Đặt vấn đề Một trong những trở ngại lớn trong truyền tải và phân phối điện năng là sự cố hỏng hóc xảy ra trong quá trình vận hành, điển hình là sự cố trên đường dây truyền tải điện. Điều này có thể ảnh hưởng đến chất lượng điện năng của nguồn điện, và thực tế rằng có thể đe dọa đến kinh tế và an ninh quốc gia. Như vậy, nghiên cứu và đề xuất một giải pháp hữu hiệu để dò tìm, phân loại, xác định vị trí sự cố trên đường đây truyền tải điện là việc làm thiết thực và cấp bách. Đề tài này đề xuất phương pháp phát hiện, phân loại và định vị sự cố trên đường dây truyền tải.
Phương pháp đề xuất là sự kết hợp giữa DWT, GoogleNet và PNN. Đầu tiên, sử dụng kỹ thuật MRA cho DWT và định lý Parseval trích xuất đặc trưng phân bố năng lượng trong quá trình quá độ để phát hiện sự cố. Sau đó, sử dụng Mạng GoogleNet phân loại đặc trưng phân bố năng lượng để phân loại sự cố. Cuối cùng, áp dụng PNN xác định vị trí sự cố.
Tín hiệu quá độ của dòng điện và điện áp đo được tại hai đầu đường dây sử dụng như tín hiệu đầu vào cho thuật toán. Tính hiệu quả và khả năng áp dụng của phương pháp đề xuất được kiểm chứng thông qua kết quả mô phỏng dựa trên hệ thống đường đây truyền tải mẫu và hệ thống đường dây truyền tải thực tế Việt Nam bằng phần mềm EMTP-RV và MATLAB. Kết quả thu được cho thấy phương pháp đề xuất có ưu điểm là nhanh chóng và có độ chính xác cao hơn so với các phương pháp truyền thống. Tổng quan về tình nghiên cứu Hệ thống đường đây truyền tải điện là phần tử đặc biệt quan trọng trong ngành công nghiệp điện như phát điện, truyền tải điện, phân phối điện, tiêu thụ điện năng.
Nói cách khác, đường dây truyền tải được xem là xương sống, mạch máu của hệ thống điện. Do kinh tế, an ninh, quốc phòng của quốc gia ngày càng phát triển dẫn đến nhu cầu sử dụng điện này càng cao. Có nghĩa rằng, hệ thống điện ngày càng nhiều phụ tải, nguồn phát điện và đường dây truyền tải được xây dựng mới, dẫn đến hệ thống ngày càng phức tạp. Sự cố liên quan trong quá vận hành là tiềm ẩn có thể xảy ra bất kỳ lúc nào và tại bất kỳ vị trí trên hệ thống.
Khi sự cố xảy ra trên đường dây, rơ-le bảo vệ cần xác định, phân loại vị trí sự cố và gửi tín hiệu về cho máy cắt tương ứng cho từng trường hợp để bảo vệ an toàn cho hệ thống. Như vậy, phát hiện, phân loại và định vị sự cố là việc làm cần thiết phải nghiên cứu để mang lại hiệu quả 6 cao trong quá trình vận hành. Hình 1 cho thấy phương pháp định vị sự cố trên đường dây truyền tải sử dụng thiết bị SFL-2000. Hình 1: Giải pháp bảo vệ hệ thống đường dây truyền tải sử dụng thiết bị SFL-2000 Chủ đề về phát hiện, phân loại, xác định sự cố trên đường đây truyền tải điện đã và đang được các nhà nghiên cứu, công ty điện lực, công ty truyền tải và các nhà sản xuất thiết bị bảo vệ hệ thống điện đang rất quan tâm.
Như vậy, tình hình nghiên cứu về chủ đề này được trình bày cụ thể như sau: a. Tình hình nghiên cứu trong nước Trong những năm gần đây, trong nước cũng có một số nghiên cứu về lĩnh vực nhận dạng và phân loại sự cố, nghiên cứu [35] sử dụng biến đổi wavelet cho việc xác định vị trí sự cố trên đường dây và cụ thể là đường dây 110 kV Ô Môn-Sa Đéc- rẽ Bình Minh. Nghiên cứu [4] sử dụng Adaptive Neuro-Fuzzy Inference System (ANFIS) phân loại và xác định vị trí lỗi trên đường dây 220 kV Hòa Khánh – Huế. Tình hình nghiên cứu quốc tế Trong những thập kỷ qua, lý thuyết học máy như Support Vector Machine (SVM), Artificial Neuron Network (ANN), Fuzzy Logic Control (FLC) và những lý thuyết khác được giới thiệu để xác định, phân loại và định vị sự cố trên đường dây truyền tải.
Nghiên cứu [1] giới thiệu phương pháp SVM để phân loại sự cố, sử dụng véc tơ ngõ vào để ánh xạ không gian đặc trưng của lỗi. Nghiên cứu [2] đã sử dụng SVM để phân loại và định vị sự cố trên hệ thống thực. Dựa trên kết quả phân tích theo nghiên cứu [3] kết luận rằng SVM được coi như một công cụ hữu hiệu và hiệu quả để nhận dạng và phân loại các sự cố trên đường dây truyền tải. Sau khi áp dụng thành công lý thuyết SVM từ những nghiên cứu [1-3] nhận dạng và phân loại sự cố trên đường dây, một số lý thuyết kết hợp với SVM được phát triển như là nghiên cứu [8] đề xuất một lý thuyết kết hợp giữa SVM và phân rã mô hình kinh nghiệm (Empirical Mode Decomposition (EMD)); nghiên cứu [9] đưa ra giải pháp kết hợp giữa phân thích thành phần chính (Principal Component Analysis (PCA)); nghiên cứu [6] giới thiệu giải pháp nhiều lớp SVM, nghiên cứu [13] sử dụng DWT kết hợp với SVM.
Tất cả các công trình này nhận dạng, phân loại sự cố dựa trên quan sát dòng điện và điện áp liên tục và sự thay đổi trở kháng của đường đây. Trong giai đoạn này, ứng dụng ANN để nhận dạng và phân loại sự cố trên đường dây cũng phát triển, lý thuyết này được áp dụng rất thành công trong nghiên cứu [8-10] và kết luận này được nhận xét bởi nghiên cứu [19]. Những nghiên cứu sử dụng biết đổi wavelet (Wavelet Transform (WT)) để thu được năng lượng từ tín hiệu từ sự cố như dòng điện và điện áp như tín hiệu ngõ vào cho ANN. Phương pháp FLC cũng là một trong những phương pháp được xem là thành công để nhận diện và phân loại lỗi trên đường dây, phương pháp này được áp dụng bởi những nghiên cứu [11].
Nghiên cứu [13] đề xuất cấu trúc mờ xác định lỗi từ tín hiệu dòng và áp riêng lẻ bằng việc sử dụng các thành phần thứ tự pha của dòng và áp ba pha đo được từ rơ-le bảo vệ. Nghiên cứu [14] đề xuất cấu trúc mờ hai phân loại để mà nhận dạng những lỗi chạm đất và lỗi pha. Nghiên cứu [15] áp dụng logic mờ như ngõ vào cho việc lập trình để mà thu được dòng ba pha từ những thiết bị vào ra. Trong những năm gần đây, với sự phát triển của khoa học về học máy (Machine Learing- ML), một số nghiên cứu kết hợp ML với biến đổi S (S-transform) để nhận dạng, phân loại và định vị sự cố [16,17].
8 Hiện tại, các phương pháp được đề cập trước đó phải đối mặt với các lỗi đáng kể và thời gian tính toán cao do sự phức tạp của mô hình sự cố trên các loại sự cố khác nhau. Một số nghiên cứu đã được công bố liên quan đến việc phát hiện, xác định vị trí và phân loại sự cố trên đường dây truyền tải để khắc phục các sự cố này. Saravanababu và cộng sự [8] đã đề xuất phương pháp Biến đổi Wavelet rời rạc (DWT) để trích xuất các yếu tố ẩn từ mười lỗi khác nhau bằng cách áp dụng phân tách ở các cấp độ khác nhau. Phương pháp này cũng được áp dụng như một công cụ trực tuyến cho bảo vệ rơ-le [9].
Phương pháp ANN là một loại thuật toán học và mô hình thống kê phi tuyến được sử dụng để mô phỏng hành vi của các neuron được kết nối trong các hệ thống neuron sinh học. Các tác giả trong [10] đã sử dụng phương pháp này để chuẩn đoán lỗi cho đường dây truyền tải thực tế. Trong phương pháp này, các tác giả đã đề xuất phép biến đổi Fourier rời rạc để phân tách các tín hiệu dòng điện và điện áp sự cố đo được được sau đó cung cấp làm đầu vào cho mạng thần kinh. Do đó, khả năng học hỏi thông qua đào tạo là thế mạnh của ANN.
Tuy nhiên, hiệu quả của nó phụ thuộc vào mức độ đào tạo. Phương pháp logic mờ, Fuzzy Logic (FL) [11] đã sử dụng các biến ngôn ngữ thay vì các biến số, làm cho quá trình dễ dàng hơn. Tuy nhiên, độ chính xác trong các hệ thống dựa trên logic mờ không được đảm bảo đối với những thay đổi lớn các điều kiện làm việc thay đổi lớn của hệ thống. Trong những năm gần đây, ứng dụng sử dụng WT kết hợp với các phương pháp khác đã được nghiên cứu rộng rãi trong chẩn đoán sự cố đường dây tải điện cao thế.
Ví dụ, sự kết hợp giữa WT và FL đã được đề xuất bởi Jamil và cộng sự [11]. Trong nghiên cứu này, phương pháp Fuzzy dựa trên DWT đã được sử dụng để xác định mười dạng khác nhau với sự xem xét ảnh hưởng của sự thay đổi góc pha bắt đầu sự cố, công suất tải và các tham số khác. Phương pháp này, sử dụng WT để phân tách các tín hiệu và áp dụng FL dựa trên các quy tắc để đưa ra các loại sự cố, được phát triển bởi Ray và cộng sự [12]. Một sự kết hợp khác của WT là với ANN được phát triển bởi Baqui và cộng sự [15].
Các tác giả đã sử dụng WT để trích xuất thông tin liên quan từ các tín hiệu dòng điện và sau đó sử dụng ANN để huấn luyện. Phương pháp này cũng được nhóm tác giả sử dụng trong [16] để xác định và phân loại sự cố. Tuy nhiên, các phương pháp kết hợp này cần một số lượng lớn mẫu và đào tạo, điều này có thể làm tăng độ phức tạp. Một số phương pháp khác cũng khá thành công trong việc bảo vệ đường truyền được các tác giả tổng hợp và so sánh trong [17,18].
9 Phương pháp WT được phát triển từ những năm 1980 và được ứng dụng trong nhiều lĩnh vực khác nhau, bao gồm xử lý tín hiệu gia tốc để phân tích dáng đi, phát hiện sự cố, thiết kế máy tạo nhịp tim công suất thấp, v. Có rất nhiều wavelet phù hợp với từng ứng dụng khác nhau. biến đổi như WT liên tục (CWT), DWT, WT dựa trên đa phân giải, WT nhanh, WT cố định, WT phân đoạn, v. Trong đó, DWT được lựa chọn như một giải pháp tối ưu cho trường hợp phân tích quá độ trong HTĐ [19,20].
GoogleNet được phát triển bởi Szegedyvà cộng sự 2014 cho ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC 2014). Mô hình GoolgeNet là một loại mạng thần kinh tích chập (CNN) được xây dựng dựa trên ba phần.