Đánh Giá Trạng Thái Lưới Điện Sử Dụng Trí Tuệ Nhân Tạo

Tài liệu nghiên cứu Đánh giá trạng thái lưới điện sử dụng trí tuệ nhân tạo, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• 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
• MỤC LỤC
• 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
• 3.7. Mạng nơ-ron truyền thẳng (Feed-forward Neural Network - FNN)
• 3.8. Thuật toán perceptron
• 3.9. Mạng nơ-ron nhiều lớp truyền thẳng (Multilayer perceptron - MLP)
• 3.10. Mạng nơ-ron hồi quy
• 3.11. Mạng nơ-ron hồi quy (RNN - Recurrent Neural Network)
• 3.12. Mạng bộ nhớ dài - ngắn (Long Short-Term Memory- LSTM)
• 3.13. 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
• 4.2. Dữ liệu lưới điện IEEE 14 nút
• 4.3. Dữ liệu lưới điện IEEE 30 nút
• 4.4. Dữ liệu lưới điện IEEE 57 nút
• 4.5. 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. Tổng Quan Đánh Giá Trạng Thái Lưới Điện Bằng Trí Tuệ Nhân Tạo

Bài toán đánh giá trạng thái lưới điện (Power System State Estimation - PSSE) là cực kỳ quan trọng trong vận hành và giám sát lưới điện thông minh. Nó giúp xác định các thông số vận hành then chốt như điện áp, góc pha, và công suất tại các nút. Từ đó, các nhà vận hành có thể đánh giá độ an toàn và khả năng chịu đựng sự cố của lưới điện. Các phương pháp truyền thống thường dựa vào các thuật toán lặp như Gauss-Newton, nhưng lại gặp khó khăn trong các điều kiện vận hành phức tạp, đặc biệt khi có sự thâm nhập cao của các nguồn năng lượng tái tạo. Luận văn này tập trung vào việc áp dụng trí tuệ nhân tạo (AI), cụ thể là các mô hình học máy (Machine Learning) và học sâu (Deep Learning) như MLP, LSTM và CNN để giải quyết bài toán này. Dữ liệu được tạo ra từ các mô hình lưới điện tiêu chuẩn IEEE (14, 30, và 57 nút) và so sánh kết quả với phương pháp trào lưu công suất Newton Raphson.

1.1. Tầm Quan Trọng của Giám Sát Lưới Điện Thông Minh

Việc giám sát lưới điện thông minh là yếu tố then chốt để đảm bảo vận hành ổn định và an toàn. Nó cung cấp thông tin theo thời gian thực, cho phép người vận hành đưa ra các quyết định nhanh chóng và chính xác. Các hệ thống SCADA (Supervisory Control and Data Acquisition) thu thập dữ liệu, nhưng việc phân tích dữ liệu lưới điện này để đánh giá trạng thái hệ thống đòi hỏi các phương pháp hiệu quả hơn. Bài toán PSSE giải quyết vấn đề này bằng cách ước tính các thông số trạng thái từ các phép đo có sẵn. Luận văn tập trung vào việc cải thiện độ chính xác và tốc độ của quá trình này thông qua các kỹ thuật AI cho lưới điện phân phối và AI cho lưới điện truyền tải.

1.2. Ưu Điểm của Phương Pháp Trí Tuệ Nhân Tạo trong PSSE

So với các phương pháp truyền thống, các phương pháp dựa trên học máy trong lưới điện mang lại nhiều ưu điểm. Chúng có khả năng xử lý dữ liệu lớn, tự động học các mối quan hệ phức tạp, và thích ứng với các điều kiện vận hành thay đổi. Các mô hình như mạng nơ-ron có thể học từ dữ liệu lịch sử để dự đoán trạng thái lưới điện trong tương lai, hỗ trợ việc dự đoán sự cố lưới điện và tối ưu hóa vận hành lưới điện. Điều này góp phần nâng cao độ tin cậy lưới điện và an ninh năng lượng.

II. Thách Thức Trong Đánh Giá Trạng Thái Lưới Điện Hiện Đại

Lưới điện hiện đại đang đối mặt với nhiều thách thức mới, bao gồm sự gia tăng của các nguồn năng lượng tái tạo không ổn định, sự phát triển của xe điện, và nguy cơ tấn công mạng. Những yếu tố này làm tăng tính phức tạp của bài toán đánh giá trạng thái lưới điện. Các phương pháp truyền thống thường không đáp ứng được yêu cầu về tốc độ và độ chính xác trong môi trường này. Theo nghiên cứu, sai số đo lường và lỗi truyền thông cũng ảnh hưởng đến hiệu suất của các phương pháp grid state estimation dựa trên phương pháp bình phương tối thiểu có trọng số (WLS). Việc phát triển các giải pháp hiệu quả hơn là một nhu cầu cấp thiết.

2.1. Ảnh Hưởng của Năng Lượng Tái Tạo Đến Ổn Định Lưới Điện

Các nguồn năng lượng tái tạo như điện mặt trời và điện gió có tính biến động cao, gây ra những thay đổi liên tục trong cấu trúc và trạng thái của lưới điện. Việc mô hình hóa lưới điện bằng AI có thể giúp dự đoán và quản lý những biến động này. Các mô hình học máy có thể học từ dữ liệu lịch sử để dự đoán sản lượng điện từ các nguồn tái tạo và điều chỉnh hoạt động của lưới điện một cách linh hoạt.

2.2. Vấn Đề An Ninh Mạng và Độ Tin Cậy của Dữ Liệu Đo Lường

Các cuộc tấn công mạng có thể làm sai lệch dữ liệu đo lường, dẫn đến đánh giá trạng thái lưới điện không chính xác. Các phương pháp dựa trên AI for power systems có thể được sử dụng để phát hiện và loại bỏ các dữ liệu bất thường, nâng cao độ tin cậy lưới điện và đảm bảo an ninh năng lượng. Các mô hình học máy có thể học các mẫu dữ liệu bình thường và phát hiện các sai lệch do tấn công mạng gây ra.

III. Phương Pháp Đánh Giá Trạng Thái Lưới Điện Bằng MLP LSTM CNN

Luận văn này đề xuất sử dụng ba mô hình học sâu chính: Mạng nơ-ron truyền thẳng (MLP), Mạng bộ nhớ dài - ngắn (LSTM), và Mạng nơ-ron tích chập (CNN). Các mô hình này được huấn luyện trên dữ liệu tạo ra từ các mô hình lưới điện IEEE (14, 30, và 57 nút). Dữ liệu bao gồm các thông số đo lường như điện áp, dòng điện, và công suất. Mục tiêu là dự đoán điện áp và góc pha tại tất cả các nút trong lưới điện. Kết quả được so sánh với kết quả tính toán trào lưu công suất bằng phương pháp Newton Raphson để đánh giá hiệu quả của các mô hình.

3.1. Xây Dựng Mô Hình Mạng Nơ ron MLP Cho PSSE

Mạng MLP là một loại mạng nơ-ron đơn giản nhưng hiệu quả, phù hợp cho các bài toán phi tuyến tính. Trong luận văn này, MLP được sử dụng để học mối quan hệ giữa các thông số đo lường và các thông số trạng thái. Kiến trúc mạng được tối ưu hóa để đạt được độ chính xác cao nhất với thời gian huấn luyện hợp lý.

3.2. Ứng Dụng Mạng LSTM Để Nâng Cao Độ Chính Xác Dự Báo

Mạng LSTM là một loại mạng nơ-ron hồi quy, có khả năng xử lý các chuỗi dữ liệu theo thời gian. Điều này rất hữu ích trong việc đánh giá trạng thái lưới điện, vì các thông số trạng thái thường có mối quan hệ theo thời gian. LSTM có thể học các mẫu thời gian để dự đoán trạng thái lưới điện trong tương lai.

3.3. Sử Dụng Mạng CNN Để Trích Xuất Đặc Trưng Quan Trọng

Mạng CNN thường được sử dụng trong xử lý ảnh, nhưng cũng có thể được áp dụng cho bài toán PSSE. CNN có khả năng trích xuất các đặc trưng quan trọng từ dữ liệu đo lường, giúp cải thiện độ chính xác của việc đánh giá trạng thái lưới điện. Trong luận văn này, CNN được sử dụng để học các mẫu không gian trong dữ liệu đo lường.

IV. Kết Quả Đánh Giá và So Sánh Hiệu Suất Các Mô Hình AI

Kết quả đánh giá cho thấy các mô hình học máy có khả năng dự đoán trạng thái lưới điện với độ chính xác cao. Các chỉ số như RMSE (Root Mean Squared Error) và MAE (Mean Absolute Error) được sử dụng để đánh giá hiệu suất của các mô hình. Kết quả cho thấy LSTM thường cho kết quả tốt hơn so với MLP và CNN, đặc biệt trong các hệ thống lớn hơn như IEEE 57 nút. Dù vậy, tất cả đều mang lại lợi thế đáng kể so với các phương pháp truyền thống trong việc AI based condition monitoring of power grid và AI based predictive maintenance of power grid.

4.1. So Sánh Độ Chính Xác Trên Lưới Điện IEEE 14 Nút

Trên lưới điện IEEE 14 nút, tất cả ba mô hình đều cho kết quả tốt, với sai số nhỏ. Tuy nhiên, LSTM có xu hướng hoạt động tốt hơn một chút so với MLP và CNN. Điều này có thể là do tính chất tương đối đơn giản của hệ thống IEEE 14 nút, cho phép LSTM học các mẫu thời gian một cách hiệu quả.

4.2. Hiệu Suất của Các Mô Hình Trên Lưới Điện IEEE 30 Nút

Trên lưới điện IEEE 30 nút, sự khác biệt giữa các mô hình trở nên rõ ràng hơn. LSTM tiếp tục cho thấy hiệu suất tốt nhất, trong khi MLP và CNN có sai số lớn hơn. Điều này cho thấy LSTM có khả năng xử lý các hệ thống phức tạp hơn tốt hơn.

4.3. Đánh Giá Trên Lưới Điện IEEE 57 Nút Ưu Thế của LSTM

Trên lưới điện IEEE 57 nút, LSTM cho thấy ưu thế rõ rệt so với MLP và CNN. LSTM có thể học các mẫu thời gian và không gian phức tạp trong hệ thống lớn này, trong khi MLP và CNN gặp khó khăn trong việc xử lý dữ liệu phức tạp này. Điều này chứng minh rằng LSTM là một lựa chọn tốt cho việc đánh giá trạng thái lưới điện trong các hệ thống lớn.

V. Ứng Dụng Thực Tế Của Đánh Giá Trạng Thái Lưới Điện Bằng AI

Việc áp dụng AI vào đánh giá trạng thái lưới điện không chỉ dừng lại ở các nghiên cứu mô phỏng. Các kết quả nghiên cứu có thể được ứng dụng trong thực tế để cải thiện hiệu suất và độ tin cậy của lưới điện. Các hệ thống giám sát lưới điện có thể sử dụng các mô hình AI để dự đoán và ngăn chặn các sự cố, tối ưu hóa việc phân phối điện năng, và tích hợp các nguồn năng lượng tái tạo một cách hiệu quả hơn. Việc tối ưu hóa vận hành lưới điện giúp giảm chi phí và nâng cao hiệu quả sử dụng năng lượng.

5.1. Ứng Dụng Trong Hệ Thống Quản Lý Năng Lượng EMS

Các mô hình AI có thể được tích hợp vào hệ thống quản lý năng lượng (EMS) để cung cấp thông tin theo thời gian thực về trạng thái lưới điện. Điều này cho phép người vận hành đưa ra các quyết định nhanh chóng và chính xác để duy trì ổn định hệ thống.

5.2. Sử Dụng Trong Bảo Trì Dự Phòng và Phát Hiện Sự Cố

Các mô hình AI có thể được sử dụng để dự đoán các sự cố tiềm ẩn trong lưới điện. Điều này cho phép các công ty điện lực thực hiện bảo trì dự phòng, giảm thiểu thời gian ngừng hoạt động và chi phí sửa chữa.

VI. Kết Luận Hướng Nghiên Cứu Phát Triển Đánh Giá Lưới Điện

Luận văn đã trình bày một phương pháp tiếp cận hiệu quả để đánh giá trạng thái lưới điện sử dụng các mô hình học máy như MLP, LSTM và CNN. Kết quả cho thấy các mô hình AI có khả năng dự đoán trạng thái lưới điện với độ chính xác cao. LSTM cho thấy hiệu suất tốt nhất, đặc biệt trong các hệ thống lớn hơn. Các hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của các mô hình, phát triển các mô hình có khả năng thích ứng với các điều kiện vận hành thay đổi, và tích hợp các mô hình AI vào các hệ thống quản lý năng lượng thực tế. Phát triển các kỹ thuật AI based fault detection in power grid cũng là một hướng đi tiềm năng.

6.1. Phát Triển Các Mô Hình Hybrid Kết Hợp AI và Phương Pháp Truyền Thống

Một hướng nghiên cứu tiềm năng là phát triển các mô hình hybrid kết hợp các ưu điểm của AI và các phương pháp truyền thống. Ví dụ, có thể sử dụng AI để cải thiện độ chính xác của các phương pháp WLS truyền thống.

6.2. Nghiên Cứu Các Phương Pháp Học Không Giám Sát Để Phát Hiện Dữ Liệu Bất Thường

Các phương pháp học không giám sát có thể được sử dụng để phát hiện các dữ liệu bất thường trong lưới điện, giúp nâng cao độ tin cậy của việc đánh giá trạng thái.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của năng lượng tái tạo tại Việt Nam, với tổng công suất đặt đạt khoảng 20.670 MW, chiếm 27% tổng công suất toàn hệ thống vào năm 2022, việc vận hành hệ thống điện ngày càng trở nên phức tạp và đòi hỏi sự giám sát chặt chẽ. Điện gió và điện mặt trời, với đặc điểm biến động nhanh và không kiểm soát được, đã gây ra những dao động lớn trong lưới điện, đặc biệt tại các khu vực miền Nam và Nam Trung bộ, nơi chiếm khoảng 50% phụ tải cả nước. Điều này đặt ra thách thức lớn trong việc duy trì sự ổn định và an toàn của hệ thống điện.

Vấn đề nghiên cứu tập trung vào đánh giá trạng thái vận hành của hệ thống điện, bao gồm các thông số như môđun điện áp, góc pha điện áp, công suất tác dụng và phản kháng tại các nút, cũng như dòng điện trên các đường dây. Mục tiêu cụ thể là xây dựng và kiểm chứng các mô hình trí tuệ nhân tạo (AI) nhằm ước lượng chính xác các thông số trạng thái này, từ đó hỗ trợ công tác điều độ và vận hành hệ thống điện an toàn, ổn định và hiệu quả.

Phạm vi nghiên cứu sử dụng dữ liệu mô phỏng từ các lưới điện chuẩn IEEE 14 nút, 30 nút và 57 nút, với thời gian thực hiện từ tháng 2 đến tháng 6 năm 2023. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác và tốc độ đánh giá trạng thái hệ thống điện, góp phần nâng cao hiệu quả vận hành trong bối cảnh nguồn năng lượng tái tạo ngày càng chiếm tỷ trọng lớn, đồng thời giảm thiểu rủi ro mất cân bằng nguồn và phụ tải.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: đánh giá trạng thái hệ thống điện (Power System State Estimation - PSSE) và mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN). PSSE là quá trình ước lượng các biến trạng thái như điện áp và góc pha tại các nút dựa trên các phép đo thực tế và mô hình toán học của hệ thống điện. Phương pháp truyền thống sử dụng thuật toán bình phương cực tiểu có trọng số (Weighted Least Squares - WLS) và giải bằng phương pháp Gauss-Newton, tuy nhiên nhạy cảm với điều kiện vận hành phức tạp và dữ liệu nhiễu.

Mạng nơ-ron nhân tạo được áp dụng để khắc phục hạn chế trên, với các mô hình chính gồm:

• Multilayer Perceptron (MLP): Mạng nơ-ron nhiều lớp truyền thẳng, phù hợp với các bài toán hồi quy phi tuyến tính.
• Long Short-Term Memory (LSTM): Mạng nơ-ron hồi quy có khả năng ghi nhớ thông tin dài hạn, thích hợp xử lý dữ liệu chuỗi thời gian.
• Convolutional Neural Network (CNN): Mạng nơ-ron tích chập, hiệu quả trong việc trích xuất đặc trưng từ dữ liệu có cấu trúc không gian.

Các khái niệm chính bao gồm: biến trạng thái hệ thống điện (điện áp, góc pha), phương pháp ước lượng trạng thái, mạng nơ-ron nhân tạo, hàm kích hoạt, và hàm mất mát.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là các phép đo giả lập trên các hệ thống lưới điện chuẩn IEEE 14 nút, 30 nút và 57 nút. Dữ liệu bao gồm các thông số điện áp, góc pha, công suất tác dụng và phản kháng tại các nút, được tạo ra dựa trên mô hình trào lưu công suất sử dụng phương pháp Newton-Raphson.

Phương pháp phân tích gồm xây dựng và huấn luyện các mô hình MLP, LSTM và CNN trên tập dữ liệu huấn luyện, sau đó đánh giá hiệu suất dự báo trên tập kiểm tra. Cỡ mẫu dữ liệu được tạo ra đủ lớn để đảm bảo tính đại diện và độ tin cậy của mô hình. Phương pháp chọn mẫu là mô phỏng dữ liệu dựa trên các kịch bản vận hành khác nhau của hệ thống điện.

Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 6 năm 2023, bao gồm các bước: thu thập và xử lý dữ liệu, xây dựng mô hình, huấn luyện và đánh giá mô hình, so sánh kết quả với phương pháp truyền thống, và đề xuất cải tiến.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình MLP: Trên lưới điện IEEE 14 nút, mô hình MLP đạt sai số trung bình bình phương gốc (RMSE) của biên độ điện áp khoảng 0,005 p.u và góc pha khoảng 0,02 độ, cải thiện đáng kể so với phương pháp WLS truyền thống.

2. Ưu điểm của LSTM: Mô hình LSTM thể hiện khả năng dự báo chính xác hơn trên các lưới điện có kích thước lớn như IEEE 30 nút và 57 nút, với RMSE biên độ điện áp giảm khoảng 15% so với MLP, nhờ khả năng xử lý dữ liệu chuỗi thời gian hiệu quả.

3. Mạng CNN phù hợp với dữ liệu không gian: CNN cho kết quả tốt trong việc trích xuất đặc trưng không gian của lưới điện, đặc biệt trên lưới IEEE 57 nút, với sai số biên độ điện áp và góc pha thấp hơn 10% so với MLP.

4. Tổng hợp đánh giá: Cả ba mô hình đều vượt trội hơn phương pháp truyền thống về tốc độ tính toán và độ chính xác, trong đó LSTM và CNN có lợi thế rõ rệt khi xử lý các hệ thống điện phức tạp và dữ liệu lớn.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là do các mô hình học sâu có khả năng học được các mối quan hệ phi tuyến phức tạp giữa các biến trạng thái và dữ liệu đầu vào, đồng thời giảm thiểu ảnh hưởng của nhiễu và sai số đo. So với các nghiên cứu trước đây, kết quả này phù hợp với xu hướng ứng dụng AI trong hệ thống điện hiện đại, đặc biệt trong bối cảnh tăng trưởng nguồn năng lượng tái tạo không ổn định.

Việc trình bày dữ liệu qua các biểu đồ so sánh giá trị dự báo và giá trị thực tế, cũng như các bảng thống kê RMSE và MAE, giúp minh họa rõ ràng hiệu quả của từng mô hình. Kết quả này có ý nghĩa quan trọng trong việc hỗ trợ các trung tâm điều độ vận hành hệ thống điện an toàn và hiệu quả hơn, giảm thiểu rủi ro mất cân bằng nguồn và phụ tải.

Đề xuất và khuyến nghị

1. Triển khai mô hình AI trong trung tâm điều độ: Áp dụng các mô hình MLP, LSTM và CNN để đánh giá trạng thái hệ thống điện theo thời gian thực, nhằm nâng cao độ chính xác và tốc độ phản hồi. Thời gian thực hiện đề xuất trong vòng 12 tháng, do các đơn vị vận hành hệ thống điện chủ trì.

2. Tăng cường thu thập dữ liệu chất lượng: Đầu tư nâng cấp hệ thống đo lường và truyền tin, đặc biệt tại các nút trọng điểm, để cung cấp dữ liệu đầu vào đầy đủ và chính xác cho các mô hình AI. Mục tiêu tăng tỷ lệ dữ liệu hợp lệ lên trên 95% trong 18 tháng.

3. Phát triển hệ thống giám sát và cảnh báo sớm: Kết hợp mô hình AI với hệ thống EMS hiện có để tự động phát hiện các trạng thái bất thường và cảnh báo kịp thời cho người vận hành. Thời gian triển khai dự kiến 24 tháng, phối hợp giữa các nhà nghiên cứu và đơn vị vận hành.

4. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo về AI và phân tích dữ liệu cho cán bộ kỹ thuật và điều độ viên, nhằm đảm bảo vận hành hiệu quả các công cụ mới. Mục tiêu hoàn thành đào tạo cho ít nhất 80% nhân sự liên quan trong 12 tháng.

Đối tượng nên tham khảo luận văn

1. Các kỹ sư và chuyên gia vận hành hệ thống điện: Nghiên cứu cung cấp phương pháp đánh giá trạng thái hệ thống điện hiện đại, giúp cải thiện độ chính xác và hiệu quả vận hành.

2. Nhà quản lý và hoạch định chính sách năng lượng: Thông tin về tác động của năng lượng tái tạo và giải pháp công nghệ hỗ trợ quản lý lưới điện, phục vụ cho việc ra quyết định chiến lược.

3. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Cung cấp kiến thức chuyên sâu về ứng dụng mạng nơ-ron nhân tạo trong hệ thống điện, làm cơ sở cho các nghiên cứu tiếp theo.

4. Các nhà phát triển phần mềm và công nghệ AI: Tham khảo mô hình và phương pháp xây dựng, huấn luyện mạng nơ-ron trong lĩnh vực hệ thống điện, mở rộng ứng dụng AI trong công nghiệp.

Câu hỏi thường gặp

1. Tại sao cần đánh giá trạng thái hệ thống điện?
   Đánh giá trạng thái giúp xác định chính xác các thông số vận hành như điện áp và góc pha, từ đó đảm bảo hệ thống hoạt động an toàn, ổn định và hiệu quả, đặc biệt trong bối cảnh nguồn năng lượng tái tạo biến động.

2. Ưu điểm của mạng nơ-ron nhân tạo so với phương pháp truyền thống?
   Mạng nơ-ron có khả năng học các mối quan hệ phi tuyến phức tạp, xử lý dữ liệu lớn và nhiễu tốt hơn, giúp cải thiện độ chính xác và tốc độ tính toán so với phương pháp bình phương cực tiểu có trọng số.

3. Dữ liệu huấn luyện được lấy từ đâu?
   Dữ liệu được mô phỏng dựa trên các hệ thống lưới điện chuẩn IEEE 14, 30 và 57 nút, sử dụng phương pháp trào lưu công suất Newton-Raphson để tạo ra các phép đo giả lập đa dạng.

4. Mô hình nào phù hợp nhất cho hệ thống điện lớn?
   LSTM và CNN thể hiện hiệu quả cao hơn trên các hệ thống lớn nhờ khả năng xử lý dữ liệu chuỗi thời gian và trích xuất đặc trưng không gian, giúp giảm sai số dự báo.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế?
   Cần triển khai các mô hình AI vào hệ thống EMS hiện có, đồng thời nâng cấp hệ thống đo lường và đào tạo nhân sự để đảm bảo vận hành hiệu quả và an toàn.

Kết luận

• Đề tài đã xây dựng thành công các mô hình mạng nơ-ron nhân tạo MLP, LSTM và CNN để đánh giá trạng thái hệ thống điện trên các lưới chuẩn IEEE 14, 30 và 57 nút.
• Các mô hình AI vượt trội hơn phương pháp truyền thống về độ chính xác và tốc độ tính toán, đặc biệt trong điều kiện hệ thống điện có nhiều biến động do năng lượng tái tạo.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả vận hành và giám sát hệ thống điện, hỗ trợ ra quyết định điều độ an toàn và kinh tế.
• Đề xuất triển khai ứng dụng các mô hình AI trong trung tâm điều độ, đồng thời nâng cấp hệ thống đo lường và đào tạo nhân sự để phát huy tối đa hiệu quả.
• Hướng nghiên cứu tiếp theo tập trung vào mở rộng mô hình cho lưới điện phân phối phức tạp và tích hợp dữ liệu thực tế từ hệ thống điện Việt Nam.

Các đơn vị vận hành và nghiên cứu nên phối hợp triển khai thử nghiệm mô hình trên hệ thống thực tế, đồng thời phát triển các công cụ hỗ trợ trực quan hóa và cảnh báo dựa trên AI nhằm nâng cao năng lực quản lý lưới điện hiện đại.

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.