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

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.

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.