Luận văn Thạc sĩ Kỹ thuật: nhận dạng sự cố trong hệ thống điện

Luận văn thạc sĩ kỹ thuật phân tích nhận dạng sự cố trong hệ thống điện, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Nguyễn Phát Lợi
• Người hướng dẫn: PGS.TS Quyền Huy Ánh
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện
• Đề tài: Nhận Dạng Sự Cố Trong Hệ Thống Điện
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• Quyết định giao đề tài
• Lý lịch khoa học
• Lời cam đoan
• Lời cảm ơn
• Danh sách các chữ viết tắt
• Danh sách các hình
• Danh sách các bảng
• 1. Chương 1: TỔNG QUAN
• 1.1. Tổng quan chung về vấn đề nghiên cứu
• 1.2. Các kết quả nghiên cứu trong và ngoài nước đã công bố
• 1.2.1. Phương pháp mạng nơ – ron nhân tạo để bảo vệ khoảng cách cho đường dây truyền tải
• 1.2.2. Áp dụng nhận dạng mẫu trong bảo vệ khoảng cách
• 1.2.3. Phương pháp Nơ – ron mờ (Fuzzy neural) để phân loại sự cố cho bảo vệ đường dây truyền tải
• 1.2.4. Thuật toán mạng nơ – ron cải tiến cho việc phân loại sự cố trên đường dây truyền tải
• 1.2.5. Xác định vị trí xảy ra sự cố trong hệ thống điện: phương pháp nhận dạng mẫu
• 1.3. Mục tiêu của đề tài
• 1.4. Nhiệm vụ của đề tài và giới hạn đề tài
• 1.5. Phương pháp nghiên cứu
• 2. Chương 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các dạng rơ le bảo vệ
• 2.1.1. Bảo vệ dòng điện cực đại (51)
• 2.1.2. Bảo vệ dòng điện cắt nhanh (50)
• 2.1.3. Bảo vệ khoảng cách (21)
• 2.1.4. Bảo vệ dòng có hướng (67)
• 2.1.5. Bảo vệ dòng thứ tự nghịch (46)
• 2.1.6. Bảo vệ quá nhiệt (49)
• 2.1.7. Bảo vệ tự động đóng trở lại (79)
• 2.1.8. Bảo vệ tần số cao và vô tuyến (85)
• 2.1.9. Bảo vệ so lệch dòng điện (87)
• 2.2. Sơ đồ và chức năng hệ thống rơ le bảo vệ đường dây
• 2.2.1. Rơ le bảo vệ cho mạng điện hình tia một nguồn cung cấp
• 2.2.2. Rơ le bảo vệ cho mạng điện mạch vòng
• 2.2.3. Rơ le bảo vệ cho mạng điện phân phối có máy cắt tự đóng lại
• 2.2.4. Rơ le bảo vệ cho đường dây song song
• 2.2.5. Rơ le bảo vệ cho đường dây trên không hay cáp ngầm với nguồn cấp ở hai phía
• 2.3. Các khái niệm cơ bản về nhận dạng mẫu
• 2.3.1. Chức năng hệ thống nhận dạng mẫu
• 2.3.2. Phương pháp thống kê (Statistical approach)
• 2.3.3. Phương pháp tiếp cận cú pháp (Syntactic approach)
• 2.3.4. Phương pháp mẫu phù hợp (Template matching)
• 2.3.5. Phương pháp mạng nơ – ron (Neural networks)
• 2.3.6. Mẫu huấn luyện và mẫu kiểm tra
• 2.3.6.1. Mẫu huấn luyện
• 2.3.6.2. Mẫu kiểm tra
• 2.3.7. Thông số đặc trưng của mẫu
• 3. Chương 3: THUẬT TOÁN MẠNG NƠ – RON
• 3.1. Cấu tạo mạng nơ – ron đa lớp (Multilayer Perception)
• 3.2. Học tập không có giám sát
• 3.3. Học tập có giám sát
• 3.4. Thuật toán mạng nơ – ron
• 4. Chương 4: MÔ HÌNH HOÁ HỆ THỐNG ĐIỆN VÀ GIẢI PHÁP ĐỀ XUẤT
• 4.1. Mô hình lưới điện
• 4.2. Tập dữ liệu huấn luyện và mục tiêu
• 4.3. Môi trường mô phỏng
• 4.3.1. Phần mềm PowerWorld
• 4.3.2. Phần mềm Matlab
• 4.4. Giải pháp phần cứng đề xuất
• 5. Chương 5: NHẬN DẠNG SỰ CỐ ĐƯỜNG DÂY
• 5.1. Kết quả huấn luyện
• 5.1.1. Nhận xét kết quả
• 5.2. Kiểm tra nhận dạng sự cố trên đường dây
• 6. Chương 6: KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN
• 6.1. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Khái niệm và tầm quan trọng của nhận dạng sự cố trong hệ thống điện

Nhận dạng sự cố trong hệ thống điện là quá trình xác định, phân loại và định vị các sự cố xảy ra trên đường dây truyền tải và phân phối điện. Đây là một lĩnh vực nghiên cứu quan trọng trong kỹ thuật điện hiện đại, giúp đảm bảo an toàn, ổn định và độ tin cậy của hệ thống điện quốc gia. Khi xảy ra sự cố, hệ thống bảo vệ rơ le phải phản ứng nhanh chóng để cách ly vùng sự cố, ngăn chặn mở rộng và giảm thiểu tổn thất. Công nghệ nhận dạng sự cố hiện đại sử dụng các phương pháp tiên tiến như mạng nơ-ron nhân tạo, thuật toán mờ và xử lý tín hiệu số để cải thiện độ chính xác và tốc độ phản ứng.

1.1. Định nghĩa sự cố trong hệ thống điện

Sự cố điện là tình trạng bất thường làm gián đoạn hoạt động bình thường của hệ thống điện. Các loại sự cố chính bao gồm đơn pha đất, đôi pha đất, ba pha, đôi pha, và chập tạm thời. Mỗi loại sự cố có đặc điểm khác nhau về dòng điện, điện áp và thời gian xảy ra, yêu cầu các biện pháp bảo vệ khác nhau.

1.2. Vai trò của hệ thống bảo vệ rơ le

Hệ thống rơ le bảo vệ đóng vai trò thiết yếu trong nhận dạng và xử lý sự cố. Các loại rơ le bảo vệ khác nhau như bảo vệ dòng cực đại (51), bảo vệ khoảng cách (21), và bảo vệ dòng có hướng (67) phối hợp để phát hiện sớm và cách ly sự cố một cách hiệu quả.

II. Các phương pháp nhận dạng sự cố hiện đại

Các phương pháp nhận dạng sự cố hiện đại đã phát triển từ rơ le cơ học truyền thống sang công nghệ số và trí tuệ nhân tạo. Mạng nơ-ron nhân tạo (ANN) cho phép máy tính học từ dữ liệu lịch sử để dự đoán và phân loại sự cố với độ chính xác cao. Phương pháp mạng nơ-ron mờ (Fuzzy Neural) kết hợp logic mờ với mạng nơ-ron, cải thiện khả năng xử lý các tình huống không chắc chắn. Thuật toán mạng nơ-ron cải tiến như Deep Learning và Support Vector Machine (SVM) mang lại hiệu suất tốt hơn trong phân loại sự cố đường dây truyền tải. Các phương pháp này không chỉ nhận dạng mà còn xác định vị trí xảy ra sự cố chính xác.

2.1. Mạng nơ ron nhân tạo ANN cho bảo vệ khoảng cách

Mạng nơ-ron nhân tạo sử dụng các tín hiệu dòng và điện áp từ máy biến dòng (CT) và máy biến áp (PT) để đào tạo mô hình nhận dạng. Phương pháp này cải thiện độ chính xác so với rơ le truyền thống, đặc biệt trong các điều kiện mạng điện phức tạp.

2.2. Nhận dạng mẫu và định vị sự cố

Nhận dạng mẫu (Pattern Recognition) giúp hệ thống học phân biệt các mẫu sự cố khác nhau dựa trên đặc trưng của tín hiệu. Kỹ thuật này cho phép xác định vị trí xảy ra sự cố dọc theo đường dây truyền tải bằng cách so sánh với dữ liệu tham chiếu đã lưu trữ.

III. Ứng dụng thực tiễn của nhận dạng sự cố

Trong thực tiễn vận hành hệ thống điện Việt Nam, nhận dạng sự cố được ứng dụng rộng rãi cho các loại mạng điện khác nhau. Đối với mạng điện hình tia một nguồn cung cấp, rơ le bảo vệ được sắp xếp theo thứ tự ưu tiên từ xa đến gần. Đối với mạng điện mạch vòng, hệ thống phải có khả năng phân biệt sự cố ở các nhánh khác nhau. Mạng điện phân phối có máy cắt tự đóng lại yêu cầu nhận dạng nhanh để phân loại sự cố tạm thời hay vĩnh viễn. Đường dây song song cần bảo vệ riêng biệt để tránh mất mát đồng thời hai đường. Các ứng dụng này cho thấy tầm quan trọng của công nghệ nhận dạng sự cố tiên tiến.

3.1. Bảo vệ rơ le cho mạng điện mạch vòng

Mạng điện mạch vòng yêu cầu hệ thống bảo vệ có khả năng nhận dạng phương hướng sự cố. Rơ le dòng có hướng (67) được sử dụng để xác định hướng dòng điện, từ đó nhận dạng vị trí sự cố trên vòng mạch. Điều này giúp tối ưu hóa việc cách ly sự cố.

3.2. Bảo vệ cho đường dây trên không và cáp ngầm

Đường dây trên không và cáp ngầm có đặc tính truyền tải khác nhau. Hệ thống nhận dạng phải điều chỉnh thông số để phù hợp với loại đường dây cụ thể. Bảo vệ tần số cao (85) thường được sử dụng cho đường dây trên không để phát hiện sự cố nhanh chóng.

IV. Hướng phát triển và thách thức trong nhận dạng sự cố

Tương lai của nhận dạng sự cố trong hệ thống điện hướng tới sự tích hợp công nghệ Lưới điện thông minh (Smart Grid) và Điện toán đám mây (Cloud Computing). Các thách thức chính bao gồm xử lý dữ liệu lớn từ hàng ngàn cảm biến, đảm bảo độ tin cậy của thuật toán nhận dạng trong các điều kiện mạng không lý tưởng, và tối ưu hóa thời gian phản ứng của hệ thống. Nghiên cứu hiện tại tập trung vào phát triển mô hình học máy mạnh mẽ hơn, cải thiện chất lượng dữ liệu huấn luyện, và xây dựng các hệ thống kiểm soát phân tán để nâng cao độ ổn định tổng thể. Luận văn thạc sĩ về nhận dạng sự cố đóng góp quan trọng vào việc phát triển các phương pháp mới này.

4.1. Tích hợp trí tuệ nhân tạo trong bảo vệ đường dây

Trí tuệ nhân tạo (AI) và Deep Learning mở ra khả năng nhận dạng sự cố với độ chính xác cao hơn 99%. Các mô hình học sâu có thể tự động học từ dữ liệu lịch sử mà không cần thiết kế thủ công các luật bảo vệ, giúp hệ thống thích ứng với sự thay đổi của mạng lưới điện.

4.2. Thách thức và giải pháp trong tương lai

Thách thức lớn là đảm bảo độ tin cậy và bảo mật của hệ thống nhận dạng sự cố trong môi trường đe dọa mạng hiện đại. Giải pháp bao gồm phát triển mạng nơ-ron chống nhiễu, xác thực dữ liệu, và hệ thống dự phòng để đảm bảo vận hành an toàn.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống điện hiện đại, khoảng 80% đến 90% các sự cố xuất hiện trên đường dây truyền tải trên không là sự cố thoáng qua. Việc phát hiện, phân loại và cô lập nhanh chóng các dạng sự cố ngắn mạch đóng vai trò sống còn nhằm đảm bảo tính ổn định và liên tục của nguồn cung cấp điện. Các hệ thống bảo vệ truyền thống sử dụng rơ le quá dòng (50/51), rơ le khoảng cách (21) hay rơ le có hướng (67) thường hoạt động dựa trên các ngưỡng cài đặt cố định với thời gian trễ từ 0,2 đến 0,5 giây. Khi cấu trúc lưới điện thay đổi hoặc xuất hiện các thành phần quá độ phức tạp, việc phối hợp thời gian giữa các cấp rơ le gặp nhiều trở ngại, dẫn đến nguy cơ cắt nhầm hoặc cắt chậm, đe dọa an toàn toàn hệ thống.

Mục tiêu cốt lõi của nghiên cứu là xây dựng phương pháp nhận dạng và phân loại tự động các dạng sự cố ngắn mạch trên đường dây truyền tải điện áp cao thông qua kỹ thuật nhận dạng mẫu và mạng nơ-ron nhân tạo nhiều lớp (Multilayer Perceptron - MLP). Đề tài tập trung giải quyết bài toán phân biệt chính xác các dạng sự cố một pha chạm đất, hai pha chạm nhau, hai pha chạm đất và ngắn mạch ba pha trên mô hình lưới điện chuẩn IEEE.

Nghiên cứu được triển khai thực nghiệm thông qua các công cụ mô phỏng PowerWorld Simulator và MATLAB. Ý nghĩa khoa học và thực tiễn của luận văn thể hiện ở việc nâng cao phạm vi bảo vệ vùng 1 của rơ le khoảng cách từ mức 80% lên đến 96% chiều dài đường dây, đồng thời duy trì độ chính xác nhận dạng trên 97% và giảm thiểu sai số phân loại xuống dưới mức 2,7%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu tích hợp hai trụ cột lý thuyết chuyên ngành: lý thuyết bảo vệ rơ le hệ thống điện và lý thuyết nhận dạng mẫu thông minh. Hệ thống bảo vệ rơ le được xem xét toàn diện qua 9 chức năng tiêu chuẩn ANSI bao gồm: bảo vệ quá dòng cắt nhanh (50), bảo vệ quá dòng cực đại (51), bảo vệ khoảng cách 3 vùng tác động (21), bảo vệ dòng có hướng (67), bảo vệ dòng thứ tự nghịch (46), bảo vệ quá nhiệt (49), bảo vệ tự động đóng lại (79), bảo vệ tần số cao (85) với dải tần từ 50 kHz đến 300 kHz, và bảo vệ so lệch dòng điện (87).

Trong lĩnh vực nhận dạng mẫu, nghiên cứu phân tích và kế thừa 4 phương pháp tiếp cận chính: phương pháp thống kê, phương pháp tiếp cận cú pháp, phương pháp mẫu phù hợp và phương pháp mạng nơ-ron nhân tạo. Khung lý thuyết trọng tâm áp dụng mô hình mạng nơ-ron truyền thẳng đa lớp kết hợp với hàm kích hoạt sigmoid phi tuyến. Để tối ưu hóa quá trình trích xuất đặc trưng và tiền xử lý dữ liệu, giải thuật phân cụm ISODATA cải tiến được vận dụng trong giai đoạn học không giám sát để phân tách các cụm mẫu đồng nhất và không đồng nhất, làm tiền đề cho quá trình học có giám sát.

Phương pháp nghiên cứu

Nguồn dữ liệu của nghiên cứu được tạo lập từ phần mềm mô phỏng hệ thống điện PowerWorld Simulator phiên bản 17 và xử lý thuật toán trên môi trường MATLAB phiên bản 2010b. Cỡ mẫu nghiên cứu bao gồm 1.050 kịch bản sự cố khác nhau, bao phủ đầy đủ các dạng ngắn mạch đối xứng và không đối xứng tại các vị trí từ 0% đến 100% chiều dài đường dây truyền tải. Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng dựa trên các biến số: loại sự cố, vị trí sự cố dọc theo đường dây, và góc pha xuất hiện sự cố. Toàn bộ tập dữ liệu được phân chia theo tỷ lệ chuẩn hóa: 70% dành cho tập huấn luyện (Training set), 15% cho tập kiểm định (Validation set) và 15% cho tập kiểm tra độc lập (Test set).

Lý do lựa chọn giải thuật lan truyền ngược Gradient liên hợp có tỷ lệ (Scaled Conjugate Gradient - trainscg) là nhờ khả năng tối ưu hóa hướng tìm kiếm ma trận trọng số, giúp tốc độ hội tụ nhanh hơn vượt bậc so với phương pháp Gradient descent truyền thống và triệt tiêu nhu cầu dò tìm bước lặp phức tạp ở từng chu kỳ. Quy trình nghiên cứu được thực hiện qua 7 bước chuẩn mực: thu thập tín hiệu dòng áp 3 pha, chuẩn hóa dữ liệu đầu vào, khởi tạo cấu hình mạng MLP, thiết lập ma trận trọng số và độ lệch ban đầu, huấn luyện mạng bằng giải thuật trainscg với hàm mục tiêu sai số bình phương trung bình (MSE), đánh giá chất lượng qua biểu đồ hồi quy và kiểm chứng khả năng tổng quát hóa trên mô hình lưới điện thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và kiểm nghiệm mạng nơ-ron nhân tạo trên tập dữ liệu 1.050 trường hợp sự cố đã đem lại các kết quả nổi bật sau:

Thứ nhất, mô hình mạng MLP áp dụng thuật toán huấn luyện trainscg đạt tỷ lệ nhận dạng và phân loại sự cố chính xác lên đến 97,3% trên tập mẫu thử nghiệm độc lập. Tỷ lệ này khẳng định khả năng phát hiện đúng bản chất của từng dạng ngắn mạch dù có sự xuất hiện của các yếu tố phi tuyến.

Thứ hai, tổng tỷ lệ sai số phân loại của toàn bộ hệ thống được khống chế ở mức rất thấp là 2,7%. So với mức sai số điển hình từ 5% đến 8% của các thiết bị rơ le tĩnh và rơ le cơ truyền thống, phương pháp mới mang lại độ tin cậy vượt trội trong các điều kiện vận hành khắc nghiệt.

Thứ ba, vùng bảo vệ thứ nhất (Zone 1) của rơ le khoảng cách được mở rộng thành công lên tới 96% chiều dài đường dây truyền tải, cao hơn đáng kể so với giới hạn an toàn 80% đến 85% của các rơ le thông thường. Bước tiến này giúp hệ thống loại trừ gần như toàn bộ sự cố trên đường dây mà không cần độ trễ thời gian 0,5 giây của vùng 2.

Thứ tư, hệ số tương quan hồi quy tuyến tính giữa giá trị đầu ra dự báo của mạng và giá trị mục tiêu thực tế đạt giá trị xấp xỉ 1,0 trên cả ba tập huấn luyện, kiểm định và kiểm tra, chứng minh mô hình không bị rơi vào hiện tượng học quá mức (overfitting).

Thảo luận kết quả

Hiệu quả vượt trội của mô hình nhận dạng nơ-ron bắt nguồn từ cấu trúc đa lớp với các hàm truyền sigmoid có khả năng giải quyết triệt để các bài toán phân tách phi tuyến phức tạp. Khi hệ thống xảy ra sự cố chạm đất một pha hoặc ngắn mạch hai pha, sự xuất hiện của thành phần dòng điện một chiều DC tự do thường làm dịch chuyển dạng sóng và gây sai số lớn cho các bộ lọc đo lường cơ học. Tuy nhiên, nhờ quá trình chuẩn hóa biên độ dòng điện, điện áp ba pha và các thành phần thứ tự đối xứng ($I_0, I_1, I_2$), mạng nơ-ron vẫn trích xuất chính xác các đặc trưng cốt lõi để đưa ra quyết định đóng cắt.

Kết quả nghiên cứu được minh chứng trực quan thông qua ma trận nhầm lẫn (Confusion Matrix), trong đó các ô màu xanh lá biểu thị các trường hợp phân loại chính xác từng dạng ngắn mạch với tỷ lệ tuyệt đối, trong khi các ô màu đỏ chỉ ra số lượng rất nhỏ các mẫu bị phân loại nhầm tập trung ở khu vực ranh giới cuối đường dây. Đồng thời, biểu đồ đường cong học tập thể hiện giá trị sai số bình phương trung bình MSE giảm đều đặn từ mức 0,5 ban đầu xuống dưới ngưỡng dung sai $10^{-4}$ chỉ sau một số lượng chu kỳ lặp vừa phải. So với các công trình nghiên cứu sử dụng thuật toán k-lân cận gần nhất (k-NN), việc kết hợp mạng MLP với tiền xử lý phân cụm giúp giảm thiểu hơn 40% thời gian tính toán và loại bỏ hoàn toàn các điểm mù bảo vệ tại thanh cái.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, bốn nhóm giải pháp kỹ thuật và ứng dụng được đề xuất nhằm hoàn thiện hệ thống bảo vệ thông minh:

Một là, tích hợp trực tiếp thuật toán mạng nơ-ron nhận dạng sự cố vào bộ vi xử lý của các dòng rơ le kỹ thuật số thế hệ mới. Mục tiêu là rút ngắn thời gian phát hiện và gửi lệnh cắt máy cắt xuống dưới mức 0,03 giây. Lộ trình thực hiện khuyến nghị trong vòng 12 đến 24 tháng, do các trung tâm điều độ hệ thống điện và các đơn vị truyền tải điện chủ trì triển khai thí điểm tại các trạm biến áp 220kV và 500kV.

Hai là, xây dựng cơ sở dữ liệu mẫu sự cố mở rộng bao gồm tối thiểu 5.000 trường hợp vận hành thực tế, bổ sung các kịch bản dao động công suất, chuyển nấc máy biến áp và tác động của sét đánh trên đường dây. Thời gian hoàn thành dự kiến trong 18 tháng, với sự phối hợp giữa các viện nghiên cứu năng lượng và các công ty truyền tải.

Ba là, phát triển giải thuật lai ghép giữa mạng nơ-ron và hệ suy luận mờ (Fuzzy-Neural) nhằm tăng cường độ nhạy bảo vệ trong các trường hợp ngắn mạch có điện trở quá độ cao. Mục tiêu kỹ thuật là giảm thiểu sai số nhận dạng xuống dưới 1,5% ngay cả khi mạng điện có tỷ lệ thâm nhập nguồn năng lượng tái tạo biến thiên trên 30%, triển khai nghiên cứu trong giai đoạn 2025-2027.

Bốn là, cập nhật và ban hành bộ tiêu chuẩn kỹ thuật quốc gia về thử nghiệm và cài đặt chức năng nhận dạng thông minh cho hệ thống rơ le bảo vệ đường dây truyền tải. Các cơ quan quản lý nhà nước thuộc Bộ Công Thương và các trường đại học kỹ thuật cần hoàn thiện khung hướng dẫn trong giai đoạn 2025-2026.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chuyên môn:

Kỹ sư vận hành và điều độ hệ thống điện: Giúp nắm vững nguyên lý phối hợp các chức năng bảo vệ 50/51, 21, 67, 87 và cơ chế vận hành của thuật toán nhận dạng thông minh, từ đó tối ưu hóa các thông số cài đặt rơ le trên lưới truyền tải thực tế, giảm thời gian gián đoạn cung cấp điện từ 0,5 giây xuống dưới 0,05 giây.

Chuyên gia nghiên cứu và phát triển thiết bị bảo vệ (R&D Relay): Sử dụng làm cơ sở lý thuyết và thuật toán mẫu để nhúng các khối chương trình nhận dạng nơ-ron lên các chip xử lý tín hiệu số DSP hoặc FPGA trong các dòng rơ le số thương mại.

Giảng viên và học viên cao học ngành Kỹ thuật điện: Khai thác phương pháp luận mô hình hóa lưới điện bằng PowerWorld Simulator và thuật toán huấn luyện nơ-ron trên MATLAB làm tài liệu giảng dạy, nghiên cứu chuyên sâu trong các học phần Bảo vệ Rơ le nâng cao và Trí tuệ nhân tạo trong Hệ thống điện.

Doanh nghiệp tích hợp hệ thống lưới điện thông minh (Smart Grid): Tham khảo giải pháp mở rộng vùng bảo vệ rơ le khoảng cách lên 96% để thiết kế các trạm biến áp số không người trực, tối ưu hóa chi phí đầu tư thiết bị đo lường phụ trợ.

Câu hỏi thường gặp

Ưu điểm nổi bật của việc áp dụng mạng nơ-ron nhân tạo so với rơ le khoảng cách truyền thống là gì? Mạng nơ-ron có khả năng tự học các mối quan hệ phi tuyến phức tạp từ dữ liệu dòng áp ba pha. Nhờ đó, phạm vi bảo vệ vùng 1 được mở rộng từ 80% lên 96% chiều dài đường dây và hệ thống không bị ảnh hưởng bởi điện trở tiếp xúc sự cố hay sự thay đổi cấu hình nguồn.

Tại sao nghiên cứu lại chọn giải thuật huấn luyện Scaled Conjugate Gradient (trainscg)? Thuật toán trainscg giúp tìm kiếm tối ưu dọc theo các hướng liên hợp mà không cần thực hiện dò tìm theo đường thẳng ở mỗi bước lặp. Điều này giúp giảm đáng kể khối lượng tính toán ma trận đạo hàm, tăng tốc độ hội tụ và tránh hiện tượng dừng sớm tại các cực tiểu cục bộ.

Mô hình nhận dạng có hoạt động chính xác khi có thành phần dòng điện một chiều DC tự do không? Có. Nhờ việc chuẩn hóa dữ liệu đầu vào và huấn luyện mạng trên tập mẫu đa dạng chứa các thành phần quá độ, mô hình vẫn duy trì độ chính xác 97,3% ngay cả khi dạng sóng dòng điện bị dịch chuyển trục bởi thành phần DC phi chu kỳ.

Mạng nơ-ron nhiều lớp (MLP) trong nghiên cứu sử dụng các tín hiệu đầu vào cụ thể nào? Mạng sử dụng các vectơ đầu vào chuẩn hóa bao gồm biên độ điện áp ba pha, dòng điện ba pha và các thành phần đối xứng thứ tự không, thứ tự nghịch và thứ tự thuận thu thập từ các máy biến dòng (CT) và biến điện áp (VT).

Làm thế nào để kiểm soát và ngăn chặn hiện tượng học quá mức (overfitting) trong đề tài? Nghiên cứu áp dụng quy trình kiểm định chéo với việc chia dữ liệu thành 3 tập độc lập: 70% huấn luyện, 15% kiểm định và 15% kiểm tra. Quá trình huấn luyện tự động dừng khi sai số trên tập kiểm định có xu hướng tăng, đồng thời hệ số tương quan hồi quy đạt xấp xỉ 1,0.

Kết luận

Nghiên cứu đã mang lại những đóng góp khoa học và thực tiễn quan trọng sau:

• Hệ thống hóa toàn diện cơ sở lý thuyết về 9 dạng bảo vệ rơ le tiêu chuẩn và 4 phương pháp nhận dạng mẫu hiện đại trong hệ thống điện.
• Thiết lập quy trình 7 bước xây dựng mô hình mạng nơ-ron nhân tạo MLP kết hợp giải thuật huấn luyện tối ưu Scaled Conjugate Gradient (trainscg).
• Đạt độ chính xác nhận dạng và phân loại sự cố ngắn mạch lên đến 97,3% với tổng sai số chỉ 2,7% trên 1.050 tập mẫu kiểm tra mô phỏng.
• Mở rộng thành công phạm vi tác động tức thời vùng 1 của rơ le bảo vệ khoảng cách lên tới 96% chiều dài đường dây truyền tải.
• Đề xuất lộ trình tích hợp thuật toán lên thiết bị phần cứng rơ le số và mở rộng nghiên cứu hệ mờ - nơ-ron trong giai đoạn 2025-2027.

Luận văn đã giải quyết triệt để các hạn chế của hệ thống bảo vệ rơ le truyền thống, mở ra hướng đi mới đầy triển vọng cho việc ứng dụng trí tuệ nhân tạo vào lưới điện thông minh. Các kỹ sư, nhà nghiên cứu và đơn vị quản lý vận hành lưới điện có thể ứng dụng ngay các kết quả này để nâng cao độ tin cậy và an toàn cung cấp điện.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN 1. Tổng quan chung về vấn đề nghiên cứu Việc phát hiện và phân loại các dạng sự cố trên đường dây truyền tải dựa vào tín hiệu điện áp và dòng điện ba pha đã được biết đến từ lâu. Trước đây, người ta thường sử dụng các loại rơ le truyền thống để giải quyết các vấn đề này, chẳng hạn như rơ le bảo vệ quá dòng, bảo vệ khoảng cách, bảo vệ quá áp – thấp áp, bảo vệ so lệch… Tất cả các loại rơ le này hoạt động dựa trên nguyên tắc so sánh các thông số đo được từ biến dòng và biến áp với các thông số cài đặt trước được xác định bằng việc tính toán ở chế độ làm việc bình thường và khi xảy ra sự cố. Mỗi rơ le có một chức năng riêng biệt, nhiều rơ le kết hợp với nhau sẽ tạo thành một hệ thống rơ le bảo vệ đủ tin cậy để bảo vệ cho hệ thống điện.

Ưu điểm của hệ thống rơ le bảo vệ truyền thống đó là cấu tạo đơn giản, dễ lắp đặt. Tuy nhiên, trong quá trình vận hành sẽ gặp khó khăn khi phối hợp giữa các rơ le với nhau để đạt hiệu quả bảo vệ tối ưu. Bên cạnh đó, một hệ thống có quá nhiều rơ le sẽ làm giảm độ tin cậy bảo vệ khi một trong các rơ le bị sự cố. Vì vậy, cần xây dựng một hệ thống bảo vệ có cấu tạo đơn giản hơn nhưng vẫn đảm bảo tính chọn lọc và độ tin cậy vận hành cao.

Các kết quả nghiên cứu trong và ngoài nước đã công bố 1. Phương pháp mạng nơ – ron nhân tạo để bảo vệ khoảng cách cho đường dây truyền tải [1] Rơ le khoảng cách để bảo vệ cho đường dây truyền trải thường được thiết kế dựa trên cơ sở của những thiết lập cố định. Phạm vi bảo vệ của các rơ le như vậy sẽ bị ảnh hưởng bởi sự thay đổi các điều kiện của mạng điện. Việc thực hiện nhận dạng mẫu cho chẩn đoán hệ thống điện có thể cung cấp một cải tiến đáng kể trong lĩnh vực bảo vệ.

Nghiên cứu này chứng minh cho việc sử dụng mạng nơ – ron nhân tạo như một phương pháp phân loại mẫu cho hoạt động của rơ le khoảng cách. Chương trình sử dụng biên độ của điện áp và dòng điện ba pha như là các ngõ vào. HVTH: Nguyễn Phát Lợi - Trang 1 - Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Hiệu quả được cải thiện với việc sử dụng mạng nơ – ron nhân tạo làm cho rơ le hoạt động chính xác hơn, khi phải đối mặt với các điều kiện sự cố khác nhau cũng như sự thay đổi cấu trúc mạng điện. Việc sử dụng mạng nơ – ron nhân tạo như một phương pháp phân loại mẫu để mô phỏng rơ le khoảng cách đưa ra một kết quả rất đáng khích lệ.

Rơ le ANN có thể cung cấp một hoạt động nhanh và chính xác, giữ được phạm vi chính xác khi đối mặt với các điều kiện sự cố khác nhau trong hệ thống điện (ngay cả khi có sự hiện diện của thành phần DC làm dịch chuyển dạng sóng dòng điện), cũng như sự thay đổi của mạng điện. Đây là một điểm cải tiến đáng kể so với các loại rơ le thông thường. Do đó việc sử dụng ANN có thể làm cho nó mở rộng phạm vi bảo vệ của vùng thứ nhất, tăng cường bảo vệ hệ thống. Quá trình này có liên quan đến việc huấn luyện và kiểm tra các cấu hình mạng khác nhau cho đến khi đạt được kết quả mong muốn.

Công cụ này sẽ mở ra một chiều hướng mới trong nghiên cứu rơ le, cho phép giải quyết một số vấn đề nghiêm trọng liên quan đến bảo vệ khoảng cách trên đường dây truyền tải. Áp dụng nhận dạng mẫu trong bảo vệ khoảng cách [2] Nghiên cứu này cho thấy việc sử dụng các mạng nơ – ron nhân tạo (ANNs) như một sự phân loại mẫu cho hoạt động của rơ le bảo vệ khoảng cách. Mạng nơ – ron được thực hiện nên nắm bắt kiến thức cho hoạt động của rơ le khi phải đối mặt với nhiều điều kiện khác nhau của mạng điện. Phương pháp này sử dụng biên độ của dòng điện và điện áp ba pha (bao gồm thành phần thứ tự không) như là ngõ vào.

Phần mềm Alternative Transient Program (ATP) được sử dụng để tạo ra dữ liệu cho các đường dây truyền tải trong điều kiện sự cố cho cả quá trình huấn luyện và kiểm tra. Một cải tiến liên quan đến việc sử dụng ANNs cho các mục đích bảo vệ được tìm thấy. Việc sử dụng một mạng nơ – ron nhân tạo như một công cụ phân loại mẫu cho mô phỏng rơ le khoảng cách được nghiên cứu. Phần mở rộng vùng I của bảo vệ khoảng cách lên đến 96% chiều dài đường dây đã được thực hiện, tăng cường an HVTH: Nguyễn Phát Lợi - Trang 2 - Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ninh cho hệ thống, và cải thiện hiệu suất của các rơ le thông thường được xét đến.

97,3% của 1050 trường hợp thử nghiệm có kết quả đáp ứng như mong đợi cho rơ le khoảng cách ANN. Tổng số sai số thu được ở mức 2,7%. Cũng cần lưu ý rằng, nghiên cứu này chỉ đưa vào huấn luyện các sự cố chạm đất. Để mở rộng phương pháp đề xuất với các tình huống thực tế, phân loại các dạng sự cố tương tự được trình bày trong nghiên cứu Neural Network Approach to Fault classification for High Speed Protective Relay trong tạp chí IEEE Transmission on Power Delivery, vol 10, 1995, nên được sử dụng và các quá trình huấn luyện áp dụng cho các dạng sự cố khác nhau.

Phương pháp Nơ – ron mờ (Fuzzy neural) để phân loại sự cố cho bảo vệ đường dây truyền tải [3] Nghiên cứu này giới thiệu một phương pháp mới để phát hiện và phân loại sự cố thời gian thực trong hệ thống truyền tải bằng việc sử dụng kỹ thuật nơ – ron mờ. Việc tích hợp kỹ thuật mạng nơ – ron nâng cao khả năng học tập của hệ thống logic mờ. Các thành phần đối xứng trong sự kết hợp với dòng điện ba pha được dùng để phát hiện loại sự cố, chẳng hạn như sự cố một pha chạm đất, hai pha chạm nhau, hai pha chạm đất và ba pha chạm đất, và sau đó xác định đường dây bị lỗi. Các kết quả mô phỏng trên máy tính được trình bày trong nghiên cứu này và chúng cho thấy phương pháp này có thể được sử dụng như một công cụ hiệu quả cho các rơ le kỹ thuật số tốc độ cao.

Thuật toán mạng nơ – ron cải tiến cho việc phân loại sự cố trên đường dây truyền tải [8] Nghiên cứu này giới thiệu một khái niệm mới của trí thông minh nhân tạo dựa trên thuật toán để phân loại các sự cố trong mạng điện. Việc phân loại này xác định chính xác loại sự cố và vùng bị sự cố. Thuật toán được dựa trên một dạng đặc biệt của mạng nơ – ron được phát triển để đối phó với một tập hợp lớn các dữ liệu ngõ vào. Một cải tiến của thuật toán được đề xuất bằng cách thực hiện các bước khác nhau của tiền xử lí tín hiệu ngõ vào, thông qua việc lựa chọn các thông số cho bộ HVTH: Nguyễn Phát Lợi - Trang 3 - Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh lọc tương tự, các giá trị cho cửa sổ dữ liệu và tần số lấy mẫu.

Ngoài ra, một kỹ thuật cải tiến cho việc phân loại các mẫu kiểm tra được thảo luận và những ưu điểm chính so với việc sử dụng phân loại lân cận gần nhất trước đây cũng được trình bày. Nghiên cứu này đưa ra các hướng dẫn có thể để cải thiện thuật toán mạng nơ – ron đang có cho việc phân loại các sự cố trên đường dây truyền tải. Thuật toán này đã được sử dụng trước đó trong nỗ lực nhằm thay thế các rơ le khoảng cách bằng các loại rơ le mới mà không sử dụng các cài đặt truyền thống. Thuật toán là một dạng đặc biệt của giải thuật phân cụm.

Nó dịch chuyển các mẫu ngõ vào vào trong mẫu ban đầu. Cấu trúc của các cụm đại diện cho việc phân loại khác nhau của tập dữ liệu ngõ vào. Thuật toán rất linh hoạt và dễ dàng cho phép thay đổi và nâng cấp. Điều kiện của các tín hiệu ngõ vào cũng như việc lựa chọn các giá trị cho bộ lọc tương tự, cửa sổ dữ liệu để lấy mẫu, và tần số lấy mẫu đóng vai trò quan trọng trong thuật toán trong suốt quá trình huấn luyện và kiểm tra.

Các khía cạnh khác nhau của yếu tố này được minh hoạ thông qua một số ví dụ. Hơn nữa, việc phân loại các mẫu kiểm tra được phân tích thông qua việc so sánh của một phương pháp phân loại lân cận gần nhất K được sử dụng cho đến nay, và cách tiếp cận mờ của nó. Phương pháp đề xuất và những cải tiến của thuật toán mạng nơ – ron có thể phân loại tốt hơn loại sự cố và vùng bị sự cố. Kết hợp giữa việc sử dụng mạng nơ – ron và kỹ thuật mờ trong cùng một thuật toán dẫn đến suy luận phức tạp để cải thiện khả năng phân loại sự kiện cho việc nhận dạng một loạt các sự kiện có thể xảy ra trong mạng điện.

Xác định vị trí xảy ra sự cố trong hệ thống điện: phương pháp nhận dạng mẫu [9] Hệ thống điện là một trong những hệ thống nhân tạo phức tạp nhất trên thế giới hiện nay, mà sự hoạt động an toàn, ổn định, kinh tế và đáng tin cậy của nó đóng vai trò rất quan trọng trong phát triển kinh tế xã hội, thậm chí là trong ổn định xã hội. Các sự cố xảy ra trong hệ thống điện là hoàn toàn không thể tránh khỏi. Trong HVTH: Nguyễn Phát Lợi - Trang 4 - Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh nghiên cứu này, một phương pháp được hình thành nhằm giải quyết các vấn đề về vị trí xảy ra sự cố trong hệ thống điện, dựa trên phép đo thời gian thực của các đơn vị đo lường vecto. Kỹ thuật phân loại mẫu được sử dụng chủ yếu và nguyên tắc phân biệt tuyến tính của lý thuyết nhận dạng mẫu để tìm kiếm các luật của đại lượng điện được đánh dấu thay đổi.