Giải Thuật Nhận Dạng Sự Cố Trên Đường Dây Truyền Tải

Chuyên khảo phân tích Hcmute giải thuật nhận dạng sự cố trên đường dây truyền tải, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Nhân Bổn
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Điện – Điện Tử
• Đề tài: Giải Thuật Nhận Dạng Sự Cố Trên Đường Dây Truyền Tải
• Loại tài liệu: Báo Cáo Tổng Kết Đề Tài KH&CN Cấp Trường
• Năm xuất bản: 2020
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• Đặt vấn đề
• Phạm vi nghiên cứu
• Phương pháp nghiên cứu
• Ý nghĩa thực tiễn
• Nội dung nghiên cứu
• 1. CHƯƠNG 1: TỔNG QUAN NHẬN DẠNG VÀ ĐỊNH VỊ SỰ CỐ
• 1.1. Giới thiệu
• 1.2. Tổng quan nghiên cứu
• 2. CHƯƠNG 2: KỸ THUẬT WAVELET VÀ MẠNG NƠ RON
• 2.1. Phép biến đổi Wavelet
• 2.2. Ứng dụng Wavelet trong nhận dạng và phân loại sự cố
• 2.3. Giới thiệu Mạng Neural Tích Chập (CNNs)
• 3. CHƯƠNG 3: ỨNG DỤNG KỸ THUẬT WAVELET VÀ MẠNG GOOGLENET TRONG NHẬN DẠNG VÀ ĐỊNH VỊ SỰ CỐ
• 3.1. Tổng quan về các sự cố ngắn mạch
• 3.2. Phương pháp đề xuất phân loại và định vị sự cố
• 4. CHƯƠNG 4: KẾT QUẢ MÔ PHỎNG VÀ ĐÁNH GIÁ
• 4.1. Mô hình hệ thống điện truyền tải
• 4.2. Kết quả mô phỏng và nhận xét
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giải thuật nhận dạng sự cố

Phần này tập trung vào giải thuật nhận dạng sự cố trên đường dây truyền tải, một vấn đề phức tạp đòi hỏi giải pháp hiệu quả. Nghiên cứu này sử dụng kỹ thuật Wavelet, một phương pháp mạnh mẽ trong phân tích tín hiệu, để trích xuất các đặc trưng từ tín hiệu điện áp và dòng điện. Phân tích Wavelet cho phép phân tích tín hiệu trong cả hai miền thời gian và tần số, giúp phát hiện những thay đổi nhỏ về biên độ và tần số, những thay đổi này thường biểu hiện sự cố trên đường dây. Kết quả phân tích Wavelet được sử dụng làm đầu vào cho các mô hình học máy để nhận dạng sự cố. Nghiên cứu này đề cập đến các hạn chế của các phương pháp truyền thống như khó phát hiện dao động điện, thành phần họa tần bậc cao. Do đó, việc nghiên cứu và phát triển một giải thuật mới, nhanh chóng và chính xác là cần thiết.

1.1 Ứng dụng Biến đổi Wavelet

Biến đổi Wavelet đóng vai trò trung tâm trong việc trích xuất đặc trưng từ dữ liệu tín hiệu. Nghiên cứu sử dụng biến đổi Wavelet rời rạc (DWT), phù hợp cho việc phân tích tín hiệu quá độ trong hệ thống điện. DWT phân giải tín hiệu thành các hệ số ở các mức phân giải khác nhau, cho phép tách biệt các thành phần tần số khác nhau trong tín hiệu. Các hệ số này sau đó được sử dụng để xây dựng các đặc trưng đại diện cho trạng thái của đường dây truyền tải. Việc lựa chọn hàm Wavelet phù hợp là rất quan trọng để tối ưu hóa hiệu quả trích xuất đặc trưng. Nghiên cứu đề cập đến các loại hàm Wavelet như Daubechies, Morlet, Coiflets, Symlets, và nhấn mạnh sự cần thiết chọn hàm phù hợp với đặc điểm của tín hiệu để đạt được kết quả tối ưu. Kỹ thuật Wavelet vượt trội hơn phân tích Fourier trong việc xử lý tín hiệu không liên tục, thường gặp trong các sự cố trên đường dây.

1.2 Ứng dụng Mạng nơ ron

Sau khi trích xuất đặc trưng bằng biến đổi Wavelet, nghiên cứu sử dụng mạng nơ ron để phân loại và định vị sự cố. Cụ thể, nghiên cứu áp dụng mạng nơ ron tích chập (CNN) và GoogleNet, hai kiến trúc mạnh mẽ trong lĩnh vực xử lý ảnh và học sâu. Các hệ số Wavelet được chuyển đổi thành dạng hình ảnh RGB, sau đó được đưa vào làm đầu vào cho GoogleNet để phân loại loại sự cố. CNN được sử dụng để xác định vị trí sự cố trên đường dây. Việc sử dụng mạng nơ ron giúp tự động hóa quá trình phân loại và định vị sự cố, tăng tốc độ và độ chính xác so với các phương pháp truyền thống. Nghiên cứu cũng đề cập đến những hạn chế của các phương pháp khác như SVM, ANN, FLC, nhấn mạnh ưu điểm của việc kết hợp Wavelet, GoogleNet và CNN.

II. Nhận dạng sự cố đường dây truyền tải

Phần này tập trung vào việc áp dụng các giải thuật đã đề cập vào bài toán cụ thể là nhận dạng sự cố đường dây truyền tải. Nghiên cứu mô phỏng các sự cố khác nhau, bao gồm cả sự cố đối xứng và không đối xứng, trên một hệ thống điện mẫu sử dụng phần mềm MATLAB. Các thông số mô phỏng được thiết kế để phản ánh các điều kiện thực tế, bao gồm cả sự thay đổi điện trở sự cố và tải trọng. Kết quả mô phỏng cho thấy độ chính xác cao của phương pháp đề xuất. Nghiên cứu đánh giá hiệu quả của phương pháp dựa trên các chỉ số như độ chính xác, thời gian xử lý. An toàn đường dây truyền tải được cải thiện nhờ khả năng phát hiện và định vị sự cố nhanh chóng và chính xác.

2.1 Phát hiện sự cố đường dây truyền tải

Phần này trình bày chi tiết quy trình phát hiện sự cố đường dây truyền tải. Dữ liệu tín hiệu điện áp và dòng điện được thu thập và xử lý bằng biến đổi Wavelet. Các đặc trưng được trích xuất từ tín hiệu được sử dụng làm đầu vào cho GoogleNet để phân loại loại sự cố. GoogleNet, với kiến trúc mạnh mẽ, cho phép phân loại chính xác các loại sự cố khác nhau, bao gồm cả sự cố đối xứng và không đối xứng. Hiệu quả của phát hiện sự cố được đánh giá dựa trên độ chính xác và thời gian xử lý. Phát hiện sự cố nhanh chóng giúp giảm thiểu thiệt hại và đảm bảo an toàn cho hệ thống.

2.2 Xác định vị trí sự cố đường dây truyền tải

Sau khi xác định loại sự cố, nghiên cứu tập trung vào xác định vị trí sự cố trên đường dây. Mạng CNN, với khả năng xử lý dữ liệu không gian, được sử dụng để xác định vị trí sự cố dựa trên các đặc trưng đã được trích xuất. Độ chính xác của xác định vị trí sự cố được đánh giá trên hệ thống mô phỏng. Kết quả cho thấy khả năng xác định vị trí sự cố chính xác của phương pháp đề xuất. Khả năng xác định vị trí sự cố nhanh chóng là yếu tố quan trọng trong việc khắc phục sự cố và phục hồi hệ thống.

III. Kết luận và ứng dụng thực tiễn

Nghiên cứu này đã giới thiệu một giải thuật mới kết hợp biến đổi Wavelet, GoogleNet, và CNN để nhận dạng và định vị sự cố trên đường dây truyền tải. Phương pháp này cho thấy hiệu quả cao trong việc phát hiện và phân loại các loại sự cố khác nhau. Kết quả mô phỏng cho thấy độ chính xác và tốc độ xử lý cao. Nghiên cứu có ý nghĩa thực tiễn lớn trong việc cải thiện độ tin cậy và an toàn của hệ thống điện. Ứng dụng của nghiên cứu bao gồm giám sát và bảo vệ đường dây truyền tải, giúp giảm thiểu thời gian gián đoạn cung cấp điện và giảm thiệt hại kinh tế.

3.1 Đóng góp của nghiên cứu

Nghiên cứu này có nhiều đóng góp đáng kể. Đầu tiên, nó giới thiệu một phương pháp mới kết hợp các kỹ thuật hiện đại trong xử lý tín hiệu và học máy để giải quyết bài toán nhận dạng sự cố đường dây truyền tải. Thứ hai, nghiên cứu cung cấp một giải pháp hiệu quả, chính xác và nhanh chóng cho việc phát hiện và định vị sự cố. Thứ ba, nghiên cứu góp phần vào sự phát triển của công nghệ giám sát và bảo vệ hệ thống điện, mang lại lợi ích kinh tế và xã hội lớn.

3.2 Khả năng ứng dụng thực tiễn

Kết quả nghiên cứu có thể được ứng dụng rộng rãi trong thực tiễn. Các công ty điện lực có thể sử dụng phương pháp này để cải thiện hệ thống giám sát và bảo vệ đường dây truyền tải. Việc phát hiện và định vị sự cố nhanh chóng giúp giảm thiểu thời gian gián đoạn cung cấp điện, giảm thiểu thiệt hại kinh tế và đảm bảo an toàn cho hệ thống. Nghiên cứu cũng có thể được mở rộng để ứng dụng trong các lĩnh vực khác liên quan đến giám sát và bảo vệ hệ thống kỹ thuật.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống điện truyền tải đóng vai trò then chốt trong việc đảm bảo cung cấp điện ổn định và an toàn cho các khu vực tiêu thụ. Theo báo cáo ngành, khoảng 50% sự cố trong hệ thống điện xảy ra trên đường dây truyền tải, trong đó sự cố ngắn mạch một pha chạm đất chiếm tới 85% tổng số sự cố ngắn mạch. Những sự cố này không chỉ gây ra thiệt hại về thiết bị mà còn ảnh hưởng nghiêm trọng đến an ninh năng lượng và kinh tế quốc gia. Bài toán nhận dạng và định vị sự cố trên đường dây truyền tải do đó trở thành một thách thức lớn trong lĩnh vực kỹ thuật điện.

Mục tiêu nghiên cứu của luận văn là phát triển một giải thuật kết hợp kỹ thuật biến đổi Wavelet và mạng nơ-ron tích chập (CNN), cụ thể là mạng GoogLeNet, nhằm nhận dạng chính xác và định vị nhanh các sự cố ngắn mạch trên đường dây truyền tải 220 kV dài 220 km. Nghiên cứu được thực hiện trong khoảng thời gian từ tháng 1 đến tháng 12 năm 2020 tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, sử dụng mô phỏng trên phần mềm MATLAB.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác và tốc độ xử lý trong phát hiện sự cố, góp phần cải thiện hiệu quả vận hành và bảo vệ hệ thống điện. Kết quả nghiên cứu có thể ứng dụng trong việc phát triển các thiết bị bảo vệ rơ le thế hệ mới, giảm thiểu thời gian mất điện và thiệt hại do sự cố gây ra.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: kỹ thuật biến đổi Wavelet và mạng nơ-ron tích chập (CNN).

• Biến đổi Wavelet (WT): Đây là phương pháp phân tích tín hiệu trong cả miền thời gian và tần số, cho phép phát hiện các đặc trưng quá độ trong tín hiệu điện áp và dòng điện khi xảy ra sự cố. Biến đổi Wavelet rời rạc (DWT) được sử dụng để phân tách tín hiệu thành các hệ số xấp xỉ và chi tiết ở nhiều mức độ phân giải, từ đó trích xuất các đặc trưng năng lượng phục vụ cho việc nhận dạng sự cố.

• Mạng nơ-ron tích chập (CNN): CNN là mô hình học sâu hiệu quả trong việc phân loại hình ảnh và nhận dạng mẫu. GoogLeNet, một kiến trúc CNN tiên tiến với 22 lớp và mô-đun inception, được sử dụng để phân loại các dạng sự cố dựa trên ảnh RGB được chuyển đổi từ các đặc trưng Wavelet. Đồng thời, một mạng CNN khác được thiết kế để định vị chính xác vị trí sự cố trên đường dây.

Các khái niệm chính bao gồm: hệ số Wavelet, phân tích đa phân giải, trường tiếp nhận cục bộ, trọng số chia sẻ, lớp pooling, và mô-đun inception trong GoogLeNet.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu là các tín hiệu dòng điện và điện áp ba pha cùng dòng điện trung tính thu thập từ mô hình hệ thống điện truyền tải 220 kV, 220 km, mô phỏng trên phần mềm MATLAB. Các dạng sự cố ngắn mạch đối xứng và không đối xứng được giả lập với các giá trị điện trở sự cố từ 0 Ω đến 15 Ω và biến đổi tải ±5%.

Phương pháp phân tích gồm:

• Áp dụng DWT để phân tách tín hiệu thành các hệ số xấp xỉ và chi tiết ở ba mức phân giải, tính toán năng lượng RMS của các hệ số này để tạo ra vectơ đặc trưng gồm 28 phần tử.

• Chuyển đổi vectơ đặc trưng thành ảnh RGB kích thước 224x224x3 làm đầu vào cho mạng GoogLeNet để phân loại loại sự cố.

• Sử dụng mạng CNN riêng biệt để định vị vị trí sự cố dựa trên các đặc trưng trích xuất.

Quá trình nghiên cứu được thực hiện trong vòng 12 tháng, từ tháng 1 đến tháng 12 năm 2020, với cỡ mẫu mô phỏng đa dạng các loại sự cố và điều kiện tải khác nhau nhằm đảm bảo tính tổng quát và độ tin cậy của giải thuật.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân loại sự cố: Mạng GoogLeNet đạt độ chính xác trên 98% trong việc phân loại các dạng sự cố ngắn mạch, bao gồm sự cố một pha chạm đất, hai pha không chạm đất, hai pha chạm đất và ba pha chạm đất. So với các phương pháp truyền thống như SVM hay ANN, độ chính xác tăng khoảng 5-7%.

2. Tốc độ xử lý: Thời gian xử lý trung bình cho mỗi mẫu sự cố chỉ khoảng vài mili giây, nhanh hơn đáng kể so với các phương pháp học máy truyền thống, giúp đáp ứng yêu cầu nhận dạng sự cố thời gian thực.

3. Định vị sự cố chính xác: Mạng CNN định vị sự cố trên đường dây với sai số vị trí trung bình dưới 2 km trên tổng chiều dài 220 km, tương đương sai số dưới 1%, đảm bảo khả năng cô lập và xử lý sự cố nhanh chóng.

4. Độ bền với biến đổi tải và điện trở sự cố: Giải thuật duy trì hiệu suất cao khi điện trở sự cố thay đổi từ 0 Ω đến 15 Ω và tải biến động ±5%, chứng tỏ tính ổn định và khả năng ứng dụng thực tế.

Thảo luận kết quả

Nguyên nhân chính giúp giải thuật đạt hiệu quả cao là sự kết hợp giữa khả năng trích xuất đặc trưng đa miền của biến đổi Wavelet và sức mạnh phân loại của mạng CNN GoogLeNet. Biến đổi Wavelet giúp giữ lại các đặc trưng quan trọng của tín hiệu quá độ, trong khi GoogLeNet tận dụng cấu trúc mô-đun inception để học các đặc trưng phức tạp với số lượng tham số tối ưu.

So sánh với các nghiên cứu trước đây sử dụng SVM, ANN hoặc logic mờ, giải thuật đề xuất không chỉ nâng cao độ chính xác mà còn giảm thời gian xử lý, phù hợp với yêu cầu vận hành hệ thống điện hiện đại. Kết quả định vị sự cố với sai số thấp cũng vượt trội hơn nhiều so với các phương pháp truyền thống.

Dữ liệu có thể được trình bày qua biểu đồ độ chính xác phân loại theo từng loại sự cố, biểu đồ thời gian xử lý trung bình, và bảng so sánh sai số định vị giữa các phương pháp. Các biểu đồ này minh họa rõ ràng ưu điểm vượt trội của giải thuật đề xuất.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng sự cố tự động: Áp dụng giải thuật kết hợp Wavelet và CNN vào các thiết bị bảo vệ rơ le thế hệ mới nhằm nâng cao độ chính xác và tốc độ phát hiện sự cố, giảm thiểu thời gian mất điện. Thời gian thực hiện dự kiến trong 12-18 tháng, chủ thể là các công ty điện lực và nhà sản xuất thiết bị.

2. Phát triển phần mềm giám sát và cảnh báo: Xây dựng phần mềm giám sát trực tuyến sử dụng giải thuật đề xuất để cảnh báo sớm sự cố trên đường dây truyền tải, giúp vận hành hệ thống điện ổn định hơn. Thời gian phát triển khoảng 6-12 tháng, do các trung tâm nghiên cứu và doanh nghiệp công nghệ thực hiện.

3. Đào tạo và nâng cao năng lực kỹ thuật: Tổ chức các khóa đào tạo chuyên sâu về kỹ thuật Wavelet và mạng CNN cho kỹ sư vận hành và bảo trì hệ thống điện, nhằm nâng cao khả năng ứng dụng và khai thác hiệu quả giải thuật. Chủ thể là các trường đại học và viện nghiên cứu, thời gian đào tạo liên tục.

4. Mở rộng nghiên cứu ứng dụng: Khuyến khích nghiên cứu mở rộng giải thuật cho các hệ thống điện phân phối và lưới điện thông minh, nhằm nâng cao khả năng phát hiện và xử lý sự cố trong các môi trường phức tạp hơn. Thời gian nghiên cứu tiếp theo 2-3 năm, do các tổ chức nghiên cứu và doanh nghiệp phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Kỹ sư vận hành và bảo trì hệ thống điện: Nghiên cứu giúp nâng cao kỹ năng nhận dạng và xử lý sự cố nhanh chóng, giảm thiểu thiệt hại và thời gian mất điện trong thực tế vận hành.

2. Nhà nghiên cứu và sinh viên ngành điện – điện tử: Cung cấp kiến thức chuyên sâu về ứng dụng biến đổi Wavelet và mạng CNN trong lĩnh vực chẩn đoán sự cố, làm nền tảng cho các nghiên cứu tiếp theo.

3. Doanh nghiệp sản xuất thiết bị bảo vệ điện: Tham khảo để phát triển các sản phẩm bảo vệ rơ le thế hệ mới tích hợp giải thuật nhận dạng sự cố chính xác và nhanh chóng.

4. Các cơ quan quản lý và hoạch định chính sách năng lượng: Hiểu rõ về công nghệ mới trong bảo vệ và vận hành hệ thống điện, từ đó xây dựng các chính sách hỗ trợ ứng dụng công nghệ hiện đại nhằm nâng cao độ tin cậy cung cấp điện.

Câu hỏi thường gặp

1. Giải thuật nhận dạng sự cố này có thể áp dụng cho các hệ thống điện khác không?
   Giải thuật có thể mở rộng áp dụng cho các hệ thống điện phân phối và lưới điện thông minh với điều chỉnh phù hợp về mô hình và dữ liệu đầu vào, nhờ tính linh hoạt của biến đổi Wavelet và mạng CNN.

2. Độ chính xác của giải thuật trong điều kiện nhiễu và biến đổi tải như thế nào?
   Nghiên cứu cho thấy giải thuật duy trì độ chính xác cao trên 98% khi điện trở sự cố thay đổi từ 0 Ω đến 15 Ω và tải biến động ±5%, chứng tỏ khả năng chịu nhiễu và biến đổi tải tốt.

3. Thời gian xử lý của giải thuật có đáp ứng yêu cầu thời gian thực không?
   Thời gian xử lý trung bình chỉ vài mili giây cho mỗi mẫu sự cố, phù hợp với yêu cầu nhận dạng sự cố thời gian thực trong vận hành hệ thống điện.

4. Giải thuật có thể phát hiện các dạng sự cố phức tạp như nhiễu hay dao động lưới không?
   Mặc dù tập trung vào các sự cố ngắn mạch, kỹ thuật Wavelet kết hợp CNN có khả năng phân biệt các đặc trưng tín hiệu phức tạp, giúp phát hiện các hiện tượng nhiễu và dao động lưới ở mức độ nhất định.

5. Làm thế nào để chuyển giao kết quả nghiên cứu vào thực tế?
   Kết quả nghiên cứu đã được công bố trên tạp chí quốc tế và có thể chuyển giao thông qua hợp tác với các công ty điện lực, nhà sản xuất thiết bị bảo vệ, đồng thời đào tạo kỹ thuật viên vận hành để ứng dụng giải thuật trong thực tế.

Kết luận

• Đã phát triển thành công giải thuật kết hợp biến đổi Wavelet và mạng CNN GoogLeNet để nhận dạng và định vị sự cố trên đường dây truyền tải 220 kV với độ chính xác trên 98% và sai số định vị dưới 1%.
• Giải thuật xử lý nhanh, phù hợp với yêu cầu nhận dạng sự cố thời gian thực trong vận hành hệ thống điện hiện đại.
• Nghiên cứu góp phần nâng cao hiệu quả bảo vệ và vận hành hệ thống điện, giảm thiểu thiệt hại do sự cố gây ra.
• Đề xuất triển khai ứng dụng giải thuật trong thiết bị bảo vệ rơ le và phần mềm giám sát hệ thống điện.
• Khuyến nghị mở rộng nghiên cứu và đào tạo kỹ thuật để nâng cao năng lực ứng dụng công nghệ mới trong ngành điện.

Các đơn vị quản lý và vận hành hệ thống điện nên phối hợp với các trung tâm nghiên cứu để thử nghiệm và triển khai giải thuật trong thực tế, đồng thời tổ chức đào tạo nâng cao cho đội ngũ kỹ thuật viên nhằm tối ưu hóa hiệu quả vận hành và bảo vệ hệ thống điện truyền tải.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN NHẬN DẠNG VÀ ĐỊNH VỊ SỰ CỐ 1.1 Giới thiệu Hệ thống điện là tập hợp của nhiều thành phần khác nhau bao gồm các yếu tố động lực và tương tác phức tạp, luôn có thể dẫn đến nhiễu hoặc sự cố, đặc biệt là sự cố về điện. Các sự cố ngắn mạch về điện là do điều kiện thời tiết, không hoạt động, quá tải, hỏng hóc thiết bị, lỗi do con người và khói lửa. Trong những thập kỷ qua, hệ thống điện đã phải đối mặt với nhiều vụ mất điện nghiêm trọng khác nhau do các sự cố kỹ thuật, con người và thiết bị điện [1-2]. Các hậu quả gây ra là dòng quá dòng, nguy hiểm cho người, tổn thất thiết bị, thiệt hại kinh tế và an ninh quốc gia.

Sự cố trong hệ thống ba pha có thể được phân loại thành sự cố đối xứng và không đối xứng. Đối với các đứt gãy đối xứng, chúng cũng có thể được gọi là các sự cố cân bằng và có hai loại, cụ thể là sự cố ngắn mạch 3 pha chạm đất (LLLG) và ba 3 pha (LLL). Trong trường hợp này, đây là một sự cố rất nguy hiểm nhất và xảy ra với tần suất thấp. Đối với các sự cố không đối xứng, chúng cũng có thể được gọi là sự cố không cân bằng và có ba loại, đó là sự cố 1 pha chạm đất (SLG), Sự cố ngắn mạch 2 pha (LL) và sự cố ngắn mạch 2 pha chạm đất (LLG).

Trong trường hợp này, các sự cố này phổ biến và ít nghiêm trọng hơn so với các sự cố đối xứng. Bảng 1 cho thấy xác suất xảy ra của các dạng sự cố khác nhau và khả năng xảy ra sự cố trên các bộ phận khác nhau của hệ thống điện được liệt kê trong Bảng 2 [3]. Bất cứ khi nào xảy ra sự cố trên bất kỳ bộ phận nào của hệ thống điện đều sẽ tạo ra các mức độ hậu quả khác nhau cho toàn bộ hệ thống. Quan sát từ Bảng 2, 50% sự cố có thể xảy ra đối với đường truyền.

Để giải quyết vấn đề này, việc xác định, phân loại và vị trí sự cố trên đường truyền đã được nghiên cứu trong thập kỷ qua. Đó cũng là động lực để đề xuất nghiên cứu này.1: Xác suất xảy ra sự cố đối với các loại ngắn mạch Loại sự cố ngắn mạch Tần xuất sự cố (%) Sự cố 1 pha chạm đất (SLG) 85 Sự cố 2 pha chạm đất (LLG) 5 Sự cố 2 pha (LL) 8 Sự cố 3 pha (LLL) và sự cố 3 pha chạm đất (LLLG) 2 4 Luan van ĐỀ TÀI CẤP TRƯỜNG T2020-27TĐ TS. NGUYỄN NHÂN BỔN Bảng 1.2: Xác suất xảy ra sự cố trên các phần khác nhau hệ thống điện Tần suất sự cố Thiết bị (%) Đường dây truyền tải trên không 50 Thiết bị đóng cắt 15 Máy biến áp 12 Cáp ngầm 10 Các thiết bị phụ 8 Thiết bị điều khiển 3 Máy biến dòng điện(CT) và biến điện áp(PT) 2 Nghiên cứu đề xuất một cách tiếp cận mới kết hợp sử dụng Wavelet Transform (WT), GoogLeNet và Convolutions Neural Network (CNN) để xác định, phân loại và định vị các dạng sự cố ngắn mạch khác cho đường dây truyền tải. Biên đổi Wavelet (WT) được chia thành WT rời rạc (DWT) và WT liên tục (CWT).

Để phân tích quá độ trong hệ thống điện, DWT được sử dụng nhiều hơn CWT vì nó có thể dễ dàng thu được các đặc tính của tín hiệu điện áp và dòng điện của nhiều dải tần. Bảy tín hiệu điện bao gồm tín hiệu dòng điện và tín hiệu điện áp của các pha A, B, C và dòng điện trung tính được xem xét. Sau khi tính toán bảy tín hiệu bao gồm cả dòng điện và điện áp, nó thu được một vectơ trạng thái có 28 phần tử và vectơ này được coi là trạng thái hoạt động của hệ thống điện. Các tính năng của Wavelet được chuyển đổi sang định dạng hình ảnh RGB, có kích thước 224x224x3 được coi là đầu vào của GoogLeNet được sử dụng để đào tạo và kiểm tra hình ảnh RGB (224x224x3) với mục đích đạt được sự phân loại các trạng thái lỗi khác nhau.

CNN được áp dụng để xác định và xác định vị trí lỗi. Tính mới và đóng góp của nghiên cứu gồm các khía cạnh sau: (i) Giới thiệu phương pháp kết hợp bằng cách kết hợp WT, GoogLeNet và CNN là một công cụ hữu hiệu để xác định, phân loại và định vị các sự cố ngắn mạch đối xứng và không đối xứng trên đường truyền. (ii) GoogLeNet được đề xuất phân loại các sự cố khác nhau trong đường dây truyền tải với đầu vào là hình ảnh RGB. (iii) Bằng cách sử dụng phương pháp đề xuất, kết quả kiểm tra và đào tạo có độ chính xác cao với thời gian xử lý nhanh và thực hiện đơn giản.

5 Luan van ĐỀ TÀI CẤP TRƯỜNG T2020-27TĐ TS. NGUYỄN NHÂN BỔN 1.2 Tổng quan nghiên cứu Nâng cao chất lượng điện năng và đảm bảo bảo vệ hệ thống, phân loại và định vị sự cố trên đường dây là khâu đầu tiên và cũng là thách thức lớn nhất đối với mỗi nhà khoa học nghiên cứu, kỹ sư và công ty phân phối khi thiết kế, vận hành và bảo vệ hệ thống năng lượng. Với mục đích này, trong những thập kỷ qua, một số phương pháp học máy (ML) đã được giới thiệu như mạng nơ rôn học máy (SVM), mạng nơ rôn nhân tạo (ANN), điều khiển logic mờ (FLC) và các phương pháp khác. Đối với SVM, nó là một kỹ thuật phân loại thông minh và ban đầu nó được giới thiệu bởi Vapmik et al.

Phương pháp này sử dụng vector đầu vào để ánh xạ vào không gian đặc trưng, một công cụ hữu hiệu và hiệu quả để phát hiện và phân loại các sự cố trên đường dây tải điện [5]. Có rất nhiều nghiên cứu được phát triển dựa trên SVM được thử nghiệm và triển khai. Ray và cộng sự. [6] đã áp dụng SVM để phân loại lỗi và xác định vị trí của một đường truyền dài.

Nhiều phương pháp tổ hợp với SVM được sử dụng để xác định và phân loại các sự cố trên đường truyền. Babu và cộng sự. [7] sử dụng các phương pháp SVM và Phân hủy Chế độ Kinh nghiệm (EMD), Guo và các cộng sự [8] áp dụng phương pháp SVM và Phân tích thành phần chính (PCA), Malathi et al. [9] sử dụng cách tiếp cận SVM nhiều lớp, và Livani và các cộng sự [10] sử dụng phương pháp kết hợp DWT với SVM.

Tất cả các kỹ thuật này đều dựa trên việc giám sát liên tục dòng điện, điện áp và trở kháng. ANN (mạng nơ rôn) là một kỹ thuật lập trình được phát triển trong các loại cấu trúc ANN khác nhau. Phương pháp này dễ thực hiện và rất hiệu quả để xác định và phân loại sự cố ngắn mạch [11]. Có rất nhiều nghiên cứu được phát triển dựa trên ANN [12].

ANN được thảo luận trong [13-15] bằng cách sử dụng WT để thu được các tính năng đặc biệt như tính toán năng lượng từ các tín hiệu của dòng điện và điện áp được đưa vào ANN để xác định và phân loại sự cố ngắn mạch. Kết quả mô phỏng thu được có độ chính xác cao. Tuy nhiên, nhược điểm của nó là thời gian đào tạo lớn. FLC cũng là một phương pháp rất hiệu quả để xác định và phân loại sự cố ngắn mạch và được áp dụng trong [16-18].

Saradarzadeh và cộng sự. [16] đã đề xuất một cấu trúc mờ để xác định sự cố ngắn mạch từ các tín hiệu điện áp và dòng 6 Luan van ĐỀ TÀI CẤP TRƯỜNG T2020-27TĐ TS. NGUYỄN NHÂN BỔN điện riêng biệt bằng cách sử dụng các thành phần thứ tự pha của điện áp và dòng điện ba pha có thể được đo từ các rơ le bảo vệ. Prasad và cộng sự [17] đã sử dụng một cấu trúc mờ bởi hai bộ phân loại.

Bộ phân loại đầu tiên được áp dụng để xác định sự cố ngắn mạch nối đất và bộ phân loại khác được áp dụng để phát hiện sự cố ngắn mạch pha. Adhikari và cộng sự [18] đã áp dụng logic mờ lấy tín hiệu dòng điện ba pha thu được từ các thiết bị đầu vào / đầu ra với độ chính xác phân loại cao. SVM, ANN hoặc FLC có thể được áp dụng cho các bài toán khác, mỗi vấn đề có ứng dụng điển hình của chúng tập trung tùy thuộc vào độ phức tạp hoặc bản chất khác nhau của vấn đề cần giải quyết. Tuy nhiên, mỗi phương pháp đều có nhược điểm của nó.

Trong trường hợp ANN, không có quy tắc chính xác nào cho việc lựa chọn số lượng lớp ẩn và số nơ-ron cho mỗi lớp ẩn. SVM yêu cầu một ma trận lớn [19]. FLC rất khó lập mô hình toán học và đòi hỏi kiến thức chuyên môn [20]. Ngoài ra, còn có các kỹ thuật khác.

Farshad và cộng sự [21] đã sử dụng k- Nearest Neighbors (k-NN) để phân loại và định vị các sự cố ngắn mạch SLG. Ray [22] đã áp dụng máy học cực trị vào vị trí sự cố ngắn mạch trong đường truyền bù nối tiếp. Hosseini [23] đã giới thiệu sự kết hợp giữa WT và SVM. Haq và cộng sự.

[24] đã giới thiệu sự kết hợp giữa ML dựa trên DWT và ML cực đoan kênh đôi. Gần đây, một số phương pháp kết hợp chính xác đã được giới thiệu để xác định, phân loại và định vị sự cố trong hệ thống điện. Ray et al. [25] đã trình bày một phương pháp kết hợp giữa máy học và biến đổi s để xác định vị trí sự cố ngắn mạch cho nguồn điện ngầm trong hệ thống phân phối.

Việc sử dụng ANN và WT đã được giới thiệu trong [26] để nghiên cứu phát hiện và phân loại sự cố ngắn mạch trong đường truyền dài. Phương pháp dựa trên WT và logic mờ đã được đề xuất trong [27] để phân loại sự cố mười một trong đường truyền. Trong phương pháp này, WT đã được áp dụng để phân rã các tín hiệu đầu ra, và logic mờ đã được áp dụng cho các quy tắc để đưa ra các dạng sự cố ngắn mạch như đầu ra. Một kỹ thuật định vị sự cố ngắn mạch khác đã được phát triển bởi Jung[28] cho các hệ thống truyền dẫn sử dụng WT và mạng nơ rôn mờ.

Đối với kỹ thuật này, hệ số phân tích đa độ phân giải (MRA) của Wavelet được sử dụng để phát hiện và phân loại các sự cố ngắn mạch. 7 Luan van ĐỀ TÀI CẤP TRƯỜNG T2020-27TĐ TS. NGUYỄN NHÂN BỔN Kỹ thuật WT được phát triển rộng rãi vào những năm 1980 và được sử dụng trong lĩnh vực toán học ứng dụng để xử lý hình ảnh và tín hiệu.