Tổng quan nghiên cứu

Hệ thống điện, đặc biệt là hệ thống truyền tải, đóng vai trò thiết yếu trong phát triển kinh tế quốc gia. Theo ước tính, sự gia tăng nhanh chóng của phụ tải đã làm hệ thống điện ngày càng mở rộng về quy mô và phức tạp trong thiết kế, vận hành. Điều này tạo ra áp lực vận hành đầy tải và gần giới hạn biên ổn định, làm tăng nguy cơ mất ổn định động. Ổn định động hệ thống điện là khả năng duy trì đồng bộ của các máy phát điện sau các kích động lớn như ngắn mạch ba pha, cắt máy phát hoặc sự cố đường dây truyền tải. Việc đánh giá nhanh và chính xác trạng thái ổn định động là yếu tố then chốt để đảm bảo vận hành an toàn, tin cậy và giảm thiểu tổn thất kinh tế.

Mục tiêu nghiên cứu của luận văn là xây dựng mô hình nhận dạng chẩn đoán nhanh ổn định động hệ thống điện dựa trên mạng nơron nhân tạo (ANN) kết hợp kỹ thuật lựa chọn biến đặc trưng nhằm nâng cao độ chính xác và giảm thời gian tính toán. Phạm vi nghiên cứu tập trung trên hệ thống điện chuẩn IEEE 10-máy 39-bus, mô phỏng các sự cố ngắn mạch ba pha cân bằng tại các bus và trên các đường dây truyền tải ở các vị trí 25%, 50%, 75% với mức tải từ 20% đến 120% tải cơ bản. Cơ sở dữ liệu đánh giá ổn định được tạo ra qua mô phỏng offline bằng phần mềm PowerWorld, bao gồm 1819 mẫu dữ liệu (1436 mẫu ổn định, 383 mẫu không ổn định).

Nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ điều độ viên ra quyết định kịp thời khi có sự cố, giảm thiểu chi phí vận hành và nâng cao độ tin cậy hệ thống điện. Mô hình ANN nhận dạng ổn định động với lựa chọn biến đặc trưng giúp giảm số lượng cảm biến, giảm thời gian huấn luyện và tăng độ chính xác nhận dạng, góp phần nâng cao hiệu quả vận hành hệ thống điện trong điều kiện ngày càng phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Ổn định hệ thống điện: Phân loại ổn định thành ổn định tĩnh, ổn định quá độ và ổn định động. Ổn định động (transient stability) là khả năng hệ thống duy trì đồng bộ sau kích động lớn, được đánh giá qua góc rotor của các máy phát điện. Tiêu chuẩn ổn định là góc lệch công suất tương đối giữa các máy phát không vượt quá 180 độ.

  • Phương trình dao động rotor: Mô tả chuyển động rotor máy phát điện đồng bộ theo định luật Newton, được biểu diễn bằng phương trình vi phân bậc hai phi tuyến, mô hình hóa động học rotor và ảnh hưởng của mômen cơ, mômen điện, hằng số quán tính H và hệ số giảm chấn D.

  • Mô hình đơn giản hóa máy phát và hệ thống tương đương: Sử dụng mô hình cổ điển máy phát đồng bộ với sức điện động không đổi và điện kháng quá độ, kết nối với hệ thống tương đương gồm các đường dây truyền tải, máy biến áp và phụ tải.

  • Mạng nơron nhân tạo (ANN): Mạng nơron nhân tạo được sử dụng để nhận dạng mẫu, học mối quan hệ phi tuyến giữa các biến đầu vào (biến đặc trưng hệ thống điện) và trạng thái ổn định động. Hai mô hình mạng nơron chính được áp dụng là GRNN (Generalized Regression Neural Network) và MLPNN (Multilayer Perceptron Neural Network).

  • Kỹ thuật lựa chọn biến đặc trưng: Áp dụng các phương pháp Filter gồm hàm khoảng cách Fisher, Divergence và giải thuật Relief để chọn ra các biến đặc trưng quan trọng, loại bỏ biến thừa, giảm nhiễu, giúp tăng tốc độ huấn luyện và nâng cao độ chính xác nhận dạng.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Cơ sở dữ liệu đánh giá ổn định động được tạo ra qua mô phỏng offline trên phần mềm PowerWorld, thực hiện trên hệ thống IEEE 10-máy 39-bus. Các sự cố ngắn mạch ba pha cân bằng được mô phỏng tại 39 bus và 46 đường dây truyền tải ở các vị trí 25%, 50%, 75% với 11 mức tải từ 20% đến 120% tải cơ bản. Tổng số mẫu thu thập là 1947, sau khi loại bỏ mẫu trùng lặp còn 1819 mẫu (1436 ổn định, 383 không ổn định).

  • Phương pháp phân tích: Sử dụng kỹ thuật lựa chọn biến đặc trưng Filter với ba phương pháp: Fisher, Divergence và Relief để xếp hạng và chọn biến đầu vào. Mô hình nhận dạng được xây dựng bằng hai mạng nơron GRNN và MLPNN, huấn luyện và kiểm tra trên tập dữ liệu đã chuẩn hóa và phân chia theo tỷ lệ phù hợp.

  • Timeline nghiên cứu: Quá trình nghiên cứu gồm các bước chính: tạo cơ sở dữ liệu mô phỏng offline (mất nhiều thời gian nhất), lựa chọn biến đặc trưng, xây dựng và huấn luyện mô hình ANN, đánh giá hiệu quả mô hình trên hệ thống chuẩn IEEE 10-máy 39-bus. Thời gian huấn luyện mô hình GRNN-Relief với 15 biến đặc trưng chỉ khoảng 0.73 giây, nhanh hơn đáng kể so với các phương pháp khác.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả lựa chọn biến đặc trưng: Ba phương pháp lựa chọn biến đặc trưng Fisher, Divergence và Relief được so sánh. Kết quả cho thấy giải thuật Relief cho trọng số biến đặc trưng tốt hơn, giúp chọn ra 15 biến đặc trưng quan trọng nhất, giảm đáng kể số biến đầu vào từ 189 xuống 15 mà vẫn giữ được độ chính xác cao.

  2. Độ chính xác nhận dạng của mô hình ANN: Mạng nơron GRNN kết hợp với lựa chọn biến Relief đạt độ chính xác nhận dạng kiểm tra lên đến 95.97% với 15 biến đặc trưng, cao hơn so với MLPNN và các phương pháp lựa chọn biến khác.

  3. Thời gian huấn luyện: GRNN-Relief với 15 biến đặc trưng có thời gian huấn luyện chỉ 0.73 giây, nhanh hơn nhiều so với MLPNN-Relief và các mô hình sử dụng số biến lớn (189 biến). Điều này chứng tỏ mô hình GRNN-Relief phù hợp cho ứng dụng chẩn đoán nhanh trong thực tế.

  4. Phân loại trạng thái ổn định: Mô hình nhận dạng dựa trên ANN có khả năng phân loại chính xác trạng thái ổn định và không ổn định của hệ thống điện dựa trên các biến đặc trưng như độ lệch công suất phát, độ lệch công suất tải, độ sụt điện áp tại các bus và độ lệch công suất trên các đường dây truyền tải.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao là do việc kết hợp kỹ thuật lựa chọn biến đặc trưng giúp loại bỏ các biến thừa, giảm nhiễu, từ đó tăng khả năng học và nhận dạng của mạng nơron. So với các phương pháp truyền thống như mô phỏng miền thời gian hay phương pháp hàm năng lượng, mô hình ANN cho phép đánh giá nhanh hơn nhiều, phù hợp với yêu cầu thời gian thực trong vận hành hệ thống điện.

Kết quả cũng phù hợp với các nghiên cứu gần đây trong lĩnh vực ứng dụng ANN cho đánh giá ổn định hệ thống điện, đồng thời khẳng định ưu thế của mạng GRNN trong việc xử lý các bài toán nhận dạng phi tuyến với tốc độ huấn luyện nhanh và độ chính xác cao.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác nhận dạng và thời gian huấn luyện giữa các mô hình và phương pháp lựa chọn biến, giúp minh họa rõ ràng ưu điểm của mô hình GRNN-Relief.

Đề xuất và khuyến nghị

  1. Triển khai mô hình ANN nhận dạng ổn định động trong hệ thống điều khiển điện: Áp dụng mô hình GRNN-Relief để chẩn đoán nhanh trạng thái ổn định động, giúp điều độ viên ra quyết định kịp thời, giảm thiểu rủi ro mất ổn định. Thời gian thực hiện: trong vòng 6-12 tháng, chủ thể: các trung tâm điều khiển hệ thống điện.

  2. Mở rộng cơ sở dữ liệu và huấn luyện mô hình cho các hệ thống điện quy mô lớn hơn: Nâng cấp mô hình để áp dụng cho các hệ thống điện phức tạp hơn, bao gồm nhiều máy phát và bus hơn, nhằm tăng tính ứng dụng thực tiễn. Thời gian thực hiện: 12-18 tháng, chủ thể: các viện nghiên cứu và trường đại học.

  3. Phát triển phần mềm hỗ trợ đánh giá ổn định động tích hợp mô hình ANN: Xây dựng công cụ phần mềm thân thiện, dễ sử dụng cho các kỹ sư vận hành, tích hợp mô hình nhận dạng và lựa chọn biến đặc trưng tự động. Thời gian thực hiện: 9-12 tháng, chủ thể: các công ty công nghệ và phần mềm.

  4. Đào tạo và nâng cao năng lực cho đội ngũ điều độ viên và kỹ sư vận hành: Tổ chức các khóa đào tạo về ứng dụng ANN trong đánh giá ổn định hệ thống điện, giúp nâng cao nhận thức và kỹ năng sử dụng công nghệ mới. Thời gian thực hiện: liên tục, chủ thể: các cơ sở đào tạo và công ty điện lực.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư và chuyên gia vận hành hệ thống điện: Hỗ trợ trong việc đánh giá nhanh trạng thái ổn định động, nâng cao hiệu quả vận hành và giảm thiểu rủi ro sự cố.

  2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Cung cấp kiến thức chuyên sâu về ứng dụng mạng nơron nhân tạo và kỹ thuật lựa chọn biến đặc trưng trong lĩnh vực ổn định hệ thống điện.

  3. Các trung tâm điều khiển và công ty điện lực: Là tài liệu tham khảo để phát triển các hệ thống cảnh báo sớm và công cụ hỗ trợ ra quyết định trong vận hành hệ thống điện.

  4. Nhà phát triển phần mềm và công nghệ trong lĩnh vực năng lượng: Tham khảo để xây dựng các giải pháp phần mềm tích hợp mô hình ANN cho đánh giá ổn định động, nâng cao tính tự động và chính xác.

Câu hỏi thường gặp

  1. Mạng nơron nhân tạo (ANN) là gì và tại sao được sử dụng trong đánh giá ổn định hệ thống điện?
    ANN là mô hình tính toán mô phỏng cấu trúc và chức năng của mạng nơron sinh học, có khả năng học và nhận dạng các mẫu phi tuyến phức tạp. Trong đánh giá ổn định hệ thống điện, ANN giúp xử lý nhanh các dữ liệu vận hành phức tạp, cho kết quả chính xác và thời gian tính toán ngắn hơn so với phương pháp truyền thống.

  2. Tại sao cần lựa chọn biến đặc trưng trong mô hình ANN?
    Lựa chọn biến đặc trưng giúp loại bỏ các biến thừa, giảm nhiễu, giảm số lượng biến đầu vào, từ đó giảm thời gian huấn luyện và nâng cao độ chính xác nhận dạng của mô hình ANN. Điều này rất quan trọng khi xử lý dữ liệu lớn và phức tạp như trong hệ thống điện.

  3. Phương pháp lựa chọn biến đặc trưng nào hiệu quả nhất trong nghiên cứu này?
    Giải thuật Relief được đánh giá là hiệu quả nhất vì nó cập nhật trọng số biến dựa trên khoảng cách giữa các mẫu cùng lớp và khác lớp, giúp chọn ra các biến có khả năng phân biệt cao nhất, từ đó nâng cao độ chính xác nhận dạng.

  4. Mô hình GRNN có ưu điểm gì so với MLPNN trong bài toán này?
    GRNN có thời gian huấn luyện nhanh hơn đáng kể và đạt độ chính xác nhận dạng cao hơn so với MLPNN khi sử dụng cùng bộ biến đặc trưng. Điều này làm cho GRNN phù hợp hơn cho ứng dụng chẩn đoán nhanh trong vận hành hệ thống điện.

  5. Cơ sở dữ liệu đánh giá ổn định được tạo ra như thế nào?
    Cơ sở dữ liệu được tạo ra qua mô phỏng offline trên phần mềm PowerWorld, thực hiện trên hệ thống IEEE 10-máy 39-bus với các sự cố ngắn mạch ba pha cân bằng tại các bus và trên các đường dây truyền tải ở nhiều vị trí và mức tải khác nhau. Dữ liệu được chuẩn hóa và phân loại thành trạng thái ổn định và không ổn định dựa trên góc rotor các máy phát.

Kết luận

  • Luận văn đã xây dựng thành công mô hình nhận dạng chẩn đoán nhanh ổn định động hệ thống điện dựa trên mạng nơron nhân tạo kết hợp kỹ thuật lựa chọn biến đặc trưng, đạt độ chính xác nhận dạng kiểm tra lên đến 95.97%.

  • Giải thuật Relief kết hợp với mạng nơron GRNN cho kết quả tốt nhất về độ chính xác và thời gian huấn luyện, phù hợp cho ứng dụng thực tế trong vận hành hệ thống điện.

  • Cơ sở dữ liệu đánh giá ổn định được tạo ra qua mô phỏng offline trên hệ thống chuẩn IEEE 10-máy 39-bus với 1819 mẫu dữ liệu, bao phủ đa dạng các trạng thái vận hành và sự cố.

  • Mô hình giúp giảm số lượng biến đầu vào, giảm thời gian huấn luyện và nâng cao độ chính xác, hỗ trợ điều độ viên ra quyết định kịp thời khi có sự cố.

  • Đề xuất triển khai mô hình trong hệ thống điều khiển điện, mở rộng nghiên cứu cho các hệ thống lớn hơn và phát triển phần mềm hỗ trợ đánh giá ổn định động trong thời gian tới.

Các tổ chức và cá nhân trong lĩnh vực kỹ thuật điện nên nghiên cứu và ứng dụng mô hình này để nâng cao hiệu quả vận hành và đảm bảo an toàn hệ thống điện trong bối cảnh phụ tải ngày càng tăng và hệ thống ngày càng phức tạp.