Tổng quan nghiên cứu

Hệ thống điện hiện đại đang phát triển nhanh chóng về quy mô và độ phức tạp với tính phi tuyến cao. Khi xảy ra các sự cố ngắn mạch ba pha nghiêm trọng, các dao động công suất lớn có thể kích hoạt quá trình mất đồng bộ giữa các tổ máy phát điện. Theo thống kê kỹ thuật, các phương pháp giải tích truyền thống thường tiêu tốn thời gian tính toán lên đến hàng chục giây hoặc vài phút để giải hệ phương trình vi phân phi tuyến phức tạp, gây ra độ trễ nguy hiểm cho việc ra quyết định điều độ khẩn cấp.

Nhằm giải quyết triệt để thách thức trên, đề tài luận văn thạc sĩ tập trung nghiên cứu và xây dựng mô hình mạng nơron cải tiến có khả năng nhận dạng và cảnh báo sớm trạng thái ổn định động của hệ thống điện. Mục tiêu cụ thể là thiết lập kiến trúc mạng nơron hồi quy tổng quát GRNN kết hợp cấu trúc song song, đồng thời áp dụng giải thuật phân cụm K-means để tối ưu hóa không gian dữ liệu đầu vào. Phạm vi nghiên cứu được thực nghiệm trên mô hình chuẩn IEEE gồm 10 máy phát và 39 nút phụ tải trong mốc thời gian hoàn thành năm 2018 tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc nâng cao độ chính xác nhận dạng ổn định từ 97.10% ở mô hình đơn lên 98.06% ở mô hình song song, đồng thời rút ngắn thời gian xử lý phản hồi xuống dưới 0.05 giây. Đây là tiền đề kỹ thuật quan trọng giúp điều độ viên tại các trung tâm điều khiển đưa ra giải pháp can thiệp kịp thời, ngăn chặn nguy cơ tan rã lưới điện diện rộng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng vững chắc của hai nhánh lý thuyết trọng tâm: lý thuyết ổn định hệ thống điện và lý thuyết nhận dạng mẫu bằng trí tuệ nhân tạo.

Trong lý thuyết ổn định hệ thống điện, ổn định quá độ (ổn định góc rotor) được xem là tiêu chuẩn cốt lõi để đánh giá thuộc tính động lực học của hệ thống sau các kích động lớn. Theo phương trình dao động rotor cơ điện swing equation, sự mất cân bằng giữa công suất cơ của tuabin và công suất điện phát ra sẽ gây gia tốc góc lệch giữa các tổ máy. Luận văn áp dụng tiêu chuẩn ổn định góc công suất tương đối: nếu góc lệch giữa hai máy phát bất kỳ không vượt quá 180 độ thì hệ thống được xác định là ổn định; ngược lại, khi góc lệch vượt ngưỡng 180 độ thì hệ thống rơi vào trạng thái mất ổn định.

Về mô hình trí tuệ nhân tạo, nghiên cứu ứng dụng mạng hàm truyền xuyên tâm RBFN và biến thể chuyên sâu là mạng hồi quy tổng quát GRNN. GRNN sử dụng hàm kích hoạt Gaussian để đo lường khoảng cách Euclidean giữa véc-tơ đầu vào và tâm nơron lớp ẩn, cho phép huấn luyện một chu kỳ cực nhanh mà không cần lặp lại nhiều lần. Bên cạnh đó, mô hình mạng nơron kết hợp song song được xây dựng dựa trên luật bình bầu số đông, trong đó kết quả đầu ra cuối cùng được tổng hợp từ quyết định độc lập của các mạng thành phần nhằm giảm thiểu phương sai sai số. Đồng thời, giải thuật phân cụm K-means được tích hợp để nhóm các mẫu dữ liệu tương đồng theo mức năng lượng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu mô phỏng từ sơ đồ hệ thống điện tiêu chuẩn IEEE 10 máy 39 nút. Cơ sở dữ liệu huấn luyện và kiểm tra được tạo lập thông qua việc mô phỏng hơn 1.200 kịch bản sự cố ngắn mạch ba pha tại các đường dây và nút tải khác nhau với nhiều cấp tải từ 80% đến 120% công suất định mức.

Phương pháp chọn mẫu áp dụng kỹ thuật chọn mẫu phân tầng theo tiêu chuẩn năng lượng, kết hợp giải thuật gom cụm K-means để rút gọn không gian mẫu đại diện. Việc lựa chọn phương pháp phân tích mạng GRNN song song thay vì phương pháp tích phân số truyền thống xuất phát từ yêu cầu khắt khe về tốc độ tính toán thời gian thực trong điều độ. GRNN có khả năng xấp xỉ phi tuyến mạnh mẽ và thời gian huấn luyện chỉ tính bằng giây. Nghiên cứu sử dụng công cụ nơron nhân tạo trong phần mềm MATLAB để thực hiện quá trình huấn luyện, tối ưu hóa hệ số độ rộng spread và kiểm chứng chéo trong suốt quá trình nghiên cứu từ năm 2017 đến năm 2018.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm tra mô hình trên tập dữ liệu hệ thống IEEE 10 máy 39 nút đã mang lại các phát hiện khoa học mang tính đột phá:

Thứ nhất, việc áp dụng giải thuật phân cụm K-means kết hợp chọn lọc biến đặc trưng đã giúp tinh gọn không gian dữ liệu đầu vào, giảm tải hơn 40% số lượng mẫu dư thừa nhưng vẫn giữ nguyên vẹn các thuộc tính động lực học của trạng thái quá độ.

Thứ hai, khi đánh giá mô hình mạng nơron hồi quy tổng quát đơn lẻ trên 3 nhóm dữ liệu phân cụm, độ chính xác nhận dạng trung bình đạt mức 97.12%. Đây là kết quả khả quan nhưng vẫn tồn tại khoảng 2.88% mẫu bị nhận dạng sai tại các vùng biên phân lớp phức tạp.

Thứ ba, mô hình mạng nơron cải tiến với cấu hình song song gồm 5 đến 7 mạng nơron con kết hợp luật bình bầu số đông đã nâng độ chính xác nhận dạng tổng thể lên mức 98.06%. Tỷ lệ sai số nhận dạng giảm từ 2.88% xuống chỉ còn 1.94%, tương ứng với mức cải thiện độ tin cậy hơn 32% so với mô hình mạng đơn lẻ.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình mạng song song đạt hiệu suất vượt trội nằm ở cơ chế bù trừ sai số thống kê. Trong thực tế, giải thuật K-means thường nhạy cảm với tâm khởi tạo ban đầu, khiến việc huấn luyện của một mạng đơn lẻ khó bao quát toàn bộ ranh giới cụm. Khi kết hợp song song nhiều mạng con được khởi tạo độc lập, luật bình bầu số đông triệt tiêu các phán đoán sai lệch cá lẻ, nâng xác suất phân loại đúng theo phân bố nhị thức tiệm cận mức tối đa.

So với các nghiên cứu sử dụng mạng Perceptron đa lớp truyền thống vốn đạt độ chính xác dao động khoảng 93% đến 95% và tốn hàng nghìn chu kỳ huấn luyện, giải pháp GRNN song song thể hiện ưu thế vượt bậc cả về tốc độ hội tụ lẫn độ chính xác.

Về mặt biểu diễn dữ liệu, các kết quả đánh giá trong nghiên cứu được minh họa trực quan thông qua đồ thị quan hệ giữa số lượng mạng nơron thành phần và độ chính xác phân loại. Đồ thị cho thấy độ chính xác tăng dốc từ 1 mạng đến 5 mạng và đạt điểm bão hòa ổn định ở mức 98.06% khi sử dụng 7 mạng. Ngoài ra, bảng ma trận phân loại nhị phân đã đối chiếu rành mạch giữa nhãn thực tế và nhãn dự đoán cho thấy tỷ lệ nhận diện đúng trạng thái ổn định đạt xấp xỉ 98.5% và trạng thái mất ổn định đạt 97.6%.

Đề xuất và khuyến nghị

Dựa trên những kết quả thực nghiệm đạt được, nghiên cứu đưa ra 4 giải pháp ứng dụng mang tính khả thi cao nhằm nâng cao chất lượng vận hành hệ thống điện:

Thứ nhất, tích hợp thuật toán mạng nơron song song vào hệ thống giám sát diện rộng WAMS và hệ thống điều khiển SCADA/EMS tại các Trung tâm Điều độ Hệ thống điện. Mục tiêu đặt ra là cung cấp cảnh báo mất ổn định động với thời gian đáp ứng dưới 0.1 giây trong lộ trình triển khai giai đoạn 2025 - 2026, do Tập đoàn Điện lực và các đơn vị điều độ chủ trì.

Thứ hai, mở rộng cơ sở dữ liệu mẫu sự cố lên quy mô trên 10.000 kịch bản bằng cách tích hợp thêm các yếu tố biến động từ nguồn năng lượng tái tạo như điện mặt trời và điện gió. Nhiệm vụ này cần được các Viện nghiên cứu năng lượng phối hợp với các trường đại học kỹ thuật thực hiện trước năm 2027 nhằm duy trì độ chính xác của bộ nhận dạng trên mức 98.5%.

Thứ ba, chuẩn hóa quy trình phân cụm dữ liệu tự động bằng thuật toán K-means nâng cao kết hợp kỹ thuật chọn lọc đặc trưng Relief để tối ưu hóa việc trích xuất các thông số tiền sự cố và sau sự cố. Đội ngũ kỹ sư vận hành lưới điện thông minh cần tiến hành chuẩn hóa trong vòng 6 đến 12 tháng tới để giảm thiểu thời gian chuẩn bị dữ liệu đầu vào.

Thứ tư, xây dựng gói phần mềm độc lập hoặc các module mở rộng trên nền tảng ngôn ngữ lập trình Python và MATLAB. Khuyến nghị các phòng thí nghiệm tự động hóa hệ thống điện phối hợp với các doanh nghiệp công nghệ năng lượng hoàn thiện công cụ phần mềm trong vòng 18 tháng để chuyển giao công nghệ vào thực tiễn sản xuất.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng trọng tâm sau:

Thứ nhất, kỹ sư điều độ và chuyên viên vận hành hệ thống điện tại các trung tâm điều độ quốc gia và khu vực. Nhóm đối tượng này có thể sử dụng mô hình nhận dạng để hỗ trợ ra quyết định phân vùng sự cố, cắt giảm phụ tải khẩn cấp và bảo vệ an toàn cho lưới điện truyền tải với độ trễ dưới 0.05 giây.

Thứ hai, học viên cao học, nghiên cứu sinh và nhà khoa học thuộc chuyên ngành Kỹ thuật Điện, Hệ thống điện và Tự động hóa. Luận văn cung cấp phương pháp luận chi tiết về việc kết hợp mô hình học máy Committee Neural Network và thuật toán phân cụm K-means để giải quyết bài toán phi tuyến phức tạp trong hơn 1.200 kịch bản sự cố.

Thứ ba, các kỹ sư phát triển phần mềm và chuyên gia tích hợp hệ thống lưới điện thông minh Smart Grid. Đây là tài liệu tham khảo giá trị để phát triển các module trí tuệ nhân tạo nhận dạng dao động công suất và đánh giá ổn định thời gian thực trên nền tảng phần mềm SCADA với độ chính xác đạt trên 98%.

Thứ tư, giảng viên tại các trường đại học kỹ thuật. Bản luận văn đóng vai trò như tài liệu giảng dạy chuyên sâu cho hơn 30 chuyên đề nâng cao về Ổn định hệ thống điện, Trí tuệ nhân tạo ứng dụng trong năng lượng và Kỹ thuật nhận dạng mẫu.

Câu hỏi thường gặp

Mạng nơron hồi quy tổng quát GRNN có ưu điểm gì vượt trội so với mạng MLP truyền thống?

Mạng GRNN sở hữu cấu trúc một lớp nơron ẩn dựa trên hàm xuyên tâm Gaussian, cho phép thiết lập trọng số trực tiếp từ dữ liệu mẫu mà không cần trải qua hàng nghìn vòng lặp lan truyền ngược như mạng MLP. Trong thực nghiệm với hệ thống 10 máy 39 nút, GRNN giúp loại bỏ nguy cơ rơi vào cực tiểu cục bộ và rút ngắn thời gian huấn luyện xuống dưới 2 giây.

Nguyên lý hoạt động của luật bình bầu theo số đông trong mô hình song song là gì?

Mô hình song song bao gồm nhiều mạng GRNN thành phần được huấn luyện độc lập trên các tập dữ liệu phân cụm. Khi tiếp nhận véc-tơ đầu vào mới, mỗi mạng con sẽ xuất nhãn dự đoán nhị phân là ổn định hoặc không ổn định. Bộ tổng hợp đầu ra sẽ áp dụng luật bình bầu số đông để lựa chọn trạng thái chiếm hơn 50% số phiếu bầu, giúp triệt tiêu sai số ngẫu nhiên của từng mạng riêng lẻ.

Tiêu chuẩn kỹ thuật nào được áp dụng để xác định hệ thống bị mất ổn định động?

Nghiên cứu căn cứ vào góc lệch công suất tương đối giữa các máy phát điện trong quá trình quá độ sau sự cố ngắn mạch. Nếu góc lệch giữa hai máy phát bất kỳ duy trì dưới ngưỡng 180 độ thì hệ thống được phân loại là ổn định. Khi góc lệch vượt quá 180 độ, hệ thống mất đồng bộ và được gán nhãn mất ổn định để kích hoạt phản ứng bảo vệ.

Thuật toán K-means đóng vai trò gì trong việc xử lý cơ sở dữ liệu mẫu?

Thuật toán K-means thực hiện phân nhóm toàn bộ không gian dữ liệu sự cố thành các cụm đặc trưng dựa trên mức năng lượng và độ tương đồng khoảng cách. Kỹ thuật này giúp giảm tải hơn 40% dung lượng mẫu trùng lặp, tối ưu hóa quá trình lựa chọn véc-tơ đại diện và nâng cao khả năng khái quát hóa của các mạng nơron thành phần.

Mô hình mạng nơron song song có thể triển khai thực tế trên lưới điện Việt Nam không?

Hoàn toàn khả thi khi tích hợp mô hình vào hệ thống đo lường góc pha diện rộng PMU/WAMS hiện có trên lưới điện truyền tải Việt Nam. Nhờ tốc độ xử lý dưới 0.05 giây và độ chính xác 98.06%, mô hình đáp ứng hoàn hảo yêu cầu tính toán trực tuyến để hỗ trợ điều độ viên giám sát và phòng ngừa sự cố mất ổn định quá độ.

Kết luận

  • Xây dựng thành công mô hình mạng nơron cải tiến gồm các mạng GRNN song song kết hợp luật bình bầu số đông để nhận dạng ổn định động hệ thống điện.
  • Ứng dụng hiệu quả giải thuật phân cụm K-means giúp giảm hơn 40% không gian mẫu và tối ưu hóa bộ dữ liệu huấn luyện.
  • Nâng cao độ chính xác nhận dạng trên lưới IEEE 10 máy 39 nút từ 97.12% ở mô hình đơn lên 98.06% ở mô hình song song.
  • Rút ngắn thời gian xử lý và phân loại trạng thái ổn định xuống dưới 0.05 giây, đáp ứng yêu cầu vận hành thời gian thực.
  • Đóng góp giải pháp khoa học tin cậy giúp các kỹ sư điều độ nâng cao khả năng cảnh báo sớm sự cố mất đồng bộ.

Đóng góp lớn nhất của công trình là đề xuất giải pháp kiến trúc mạng nơron song song xử lý hiệu quả bài toán phi tuyến trong nhận dạng ổn định quá độ. Kế hoạch nghiên cứu tiếp theo sẽ tập trung vào việc thử nghiệm mô hình với các dạng sự cố phức tạp trên lưới điện tích hợp năng lượng tái tạo trong giai đoạn 2025 - 2026. Hãy áp dụng ngay các giải pháp nhận dạng thông minh này để tối ưu hóa tính ổn định và độ tin cậy cho hệ thống điện hiện đại.