Tổng quan nghiên cứu

Hệ thống điện, đặc biệt là hệ thống truyền tải, đóng vai trò then chốt 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 điện máy phát hoặc 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 hiệu quả.

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 ra quyết định phòng ngừa hoặc khắc phục sự cố, đồng thời giảm số lượng biến đầu vào, giảm chi phí đo lường và tăng hiệu quả vận hành hệ thống điện.

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 hình chuyển động rotor máy phát điện đồng bộ được mô tả bằng phương trình vi phân bậc hai phi tuyến, thể hiện sự cân bằng mômen cơ và mômen điện, với hằng số quán tính H và hệ số giảm chấn D.

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

  • Mạng nơron nhân tạo (ANN): Mạng nơron 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: Ba phương pháp lựa chọn biến đặc trưng được sử dụng gồm 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 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.

  • Phương pháp phân tích: Dữ liệu được chuẩn hóa, phân chia thành tập huấn luyện và kiểm tra. Các biến đặc trưng ban đầu gồm độ lệch công suất phát, độ lệch công suất tải, độ sụt điện áp tại các bus, độ lệch công suất trên các đường dây truyền tải. Lựa chọn biến đặc trưng được thực hiện theo phương pháp xếp hạng dựa trên Fisher, Divergence và thuật toán Relief. Mô hình mạng nơron GRNN và MLPNN được huấn luyện và đánh giá độ chính xác nhận dạng.

  • Timeline nghiên cứu: Quá trình nghiên cứu gồm các bước: xây dựng cơ sở dữ liệu mô phỏng (mất nhiều thời gian nhất), lựa chọn biến đặc trưng, xây dựng và huấn luyện mô hình mạng nơron, đánh giá kết quả trên hệ thống chuẩn IEEE 10-máy 39-bus.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

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

  2. Giảm số biến đầu vào giúp tăng tốc độ huấn luyện: Với 15 biến đặc trưng, thời gian huấn luyện của GRNN-Relief chỉ khoảng 0.73 giây, nhanh hơn đáng kể so với khi sử dụng 189 biến đầu vào. Điều này chứng tỏ hiệu quả của kỹ thuật lựa chọn biến đặc trưng trong giảm tải tính toán.

  3. So sánh các phương pháp lựa chọn biến: Thuật toán Relief cho kết quả xếp hạng biến đặc trưng tốt hơn so với Fisher và Divergence, giúp mô hình nhận dạng đạt độ chính xác cao hơn và thời gian huấn luyện nhanh hơn.

  4. Phân loại chính xác trạng thái ổn định và không ổn định: Mô hình ANN nhận dạng được trạng thái ổn định động của hệ thống điện dựa trên các biến đặc trưng đầu vào, giúp cảnh báo sớm mất ổn định và hỗ trợ ra quyết định vận hành.

Thảo luận kết quả

Nguyên nhân của kết quả trên là do mạng nơron GRNN có khả năng xử lý các mối quan hệ phi tuyến phức tạp giữa các biến đầu vào và trạng thái ổn định động, đồng thời thuật toán Relief giúp chọn lọc các biến có khả năng phân biệt cao nhất, loại bỏ biến nhiễu và dư thừa. So với các phương pháp truyền thống như mô phỏng miền thời gian hay hàm năng lượng, phương pháp ANN cho phép đánh giá nhanh trong thời gian thực, giảm thiểu độ trễ trong ra quyết định vận hành.

Kết quả này phù hợp với các nghiên cứu gần đây trong lĩnh vực đánh giá ổn định hệ thống điện sử dụng kỹ thuật nhận dạng mẫu và mạng nơron nhân tạo. Việc giảm số biến đầu vào không chỉ giúp tăng tốc độ huấn luyện mà còn giảm chi phí đo lường và thu thập dữ liệu trong thực tế vận hành.

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, cũng như bảng xếp hạng các biến đặc trưng theo trọng số của thuật toán Relief.

Đề xuất và khuyến nghị

  1. Triển khai mô hình ANN nhận dạng ổn định động trong hệ thống điều khiển SCADA: Áp dụng mô hình GRNN-Relief để đánh giá nhanh trạng thái ổn định động, giúp điều độ viên kịp thời phát hiện và xử lý sự cố, giảm thiểu rủi ro mất ổn định. Thời gian thực hiện: 6-12 tháng, chủ thể: các công ty vận hành hệ thống điện.

  2. Phát triển hệ thống cảnh báo sớm dựa trên ANN: Xây dựng hệ thống cảnh báo tự động khi phát hiện nguy cơ mất ổn định, kết hợp với các biện pháp điều khiển khẩn cấp như ngắt máy phát hoặc xa thải phụ tải. Thời gian thực hiện: 12 tháng, chủ thể: Trung tâm điều độ hệ thống điện.

  3. Mở rộng nghiên cứu áp dụng trên các hệ thống điện quy mô lớn hơn: Nghiên cứu và điều chỉnh mô hình cho các hệ thống điện có quy mô và cấu trúc phức tạp hơn, đảm bảo tính khả thi và hiệu quả trong thực tế. Thời gian thực hiện: 18-24 tháng, chủ thể: các viện nghiên cứu và trường đại học.

  4. Tối ưu hóa thu thập dữ liệu và lựa chọn biến đặc trưng: Áp dụng kỹ thuật lựa chọn biến đặc trưng để giảm số lượng cảm biến cần thiết, tiết kiệm chi phí đầu tư và vận hành hệ thống đo lường. Thời gian thực hiện: 6 tháng, chủ thể: các đơn vị quản lý và vận hành hệ thống điện.

Đối tượng nên tham khảo luận văn

  1. Các kỹ sư và chuyên gia vận hành hệ thống điện: Nghiên cứu giúp nâng cao khả năng đánh giá và xử lý sự cố nhanh chóng, đảm bảo vận hành an toàn và ổn định.

  2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Tài liệu tham khảo về ứng dụng mạng nơron nhân tạo và kỹ thuật lựa chọn biến đặc trưng trong đánh giá ổn định hệ thống điện.

  3. Các nhà phát triển phần mềm và hệ thống điều khiển công nghiệp: Cơ sở để phát triển các giải pháp phần mềm hỗ trợ điều độ và giám sát hệ thống điện thông minh.

  4. Các cơ quan quản lý và hoạch định chính sách năng lượng: Tham khảo để xây dựng các tiêu chuẩn, quy trình vận hành và đầu tư phù hợp với yêu cầu an toàn và hiệu quả của hệ thống điện.

Câu hỏi thường gặp

  1. Mạng nơron nhân tạo có ưu điểm gì trong đánh giá ổn định hệ thống điện?
    Mạng nơron nhân tạo có khả năng học và nhận dạng các mối quan hệ phi tuyến phức tạp giữa các biến đầu vào và trạng thái hệ thống, cho phép đánh giá nhanh và chính xác hơn so với các phương pháp truyền thống. Ví dụ, mô hình GRNN trong nghiên cứu đạt độ chính xác nhận dạng trên 95%.

  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 tăng tốc độ huấn luyện và nâng cao độ chính xác của mô hình. Thuật toán Relief được chứng minh hiệu quả trong việc chọn lọc biến quan trọng.

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

  4. Mô hình ANN có thể phản ứng kịp thời với sự cố trong thực tế không?
    Với thời gian huấn luyện và nhận dạng nhanh (ví dụ GRNN-Relief chỉ mất khoảng 0.73 giây huấn luyện với 15 biến), mô hình có khả năng hỗ trợ đánh giá thời gian thực, giúp điều độ viên ra quyết định kịp thời.

  5. Làm thế nào để tạo cơ sở dữ liệu đánh giá ổn định động?
    Cơ sở dữ liệu được tạo ra qua mô phỏng offline trên phần mềm PowerWorld, mô phỏng các sự cố ngắn mạch ba pha tại nhiều vị trí và mức tải khác nhau, thu thập các biến đặc trưng đại diện cho trạng thái hệ thống.

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%.

  • Thuật toán lựa chọn biến đặc trưng Relief kết hợp với mạng nơron GRNN cho kết quả tốt hơn so với các phương pháp khác về độ chính xác và thời gian huấn luyện.

  • Cơ sở dữ liệu đánh giá ổn định động được tạo ra qua mô phỏng offline trên hệ thống IEEE 10-máy 39-bus với 1819 mẫu dữ liệu, bao gồm cả trạng thái ổn định và không ổn định.

  • Mô hình có thể ứng dụng trong hệ thống điều khiển và giám sát vận hành hệ thống điện, hỗ trợ cảnh báo sớm và ra quyết định kịp thời.

  • Các bước tiếp theo nên tập trung mở rộng mô hình cho các hệ thống điện quy mô lớn hơn, phát triển hệ thống cảnh báo tự động và tối ưu hóa thu thập dữ liệu biến đặc trưng.

Hành động đề xuất: Các đơn vị vận hành và nghiên cứu nên phối hợp triển khai thử nghiệm mô hình trong môi trường thực tế để đánh giá hiệu quả và hoàn thiện giải pháp.