Nghiên Cứu Ứng Dụng Mạng Nơ-Ron Nhân Tạo Trong Sa Thải Phụ Tải Hệ Thống Điện Xét Đến Điều Khiển Sơ – Thứ Cấp Và Trọng Số AHP

Tóm tắt nghiên cứu (200-250 từ)

Nghiên cứu của nhóm tác giả ThS. Lê Thị Hồng Nhung, PGS. Quyền Huy Ánh, ThS. Lê Trọng Nghĩa và KS. Nguyễn Thái An (Khoa Điện – Điện Tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM) tập trung giải quyết bài toán: Làm thế nào để sa thải phụ tải khẩn cấp một cách tối ưu, nhanh chóng và giảm thiểu thiệt hại kinh tế khi xảy ra sự cố mất nguồn phát trong hệ thống điện?

Để trả lời câu hỏi này, nhóm nghiên cứu đã phát triển một phương pháp tiếp cận tích hợp:

  1. Xác định lượng công suất sa thải tối thiểu ($P_{LSmin}$) có xét đến khả năng tự điều chỉnh tần số sơ cấp (bộ điều tốc) và thứ cấp (hệ thống AGC) của các máy phát còn lại.
  2. Ứng dụng giải thuật Phân tích Thứ bậc (AHP) để lượng hóa và xếp hạng hệ số tầm quan trọng của các nút phụ tải.
  3. Ứng dụng mạng nơ-ron nhân tạo truyền ngược (ANN-BPNN) để ra quyết định phân bổ lượng sa thải công suất theo thời gian thực.

Kết quả thử nghiệm trên lưới điện chuẩn IEEE 37-Bus cho thấy mô hình ANN sử dụng thuật toán huấn luyện Bayesian Regularization đạt độ chính xác kiểm tra lên tới 98.58%. Giải pháp đề xuất cho phép ra quyết định chỉ sau 300ms, nâng cao đáy tần số đáp ứng động ($59.15\text{ Hz}$) và giảm thiểu đáng kể thiệt hại kinh tế so với phương pháp sa thải phụ tải dưới tần số truyền thống (UFLS).

Bối cảnh và tầm quan trọng (300-350 từ)

Trong vận hành hệ thống điện hiện đại, sự cân bằng liên tục giữa công suất phát và công suất tiêu thụ là điều kiện tiên quyết để duy trì tần số danh định ($50\text{ Hz}$ hoặc $60\text{ Hz}$). Khi một hoặc nhiều tổ máy phát điện công suất lớn bị sự cố ngắt khỏi lưới đột ngột, lượng công suất thiếu hụt nghiêm trọng sẽ khiến tần số sụt giảm nhanh chóng. Nếu không có biện pháp can thiệp kịp thời, sự cố có thể dẫn đến hiện tượng mất đồng bộ, rã lưới cục bộ hoặc sụp đổ toàn bộ hệ thống điện.

Hiện nay, phương pháp bảo vệ khẩn cấp phổ biến nhất là sa thải phụ tải dưới tần số (UFLS) dựa trên các rơ-le tần số cơ học hoặc số được cài đặt theo các ngưỡng nấc cố định. Tuy nhiên, phương pháp truyền thống này bộc lộ nhiều hạn chế lớn:

  • Độ trễ thời gian: Rơ-le UFLS chỉ tác động khi tần số đã rơi xuống dưới ngưỡng cài đặt, tạo ra độ trễ nguy hiểm làm tăng nguy cơ sập lưới.
  • Hiện tượng sa thải thừa/thiếu (Over/Under-shedding): UFLS không tính toán linh hoạt khả năng tự hồi phục thông qua điều khiển sơ cấp của tuabin và điều khiển thứ cấp (AGC) của các tổ máy phát còn hoạt động.
  • Bỏ qua giá trị kinh tế - xã hội: Phương pháp truyền thống cắt tải theo cụm cố định, không phân biệt được mức độ ưu tiên giữa các phụ tải trọng yếu (bệnh viện, trung tâm dữ liệu, khu công nghiệp mũi nhọn) và phụ tải thông thường.

Trước bối cảnh thị trường điện cạnh tranh và nguy cơ thiếu hụt nguồn cung, việc nghiên cứu một giải pháp sa thải phụ tải thông minh, tự động hóa cao và phản ứng ở cấp độ mili-giây là yêu cầu cấp thiết. Đề tài mở ra hướng đi mới trong việc ứng dụng trí tuệ nhân tạo (AI) để nâng cao độ tin cậy và an ninh năng lượng quốc gia.

Methodology và approach (350-400 từ)

Nghiên cứu kết hợp phương pháp giải tích hệ thống điện, lý thuyết ra quyết định đa tiêu chí và mô hình học máy (Machine Learning).

1. Mô hình giải tích cân bằng công suất và điều khiển tần số

Phương pháp xác định lượng công suất sa thải tối thiểu được xây dựng dựa trên đặc tính tĩnh của phụ tải theo tần số ($D$) và độ dốc điều tốc của các máy phát ($R_i$): $$P_{LSmin} = \Delta P_L - \left( \sum_{i=1}^{n-1} \frac{P_{Gn,i}}{R_i} + P_L \cdot D \right) \frac{\Delta f_{cp}}{f_0} - P_{Secondary_max}$$ Công thức này đảm bảo chỉ sa thải phần công suất thực sự thiếu hụt sau khi đã tận dụng tối đa lượng dự trữ quay sơ cấp và thứ cấp của hệ thống.

2. Thuật toán phân tích thứ bậc AHP (Analytic Hierarchy Process)

  • Phân chia lưới điện thành các trung tâm phụ tải ($LC_i$) và các nút phụ tải thành phần ($L_j$).
  • Xây dựng ma trận phán đoán so sánh cặp theo thang điểm 1–9 của Saaty.
  • Tính toán vector riêng chuẩn hóa để xác định hệ số tầm quan trọng toàn cục ($W_{ij} = W_{LCi} \times W_{Lj}$) cho từng phụ tải. Tải có $W_{ij}$ thấp sẽ ưu tiên bị sa thải trước với tỷ trọng lớn hơn.

3. Thiết kế và huấn luyện mạng Nơ-ron nhân tạo (ANN)

  • Cấu trúc mạng: Mạng truyền thẳng nhiều lớp (Multilayer Feedforward) với 3 lớp (Input - Hidden - Output).
  • Không gian biến:
    • 164 biến đầu vào: 9 biến thay đổi công suất phát ($\Delta P_G$), 25 biến công suất tải ($\Delta P_{Load}$), 56 biến dòng công suất nhánh ($\Delta P_{Branch}$), 37 biến độ lệch tần số ($\Delta f_{bus}$) và 37 biến độ lệch điện áp ($\Delta V_{bus}$).
    • 25 biến đầu ra: Lượng công suất cần sa thải tại 25 nút tải.
  • Tạo tập dữ liệu & Huấn luyện: Mô phỏng trên phần mềm PowerWorld Simulator (GSO 19) và MATLAB với 122 kịch bản sự cố (thay đổi phụ tải từ 60% đến 100% cực đại kết hợp ngắt ngẫu nhiên các máy phát). Dữ liệu được chia 80% cho huấn luyện (Train) và 20% cho kiểm tra (Test).
  • So sánh 4 thuật toán huấn luyện: Levenberg-Marquardt (trainlm), Bayesian Regularization (trainbr), Scaled Conjugate Gradient (trainscg), và Resilient Backpropagation (trainrp).

Phát hiện chính (400-450 từ)

Nghiên cứu mang lại các kết quả thực nghiệm nổi bật sau khi thử nghiệm trên hệ thống chuẩn IEEE 37-Bus (gồm 9 máy phát, 25 phụ tải, 57 nhánh ở 3 cấp điện áp 69kV, 138kV và 345kV):

1. Bayesian Regularization là thuật toán huấn luyện tối ưu nhất

Trong số 4 thuật toán được khảo sát, Bayesian Regularization (trainbr) thể hiện khả năng khái quát hóa vượt trội trên tập dữ liệu phi tuyến của hệ thống điện:

  • Độ chính xác huấn luyện (Training Accuracy): Đạt 97.92%.
  • Độ chính xác kiểm tra (Testing Accuracy): Đạt 98.58%.
  • Các thuật toán khác như trainscg và trainrp có xu hướng hội tụ kém hơn hoặc rơi vào cực tiểu địa phương khi số lượng chiều dữ liệu tăng cao.
Thuật toán huấn luyện Độ chính xác huấn luyện (%) Độ chính xác kiểm tra (%)
Bayesian Regularization (trainbr) 97.92% 98.58%
Scaled Conjugate Gradient (trainscg) Trung bình Thấp hơn
Resilient Backpropagation (trainrp) Khá Trung bình

2. Tương quan giữa số lượng biến ngõ vào và độ chính xác

Kết quả mô phỏng chỉ ra rằng độ chính xác nhận dạng của mạng ANN tăng tỷ lệ thuận với số lượng biến trạng thái ngõ vào. Độ chính xác đạt trạng thái bão hòa tối ưu khi mạng tiếp nhận từ 130 đến 164 biến đầu vào toàn diện, phản ánh đầy đủ cả thông số công suất, điện áp và tần số tại từng nút.

3. Tốc độ tác động siêu tốc (300ms)

Mạng ANN đề xuất chỉ mất 300ms sau khi xảy ra sự cố máy phát để phân tích toàn bộ trạng thái lưới và đưa ra lệnh sa thải chi tiết cho từng nút tải. Tốc độ này nhanh hơn đáng kể so với rơ-le UFLS (phải đợi tần số tụt qua các ngưỡng $59.5\text{ Hz}, 59.3\text{ Hz},...$ cùng thời gian trễ cơ học).

4. Cải thiện đặc tính đáp ứng tần số động (Frequency Nadir)

Khi ngắt tổ máy phát BLT138 (Bus 53) gây thiếu hụt công suất:

  • Giá trị tần số thấp nhất (Frequency Nadir) của phương pháp ANN-AHP đạt $59.15\text{ Hz}$, cao hơn rõ rệt so với phương pháp UFLS truyền thống.
  • Cả hai phương pháp đều đưa tần số xác lập về mức an toàn $59.7\text{ Hz}$ trong thời gian 65 giây, nhưng ANN-AHP giúp giảm thiểu biên độ dao động quá độ, ngăn chặn hiện tượng mất ổn định điện áp thứ cấp.

5. Giảm thiểu thiệt hại kinh tế nhờ phân bổ AHP

Với cùng một lượng công suất sa thải ($16.64\text{ MW}$):

  • Phương pháp UFLS cắt tải ngẫu nhiên theo bậc cài đặt cố định, gây gián đoạn các tải quan trọng.
  • Phương pháp ANN-AHP tối ưu hóa hàm mục tiêu thiệt hại kinh tế $\sum (P_{LSi} \times C_{mi})$, giữ lại tối đa nguồn điện cho các tải có chi phí thiệt hại cao và chỉ cắt giảm tại các tải ít quan trọng.

Đóng góp khoa học (250-300 từ)

Đóng góp về mặt lý thuyết

Nghiên cứu đã hoàn thiện công thức giải tích tính toán công suất sa thải tối thiểu bằng việc kết hợp đồng thời phản ứng động lực học của bộ điều tốc tuabin (điều khiển sơ cấp) và khả năng bù công suất của hệ thống AGC (điều khiển thứ cấp). Điều này khắc phục triệt để giả định tĩnh thường thấy trong các mô hình sa thải tải cổ điển.

Cải tiến về mặt phương pháp luận

Sự kết hợp liên hoàn giữa AHP (định tính & định lượng đa tiêu chí) và ANN (xử lý song song phi tuyến tốc độ cao) tạo nên một quy trình khép kín từ khâu đánh giá mức độ quan trọng của tải đến khâu thực thi điều khiển thời gian thực.

Ứng dụng thực tiễn và Quản lý vận hành

  • Cung cấp mô hình thuật toán có khả năng nhúng trực tiếp vào các hệ thống quản lý năng lượng (EMS - Energy Management System) và hệ thống giám sát điều khiển thu thập dữ liệu (SCADA) tại các Trung tâm Điều độ Hệ thống điện (như A0, các Ax tại Việt Nam).
  • Tạo tiền đề xây dựng cơ chế quản lý nhu cầu phụ tải (DSM) và dịch vụ phụ trợ điều tần trong thị trường điện bán buôn cạnh tranh.

Đối tượng quan tâm (200-250 từ)

Nghiên cứu mang lại giá trị thiết thực cho nhiều nhóm chuyên môn:

  1. Kỹ sư vận hành và Điều độ viên hệ thống điện: Cung cấp công cụ hỗ trợ ra quyết định tự động, giảm thiểu rủi ro thao tác sai lầm của con người trong các tình huống sự cố khẩn cấp diễn ra trong tích tắc.
  2. Các nhà nghiên cứu và Học viên sau đại học: Tài liệu tham khảo chuẩn mực về phương pháp kết hợp mô phỏng quá độ hệ thống điện (PowerWorld/MATLAB) với các giải thuật học sâu và lý thuyết ra quyết định đa tiêu chí.
  3. Các Công ty Truyền tải và Phân phối Điện lực (EVN/DISCOMs): Cung cấp giải pháp kỹ thuật nhằm giảm thiểu chỉ số mất điện bình quân của hệ thống (SAIDI, SAIFI) và hạn chế chi phí bồi thường kinh tế do cắt điện đột ngột.
  4. Cơ quan quản lý và hoạch định chính sách năng lượng: Cung cấp cơ sở khoa học để hiệu chỉnh các quy chuẩn kỹ thuật quốc gia về sa thải phụ tải và ổn định tần số lưới điện.

Câu hỏi thường gặp (FAQ) (250-300 từ)

1. Phát hiện quan trọng nhất của đề tài là gì?

Đó là việc chứng minh mạng nơ-ron huấn luyện bằng thuật toán Bayesian Regularization có thể đưa ra chiến lược sa thải tải tối ưu trong vòng 300ms với độ chính xác 98.58%, vừa giữ vững tần số hệ thống vừa giảm thiểu tổn thất kinh tế.

2. Điểm khác biệt giữa phương pháp đề xuất và rơ-le UFLS truyền thống là gì?

UFLS truyền thống tác động thụ động dựa trên ngưỡng tần số cố định kèm độ trễ thời gian, dễ gây sa thải thừa. Phương pháp đề xuất chủ động tính toán lượng thiếu hụt thực tế (đã trừ dự trữ sơ/thứ cấp) và phân bổ tải cắt theo trọng số AHP thông minh qua mạng ANN.

3. Vì sao thuật toán AHP lại cần thiết trong bài toán này?

AHP giúp lượng hóa kinh nghiệm chuyên gia để thiết lập ma trận ưu tiên cho từng phụ tải. Nhờ đó, các phụ tải quan trọng (y tế, viễn thông, công nghiệp cao) được bảo vệ tối đa, chỉ cắt tải không thiết yếu trước.

4. Kết quả nghiên cứu có thể mở rộng cho các hệ thống điện khác không?

Có. Quy trình xây dựng tập mẫu trên PowerWorld, trích xuất đặc trưng trạng thái lưới và huấn luyện mạng ANN hoàn toàn có thể áp dụng cho các sơ đồ lưới điện phức tạp hơn hoặc các lưới điện phân phối Microgrid.

5. Hướng phát triển tiếp theo của nghiên cứu là gì?

Tích hợp thêm tính biến thiên bất định của các nguồn năng lượng tái tạo (điện gió, điện mặt trời) và nghiên cứu sa thải phụ tải thích nghi trong chế độ Microgrid vận hành tách lưới (Islanded mode).

Kết luận (150 từ)

Đề tài NCKH cấp trường trọng điểm mã số T2020-22TĐ do ThS. Lê Thị Hồng Nhung làm chủ nhiệm đã giải quyết thành công bài toán tối ưu hóa sa thải phụ tải hệ thống điện khi xảy ra sự cố mất máy phát. Bằng việc kết hợp hài hòa giữa mô hình điều khiển sơ – thứ cấp, giải thuật phân cấp AHP và mạng nơ-ron nhân tạo Bayesian ANN, nghiên cứu đã mang lại một giải pháp toàn diện: phản ứng nhanh (300ms), độ chính xác cao (98.58%), đảm bảo ổn định động tần số và tối ưu hóa lợi ích kinh tế. Đây là tài liệu khoa học giá trị, mở đường cho việc ứng dụng AI sâu rộng trong vận hành lưới điện thông minh tại Việt Nam.