thông minh đánh giá ổn định động hệ thống điện dùng mạng nơ-ron nhân tạo
• 5.2. Tạo cơ sở dữ liệu
• 5.3. Chuẩn hóa dữ liệu
• 5.4. Phân chia dữ liệu
• 5.5. Lựa chọn biến đặc trưng
• 5.6. Xác định tập biến đặc trưng ban đầu
• 5.7. Giải thuật lựa chọn biến đặc trưng
• 5.8. Chiến lược tìm kiếm tối ưu toàn cục
• 5.9. Chiến lược tìm kiếm tối ưu cục bộ
• 5.10. Lựa chọn tập con biến ứng viên tiềm năng
• 5.11. Hàm khoảng cách Fisher
• 5.12. Hàm khoảng cách Divergence
• 5.13. Huấn luyện và đánh giá mô hình nhận dạng
• 5.14. Áp dụng đánh giá ổn định động hệ thống điện GSO – 37bus
• 5.15. Mô tả hệ thống điện GSO – 37bus
• 5.16. Biến đặc trưng đầu vào và đầu ra
• 5.17. Kết quả nhận dạng chính xác
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN
• 6.1. Hướng nghiên cứu phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: CHƯƠNG TRÌNH ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG CỦA QUÁ TRÌNH HUẤN LUYỆN MẠNG NƠ-RON
• PHỤ LỤC 2: CHƯƠNG TRÌNH TÍNH TỶ LỆ HUẤN LUYỆN TRÊN TẬP DỮ LIỆU BAN ĐẦU
• PHỤ LỤC 3: CHƯƠNG TRÌNH TÍNH TỶ LỆ PHÂN LOẠI SAU HUẤN LUYỆN TRÊN TẬP MẪU BAN ĐẦU
• PHỤ LỤC 4: CHƯƠNG TRÌNH TÍNH TỶ LỆ PHÂN LOẠI SAU KIỂM TRA TRÊN TẬP MẪU KIỂM TRA
• PHỤ LỤC 5: CHƯƠNG TRÌNH ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN TẬP MẪU HUẤN LUYỆN VÀ KIỂM TRA 1
• PHỤ LỤC 6: CHƯƠNG TRÌNH ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN TẬP MẪU HUẤN LUYỆN VÀ KIỂM TRA 2
• PHỤ LỤC 7: CHƯƠNG TRÌNH ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN TẬP MẪU HUẤN LUYỆN VÀ KIỂM TRA 3
• PHỤ LỤC 8: CHƯƠNG TRÌNH ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN TẬP MẪU HUẤN LUYỆN VÀ KIỂM TRA 4
• PHỤ LỤC 9: CHƯƠNG TRÌNH ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN TẬP MẪU HUẤN LUYỆN VÀ KIỂM TRA 5
• PHỤ LỤC 10: CHƯƠNG TRÌNH ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN TẬP MẪU HUẤN LUYỆN VÀ KIỂM TRA 6
• PHỤ LỤC 11: CHƯƠNG TRÌNH TÍNH KHOẢNG CÁCH FISHER VÀ VẼ ĐỒ THỊ XẾP HẠNG BIẾN ĐẶC TRƯNG
• PHỤ LỤC 12: CHƯƠNG TRÌNH TÍNH KHOẢNG CÁCH DIVERGENCE VÀ VẼ ĐỒ THỊ XẾP HẠNG BIẾN ĐẶC TRƯNG
• PHỤ LỤC 13: CHƯƠNG TRÌNH TỔNG QUÁT ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG KẾT HỢP PHƯƠNG PHÁP XẾP HẠNG BIẾN ĐẶC TRƯNG DÙNG HÀM KHOẢNG CÁCH FISHER
• PHỤ LỤC 14: CHƯƠNG TRÌNH TỔNG QUÁT ĐÁNH GIÁ ĐỘ CHÍNH XÁC NHẬN DẠNG KẾT HỢP PHƯƠNG PHÁP XẾP HẠNG BIẾN ĐẶC TRƯNG DÙNG HÀM KHOẢNG CÁCH DIVERGENCE
• PHỤ LỤC 15: CHƯƠNG TRÌNH VẼ ĐỒ THỊ SO SÁNH ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN 6 TẬP DỮ LIỆU HUẤN LUYỆN/ KIỂM TRA GIỮA HÀM KHOẢNG CÁCH FISHER VÀ DIVERGENCE
• PHỤ LỤC 16: BẢNG XẾP HẠNG BIẾN ĐẶC TRƯNG THEO HÀM KHOẢNG CÁCH FISHER
• PHỤ LỤC 17: BẢNG XẾP HẠNG BIẾN ĐẶC TRƯNG THEO HÀM KHOẢNG CÁCH DIVERGENCE
• PHỤ LỤC 18: THÔNG SỐ HỆ THỐNG ĐIỆN GSO 37 BUS
• THÔNG SỐ ĐƯỜNG DÂY (BRANCHES INPUT)
• THÔNG SỐ NHÁNH (BRANCHES STATE)
• THÔNG SỐ XÁC LẬP TRÊN CÁC THANH GÓP (BUSES)
• THÔNG SỐ TRẠNG THÁI XÁC LẬP CỦA MÁY PHÁT (GENERATORS)
• THÔNG ĐIỆN DẪN, DUNG DẪN SONG SONG (LINE SHUNT)
• THÔNG SỐ PHỤ TẢI (LOAD)
• THÔNG SỐ THIẾT BỊ BÙ NGANG (SWITCH SHUNTS)
• THÔNG SỐ CÀI ĐẶT ĐẦU PHÂN ÁP TRÊN MÁY BIẾN ÁP (TRANSFOMER CONTROL) (PHASE (deg) = 0; STEP SIZE = 0
• THÔNG SỐ THIẾT BỊ KÍCH TỪ MÁY PHÁT (GENERATOR EXCITERS)
• THIẾT BỊ ĐIỀU TỐC MÁY PHÁT (GENERATOR GOVERNERS)
• MÔ HÌNH MÁY PHÁT (GENERATOR MACHINE MODELS)

Tóm tắt

I. Tổng Quan Về Đánh Giá Ổn Định Động Hệ Thống Điện Hiện Nay

Đánh giá ổn định động hệ thống điện là một nhiệm vụ quan trọng trong thiết kế và vận hành. Từ những năm 1920, khi các hệ thống điện nhỏ được kết nối thành mạng lưới lớn, vấn đề này đã được quan tâm. Sau hơn 50 năm, cùng với sự phát triển của công nghệ bán dẫn và công nghệ thông tin, lý thuyết và công cụ phân tích đã hình thành. Tuy nhiên, từ năm 1990, nhu cầu điện năng tăng cao, các hệ thống điện lớn liên kết giữa các vùng, các quốc gia đã xuất hiện, làm cho việc đánh giá ổn định động trở nên phức tạp. Việc đánh giá hệ thống ổn định hay không sau sự cố lớn đặt ra nhiều thách thức. Các phương pháp truyền thống tốn thời gian, không phù hợp cho đánh giá trong thời gian thực. Do đó, cần có phương pháp khác hiệu quả hơn. Các phương pháp truyền thống như mô phỏng miền thời gian, phương pháp số, và phương pháp hàm năng lượng đều có những hạn chế nhất định về độ chính xác và tốc độ tính toán.

1.1. Lịch Sử Phát Triển của Phân Tích Ổn Định Động

Việc nghiên cứu về ổn định động hệ thống điện bắt đầu từ đầu thế kỷ 20, khi các hệ thống điện nhỏ bắt đầu liên kết với nhau. Sự phát triển của công nghệ và nhu cầu điện năng ngày càng tăng đã thúc đẩy sự phát triển của các phương pháp phân tích ổn định.

1.2. Thách Thức Trong Đánh Giá Ổn Định Động Hệ Thống Điện Lớn

Các hệ thống điện lớn, liên kết giữa các vùng và các quốc gia, tạo ra những thách thức lớn trong việc đánh giá ổn định động. Sự phức tạp của hệ thống và yêu cầu về tốc độ tính toán cao đòi hỏi các phương pháp phân tích tiên tiến. Các phương pháp truyền thống như mô phỏng miền thời gian, phương pháp số, và phương pháp hàm năng lượng đều có những hạn chế nhất định.

II. Vấn Đề và Giới Hạn của Phương Pháp Truyền Thống Đánh Giá

Các phương pháp truyền thống như mô phỏng miền thời gian, phương pháp số và phương pháp hàm năng lượng có những hạn chế. Mô phỏng miền thời gian cho kết quả chính xác, nhưng tốn nhiều thời gian và không cho biết biên ổn định. Phương pháp số gặp khó khăn trong giải phương trình vi phân bậc 2. Phương pháp hàm năng lượng cần đơn giản hóa mô hình và tính toán nhiều để xác định chỉ số ổn định. Theo luận văn gốc, các phương pháp truyền thống tốn rất nhiều thời gian tính toán, không phù hợp đánh giá trong thời gian thực, với yêu cầu rất khắc khe về thời gian tính toán, tính nhanh nhƣng phải chính xác đã xuất hiện nhu cầu ứng dụng phƣơng pháp khác hiệu quả hơn.

2.1. Nhược Điểm của Mô Phỏng Miền Thời Gian trong Phân Tích

Mô phỏng miền thời gian cho kết quả chính xác, nhưng tốn nhiều thời gian do phải giải hệ phương trình vi phân phi tuyến sau sự cố. Phương pháp này không phù hợp trong đánh giá trực tuyến và không cung cấp thông tin về mức độ ổn định hoặc không ổn định.

2.2. Khó Khăn Khi Giải Phương Trình Vi Phân Bằng Phương Pháp Số

Phương pháp số gặp khó khăn trong giải phương trình vi phân bậc 2 và mất nhiều thời gian giải. Điều này làm hạn chế khả năng ứng dụng của phương pháp này trong các hệ thống điện lớn và phức tạp.

2.3. Hạn Chế Của Phương Pháp Hàm Năng Lượng Thực Tế Hiện Nay

Phương pháp hàm năng lượng cần đơn giản hóa mô hình và tính toán nhiều để xác định chỉ số ổn định. Đối với hệ thống điện lớn nhiều máy phát, việc đơn giản hóa mô hình và xác định chỉ số ổn định là một thách thức lớn.

III. Ứng Dụng Mạng Nơ Ron Nhân Tạo Giải Pháp Tối Ưu Hàng Đầu

Kỹ thuật mạng nơ-ron nhân tạo (ANN) được khuyến nghị như một phương pháp thay thế để giải quyết các bài toán khó của hệ thống điện khi các phương pháp truyền thống không đáp ứng được về thời gian và hiệu suất. ANN học từ cơ sở dữ liệu ổn định động, trích xuất và xây dựng công thức mối quan hệ phi tuyến giữa các tham số vận hành hệ thống điện và trạng thái ổn định tương ứng. Theo luận văn gốc, quá trình xây dựng mô hình nhận dạng thông minh ANN gồm 4 bước: tạo cơ sở dữ liệu, thiết lập tập mẫu ngõ vào/ngõ ra, trích xuất tri thức, phê chuẩn.

3.1. Ưu Điểm của Mạng Nơ Ron Nhân Tạo trong Đánh Giá Ổn Định

Mạng nơ-ron nhân tạo có khả năng học từ dữ liệu và xây dựng mô hình phi tuyến, giúp giải quyết các bài toán phức tạp trong hệ thống điện. ANN có thể đưa ra kết quả nhanh chóng và chính xác, phù hợp cho đánh giá trong thời gian thực.

3.2. Các Bước Xây Dựng Mô Hình Mạng Nơ Ron Hiệu Quả

Quá trình xây dựng mô hình nhận dạng thông minh ANN gồm 4 bước: tạo cơ sở dữ liệu, thiết lập tập mẫu ngõ vào/ngõ ra, trích xuất tri thức, phê chuẩn. Các đặc trưng ngõ vào ANN cần có độ đặc trưng hóa cao để đạt hiệu suất tốt nhất.

3.3. Lựa Chọn Biến Đặc Trưng Cho Mô Hình Mạng Nơ Ron

Việc lựa chọn biến đặc trưng đầu vào cho mô hình mạng nơ-ron là rất quan trọng. Các biến đặc trưng này giúp ANN sử dụng dữ liệu một cách hiệu quả và cải thiện hiệu suất. Các phương pháp lựa chọn biến đặc trưng như hàm khoảng cách Fisher và Divergence có thể được sử dụng.

IV. Cách Tối Ưu Mạng Nơ Ron để Đánh Giá Ổn Định Động Hiệu Quả

Luận văn gốc ứng dụng mạng nơ-ron truyền thẳng nhiều lớp (MLFN) sử dụng phần mềm MATLAB để đánh giá ổn định hệ thống điện, kết hợp sử dụng kỹ thuật lựa chọn biến đặc trưng. Kỹ thuật này khai thác số liệu hành vi động của hệ thống điện, giúp giảm biến đặc trưng đầu vào, tăng tốc độ huấn luyện, nhưng vẫn giữ độ chính xác cao. Theo luận văn gốc, bước đầu tiên, trạng thái ổn định động hệ thống điện được quyết định dựa trên góc rotor tương đối giữa các máy phát.

4.1. Ứng Dụng Mạng Nơ Ron Truyền Thẳng Nhiều Lớp MLFN

Mạng nơ-ron truyền thẳng nhiều lớp (MLFN) là một loại mạng nơ-ron phổ biến được sử dụng trong đánh giá ổn định động hệ thống điện. MLFN có khả năng học các mối quan hệ phi tuyến giữa các biến đầu vào và đầu ra, giúp đưa ra kết quả chính xác.

4.2. Kỹ Thuật Lựa Chọn Biến Đặc Trưng Để Tăng Tốc Độ Huấn Luyện

Kỹ thuật lựa chọn biến đặc trưng giúp giảm số lượng biến đầu vào cho mạng nơ-ron, từ đó tăng tốc độ huấn luyện và giảm độ phức tạp của mô hình. Các phương pháp như hàm khoảng cách Fisher và Divergence có thể được sử dụng để lựa chọn các biến đặc trưng quan trọng nhất.

4.3. Xác Định Trạng Thái Ổn Định Dựa Trên Góc Rotor Máy Phát

Trạng thái ổn định động hệ thống điện có thể được xác định dựa trên góc rotor tương đối giữa các máy phát. Góc rotor là một chỉ số quan trọng thể hiện sự ổn định của hệ thống và có thể được sử dụng làm đầu ra cho mô hình mạng nơ-ron.

V. Kết Quả Nghiên Cứu Đánh Giá Độ Chính Xác Hệ Thống Điện Thực Tế

Luận văn gốc đã mô phỏng trên hệ thống điện chuẩn GSO 37-bus với ngắn mạch 3 pha tại mức phụ tải định mức. Với số mẫu huấn luyện là 220 mẫu, bao gồm 120 mẫu ổn định và 120 mẫu không ổn định. Theo luận văn gốc, kết quả từ MLFN trình bày rằng trạng thái ổn định của hệ thống điện có thể được nhận dạng với độ chính xác cao và tỷ lệ nhận dạng sai thấp. Kết quả với hàm Fisher, khi số biến đặc trưng là 20 hay giảm 9,9 lần thì độ chính xác nhận dạng đã trên 80%, khi số biến đặc trưng là 45 thì tỉ lệ nhận dạng (91,3%) đã vượt qua giá trị kỳ vọng là 90%, khi đó số biến đặc trưng giảm đã hơn 4,4 lần và thời gian huấn luyện so với đầy đủ 199 biến đặc trưng đã giảm 3,1 lần.

5.1. Mô Phỏng Hệ Thống Điện GSO 37 Bus Để Kiểm Chứng

Việc mô phỏng trên hệ thống điện chuẩn GSO 37-bus giúp kiểm chứng tính hiệu quả của phương pháp mạng nơ-ron trong đánh giá ổn định động. Kết quả mô phỏng cho thấy mạng nơ-ron có thể nhận dạng trạng thái ổn định với độ chính xác cao.

5.2. Đánh Giá Độ Chính Xác Nhận Dạng Với Hàm Khoảng Cách Fisher

Khi sử dụng hàm khoảng cách Fisher để lựa chọn biến đặc trưng, độ chính xác nhận dạng đạt trên 80% khi số biến đặc trưng là 20 và đạt 91,3% khi số biến đặc trưng là 45. Điều này cho thấy hàm Fisher là một phương pháp hiệu quả để lựa chọn biến đặc trưng.

5.3. So Sánh Kết Quả Giữa Hàm Fisher và Hàm Divergence

Luận văn gốc so sánh kết quả giữa hàm Fisher và hàm Divergence trong việc lựa chọn biến đặc trưng. Kết quả cho thấy cả hai phương pháp đều cho độ chính xác nhận dạng cao, nhưng hàm Fisher có thể đạt được độ chính xác tương đương với ít biến đặc trưng hơn.

VI. Kết Luận và Hướng Nghiên Cứu Phát Triển Mạng Nơ Ron

Luận văn gốc góp phần làm phong phú tài liệu tham khảo hữu ích cho nghiên cứu bài toán đánh giá ổn định hệ thống điện dùng kỹ thuật mạng nơ-ron nhân tạo, kết hợp kỹ thuật lựa chọn biến đặc trưng. Theo luận văn gốc, giá trị tức thời của nghiên cứu này là có ý nghĩa rất thiết thực cho việc giảm số cảm biến đo lường thu thập số liệu, cũng như giúp giảm chi phí đầu tư hệ thống đo lường trên hệ thống điện.

6.1. Tóm Tắt Kết Quả Chính và Đóng Góp Của Nghiên Cứu

Nghiên cứu này đã chứng minh tính hiệu quả của việc sử dụng mạng nơ-ron nhân tạo kết hợp với kỹ thuật lựa chọn biến đặc trưng trong đánh giá ổn định động hệ thống điện. Nghiên cứu này góp phần làm phong phú tài liệu tham khảo và cung cấp một phương pháp hiệu quả để giảm chi phí đo lường.

6.2. Hướng Nghiên Cứu Phát Triển Trong Tương Lai Gần

Các hướng nghiên cứu phát triển trong tương lai có thể tập trung vào việc cải thiện kỹ thuật lựa chọn biến đặc trưng, phát triển các mô hình mạng nơ-ron phức tạp hơn và ứng dụng phương pháp này vào các hệ thống điện lớn hơn và phức tạp hơn.

6.3. Ứng Dụng Thực Tế Của Mạng Nơ Ron Trong Hệ Thống Điện

Mạng nơ-ron có thể được ứng dụng trong nhiều lĩnh vực khác nhau của hệ thống điện, bao gồm đánh giá ổn định động, dự báo phụ tải, và điều khiển hệ thống điện. Việc ứng dụng mạng nơ-ron giúp nâng cao hiệu quả và độ tin cậy của hệ thống điện.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh nhu cầu tiêu thụ điện năng không ngừng gia tăng với tốc độ từ 8% đến 10% mỗi năm, các hệ thống điện hiện đại ngày càng mở rộng quy mô và liên kết phức tạp thành các mạng lưới liên vùng như hệ thống đường dây 500 kV Bắc - Nam tại Việt Nam. Việc vận hành toàn hệ thống ở trạng thái tiệm cận giới hạn ổn định kỹ thuật khiến nguy cơ mất đồng bộ và rã lưới sau các kích động lớn trở nên nghiêm trọng hơn. Vấn đề nghiên cứu cốt lõi được đặt ra là các phương pháp mô phỏng miền thời gian truyền thống đòi hỏi thời gian giải phương trình vi phân phi tuyến kéo dài hàng chục phút, không đáp ứng được yêu cầu giám sát trực tuyến và ra quyết định điều khiển phòng ngừa trong khoảng thời gian từ vài mili giây đến vài giây.

Luận văn thạc sĩ chuyên ngành Kỹ thuật điện của tác giả Trần Hữu Phụng, dưới sự hướng dẫn khoa học của Phó Giáo sư Tiến sĩ Quyền Huy Ánh tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, được thực hiện từ ngày 24 tháng 02 năm 2014 đến tháng 09 năm 2014. Mục tiêu cụ thể của đề tài là xây dựng quy trình nhận dạng thông minh ứng dụng mạng nơ-ron truyền thẳng nhiều lớp kết hợp kỹ thuật lựa chọn biến đặc trưng dựa trên hàm khoảng cách Fisher và Divergence, thử nghiệm trực tiếp trên hệ thống điện chuẩn GSO 37 thanh cái và 9 máy phát điện.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện rõ nét qua các chỉ số định lượng: giải pháp giúp giảm số lượng biến ngõ vào từ 199 biến xuống còn 45 biến (giảm 4,4 lần), rút ngắn thời gian huấn luyện mô hình 3,1 lần nhưng vẫn duy trì độ chính xác nhận dạng ổn định động vượt mức 91,3%. Điều này không chỉ giải quyết triệt để bài toán đánh giá nhanh trong thời gian thực mà còn giúp cắt giảm hơn 70% số lượng cảm biến đo lường cần trang bị, tối ưu hóa đáng kể chi phí đầu tư hệ thống giám sát trên lưới điện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết ổn định hệ thống điện và lý thuyết nhận dạng mẫu thông minh:

• Lý thuyết ổn định hệ thống điện và phương trình dao động rotor: Chuyển động động học của rotor máy phát điện đồng bộ được mô tả qua phương trình vi phân phi tuyến bậc 2 của định luật 2 Newton, xác định sự mất cân bằng giữa mô-men cơ của tuabin và mô-men điện từ. Tiêu chuẩn cân bằng diện tích kết hợp phương pháp tích phân số Euler cải tiến được sử dụng để xác định góc lệch rotor tương đối, biên độ điện áp và tần số đồng bộ với bước tích phân tiêu chuẩn 0,00833 giây cho hệ thống 60 Hz.
• Lý thuyết mạng nơ-ron nhân tạo và nhận dạng mẫu: Sử dụng kiến trúc mạng nơ-ron truyền thẳng nhiều lớp huấn luyện theo thuật toán lan truyền ngược kết hợp hàm kích hoạt phi tuyến sigmoid lưỡng cực. Mô hình nhận dạng mẫu được hình thức hóa theo 4 giai đoạn chuẩn: tạo lập cơ sở dữ liệu động học, thiết lập tập mẫu ngõ vào và ngõ ra, trích xuất tri thức quan hệ phi tuyến, và phê chuẩn kiểm định độc lập.
• Các khái niệm cốt lõi: Ổn định động theo góc công suất, thời gian cắt tới hạn, ma trận tổng dẫn nút hệ thống kích thước (N+M) x (N+M), cùng hai độ đo khoảng cách thống kê phân lớp là Fisher Discrimination và Divergence Distance.

Phương pháp nghiên cứu

Nghiên cứu sử dụng quy trình thực nghiệm mô phỏng số hóa toàn diện kết hợp giải thuật học máy:

• Nguồn dữ liệu và công cụ phân tích: Toàn bộ dữ liệu hành vi động học của hệ thống điện được trích xuất từ phần mềm mô phỏng hệ thống điện chuyên dụng PowerWorld Simulator phiên bản 17. Các giải thuật trích xuất, sàng lọc biến đặc trưng và cấu trúc mạng nơ-ron nhân tạo được lập trình, thực thi hoàn toàn trong môi trường MATLAB.
• Cỡ mẫu và kỹ thuật chọn mẫu: Bộ dữ liệu nghiên cứu bao gồm 220 mẫu khảo sát được tạo ra từ các kịch bản ngắn mạch ba pha đối xứng tại các thanh cái và đường dây ở mức phụ tải định mức 100%. Tập mẫu được chia thành 120 mẫu ở chế độ ổn định và 100 mẫu ở chế độ mất ổn định, sau đó phân tách ngẫu nhiên thành 6 tập dữ liệu huấn luyện và kiểm tra độc lập để đảm bảo tính khách quan và khả năng tổng quát hóa của mô hình.
• Lý do lựa chọn phương pháp phân tích: Việc lựa chọn hai hàm khoảng cách Fisher và Divergence xuất phát từ yêu cầu xếp hạng định lượng mức độ phân tách giữa hai lớp ổn định và không ổn định trong không gian dữ liệu đa chiều. Phương pháp này cho phép loại bỏ các biến phụ thuộc tuyến tính và thông số nhiễu trong 199 biến xác lập tiền sự cố. Toàn bộ quá trình thu thập dữ liệu, huấn luyện mạng và thẩm định kết quả được thực hiện liên tục trong thời gian 7 tháng từ tháng 02 đến tháng 09 năm 2014.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm nghiệm mô hình mạng nơ-ron truyền thẳng trên hệ thống điện chuẩn GSO 37 thanh cái và 9 máy phát điện đã mang lại các phát hiện khoa học quan trọng:

• Khả năng tối ưu hóa vượt trội của hàm khoảng cách Fisher: Khi giảm số biến đặc trưng ngõ vào từ 199 biến xuống còn 20 biến (tương đương mức giảm 9,9 lần), mô hình đã đạt độ chính xác nhận dạng trên 80,0%. Đặc biệt, khi số biến đặc trưng được chọn là 45 biến (giảm 4,4 lần so với dữ liệu gốc), tỷ lệ nhận dạng chính xác đạt tới 91,3%, vượt xa mức kỳ vọng thiết kế ban đầu là 90,0%.
• Hiệu quả rút ngắn thời gian huấn luyện: Việc giảm số chiều vector ngõ vào bằng hàm Fisher từ 199 biến xuống 45 biến giúp giảm thời gian tính toán và huấn luyện mạng nơ-ron đi 3,1 lần, hạn chế tối đa nguy cơ quá khớp dữ liệu trong quá trình học.
• Năng lực phân lớp của hàm khoảng cách Divergence: Hàm Divergence mang lại tỷ lệ nhận dạng vượt mốc 80,0% khi số lượng biến ngõ vào là 35 biến (giảm 5,6 lần). Để vượt qua ngưỡng chính xác kỳ vọng 90,0%, hàm Divergence cần duy trì 70 biến đặc trưng (giảm 2,8 lần số biến ban đầu).
• Tính khả thi của việc sử dụng thông số tiền sự cố: Các biến trạng thái xác lập tiền sự cố như công suất tác dụng, công suất phản kháng, điện áp thanh cái và góc pha hoàn toàn có thể phản ánh chính xác trạng thái ổn định động sau sự cố thông qua quan hệ ánh xạ phi tuyến của mạng nơ-ron.

Thảo luận kết quả

Nguyên nhân chính giúp phương pháp đạt hiệu quả cao là nhờ việc giải quyết triệt để khâu lựa chọn biến đặc trưng ngõ vào. Trong không gian 199 biến ban đầu, sự tồn tại của nhiều thông số tương quan cao gây ra hiện tượng bão hòa thông tin và làm chậm tốc độ hội tụ của thuật toán lan truyền ngược. Khi áp dụng tiêu chuẩn khoảng cách Fisher, các biến có độ phân tán nội lớp nhỏ và độ phân cách giữa hai lớp lớn được ưu tiên giữ lại, tạo ra không gian biểu diễn cô đọng và tách biệt rõ rệt.

Về mặt trình bày dữ liệu, các kết quả đánh giá được thể hiện trực quan thông qua đồ thị đường biểu diễn mối tương quan giữa số lượng biến đặc trưng (trục hoành từ 10 đến 199 biến) và độ chính xác nhận dạng phần trăm (trục tung từ 50% đến 100%), cùng bảng xếp hạng thứ tự ưu tiên của 199 thông số kỹ thuật. Bảng phân tích ma trận nhầm lẫn giữa 6 tập mẫu kiểm tra cho thấy tỷ lệ phân loại sai giảm dần và ổn định vững chắc khi số biến đạt từ 45 biến trở lên.

So với phương pháp mô phỏng miền thời gian truyền thống vốn mất từ 15 đến 30 giây để phân tích một trạng thái sự cố, mô hình mạng nơ-ron sau khi huấn luyện xong chỉ mất dưới 0,05 giây để đưa ra kết luận chẩn đoán. So sánh với các nghiên cứu nhận dạng mẫu tuyến tính trước đây, việc tích hợp mạng truyền thẳng đa lớp giúp giải quyết hoàn hảo bài toán phân tách các mặt biên phi tuyến phức tạp trong hệ nhiều máy phát, mở ra tiềm năng lớn cho các hệ thống giám sát diện rộng hiện đại.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đề xuất 4 nhóm giải pháp kỹ thuật có tính ứng dụng thực tiễn cao:

• Tích hợp module chọn biến Fisher vào hệ thống SCADA/EMS: Các trung tâm điều độ hệ thống điện cần tích hợp thuật toán lọc 45 biến đặc trưng vào phần mềm giám sát vận hành thời gian thực nhằm rút ngắn thời gian cảnh báo mất ổn định xuống dưới 0,1 giây. Lộ trình thực hiện trong 12 tháng do đội ngũ kỹ sư điều độ và công nghệ thông tin phụ trách.
• Tối ưu hóa cấu hình thiết bị đo lường đồng pha PMU: Các công ty truyền tải điện cần tái cấu trúc vị trí lắp đặt cảm biến đo lường trên lưới điện, tập trung bố trí tại 45 vị trí thanh cái trọng yếu đã được xếp hạng thay vì dàn trải trên toàn bộ 199 điểm đo. Mục tiêu cắt giảm 50% chi phí mua sắm thiết bị giám sát trong kế hoạch nâng cấp hạ tầng giai đoạn 6 đến 9 tháng tới.
• Mở rộng ngân hàng dữ liệu kịch bản sự cố đa dạng: Nhóm nghiên cứu tại các viện năng lượng và trường đại học cần mở rộng tập mẫu huấn luyện từ 220 mẫu lên trên 1.000 mẫu, bổ sung các kịch bản ngắn mạch không đối xứng và dao động phụ tải đột biến ở mức 120% công suất định mức, thực hiện trong khung thời gian 18 tháng.
• Phát triển phần mềm tự động hóa kết hợp giải thuật di truyền: Các đơn vị phát triển giải pháp phần mềm ngành điện cần phối hợp với chuyên gia kỹ thuật điện để kết hợp mạng nơ-ron với giải thuật di truyền nhằm tự động tối ưu hóa số lượng nơ-ron lớp ẩn, hoàn thiện gói công cụ thương mại trong vòng 24 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu mang lại giá trị tham khảo thiết thực cho 4 nhóm đối tượng chuyên môn:

• Kỹ sư điều độ và vận hành hệ thống điện: Nắm vững phương pháp luận đánh giá nhanh trạng thái ổn định động thời gian thực dưới 0,05 giây, ứng dụng trực tiếp trong việc thiết lập kịch bản sa thải phụ tải tự động và điều khiển khẩn cấp lưới điện truyền tải 110 kV - 500 kV.
• Chuyên gia quy hoạch và thiết kế lưới điện: Tiếp cận giải pháp kỹ thuật giúp giảm số lượng cảm biến đo lường từ 199 điểm xuống 45 điểm trọng yếu, hỗ trợ tối ưu hóa bài toán phân bổ nguồn vốn đầu tư hạ tầng đo lường diện rộng tiết kiệm từ 30% đến 40% ngân sách.
• Giảng viên, học viên cao học và nghiên cứu sinh ngành Kỹ thuật điện: Sử dụng luận văn như tài liệu học thuật chuyên sâu về mô hình hóa hệ thống điện chuẩn GSO 37 thanh cái và 9 máy phát, tham khảo 18 phụ lục chi tiết chứa toàn bộ mã nguồn chương trình MATLAB và bảng thông số xác lập hệ thống.
• Kỹ sư phát triển phần mềm ứng dụng và tự động hóa công nghiệp: Ứng dụng thuật toán phân loại khoảng cách Fisher và Divergence vào các bài toán nhận dạng mẫu trong kỹ thuật điện như chẩn đoán sự cố máy biến áp và bảo vệ rơ-le số thông minh.

Câu hỏi thường gặp

Tại sao cần phải giảm số biến đặc trưng ngõ vào từ 199 biến xuống còn 45 biến?

Việc giảm từ 199 biến xuống 45 biến giúp loại bỏ các thông số dư thừa, giảm thời gian huấn luyện mạng nơ-ron đi 3,1 lần và ngăn ngừa hiện tượng quá khớp dữ liệu. Trong thực tế, việc này giúp giảm hơn 70% số lượng thiết bị đo cần lắp đặt trên lưới mà vẫn đảm bảo độ chính xác dự báo 91,3%.

Hàm khoảng cách Fisher vượt trội hơn hàm khoảng cách Divergence ở những điểm nào?

Hàm khoảng cách Fisher cho tốc độ hội tụ và hiệu quả phân loại cao hơn rõ rệt. Cụ thể, hàm Fisher chỉ cần 45 biến để đạt độ chính xác 91,3%, trong khi hàm Divergence cần tới 70 biến để vượt qua ngưỡng kỳ vọng 90,0% và cần 35 biến để đạt mức chính xác trên 80,0%.

Mô hình nghiên cứu trong luận văn được kiểm nghiệm trên hệ thống điện nào?

Nghiên cứu được kiểm nghiệm trên hệ thống điện chuẩn GSO 37 thanh cái gồm 9 máy phát điện đồng bộ. Cơ sở dữ liệu động học được xây dựng từ 220 kịch bản mô phỏng ngắn mạch ba pha tại mức phụ tải định mức thông qua phần mềm PowerWorld Simulator 17.

Ưu điểm vượt trội của mạng nơ-ron MLFN so với phương pháp tích phân số truyền thống là gì?

Phương pháp tích phân số truyền thống mất từ 15 đến 30 giây để giải hệ phương trình vi phân sau sự cố, gây chậm trễ trong điều khiển phòng ngừa. Ngược lại, mạng MLFN sau khi được huấn luyện ngoài tuyến có thể đưa ra kết quả phân loại trạng thái trực tuyến trong thời gian dưới 0,05 giây.

Trạng thái ổn định động của hệ thống điện được xác định dựa trên tiêu chí kỹ thuật nào?

Trạng thái ổn định động được đánh giá dựa trên quỹ đạo góc lệch rotor tương đối giữa 9 máy phát điện theo thời gian. Nếu sau sự cố ngắn mạch, dao động góc rotor tắt dần và tiến về điểm cân bằng xác lập mới thì hệ thống ổn định; nếu góc lệch tăng vô hạn thì hệ thống mất đồng bộ.

Kết luận

• Xây dựng thành công quy trình nhận dạng thông minh 4 bước hoàn chỉnh phục vụ đánh giá nhanh ổn định động hệ thống điện.
• Chứng minh tính ưu việt của hàm khoảng cách Fisher khi giảm 4,4 lần số lượng biến đặc trưng ngõ vào (từ 199 xuống 45 biến) nhưng vẫn đạt độ chính xác nhận dạng vượt trội 91,3%.
• Rút ngắn thời gian huấn luyện mạng nơ-ron truyền thẳng 3,1 lần, đáp ứng hoàn hảo tiêu chuẩn tính toán thời gian thực dưới 0,05 giây.
• Đề xuất giải pháp cắt giảm hơn 70% số lượng cảm biến đo lường diện rộng, mang lại hiệu quả kinh tế kỹ thuật to lớn cho ngành điện.
• Cung cấp cơ sở dữ liệu thực nghiệm chuẩn xác và hệ thống 18 chương trình mã nguồn MATLAB chi tiết trên lưới GSO 37 thanh cái và 9 máy phát.

Đóng góp then chốt của luận văn là làm sáng tỏ vai trò quyết định của bước lựa chọn biến đặc trưng tiền sự cố trong việc nâng cao hiệu suất mạng nơ-ron nhân tạo. Lộ trình phát triển tiếp theo trong 12 đến 24 tháng tới là tích hợp mô hình với giải thuật di truyền và kiểm nghiệm trên lưới điện thực tế có tỷ trọng năng lượng tái tạo cao. Các kỹ sư vận hành, chuyên gia điều độ và nhà nghiên cứu hãy áp dụng ngay phương pháp luận khoa học này để nâng cao độ tin cậy và thúc đẩy tiến trình hiện đại hóa lưới điện thông minh.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRẦN HỮU PHỤNG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN DÙNG MẠNG NƠ-RON NHÂN TẠO NGÀNH: KỸ THUẬT ĐIỆN - 605250 S K C0 0 4 4 0 5 Tp. Hồ Chí Minh, tháng 09/2014 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRẦN HỮU PHỤNG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN DÙNG MẠNG NƠ-RON NHÂN TẠO NGÀNH: KỸ THUẬT ĐIỆN - 605250 Tp. Hồ Chí Minh, tháng 09/2014. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRẦN HỮU PHỤNG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN DÙNG MẠNG NƠ-RON NHÂN TẠO NGÀNH: KỸ THUẬT ĐIỆN - 605250 Hướng dẫn khoa học PGS.

TS QUYỀN HUY ÁNH Tp. Hồ Chí Minh, tháng 09/2014. LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƢỢC: Họ & tên: Trần Hữu Phụng Giới tính: Nam Ngày, tháng, năm sinh: 15/08/1986 Nơi sinh: Đồng Nai Quê quán: Đồng Nai Dân tộc: Kinh Chỗ ở riêng hoặc địa chỉ liên lạc: 125.

ĐN Điện thoại cơ quan: 84-650-3784469 Đt nhà riêng: 0613 932 177 Fax: [phone] E-mail: phungth1508 @gmail. QUÁ TRÌNH ĐÀO TẠO: 1. Trung học chuyên nghiệp: Hệ đào tạo: Chính quy Thời gian đào tạo từ 08/2001 đến 08/2004 Nơi học (trƣờng, thành phố): Cao Đẳng Nghề Đồng Nai Ngành học: Điện Công Nghiệp 2. Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ: 09/2007 đến 09/2011 Nơi học (trƣờng, thành phố): Đại Học Sƣ Phạm Kỹ Thuật TP Hồ Chí Minh Ngành học: Điện Công Nghiệp Tên đồ án, luận án hoặc môn thi tốt nghiệp: Mô phỏng hệ thống giám sát và điều khiển quy trình phân loại sản phẩm Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp: 09/2011, tại Đại Học Sƣ Phạm Kỹ Thuật TP Hồ Chí Minh Ngƣời hƣớng dẫn: ThS.

Nguyễn Thị Ánh Tuyết i III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm Từ 09/2011 Công ty TNHH Yokohama Viet Nam Kỹ sƣ điện Từ 03/2013 Công ty TNHH Huhtamaki Viet Nam Giám sát điện đến nay ii LỜI CAM ĐOAN Tôi cam đoan luận văn ‘‘Đánh giá ổn định động hệ thống điện dùng mạng nơ-ron nhân tạo’’ là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác. Hồ Chí Minh, ngày 01 tháng 09 năm 2014 iii LỜI CẢM TẠ Qua thời gian 2 năm học tập và nghiên cứu ngành “Kỹ thuật điện” tại Trƣờng ĐH SPKT TP HCM, cùng với sự nhiệt tình hƣớng dẫn, giúp đỡ, chỉ bảo, dạy dỗ của quý thầy cô đến nay tôi đã hoàn thành đƣợc luận văn tốt nghiệp này.

Trƣớc hết tôi chân thành cảm ơn Ban Giám Hiệu nhà trƣờng, Ban chủ nhiệm khoa Điện – Điện tử đã tạo điều kiện thuận lợi cho tôi học tập, nghiên cứu nâng cao trình độ, và thực hiện tốt đề tài trong thời gian qua. Xin bày tỏ lòng biết ơn sâu sắc với Thầy Quyền Huy Ánh đã nhiệt tình hƣớng dẫn, giúp đỡ tôi trong suốt thời gian học tập cũng nhƣ trong quá trình thƣc hiện luận văn tốt nghiệp Tôi xin chân thành cảm ơn quý thầy, cô giảng dạy đã tận tâm chỉ dẫn, truyền đạt thêm những kiến thức chuyên môn cho tôi trong suốt quá trình theo học tại Trƣờng. Xin gởi lời cảm ơn đến các thành viên hội đồng chỉnh sửa, phản biện góp ý cho tôi để tôi hoàn thành đƣợc luận văn của mình. Ngoài ra tôi cũng xin đƣợc nói lời cảm ơn đến các anh chị học viên trong lớp cao học 2012b đã cùng tôi đoàn kết, gắn bó vƣợt qua khoảng thời gian dài học tập.

Có đƣợc thành công này cũng nhờ vào động viên giúp đỡ của bạn bè, lãnh đạo Công ty TNHH Huhtamaki Việt Nam, nơi tôi đang công tác, tôi xin đƣợc ghi ơn tất cả mọi ngƣời. Trân trọng ! Tp. Hồ Chí Minh, ngày 01 tháng 09 năm 2014 iv TÓM TẮT Tên đề tài: ‘‘Đánh giá ổn định động hệ thống điện dùng mạng nơ-ron nhân tạo’’ Thời gian thực hiện: từ ngày 24 tháng 02 năm 2014 Địa điểm nghiên cứu: Trƣờng ĐH SPKT TP HCM Hệ thống điện hiện đại chịu tác động dƣới những điều kiện vận hành gần nhƣ tiến sát đến giới hạn ổn định của nó. Do sự phức tạp của hệ thống điện, những phƣơng pháp truyền thống để phân tích hệ thống tốn rất nhiều thời gian, làm trì hoãn quá trình ra quyết định điều khiển phòng ngừa.

Trong những năm gần đây, Mạng thần kinh nhân tạo (Artificial Neural Network (ANN)) đƣợc khuyến nghị nhƣ là một phƣơng pháp thay thế để giải quyết những bài toán khó của hệ thống điện khi mà những phƣơng pháp truyền thống không đảm bảo đƣợc mục tiêu về thời gian tính toán cũng nhƣ hiệu suất. Quá trình học từ cơ sở dữ liệu ổn định động, mối quan hệ phi tuyến giữa những tham số vận hành hệ thống điện và trạng thái ổn định tƣơng ứng có thể trích xuất và xây dựng công thức trong ANN. Điển hình, quá trình xây dựng mô hình nhận dạng thông minh ANN gồm 4 bƣớc sau: tạo cơ sở dữ liệu, thiết lập tập mẫu ngõ vào/ngõ ra, trích xuất tri thức, phê chuẩn. Điều quan trọng đó là các đặc trƣng ngõ vào ANN cần có độ đặc trƣng hóa cao, vì vậy những đặc trƣng ngõ vào tốt nhất phải đƣợc lựa chọn.

Những đặc trƣng này gia tăng theo kích thƣớc hệ thống điện, vì vậy cần tìm giải pháp để trích xuất, giảm đặc trƣng, nhóm dữ liệu để ANN có thể sử dụng dữ liệu một cách hiệu quả nhƣng lại cải thiện đƣợc hiệu suất. Chính điều này giúp giải quyết vấn đề đánh giá nhanh trạng thái ổn định hệ thống điện. Trong khi hiện tại các nhà nghiên cứu chủ yếu tập trung vào bƣớc 3, ít quan tâm đến bƣớc 2, là bƣớc thực sự quan trọng ảnh hƣởng đến hiệu suất của ANN. Luận văn này ứng dụng Mạng nơ-ron truyền thẳng nhiều lớp (Multilayer Feedforward Neural Network (MLFN)) sử dụng phần mềm MATLAB để đánh giá ổn định hệ thống điện kết hợp sử dụng kỹ thuật lựa chọn biến đặc trƣng trong việc v khai thác số liệu hành vi động của hệ thống điện giúp giảm biến đặc trƣng đầu vào, tăng tốc độ huấn luyện, nhƣng vẫn giữ độ chính xác cao cho bài toán đánh giá ổn định động hệ thống điện dùng kỹ thuật mạng thần kinh nhân tạo.

Bƣớc đầu tiên, trạng thái ổn định động hệ thống điện đƣợc quyết định dựa trên góc rotor tƣơng đối giữa các máy phát, tìm đƣợc thông qua mô phỏng off-line theo thời gian, sử dụng phần mềm Power World Simulator 17. Quá trình mô phỏng đƣợc thực hiện trên hệ thống điện chuẩn GSO 37-bus với ngắn mạch 3 pha tại mức phụ tải định mức của hệ thống. Với số mẫu huấn luyện là 220 mẫu, bao gồm 120 mẫu ổn định, 120 mẫu không ổn định tƣơng ứng với các trƣờng hợp ngắn mạch. Dữ liệu thu đƣợc từ quá trình mô phỏng đƣợc sử dụng làm ngõ vào cho MLFN.

Quá trình lựa chọn, giảm biến đặc trƣng đƣợc thực hiện dựa trên hàm khoảng cách Fisher và Divergence. Kết quả từ MLFN trình bày rằng trạng thái ổn định của hệ thống điện có thể đƣợc nhận dạng với độ chính xác cao, tỷ lệ nhận dạng sai thấp. Cụ thể,với hàm Fisher, khi số biến đặc trƣng là 20 hay giảm 9,9 lần thì độ chính xác nhận dạng đã trên 80%, khi số biến đặc trƣng là 45 thì tỉ lệ nhận dạng (91,3%) đã vƣợt qua giá trị kỳ vọng là 90%, khi đó số biến đặc trƣng giảm đã hơn 4,4 lần và thời gian huấn luyện so với đầy đủ 199 biến đặc trƣng đã giảm 3,1 lần. Đối với hàm Divergence cho tỉ lệ nhận dạng vƣợt hơn 80% với số biến đặc trƣng là 35 hay giảm 5,6 lần và tỉ lệ nhận dạng vƣợt hơn giá trị kỳ vọng khi số biến đặc trƣng là 70 hay giảm 2,8 lần.

Giá trị tức thời của luận văn này đó là góp phần làm phong phú tài liệu tham khảo hữu ích cho nghiên cứu bài toán đánh giá ổn định hệ thống điện dùng kỹ thuật mạng thần kinh nhân tạo kết hợp kỹ thuật lựa chọn biến đặc trƣng. Có ý nghĩa rất thiết thực cho việc giảm số cảm biến đo lƣờng thu thập số liệu, cũng nhƣ giúp giảm chi phí đầu tƣ hệ thống đo lƣờng trên hệ thống điện. vi ABSTRACT Topic name: '' Dyanamic stability assessment of power system using Artificial Neural Network" Duration: from Feb 24th, 2014 Study sites: Ho Chi minh City University of Technical Education Modern power systems are forced to operate under highly stressed operating conditions closer to their stability limits. Due to the complexity of the power system, traditional methods to power system analysis take so much time and cause delays in decision making.

In recent years artificial neural networks (ANN) have been proposed as an alternative method for solving certain difficult power system problems where the conventional techniques have not achieved the desired speed and efficiency. By learning from a dynamic stability database, the nonlinear relationship between the power system operating parameters and the corresponding stabilty states can be extracted and reformulated in an ANN. Typically, the development of such an the intelligent pattern recognition based ANN comprises 4 steps: database generation, input/output specification, knowledge extraction, and validation. It is important that ANN is well characterized, so the best input features must be selected.

This features increase with the size of the power system, so the need to find solutions to extract feature reduction, data clustering enable ANN to handle data quickly but improve accuracy. This helps solve the problem of fast stability assessment of power systems. While current research efforts are mainly focusing on the third step, much less attention is paid to the second step, which actually is very important to the performance of the ANN. This thesis studies an application of Multilayer Feedforward Neural Networks (MLFN) for Dynamic Stability Assessment (DSA) with feature selection techniques to specific the behavior of the power system reduces input variables characterized , increase the speed training, but still keeping high accuracy to the problem of evaluating the power system stabilization techniques used artificial neural vii networks.

Dyamic stability of the power system is first determined based on the generator relative rotor angles obtained from time domain simulations using Power World Simulator 16. Simulations were carried out on the GSO 37-bus test system considering three phase faults on at norminal loading conditions. The number of training samples is 220 samples, including 120 stable samples ,120 unstable samples corresponding to the faults. The data collected from the time domain simulations are then used as inputs to the MLFN.

Reduced feature inputs based on Fisher Discrimination and Divergence Distance. MLFN results show that the stability condition of the power system can be predicted with high accuracy and less misclassification rate.