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 trên 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 trên phần mềm PowerWorld, bao gồm 1819 mẫu dữ liệu với 1436 mẫu ổn định và 383 mẫu không ổn định.

Nghiên cứu có ý nghĩa khoa học và thực tiễn lớn khi góp phần phát triển phương pháp đánh giá ổn định động nhanh, chính xác, giúp hệ thống điều khiển kịp thời kích hoạt các biện pháp bảo vệ, giảm thiểu rủi ro mất ổn định và nâng cao hiệu quả vận hành hệ thống điện hiện đại.

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 đánh giá 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, trong đó hằng số quán tính H và hệ số giảm chấn D là các tham số quan trọng.

  • Mô hình đơn giản hóa máy phát và hệ thống tương đương: Sử dụng mô hình cổ điển máy phát điện đồng bộ với sức điện động không đổi và điện kháng quá độ, kết nối với hệ thống tương đương qua thanh góp vô hạn.

  • Mạng nơron nhân tạo (ANN): Mạng nơron được sử dụng gồm các mô hình GRNN (Generalized Regression Neural Network) và MLPNN (Multilayer Perceptron Neural Network). ANN có khả năng học và nhận dạng các mối quan hệ phi tuyến giữa các biến đầu vào (biến đặc trưng hệ thống điện) và trạng thái ổn định động.

  • Kỹ thuật lựa chọn biến đặc trưng: Áp dụng ba phương pháp lựa chọn biến là Fisher, Divergence và Relief nhằm loại bỏ biến thừa, giảm nhiễu, 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 đặt 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, thu được tổng cộng 1947 mẫu, sau khi loại bỏ trùng lặp còn 1819 mẫu.

  • Biến đặc trưng đầu vào: Bao gồm độ lệch công suất phát, độ lệch công suất tải, độ sụt điện áp tại các bus, độ lệch công suất phân bố trên các đường dây truyền tải.

  • Phương pháp phân tích: Sử dụng kỹ thuật lựa chọn biến đặc trưng theo phương pháp Filter với thuật toán xếp hạng dựa trên hàm khoảng cách Fisher, Divergence và thuật toán Relief. Mô hình ANN được huấn luyện và kiểm tra với hai kiến trúc GRNN và MLPNN.

  • Timeline nghiên cứu: Quá trình nghiên cứu gồm các bước chính: tạo cơ sở dữ liệu mô phỏng offline, 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.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả lựa chọn biến đặc trưng: Thuật toán Relief cho kết quả lựa chọn biến đặc trưng tốt hơn so với Fisher và Divergence, giúp giảm số biến đầu vào từ 189 xuống còn 15 biến mà vẫn duy trì độ chính xác cao.

  2. Độ chính xác nhận dạng: Mô hình 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 có thời gian huấn luyện nhanh hơn đáng kể so với MLPNN-Relief, chỉ khoảng 0.73 giây với 15 biến, so với thời gian dài hơn khi sử dụng 189 biến.

  4. Khả năng chẩn đoán nhanh: Mô hình ANN xây dựng có khả năng chẩn đoán nhanh trạng thái ổn định động của hệ thống điện, giúp đưa ra cảnh báo sớm và hỗ trợ quyết định vận hành kịp thời.

Thảo luận kết quả

Kết quả cho thấy việc áp dụng kỹ thuật lựa chọn biến đặc trưng hiệu quả giúp giảm đáng kể số lượng biến đầu vào, từ đó giảm thời gian huấn luyện và tăng độ chính xác nhận dạng. Thuật toán Relief thể hiện ưu thế vượt trội nhờ khả năng đánh giá trọng số biến dựa trên sự phân tách giữa các lớp dữ liệu ổn định và không ổn định. Mạng GRNN với cấu trúc đơn giản, khả năng hội tụ nhanh phù hợp cho bài toán nhận dạng trạng thái ổn định động.

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 hiện đại. 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, minh họa rõ ràng ưu điểm của GRNN-Relief.

Kết quả nghiên cứu góp phần nâng cao hiệu quả vận hành hệ thống điện, giảm thiểu rủi ro mất ổn định, đồng thời giảm chi phí đầu tư cảm biến và xử lý dữ liệu nhờ giảm số biến đầu vào.

Đề xuất và khuyến nghị

  1. Triển khai mô hình ANN trong hệ thống điều khiển vận hành: Áp dụng mô hình GRNN-Relief để chẩn đoán nhanh ổn định động, giúp điều độ viên có cảnh báo sớm và ra quyết định kịp thời, giảm thiểu rủi ro mất ổn định. Thời gian thực hiện: 6-12 tháng; chủ thể: các trung tâm điều độ hệ thống điện.

  2. Mở rộng cơ sở dữ liệu và huấn luyện mô hình: Thu thập thêm dữ liệu vận hành thực tế và các kịch bản sự cố đa dạng để nâng cao độ chính xác và khả năng tổng quát của mô hình. Thời gian: liên tục; chủ thể: các viện nghiên cứu và doanh nghiệp điện lực.

  3. Nâng cấp hệ thống đo lường và thu thập dữ liệu: Tối ưu hóa số lượng cảm biến dựa trên biến đặc trưng đã lựa chọn, giảm chi phí đầu tư và tăng hiệu quả thu thập dữ liệu. Thời gian: 12 tháng; chủ thể: các công ty truyền tải và phân phối điện.

  4. Phát triển giao diện trực quan hỗ trợ quyết định: Xây dựng phần mềm hiển thị kết quả chẩn đoán ổn định động theo thời gian thực, hỗ trợ người vận hành dễ dàng theo dõi và xử lý sự cố. Thời gian: 6 tháng; chủ thể: các nhà phát triển phần mềm và trung tâm điều độ.

Đối tượng nên tham khảo luận văn

  1. Các kỹ sư và chuyên gia vận hành hệ thống điện: Nắm bắt phương pháp chẩn đoán nhanh ổn định động, áp dụng trong công tác giám sát và điều khiển hệ thống điện.

  2. Nhà nghiên cứu và sinh viên ngành điện – điện tử: Tìm hiểu kỹ thuật mạng nơron nhân tạo và lựa chọn biến đặc trưng trong bài toán đánh giá ổn định hệ thống điện.

  3. Các nhà quản lý và hoạch định chính sách năng lượng: Hiểu rõ tầm quan trọng của công nghệ chẩn đoán nhanh để đầu tư phát triển hạ tầng điện lực hiện đại, an toàn.

  4. Doanh nghiệp phát triển phần mềm và thiết bị đo lường điện: Tham khảo mô hình và thuật toán để phát triển sản phẩm hỗ trợ vận hành hệ thống điện thông minh.

Câu hỏi thường gặp

  1. Mạng nơron nhân tạo có ưu điểm gì so với phương pháp truyền thống trong đánh giá ổn định hệ thống điện?
    Mạng nơron nhân tạo cho phép đánh giá nhanh, xử lý mối quan hệ phi tuyến phức tạp giữa các biến hệ thống, giảm thời gian tính toán so với mô phỏng miền thời gian truyền thống. Ví dụ, mô hình GRNN-Relief chỉ mất khoảng 0.73 giây để huấn luyện với 15 biến.

  2. Tại sao cần lựa chọn biến đặc trưng trong mô hình ANN?
    Lựa chọn biến đặc trưng giúp loại bỏ biến thừa, giảm nhiễu, giảm số lượng biến đầu vào, từ đó tăng tốc độ huấn luyện và nâng cao độ chính xác nhận dạng. Thuật toán Relief được đánh giá hiệu quả trong việc chọn biến có khả năng phân biệt cao.

  3. Phạm vi áp dụng của mô hình nghiên cứu là gì?
    Mô hình được xây dựng và kiểm tra trên hệ thống chuẩn IEEE 10-máy 39-bus, có thể mở rộng áp dụng cho các hệ thống điện quy mô lớn hơn với điều chỉnh phù hợp.

  4. Mô hình ANN có thể phản ứng kịp thời với các sự cố trong hệ thống điện không?
    Có, mô hình ANN cho phép chẩn đoán nhanh trạng thái ổn định động ngay sau khi sự cố xảy ra, giúp hệ thống điều khiển kích hoạt các biện pháp bảo vệ kịp thời, giảm thiểu rủi ro mất ổn định.

  5. Làm thế nào để nâng cao độ chính xác của mô hình ANN trong thực tế?
    Cần mở rộng cơ sở dữ liệu huấn luyện với các kịch bản vận hành và sự cố đa dạng, đồng thời cập nhật mô hình thường xuyên dựa trên dữ liệu thực tế để cải thiện khả năng tổng quát và độ tin cậy.

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.
  • Thuật toán Relief kết hợp với mạng GRNN cho kết quả nhận dạng chính xác cao (95.97%) và thời gian huấn luyện nhanh (0.73 giây với 15 biến).
  • Cơ sở dữ liệu đánh giá ổn định được tạo ra qua mô phỏng offline trên hệ thống IEEE 10-máy 39-bus với 1819 mẫu dữ liệu đa dạng.
  • Mô hình có khả năng hỗ trợ điều độ viên ra quyết định kịp thời, nâng cao độ tin cậy và an toàn vận hành hệ thống điện.
  • Đề xuất triển khai mô hình trong thực tế, mở rộng dữ liệu và phát triển hệ thống hỗ trợ trực quan để nâng cao hiệu quả ứng dụng.

Hành động tiếp theo: Các trung tâm điều độ và viện nghiên cứu nên phối hợp triển khai thử nghiệm mô hình trên hệ thống thực tế, đồng thời phát triển phần mềm hỗ trợ vận hành dựa trên kết quả nghiên cứu này.