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: 84-650-3784475 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.
