Luận văn thạc sĩ kỹ thuật điện: Đánh giá trạng thái lưới điện sử dụng trí tuệ nhân tạo

Khám phá luận văn thạc sĩ về kỹ thuật điện, đánh giá trạng thái lưới điện bằng trí tuệ nhân tạo, ứng dụng công nghệ tiên tiến trong ngành.

• Tác giả: Trần Khương Cường
• Người hướng dẫn: TS. Huỳnh Quang Minh
• Trường học: Đại học Quốc gia TP. HCM
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Đánh Giá Trạng Thái Lưới Điện Sử Dụng Trí Tuệ Nhân Tạo
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• DANH MỤC HÌNH
• DANH MỤC CHỮ VIẾT TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Vấn đề sẽ được nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp thực hiện
• 1.5. Ý nghĩa thực tiễn và ý nghĩa khoa học của luận văn
• 1.6. Cấu trúc của luận văn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN
• 2.1. Tại sao phải đánh giá trạng thái hệ thống điện
• 2.2. Thiết bị đo và hệ thống đo lường
• 2.3. Phương trình đánh giá trạng thái hệ thống điện
• 3. CHƯƠNG 3: TỔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO
• 3.1. Giới thiệu về mạng nơ ron nhân tạo
• 3.2. Mạng nơ ron nhân tạo
• 3.3. Các phương pháp học của mạng nơ ron nhân tạo
• 3.4. Cấu trúc của mạng nơ ron nhân tạo
• 3.5. Hàm kích hoạt
• 3.6. Các cấu trúc mạng nơ ron nhân tạo
• 3.6.1. Mạng nơ-ron truyền thẳng (Feed-forward Neural Network - FNN)
• 3.6.1.1. Thuật toán perceptron
• 3.6.1.2. Mạng nơ-ron nhiều lớp truyền thẳng (Multilayer perceptron - MLP)
• 3.6.2. Mạng nơ-ron hồi quy
• 3.6.2.1. Mạng nơ-ron hồi quy (RNN - Recurrent Neural Network)
• 3.6.2.2. Mạng bộ nhớ dài - ngắn (Long Short-Term Memory- LSTM)
• 3.6.3. Mạng nơ-ron tích chập (Convolutional Neural Network - CNN)
• 4. CHƯƠNG 4: GIỚI THIỆU CƠ SỞ DỮ LIỆU VÀ XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN
• 4.1. Dữ liệu huấn luyện
• 4.1.1. Dữ liệu lưới điện IEEE 14 nút
• 4.1.2. Dữ liệu lưới điện IEEE 30 nút
• 4.1.3. Dữ liệu lưới điện IEEE 57 nút
• 4.2. Xây dựng mô hình huấn luyện
• 5. CHƯƠNG 5: KẾT QUẢ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN
• 5.1. Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 14 nút
• 5.1.1. Mô hình mạng MLP
• 5.1.2. Mô hình mạng LSTM
• 5.1.3. Mô hình mạng CNN
• 5.2. Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 30 nút
• 5.2.1. Mô hình mạng MLP
• 5.2.2. Mô hình mạng LSTM
• 5.2.3. Mô hình mạng CNN
• 5.3. Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 57 nút
• 5.3.1. Mô hình mạng MLP
• 5.3.2. Mô hình mạng LSTM
• 5.3.3. Mô hình mạng CNN
• 5.4. Tổng hợp đánh giá kết quả
• 5.4.1. Trên lưới điện IEEE 14 nút
• 5.4.2. Trên lưới điện IEEE 30 nút
• 5.4.3. Trên lưới điện IEEE 57 nút
• 6. CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ
• 6.1. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• Phụ lục A: Thông số lưới điện IEEE 14 nút
• Phụ lục B: Thông số lưới điện IEEE 30 nút
• Phụ lục C: Thông số lưới điện IEEE 57 nút
• Phụ lục D: Kết quả trên lưới điện IEEE 14 nút
• Phụ lục E: Kết quả trên lưới điện IEEE 30 nút
• Phụ lục F: Kết quả trên lưới điện IEEE 57 nút
• PHỤ LỤC TRÍCH NGANG

Tóm tắt

I. Giới thiệu

Bài viết này tập trung vào việc đánh giá trạng thái lưới điện bằng công nghệ trí tuệ nhân tạo trong khuôn khổ luận văn thạc sĩ kỹ thuật điện. Tác giả nhấn mạnh tầm quan trọng của việc xác định trạng thái vận hành của hệ thống điện, nhằm đảm bảo an toàn và khả năng chống chịu với các sự cố ngẫu nhiên. Các thông số trạng thái như điện áp, góc pha, công suất tác dụng và phản kháng, dòng điện được phân tích để xây dựng mô hình đánh giá chính xác hơn. Việc sử dụng các phương pháp truyền thống như lắp đặt thiết bị đo tại tất cả các nút trong hệ thống gặp nhiều khó khăn về mặt chi phí và độ chính xác. Do đó, nghiên cứu này hướng tới việc áp dụng công nghệ thông tin và phân tích dữ liệu để cải thiện hiệu quả đánh giá trạng thái hệ thống điện.

II. Tổng quan về đánh giá trạng thái lưới điện

Đánh giá trạng thái lưới điện (PSSE) là một công cụ quan trọng trong việc giám sát và điều khiển hệ thống điện. Các phương pháp truyền thống như phương pháp bình phương cực tiểu có trọng số (WLS) thường không hiệu quả trong các điều kiện vận hành phức tạp. Nghiên cứu này đề xuất việc áp dụng các phương pháp học máy như MLP, LSTM và CNN để cải thiện độ chính xác và hiệu quả tính toán. Việc sử dụng hệ thống tự động và giám sát giúp cung cấp dữ liệu thời gian thực cho các nhà vận hành, từ đó đưa ra quyết định kịp thời. Đặc biệt, sự gia tăng của các nguồn năng lượng tái tạo đã làm cho việc đánh giá trạng thái trở nên cấp thiết hơn bao giờ hết.

III. Mạng nơ ron nhân tạo và ứng dụng trong đánh giá trạng thái

Mạng nơ ron nhân tạo là một trong những phương pháp học máy tiên tiến được sử dụng để đánh giá trạng thái lưới điện. Các kiến trúc như MLP, LSTM và CNN có khả năng học hỏi từ dữ liệu lớn và cải thiện độ chính xác của các phép đo trạng thái. Việc xây dựng mô hình mạng nơ ron giúp tối ưu hóa quá trình ước lượng các thông số như điện áp và góc pha. Tác giả đã tiến hành thử nghiệm trên các lưới điện IEEE 14, 30 và 57 nút, cho thấy mô hình học máy có thể đạt được kết quả gần với giá trị thực tế khi so sánh với phương pháp truyền thống. Điều này chứng tỏ rằng ứng dụng AI trong kỹ thuật điện đang mở ra nhiều cơ hội mới cho việc cải thiện hiệu suất và độ tin cậy của hệ thống điện.

IV. Kết quả và phân tích

Kết quả nghiên cứu cho thấy mô hình học máy MLP, LSTM và CNN có khả năng dự đoán trạng thái lưới điện với độ chính xác cao. Các chỉ số như RMSE và MAE được sử dụng để đánh giá độ chính xác của các mô hình, cho thấy rằng mạng nơ ron có thể giảm thiểu sai số so với phương pháp truyền thống. Việc so sánh các kết quả giữa các mô hình cũng cho thấy rằng mỗi mô hình có những ưu điểm riêng, tùy thuộc vào loại dữ liệu và cấu trúc lưới điện. Từ đó, nghiên cứu này không chỉ cung cấp một cái nhìn sâu sắc về hiệu suất lưới điện mà còn mở ra hướng đi mới cho việc quản lý và điều hành lưới điện trong tương lai.

V. Kết luận và kiến nghị

Nghiên cứu đã chỉ ra rằng việc áp dụng trí tuệ nhân tạo trong đánh giá trạng thái lưới điện mang lại nhiều lợi ích thiết thực. Tác giả đề xuất tiếp tục nghiên cứu để cải thiện hơn nữa các mô hình học máy, đồng thời mở rộng ứng dụng của chúng trong các hệ thống điện phức tạp hơn. Các nghiên cứu trong tương lai có thể tập trung vào việc kết hợp nhiều nguồn dữ liệu khác nhau để tăng cường độ chính xác của việc đánh giá. Sự phát triển của công nghệ thông tin và hệ thống tự động sẽ là yếu tố then chốt trong việc nâng cao hiệu quả hoạt động của lưới điện hiện đại.

Nội dung chính

Tổng quan nghiên cứu

Sự phát triển bùng nổ của nguồn năng lượng tái tạo đang tạo ra bước ngoặt lớn cho bức tranh năng lượng tại Việt Nam. Tính đến hết năm 2022, tổng công suất lắp đặt các nguồn năng lượng tái tạo đã đạt 20.670 MW, chiếm 27% tổng công suất đặt toàn hệ thống (76.620 MW), đóng góp 31,508 tỷ kWh (tương đương 12,27% tổng sản lượng điện sản xuất). Riêng điện gió đạt 3.987 MW với 70 dự án vận hành thương mại, trong khi điện mặt trời chiếm khoảng 10,8% tổng sản lượng điện cả nước. Tuy nhiên, tính chất bất định và biến thiên nhanh của điện gió cùng điện mặt trời – đặc biệt khi hơn 50% phụ tải tập trung tại khu vực miền Nam và Nam Trung Bộ – đã gây ra những dao động điện áp nghiêm trọng, đe dọa sự ổn định của hệ thống lưới điện truyền tải và phân phối.

Vấn đề cốt lõi đặt ra là các phương pháp ước tính trạng thái hệ thống điện truyền thống (PSSE), chủ yếu dựa trên thuật toán bình phương cực tiểu có trọng số (WLS) và phương pháp lặp Gauss-Newton, bộc lộ nhiều hạn chế về tốc độ tính toán, độ nhạy với dữ liệu nhiễu và nguy cơ phân kỳ khi thiếu thông tin đo lường. Nhằm giải quyết thách thức này, nghiên cứu tập trung vào mục tiêu xây dựng và tối ưu hóa các mô hình trí tuệ nhân tạo tiên tiến để đánh giá chính xác trạng thái vận hành của lưới điện theo thời gian thực.

Phạm vi nghiên cứu được triển khai trên các mô hình lưới điện tiêu chuẩn IEEE 14 nút, IEEE 30 nút và IEEE 57 nút trong giai đoạn từ tháng 2 năm 2023 đến tháng 6 năm 2023 tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh. Nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp rút ngắn thời gian tính toán xuống dưới 15 mili-giây, duy trì sai số biên độ điện áp dưới 0,002 đơn vị tương đối (p.u), cung cấp cơ sở dữ liệu tin cậy cho hệ thống quản lý năng lượng (EMS) và trung tâm điều độ vận hành an toàn, kinh tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng tích hợp giữa lý thuyết ước lượng trạng thái hệ thống điện cổ điển và lý thuyết mạng nơ-ron nhân tạo hiện đại. Trong kỹ thuật điện, trạng thái của một lưới điện N nút được xác định bởi vectơ trạng thái gồm (2N - 1) biến, bao gồm biên độ điện áp và góc pha điện áp tại các nút. Mô hình đo lường phi tuyến truyền thống thể hiện mối quan hệ giữa vectơ đo lường z (từ hệ thống SCADA/RTU) và vectơ trạng thái x thông qua hệ phương trình phi tuyến có xét đến sai số đo lường ngẫu nhiên e. Hàm mục tiêu WLS hướng tới cực tiểu hóa tổng bình phương có trọng số của các phần dư đo lường dựa trên nghịch đảo ma trận hiệp phương sai sai số.

Song song với đó, lý thuyết học sâu (Deep Learning) được áp dụng với ba kiến trúc mạng nơ-ron tiêu biểu:

• Mạng nơ-ron nhiều lớp truyền thẳng (MLP): Khai thác các liên kết nơ-ron đa tầng với các hàm kích hoạt phi tuyến như ReLU, Sigmoid và Tanh để xấp xỉ các quan hệ phi tuyến phức tạp giữa phép đo đầu vào và trạng thái điện áp đầu ra.
• Mạng bộ nhớ ngắn dài (LSTM): Giải quyết triệt để hiện tượng tiêu biến đạo hàm (vanishing gradient), sử dụng các cổng quên, cổng vào và cổng ra để ghi nhớ các đặc tính chuỗi thời gian của phụ tải.
• Mạng nơ-ron tích chập (CNN): Tận dụng các lớp tích chập và pooling để nắm bắt các mối tương quan không gian giữa các nút lân cận trên sơ đồ cấu trúc hình học của lưới điện.

Các khái niệm then chốt bao gồm: hệ thống quản lý năng lượng EMS, thiết bị đo lường đồng bộ pha PMU tích hợp định vị toàn cầu GPS với độ chính xác micro-giây, và hàm mất mát sai số bình phương trung bình (MSE).

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp giữa mô phỏng giải tích truyền thống và huấn luyện học máy có giám sát. Nguồn dữ liệu huấn luyện được tạo lập từ các phép đo giả lập trên hệ thống lưới chuẩn IEEE 14 nút, IEEE 30 nút và IEEE 57 nút. Tập dữ liệu xây dựng gồm 10.000 mẫu vận hành cho mỗi cấu hình lưới, bao gồm các thông số công suất tác dụng, công suất phản kháng tại các nút và dòng công suất trên các nhánh đường dây.

Phương pháp chọn mẫu áp dụng kỹ thuật lấy mẫu phân tầng ngẫu nhiên, mô phỏng các kịch bản phụ tải biến thiên liên tục trong dải từ 80% đến 120% so với giá trị định mức, đồng thời chèn thêm nhiễu trắng phân phối chuẩn Gaussian với độ lệch chuẩn 1% đến 2% nhằm phản ánh chính xác sai số của thiết bị đo trong thực tế. Lý do lựa chọn phương pháp phân tích học máy là khả năng xử lý song song vượt trội, giúp thay thế quá trình tính toán ma trận Jacobi lặp đi lặp lại của phương pháp giải tích Newton-Raphson bằng một hàm ánh xạ trực tiếp từ phép đo sang trạng thái hệ thống.

Quá trình huấn luyện sử dụng thuật toán tối ưu hóa Adam với tỷ lệ phân chia dữ liệu là 80% cho tập huấn luyện (8.000 mẫu) và 20% cho tập kiểm thử độc lập (2.000 mẫu). Toàn bộ quy trình từ thu thập dữ liệu, xây dựng kiến trúc mạng đến đánh giá sai số được thực hiện bài bản trong khung thời gian từ ngày 06/02/2023 đến ngày 11/06/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm chứng và đối soát hiệu năng giữa các mô hình học máy và phương pháp trào lưu công suất Newton-Raphson đã ghi nhận những phát hiện nổi bật:

Thứ nhất, trên hệ thống IEEE 14 nút, mô hình MLP thể hiện khả năng dự báo biên độ điện áp vượt trội với sai số căn bậc hai trung bình bình phương (RMSE) đạt mức 0,00085 p.u và sai số tuyệt đối trung bình (MAE) là 0,00062 p.u. Sai số góc pha duy trì ở mức 0,042 độ, cải thiện độ chính xác hơn 82% so với phương pháp ước lượng WLS trong điều kiện thiếu 15% cảm biến đo đếm.

Thứ hai, trên lưới điện IEEE 30 nút, mạng LSTM chứng minh ưu thế vượt bậc trong việc thích ứng với biến động động của phụ tải. Chỉ số RMSE của biên độ điện áp đạt 0,00115 p.u, trong khi MAE góc pha đạt 0,0348 độ. So với mô hình MLP, LSTM giảm thêm 16,5% sai số dự báo góc pha nhờ khả năng lưu trữ thông tin trạng thái qua các bước thời gian liên tiếp.

Thứ ba, trên hệ thống IEEE 57 nút có quy mô lớn và độ phức tạp cao, kiến trúc CNN đạt hiệu năng ấn tượng nhất với RMSE biên độ điện áp là 0,00178 p.u và RMSE góc pha là 0,0612 độ. Mô hình CNN vượt trội hơn MLP khoảng 21,3% về độ ổn định phân bố sai số nhờ khả năng lọc và trích xuất các đặc trưng không gian đa chiều giữa các nút phân bố.

Thứ tư, về khía cạnh thời gian đáp ứng, thời gian thực thi của cả ba mô hình AI trên một mẫu dữ liệu chỉ dao động từ 8 đến 14 mili-giây, nhanh hơn khoảng 35 đến 45 lần so với thời gian tính toán lặp trung bình (khoảng 450 đến 600 mili-giây) của giải thuật WLS truyền thống trên cùng cấu hình phần cứng.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự vượt trội của các mô hình học máy là cơ chế học biểu diễn phi tuyến sâu, cho phép mô hình nắm bắt trực tiếp quan hệ vật lý phức tạp giữa dòng công suất và điện áp mà không cần tính toán nghịch đảo ma trận trạng thái. Khác với phương pháp WLS vốn cực kỳ nhạy cảm với ma trận suy biến khi tỷ số điện kháng trên điện trở (X/R) thấp hoặc khi hệ thống thiếu khả năng quan sát cục bộ, mạng nơ-ron nhân tạo duy trì độ ổn định cao nhờ các trọng số liên kết đã được tối ưu hóa trong quá trình học.

So sánh với các nghiên cứu trước đây về mô hình hỗn hợp Gaussian (GMM) hay mạng nơ-ron nhận biết vật lý (PINN), phương pháp tiếp cận trong luận văn mang lại sự cân bằng lý tưởng giữa độ chính xác và độ phức tạp thuật toán. Dữ liệu nghiên cứu được minh chứng rõ ràng thông qua các đồ thị phân tán thể hiện sự trùng khít giữa đường đặc tuyến điện áp dự báo và giá trị giải tích trào lưu công suất (PF). Bên cạnh đó, các biểu đồ cột đối sánh chỉ số sai số RMSE và MAE giữa 3 mô hình trên từng nút từ bus 1 đến bus 57 cùng bảng tổng hợp sai số chi tiết đã chứng minh tính tin cậy tuyệt đối của giải pháp AI. Kết quả này mở ra tiềm năng lớn để thay thế hoặc bổ trợ trực tiếp cho các công cụ giám sát SCADA hiện hữu.

Đề xuất và khuyến nghị

Nhằm hiện thực hóa các đóng góp khoa học vào thực tiễn quản lý và vận hành hệ thống điện tại Việt Nam, các đề xuất cụ thể được định hình như sau:

1. Tích hợp thử nghiệm các module ước lượng trạng thái bằng mạng CNN và LSTM vào phần mềm SCADA/EMS tại Trung tâm Điều độ Hệ thống điện Quốc gia (A0) và các Trung tâm Điều độ miền (A1, A2, A3). Mục tiêu là đạt tốc độ xử lý dưới 10 mili-giây cho mỗi chu kỳ điều độ trong lộ trình triển khai từ năm 2024 đến năm 2025.
2. Nâng cấp hạ tầng đo lường thông minh thông qua việc lắp đặt bổ sung thiết bị đo lường đồng bộ pha PMU tại 100% các trạm biến áp 220kV và 500kV kết nối trực tiếp với các nhà máy năng lượng tái tạo tại khu vực Nam Trung Bộ. Kế hoạch do Tập đoàn Điện lực Việt Nam (EVN) chủ trì thực hiện trong thời hạn 18 tháng.
3. Xây dựng hệ thống cơ sở dữ liệu lớn (Big Data Platform) đồng bộ hóa dữ liệu đo đếm lịch sử với tần suất lấy mẫu đạt 1 chu kỳ/giây, hướng tới mục tiêu nâng cao độ chính xác huấn luyện mô hình thêm 25%, hoàn thành trong giai đoạn 2024-2026 bởi các Tổng công ty Điện lực miền.
4. Chuẩn hóa quy trình lọc nhiễu và phát hiện dữ liệu đo xấu tự động bằng thuật toán trí tuệ nhân tạo, duy trì tỷ lệ sai số dữ liệu đầu vào dưới 0,5% trước khi đưa vào tính toán điều độ. Nhiệm vụ do Viện Năng lượng phối hợp với các trường đại học khối kỹ thuật xây dựng và ban hành hướng dẫn kỹ thuật trong năm 2025.

Đối tượng nên tham khảo luận văn

Luận văn cung cấp nguồn tư liệu học thuật và thực tiễn giá trị cho 4 nhóm đối tượng chính:

• Kỹ sư điều độ và vận hành hệ thống điện: Khai thác phương pháp ước lượng trạng thái siêu tốc để kịp thời phát hiện nguy cơ sụt áp, quá tải đường dây khi tỷ lệ thâm nhập của điện mặt trời và điện gió vượt mức 25% công suất lưới.
• Chuyên gia phân tích dữ liệu và phát triển thuật toán AI trong ngành năng lượng: Kế thừa kiến trúc mạng MLP, LSTM, CNN và quy trình tiền xử lý dữ liệu đo lường giả lập để tùy biến cho các bài toán dự báo phụ tải hoặc chuẩn đoán sự cố lưới điện thông minh.
• Cán bộ quản lý kỹ thuật và hoạch định đầu tư tại các công ty điện lực: Có cơ sở định lượng để đánh giá hiệu quả kinh tế - kỹ thuật giữa việc đầu tư thêm phần cứng đo lường đắt đỏ và việc ứng dụng giải pháp phần mềm trí tuệ nhân tạo để tăng khả năng quan sát lưới điện.
• Giảng viên, học viên cao học và sinh viên chuyên ngành Kỹ thuật Điện, Năng lượng tái tạo và Tự động hóa: Sử dụng làm tài liệu tham khảo chuyên sâu về mô hình toán học trào lưu công suất, lý thuyết mạng nơ-ron và phương pháp đánh giá trạng thái hệ thống điện chuẩn IEEE.

Câu hỏi thường gặp

Bài toán đánh giá trạng thái lưới điện (PSSE) có vai trò gì khi tỷ trọng năng lượng tái tạo tăng cao? PSSE cung cấp bức tranh thời gian thực toàn diện về biên độ và góc pha điện áp tại tất cả các nút. Khi nguồn điện gió và mặt trời chiếm hơn 27% tổng công suất đặt với biến thiên công suất liên tục, PSSE giúp người vận hành phát hiện sớm các điểm mất ổn định để can thiệp kịp thời.

Tại sao phương pháp bình phương cực tiểu có trọng số (WLS) truyền thống lại gặp khó khăn trên lưới điện hiện đại? Phương pháp WLS dựa trên tính toán ma trận lặp phi tuyến nên tiêu tốn thời gian từ 450 đến 600 mili-giây. Ngoài ra, WLS dễ bị mất hội tụ hoặc sai số lớn khi hệ thống thiếu thiết bị đo thời gian thực hoặc xuất hiện dữ liệu đo xấu.

Trong ba mô hình MLP, LSTM và CNN, cấu trúc nào thể hiện hiệu năng tốt nhất trên lưới điện quy mô lớn? Trên lưới điện phức tạp như IEEE 57 nút, mô hình CNN thể hiện hiệu quả tối ưu nhất với sai số RMSE biên độ điện áp chỉ 0,00178 p.u. CNN có khả năng trích xuất các đặc trưng không gian đa chiều giữa các nút liên kết vượt trội hơn hẳn MLP và LSTM.

Luận văn đã giải quyết bài toán thiếu dữ liệu đo đếm thực tế bằng phương pháp nào? Tác giả đã tạo lập tập dữ liệu gồm 10.000 mẫu giả lập dựa trên thuật toán trào lưu công suất Newton-Raphson kết hợp phân phối ngẫu nhiên phụ tải từ 80% đến 120% và chèn thêm sai số đo lường ngẫu nhiên nhằm mô phỏng sát nhất điều kiện vận hành thực tế.

Mô hình AI trong nghiên cứu có thể triển khai trực tiếp trên lưới điện phân phối Việt Nam được không? Mô hình hoàn toàn có thể ứng dụng trực tiếp sau khi được tái huấn luyện với cơ sở dữ liệu đo đếm thực tế từ hệ thống SCADA/RTU hiện hữu của các Công ty Điện lực, giúp tiết kiệm hàng tỷ đồng chi phí lắp đặt thiết bị đo mới.

Kết luận

• Công trình đã thiết lập thành công khung giải pháp đánh giá trạng thái hệ thống điện toàn diện dựa trên 3 kiến trúc học máy tiên tiến gồm MLP, LSTM và CNN.
• Kết quả kiểm chứng trên các lưới điện tiêu chuẩn IEEE 14, 30 và 57 nút đạt độ chính xác cao với sai số RMSE biên độ điện áp luôn dưới 0,002 p.u và sai số góc pha dưới 0,07 độ.
• Tốc độ xử lý được tối ưu hóa vượt bậc, chỉ mất từ 8 đến 14 mili-giây cho mỗi chu kỳ tính toán, nhanh hơn xấp xỉ 40 lần so với giải thuật WLS truyền thống.
• Đóng góp luận văn tạo tiền đề kỹ thuật vững chắc để giải quyết bài toán giám sát an toàn cho hệ thống điện có tỷ trọng năng lượng tái tạo vượt mức 20.670 MW.
• Trong giai đoạn 2024-2025, các đơn vị vận hành và nhà nghiên cứu nên nhanh chóng ứng dụng thử nghiệm mô hình vào hệ thống EMS thực tế nhằm nâng cao tính tự chủ và độ tin cậy cung cấp điện quốc gia.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU 1. Tính cấp thiết của đề tài Trong những năm gần đây, với các chính sách khuyến khích năng lượng tái tạo (NLTT) của Chính phủ, nguồn năng lượng tái tạo có sự phát triển mạnh mẽ tại Việt Nam với những con số ấn tượng. Theo số liệu của Tập đoàn Điện lực Việt Nam, tính đến hết năm 2022, tổng công suất đặt các nguồn NLTT đạt 20.670 MW, chiếm 27% tổng công suất đặt toàn hệ thống (76.620 MW); sản lượng điện từ nguồn năng lượng tái tạo đã đạt 31,508 tỷ kWh, chiếm 12,27% tổng sản lượng điện sản xuất toàn hệ thống. Cụ thể về điện gió, Việt Nam có 70 dự án điện gió (ĐG) (công suất 3.987 MW) đã vận hành thương mại, sản lượng điện sản xuất năm 2022 đạt 3,34 tỷ kWh, chiếm 1,3% tổng sản lượng điện sản xuất toàn hệ thống.

Với điện mặt trời (ĐMT), riêng sản lượng điện từ các nguồn ĐMT trong năm 2022 chiếm khoảng 10,8% tổng sản lượng điện sản xuất toàn hệ thống. Tổng công suất lắp đặt điện sinh khối và rác là 321 MW đến tháng 10/2022. Đặc biệt, các dự án ĐMT, điện gió chủ yếu tập trung ở miền Nam và Nam Trung bộ - khu vực có phụ tải chiếm khoảng 50% cả nước. Vì vậy, phát triển NLTT sẽ góp phần giảm thiếu hụt điện tại miền Nam, tăng cường an ninh cung ứng điện và giảm căng thẳng trong vận hành hệ thống điện.

Tuy nhiên, bên cạnh những mặt tích cực, NLTT cũng gây không ít khó khăn trong việc điều hành hệ thống điện. Có thể thấy, với đặc điểm thay đổi năng lực phát điện (công suất) nhanh, không kiểm soát, điều khiển được, điện mặt trời và điện gió sẽ gây ra dao động đáng kể tới hệ thống điện mỗi khi bức xạ mặt trời, gió biến thiên, hoặc ngừng. Nếu các nguồn điện khác không được đầu tư thêm để thay thế tại các thời điểm đó, hoặc các nguồn điện hiện có không được điều chỉnh tăng (hay giảm) công suất kịp thời để bù - trừ trong khi có ĐG và ĐMT tham gia, hệ thống điện sẽ mất cân bằng nguồn cấp và phụ tải tiêu thụ. Khi đó điện áp và tần số hệ thống điện sẽ trượt ra ngoài chỉ số định mức cho phép và các hệ thống bảo vệ kỹ thuật sẽ tác động, hậu quả nặng nề là có thể rã lưới, mất điện trên diện rộng.

Cùng với đó, chính sách ủng hộ và khuyến khích phát triển các nguồn năng lượng tái tạo như điện mặt trời, điện gió khiến nhiều nguồn năng lượng tái tạo nhỏ lẻ 2 xuất hiện và kết nối vào hệ thống lưới điện phân phối. Những điều này ảnh hưởng trực tiếp đến trạng thái của lưới điện phân phối dẫn đến sự mất ổn định lớn, khó kiểm soát và vận hành cho hệ thống điện phân phối. Mà trạng thái của lưới điện được đặc trưng bởi cường độ điện áp và góc pha tại mỗi nút [1]. Hệ thống lưới điện phân phối hiện nay chưa được quan tâm đúng mức so với hệ thống điện truyền tải và có mật độ khá lớn.

Số lượng nút là nhiều và cần một lượng tài chính rất cao nếu muốn lắp đặt đầy đủ các máy móc để đo thông số tại các nút phụ tải, chưa kể đến, do sự phức tạp và các đặc điểm đặc biệt như mạng hình tia, tải không cân bằng, thiết bị đo hỏng và tỷ lệ X/R thấp, các kỹ thuật áp dụng cho lưới truyền tải không thể được sử dụng trực tiếp trên lưới phân phối [2]. Với mục đích nâng cao độ ổn định và độ tin cậy trong vận hành lưới điện phân phối, bài toán Ước tính trạng thái lưới điện phân phối được ra đời như một giải pháp đáng chú ý cho ngành điện ngày nay. Tuy nhiên bài toán ước tính trạng thái hệ thống điện phụ thuộc nhiều vào khả năng quan sát của hệ thống. Khả năng quan sát là khả năng giải bài toán ước tính trạng thái để đưa ra kết quả chính xác về trạng thái (điện áp, góc pha) [3] và phụ thuộc rất lớn vào số lượng và chất lượng của thiết bị đo đếm trên hệ thống điện.

Đối với hệ thống lưới điện phân phối hiện nay có số lượng thiết bị đo điếm rất ít nên hệ thống không có khả năng quan sát được vì vậy phương pháp WLS sẽ không thể áp dụng được đối với một lưới phân phối rộng lớn [4]. Đã có nhiều thuật toán được nghiên cứu về ước tính trạng thái lưới điện đã được thực hiện cho đến nay như: thuật toán Gaussian Mixture Model (GMM) [5], phương pháp Data-Riven [6] hay các phương pháp trí tuệ nhân tạo như: Tăng cường ước tính trạng thái hệ thống phân phối sử dụng Pruned Physics-Aware Neural Networks [7] được áp dụng. Để giải quyết các vấn đề trên, lưới điện cần được giám sát liên tục để duy trì hoạt động bình thường và đảm bảo an ninh. Cần có các biến trạng thái mô tả hoàn toàn được các tình trạng của lưới và bộ đánh giá cần được sử dụng để đánh giá các biến trạng thái để cung cấp cho Trung tâm Điều độ phương tiện để điều khiển và vận hành một cách tối ưu hệ thống điện.

Do đó đề tài được thực hiện để góp phần vào 3 việc thiết lập đánh giá trạng thái hệ thống điện phục vụ cho các điều độ viên trong việc vận hành an toàn, ổn định và kinh tế. Vấn đề sẽ được nghiên cứu Lưới điện được xây dựng và thiết kế để đáp ứng các biến động và nhu cầu tăng trưởng phụ tải dự kiến có thể trở nên phức tạp và khó kiểm soát hơn do sự bùng nổ nguồn NLTT trong thời gian gần đây. Trạng thái vận hành của hệ thống điện được đặc trưng bằng các thông số trạng thái như: biên độ điện áp, góc pha điện áp, công suất tác dụng nút, công suất phản kháng nút, dòng công suất tác dụng trên đường dây, dòng công suất phản kháng trên đường dây, dòng điện trên đường dây, cấu trúc của hệ thống. Những thông số này không độc lập với nhau mà liên quan với nhau trong qua hệ phương trình trạng thái.

Khi biết được một số thông trạng thái nhất định ta sẽ xác định được các thông số còn lại. Trạng thái lưới điện được xác định thông qua các thiết bị điện tử thông minh (IEDs). Đặc biệt, các thiết bị đo lường thường được đặt giới hạn ở trạm biến áp hoặc được lắp đặt ở số lượng ít ở các nút trong lưới điện phân phối. Đó là thực tế hiện nay trong lưới điện phân phối Việt Nam, và vấn đề kinh tế chính là rào cản lớn nên không thể lắp đặt các thiết bị đo lường trong tất cả vị trí đo vì số lượng điểm đo tăng theo cấp số nhân từ trạm biến áp đến khách hàng tiêu thụ điện.

Xét đến yếu tố kỹ thuật, việc lắp đặt số lượng rất lớn thiết bị bộc lộ rất nhiều hạn chế. Không thể đảm bảo rằng dữ liệu thu thập được đo cùng lúc do giới hạn băng thông, đường truyền và các vấn đề đồng bộ hóa dữ liệu thông qua các kênh truyền tin. Hơn nữa, độ trễ khác nhau giữa các thiết bị thông minh, như đồng bộ hóa các phép đo của số lượng lớn của thiết bị là quá đắt đỏ. Trung tâm điều khiển phải xử lý lượng dữ liệu khổng lồ, điều này cũng phát sinh chi phí để nâng cấp hạ tầng viễn thông.

Hơn nữa hiện tượng mất dữ liệu vẫn xảy ra do tắt nguồn thiết bị đột xuất, lỗi giao tiếp giữa các thiết bị, lỗi đo lường. Do đó, nghiên cứu đánh giá trạng thái hệ thống điện đã được nghiên cứu phát triển. Mục tiêu của bài toán đánh giá trạng thái hệ thống điện dựa trên cơ sở dữ liệu các thông số về cấu trúc và các thông số trạng thái đo được để ước lượng các thông số trạng thái cơ bản của hệ thống bao gồm: môđun của điện áp Ui, góc pha điện áp θi 4 tại tất cả các nút [8]. Khi có tất cả các thông số cơ bản này ta có thể tính toán được các thông số còn lại, đánh giá sự chuẩn xác của dữ liệu đo, của cấu trúc và đánh giá được trạng thái của hệ thống là an toàn hay không.

Đối tượng và phạm vi nghiên cứu Thuật toán phổ biến sử dụng trong bài toán đánh giá trạng thái là bình phương cực tiểu có trọng số (WLS), kết hợp với các tính toán trào lưu công suất để xác định các phần tử không nhìn thấy và loại bỏ các sai số. Phương pháp này được sử dụng dựa trên các giả thiết sai số phép đo trên hệ thống độc lập nhau và tuân theo hàm phân phối chuẩn. Phương pháp bình phương cực tiểu có trọng số có đặc điểm là sử dụng quy luật chiếu dữ liệu xấu dựa trên phần dư có trọng số (weighted residuals) hoặc phần dư được chuẩn hóa (normailized residuals). Theo dòng chảy của cuộc cách mạng 4.0, trí tuệ nhân tạo ngày càng được phổ biến và ứng dụng rộng rãi trong mọi lĩnh vực của cuộc sống, mặc dù được John McCarthy – nhà khoa học máy tính người Mỹ đề cập lần đầu tiên vào những năm 1950 nhưng đến ngày nay thuật ngữ trí tuệ nhân tạo mới thực sự được biết đến rộng rãi và được các “ông lớn” của làng công nghệ chạy đua phát triển [9].

AI là công nghệ sử dụng đến kỹ thuật số có khả năng thực hiện những nhiệm vụ mà bình thường phải cần tới trí thông minh của con người, được xem là phổ biến nhất. Đặc trưng của công nghệ AI là năng lực “tự học” của máy tính, do đó có thể tự phán đoán, phân tích trước các dữ liệu mới mà không cần sự hỗ trợ của con người, đồng thời có khả năng xử lý dữ liệu với số lượng rất lớn và tốc độ cao. Trí tuệ nhân tạo có khả năng tự thích nghi, tự học và tự phát triển, tự đưa ra các lập luận để giải quyết vấn đề, có thể giao tiếp như người…tất cả là do AI được cài một cơ sở dữ liệu lớn, được lập trình trên cơ sở dữ liệu đó và tái lập trình trên cơ sở dữ liệu mới sinh ra. Trong lĩnh vực hệ thống điện, trí tuệ nhân tạo là một phương pháp có rất nhiều ưu điểm và được sử dụng rộng rãi để giải quyết các bài toán về dự đoán, ước tính, tìm kiếm,.

Nhưng lại có một khuyết điểm là tập dữ liệu huấn luyện là rất lớn. Đối với bài toán đánh giá trạng thái lưới điện sử dụng AI phải cần thu thập rất nhiều dữ liệu từ quá khứ thông qua các thiết bị đo thực tế trên lưới điện (bao gồm giá trị đo điện áp, công suất tại các nút 5 và nhánh, .) trong quá trình vận hành lưới điện.