Luận văn thạc sĩ HCMUTE: Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện

Luận văn thạc sĩ kỹ thuật nghiên cứu hcmute nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện

• Tác giả: Võ Thanh An
• Người hướng dẫn: PGS.TS Quyền Huy Ánh
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện
• Đề tài: Nghiên Cứu Phương Pháp Nhận Dạng Ổn Định Hệ Thống Điện
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về lĩnh vực nghiên cứu
• 1.2. Tính cấp thiết của đề tài
• 1.3. Mục tiêu và nhiệm vụ của luận văn
• 1.4. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa khoa học và giá trị thực tiễn của luận văn
• 1.7. ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN
• 1.7.1. Ổn định hệ thống điện
• 1.7.2. Phân loại ổn định hệ thống điện
• 1.7.3. Ổn định góc quay rotor
• 1.7.4. Ổn định điện áp
• 1.7.5. Ổn định tĩnh. Phương trình dao động của máy phát. Mô hình đơn giản hóa máy phát và hệ thống tương đương
• 1.7.6. Ổn định hệ nhiều máy
• 1.7.7. Đánh giá ổn định hệ thống điện
• 2. CHƯƠNG 2: QUY TRÌNH MÔ PHỎNG LẤY MẪU TRONG POWERWORLD
• 2.1. Mô tả quá trình lấy mẫu
• 2.2. Kết luận chương 2
• 3. CHƯƠNG 3: LỰA CHỌN BIẾN ĐẶC TRƯNG
• 3.1. Lựa chọn biến đặc trưng. Các phương pháp tiếp cận
• 3.2. Quy trình lựa chọn biến đặc trưng
• 3.3. Lựa chọn biến đặc trưng ban đầu
• 3.4. Tìm kiếm biến đặc trưng ứng viên
• 3.5. Đánh giá biến đặc trưng ứng viên
• 3.6. Hàm khoảng cách Fisher
• 3.7. Hàm khoảng cách Divergence
• 3.8. Giải thuật Relief
• 3.9. Tiêu chuẩn dừng
• 3.10. Kết luận chương 3
• 4. CHƯƠNG 4: PHÂN CỤM DỮ LIỆU
• 4.1. Giới thiệu về phân cụm dữ liệu
• 4.2. Định nghĩa về phân cụm dữ liệu
• 4.3. Các phương pháp phân cụm dữ liệu. Phương pháp phân cụm dữ liệu Kmeans
• 4.4. Các bước cơ bản của thuật toán Kmeans
• 4.5. Hàm Kmeans trong phần mềm Matlab
• 4.6. Phương pháp phân cụm dữ liệu Fuzzy Cmeans
• 4.7. Hàm mục tiêu của thuật toán Fuzzy Cmeans
• 4.8. Các bước cơ bản của thuật toán Fuzzy Cmeans
• 4.9. Hàm Fuzzy Cmeans trong phần mềm Matlab
• 4.10. Quy trình rút gọn dữ liệu
• 4.11. Kết luận chương 4
• 5. CHƯƠNG 5: MẠNG NƠRON VÀ MÔ HÌNH NHẬN DẠNG
• 5.1. Giới thiệu về mạng nơron
• 5.2. Mô hình nơron sinh học
• 5.3. Mô hình nơron nhân tạo
• 5.4. Hàm chuyển đổi
• 5.5. Phân loại mô hình cấu trúc mạng nơron
• 5.6. Mạng Perceptron nhiều lớp
• 5.7. Mạng hàm truyền xuyên tâm
• 5.8. Mạng hồi quy tổng quát
• 5.9. Mạng nơron xác suất
• 5.10. Luật đầu ra của bộ phân loại
• 5.11. Huấn luyện và đánh giá mô hình nhận dạng
• 5.12. Nhận dạng và phương pháp tiếp cận
• 5.13. Các giai đoạn trong một mô hình nhận dạng
• 5.14. Mô hình nhận dạng. Kết luận chương 5
• 6. CHƯƠNG 6: ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10-MÁY 39-BUS
• 6.1. Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England
• 6.2. Mô hình mạng nơron nhận dạng ổn định động hệ thống điện
• 6.3. Tạo cơ sở dữ liệu ổn định động
• 6.4. Xây dựng tập mẫu học
• 6.5. Biến đầu vào và biến đầu ra
• 6.6. Chuẩn hóa dữ liệu
• 6.7. Phân chia dữ liệu
• 6.8. Lựa chọn biến đặc trưng và mô hình mạng nơron
• 6.8.1. Đánh giá chọn biến đặc trưng
• 6.8.2. Các bước thực hiện. Lựa chọn biến và mô hình mạng nơron
• 6.8.3. Các bước thực hiện. Kết quả huấn luyện nhận dạng ANN
• 6.8.4. Thu gọn mẫu
• 6.8.5. Các bước thực hiện thu gọn mẫu
• 6.8.6. Kết quả đánh giá độ chính xác
• 6.8.7. Chọn tập mẫu phân cụm
• 6.8.8. Ứng dụng mạng sau huấn luyện
• 6.9. Kết luận chương 6
• KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu

Hệ thống điện hiện nay đang phát triển mạnh mẽ, với quy mô và độ phức tạp ngày càng cao. Sự gia tăng này dẫn đến nhiều thách thức trong việc duy trì ổn định hệ thống. Các sự cố như ngắn mạch có thể gây ra dao động lớn, ảnh hưởng đến khả năng cung cấp điện. Do đó, việc phát hiện và cảnh báo sớm mất ổn định hệ thống điện là rất quan trọng. Đề tài này tập trung vào việc nghiên cứu phương pháp nhận dạng ổn định hệ thống điện tại HCMUTE, nhằm cải thiện khả năng đánh giá và phản ứng kịp thời trước các sự cố. Việc áp dụng các kỹ thuật như mạng nơron nhân tạo và xử lý dữ liệu sẽ giúp tăng cường độ chính xác và tốc độ trong việc đánh giá ổn định động của hệ thống điện.

1.1. Tính cấp thiết của đề tài

Sự phát triển nhanh chóng của hệ thống điện đã tạo ra nhiều thách thức trong việc duy trì ổn định. Các phương pháp phân tích truyền thống thường tốn nhiều thời gian và không đáp ứng kịp thời yêu cầu thực tế. Do đó, việc nghiên cứu phương pháp nhận dạng mới là cần thiết để đảm bảo an toàn cho hệ thống điện. Đề tài này sẽ cung cấp cái nhìn sâu sắc về các phương pháp hiện có và đề xuất giải pháp hiệu quả hơn.

1.2. Mục tiêu và nhiệm vụ của luận văn

Mục tiêu chính của luận văn là phát triển một phương pháp nghiên cứu hiệu quả để nhận dạng ổn định động của hệ thống điện. Nhiệm vụ bao gồm việc phân tích các phương pháp hiện có, áp dụng kỹ thuật xử lý dữ liệu và mạng nơron để cải thiện độ chính xác trong việc đánh giá ổn định. Kết quả nghiên cứu sẽ giúp nâng cao khả năng phản ứng của hệ thống điều khiển trong các tình huống khẩn cấp.

II. Phương pháp nghiên cứu

Đề tài sử dụng các phương pháp hiện đại trong việc phân tích và nhận dạng ổn định hệ thống điện. Kỹ thuật phân cụm dữ liệu và lựa chọn biến đặc trưng được áp dụng để tối ưu hóa quy trình huấn luyện mạng nơron. Các phương pháp như Kmeans và Fuzzy Cmeans được sử dụng để phân loại dữ liệu, giúp giảm thiểu kích thước bộ dữ liệu mà vẫn đảm bảo tính đại diện. Việc lựa chọn biến đặc trưng thông qua các phương pháp như Fisher, Divergence và Relief sẽ giúp tăng cường độ chính xác trong việc nhận dạng. Kết quả từ các mô hình như GRNN và MLPNN sẽ được so sánh để đánh giá hiệu quả của từng phương pháp.

2.1. Kỹ thuật phân cụm dữ liệu

Kỹ thuật phân cụm dữ liệu là một phần quan trọng trong nghiên cứu này. Phương pháp Kmeans và Fuzzy Cmeans được áp dụng để phân loại dữ liệu ổn định động. Việc phân cụm giúp giảm thiểu số lượng mẫu cần thiết cho quá trình huấn luyện, từ đó tiết kiệm thời gian và chi phí. Kết quả cho thấy rằng việc áp dụng phân cụm có thể cải thiện đáng kể độ chính xác của mô hình nhận dạng, đồng thời giảm thiểu kích thước dữ liệu đầu vào.

2.2. Lựa chọn biến đặc trưng

Lựa chọn biến đặc trưng là một bước quan trọng trong quá trình phát triển mô hình nhận dạng. Các phương pháp như Fisher, Divergence và Relief được sử dụng để xác định các biến có ảnh hưởng lớn nhất đến độ ổn định của hệ thống điện. Việc lựa chọn chính xác các biến này không chỉ giúp cải thiện độ chính xác của mô hình mà còn giảm thiểu thời gian huấn luyện. Kết quả cho thấy rằng việc áp dụng các phương pháp này có thể nâng cao đáng kể hiệu quả của mô hình nhận dạng.

III. Kết quả nghiên cứu

Kết quả nghiên cứu cho thấy rằng mô hình GRNN với phương pháp chọn biến Relief, áp dụng cho bộ mẫu phân cụm Kmeans, đạt được độ chính xác nhận dạng lên đến 97,25%. So với mô hình không phân cụm, kết quả này tăng 1%. Điều này chứng tỏ rằng việc áp dụng kỹ thuật phân cụm và lựa chọn biến đặc trưng có thể cải thiện đáng kể hiệu quả của mô hình nhận dạng. Hơn nữa, thời gian huấn luyện cũng được rút ngắn, cho thấy tính khả thi của phương pháp trong thực tế.

3.1. Đánh giá độ chính xác

Đánh giá độ chính xác của mô hình là một phần quan trọng trong nghiên cứu. Kết quả cho thấy rằng mô hình GRNN với phương pháp chọn biến Relief có độ chính xác cao hơn so với các mô hình khác. Việc áp dụng phân cụm Kmeans giúp giảm thiểu số lượng mẫu cần thiết cho quá trình huấn luyện, từ đó nâng cao hiệu quả của mô hình. Điều này cho thấy rằng việc áp dụng các kỹ thuật hiện đại trong nghiên cứu có thể mang lại kết quả tích cực.

3.2. Ứng dụng thực tiễn

Kết quả nghiên cứu không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn cao. Việc phát triển phương pháp nhận dạng ổn định động hệ thống điện sẽ giúp các nhà điều hành có thể đưa ra quyết định kịp thời trong các tình huống khẩn cấp. Điều này không chỉ đảm bảo an toàn cho hệ thống điện mà còn giảm thiểu thiệt hại kinh tế do sự cố gây ra. Nghiên cứu này mở ra hướng đi mới cho việc ứng dụng công nghệ trong lĩnh vực điện lực.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống điện ngày càng phát triển nhanh chóng về quy mô và độ phức tạp, đồng thời phải đối mặt với các thách thức vận hành do sự không đồng bộ giữa nhu cầu phụ tải, hệ thống truyền tải và nguồn năng lượng. Theo ước tính, các sự cố như ngắn mạch hoặc ngắt máy phát có thể gây mất ổn định hệ thống, dẫn đến gián đoạn cung cấp điện và tổn thất kinh tế nghiêm trọng. Việc đánh giá ổn định động hệ thống điện truyền thống dựa trên mô phỏng miền thời gian hoặc phương pháp hàm năng lượng tuy chính xác nhưng tốn nhiều thời gian, gây chậm trễ trong ra quyết định vận hành. Do đó, mục tiêu nghiên cứu là phát triển phương pháp nhận dạng nhanh và chính xác ổn định động hệ thống điện, giúp cảnh báo sớm và hỗ trợ điều độ viên đưa ra quyết định kịp thời.

Phạm vi nghiên cứu tập trung vào hệ thống điện chuẩn IEEE 10-máy 39-bus, với dữ liệu thu thập trong quá trình mô phỏng offline các sự cố ngắn mạch 3 pha tại nhiều vị trí khác nhau trên hệ thống. Ý nghĩa nghiên cứu thể hiện qua việc nâng cao độ chính xác nhận dạng trên 95%, đồng thời giảm thời gian huấn luyện và xử lý dữ liệu, góp phần đảm bảo vận hành an toàn, ổn định hệ thống điện trong điều kiện phát triển nhanh và phức tạp hiện nay.

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 góc quay rotor, ổn định điện áp và ổn định tĩnh. Ổn định động (ổn định quá độ) được đánh giá dựa trên khả năng hệ thống phục hồi trạng thái ban đầu sau kích động lớn, như ngắn mạch. Phương trình dao động rotor và mô hình đơn giản hóa máy phát đồng bộ được sử dụng để mô tả động học hệ thống.

• Mạng nơron nhân tạo (ANN): Sử dụng các mô hình mạng nơron như GRNN (Generalized Regression Neural Network) và MLPNN (Multilayer Perceptron Neural Network) để nhận dạng mẫu và dự đoán trạng thái ổn định động của hệ thống điện.

• Kỹ thuật xử lý dữ liệu: Áp dụng kỹ thuật lựa chọn biến đặc trưng (Fisher, Divergence, Relief) để giảm số lượng biến đầu vào, tăng hiệu quả huấn luyện; kỹ thuật phân cụm dữ liệu (Kmeans, Fuzzy Cmeans) để rút gọn bộ mẫu dữ liệu, giảm chi phí tính toán mà vẫn giữ tính đại diện.

Các khái niệm chính bao gồm: góc công suất rotor, phương trình dao động rotor, lựa chọn biến đặc trưng, phân cụm dữ liệu, mạng nơron nhân tạo, và đánh giá ổn định động.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Bộ dữ liệu ổn định động được tạo ra bằng mô phỏng offline trên phần mềm PowerWorld, với hệ thống điện chuẩn IEEE 10-máy 39-bus. Tổng cộng thu thập 3200 mẫu, trong đó 2400 mẫu ổn định và 800 mẫu không ổn định, bao gồm các kịch bản sự cố ngắn mạch 3 pha tại các bus và dọc các đường dây truyền tải ở nhiều vị trí khác nhau.

• Phương pháp phân tích: Dữ liệu được chuẩn hóa và xử lý qua các bước lựa chọn biến đặc trưng bằng ba phương pháp Fisher, Divergence và Relief; phân cụm dữ liệu bằng Kmeans và Fuzzy Cmeans để rút gọn bộ mẫu. Mạng nơron GRNN và MLPNN được huấn luyện trên bộ dữ liệu đã xử lý để đánh giá độ chính xác nhận dạng.

• Timeline nghiên cứu: Quá trình nghiên cứu bao gồm xây dựng cơ sở dữ liệu (mô phỏng và thu thập mẫu), xử lý dữ liệu (lựa chọn biến, phân cụm), huấn luyện mạng nơron, và đánh giá kết quả trên hệ thống chuẩn. Mỗi giai đoạn được thực hiện tuần tự nhằm đảm bảo tính chính xác và hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận dạng cao: Bộ nhận dạng GRNN kết hợp phương pháp chọn biến đặc trưng Relief và phân cụm Kmeans với 1100 mẫu huấn luyện đạt độ chính xác nhận dạng mẫu kiểm tra lên đến 97,25%, tăng 1% so với bộ nhận dạng không phân cụm ban đầu với 3200 mẫu.

2. Giảm kích thước bộ dữ liệu: Phân cụm Kmeans và Fuzzy Cmeans giúp giảm số lượng mẫu từ 3200 xuống còn khoảng 1100-1300 mẫu, giảm chi phí huấn luyện mạng nơron mà không làm giảm độ chính xác nhận dạng.

3. Hiệu quả thời gian huấn luyện: Mạng GRNN với bộ dữ liệu đã phân cụm có thời gian huấn luyện nhanh hơn đáng kể so với bộ dữ liệu ban đầu, đồng thời vượt trội hơn MLPNN về tốc độ huấn luyện.

4. Ứng dụng thực tiễn: Mạng nơron sau huấn luyện cho thấy khả năng nhận dạng nhanh và chính xác trạng thái ổn định động, vượt trội so với phương pháp mô phỏng miền thời gian truyền thống về mặt thời gian xử lý.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác và hiệu quả thời gian là do kỹ thuật lựa chọn biến đặc trưng và phân cụm dữ liệu giúp loại bỏ các biến và mẫu không cần thiết, giảm nhiễu và tăng tính đại diện của dữ liệu huấn luyện. So với các nghiên cứu trước đây, việc kết hợp Relief với Kmeans và sử dụng GRNN đã nâng cao hiệu suất nhận dạng, đồng thời giảm đáng kể thời gian huấn luyện.

Kết quả này có ý nghĩa quan trọng trong vận hành hệ thống điện hiện đại, nơi yêu cầu đánh giá ổn định động phải nhanh chóng và chính xác để kịp thời cảnh báo và điều chỉnh. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác nhận dạng giữa các phương pháp lựa chọn biến và phân cụm, cũng như bảng so sánh thời gian huấn luyện giữa GRNN và MLPNN.

Đề xuất và khuyến nghị

1. Áp dụng kỹ thuật lựa chọn biến đặc trưng Relief kết hợp phân cụm Kmeans để rút gọn dữ liệu đầu vào, nâng cao độ chính xác nhận dạng và giảm thời gian huấn luyện mạng nơron. Thời gian thực hiện: 3-6 tháng; Chủ thể: các trung tâm nghiên cứu và vận hành hệ thống điện.

2. Triển khai mô hình mạng nơron GRNN trong hệ thống điều khiển và giám sát vận hành để nhận dạng nhanh ổn định động, hỗ trợ điều độ viên ra quyết định kịp thời. Thời gian thực hiện: 6-12 tháng; Chủ thể: các công ty điện lực và trung tâm điều độ.

3. Phát triển phần mềm tích hợp mô hình ANN với giao diện trực quan cho phép cập nhật dữ liệu và huấn luyện lại mạng nơron định kỳ, đảm bảo mô hình luôn phù hợp với trạng thái vận hành thực tế. Thời gian thực hiện: 12 tháng; Chủ thể: các đơn vị phát triển phần mềm và nghiên cứu.

4. Đào tạo và nâng cao năng lực cho đội ngũ kỹ thuật vận hành về ứng dụng mạng nơron và kỹ thuật xử lý dữ liệu trong đánh giá ổn định hệ thống điện, nhằm tận dụng tối đa lợi ích của mô hình. Thời gian thực hiện: liên tục; Chủ thể: các trường đại học, viện nghiên cứu và doanh nghiệp điện lực.

Đối tượng nên tham khảo luận văn

1. Học viên cao học và nghiên cứu sinh ngành kỹ thuật điện: Nắm bắt kiến thức chuyên sâu về đánh giá ổn định động hệ thống điện và ứng dụng mạng nơron nhân tạo trong lĩnh vực này.

2. Kỹ sư vận hành và điều độ viên hệ thống điện: Áp dụng mô hình nhận dạng nhanh để nâng cao hiệu quả giám sát và xử lý sự cố trong vận hành thực tế.

3. Nhà nghiên cứu và phát triển công nghệ trong ngành điện: Tham khảo phương pháp xử lý dữ liệu và mô hình mạng nơron để phát triển các giải pháp thông minh cho hệ thống điện.

4. Các đơn vị đào tạo và giảng dạy kỹ thuật điện: Sử dụng luận văn làm tài liệu tham khảo, bổ sung kiến thức thực tiễn và công nghệ mới cho chương trình đào tạo.

Câu hỏi thường gặp

1. Phương pháp nhận dạng ổn định động hệ thống điện là gì?
   Phương pháp này sử dụng mạng nơron nhân tạo để học và dự đoán trạng thái ổn định hoặc không ổn định của hệ thống điện dựa trên dữ liệu vận hành và sự cố. Ví dụ, mạng GRNN được huấn luyện trên dữ liệu mô phỏng để nhận dạng nhanh trạng thái hệ thống.

2. Tại sao cần lựa chọn biến đặc trưng trong xử lý dữ liệu?
   Lựa chọn biến đặc trưng giúp loại bỏ các biến không cần thiết hoặc gây 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 là một ví dụ hiệu quả trong việc đánh giá và chọn biến.

3. Phân cụm dữ liệu có vai trò gì trong nghiên cứu này?
   Phân cụm giúp rút gọn bộ mẫu dữ liệu bằng cách nhóm các mẫu tương tự lại với nhau, giảm số lượng mẫu cần huấn luyện mà vẫn giữ được tính đại diện của dữ liệu. Kmeans và Fuzzy Cmeans là hai thuật toán phân cụm được áp dụng.

4. Mạng nơron GRNN và MLPNN khác nhau như thế nào?
   GRNN là mạng hồi quy tổng quát, có khả năng học nhanh và xử lý tốt các dữ liệu phi tuyến, trong khi MLPNN là mạng perceptron nhiều lớp, thường cần thời gian huấn luyện lâu hơn. Kết quả nghiên cứu cho thấy GRNN vượt trội về tốc độ và độ chính xác trong bài toán nhận dạng ổn định động.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế vận hành hệ thống điện?
   Mô hình mạng nơron đã huấn luyện có thể được tích hợp vào hệ thống giám sát và điều khiển để nhận dạng nhanh trạng thái ổn định, cảnh báo sớm sự cố và hỗ trợ điều độ viên đưa ra quyết định kịp thời, giảm thiểu rủi ro mất ổn định hệ thống.

Kết luận

• Phương pháp nhận dạng ổn định động hệ thống điện dựa trên mạng nơron GRNN kết hợp kỹ thuật lựa chọn biến đặc trưng Relief và phân cụm Kmeans đạt độ chính xác nhận dạng trên 97%, vượt trội so với các phương pháp truyền thống.
• Kỹ thuật xử lý dữ liệu giúp giảm đáng kể kích thước bộ mẫu và số biến đầu vào, từ đó giảm thời gian huấn luyện mạng nơron mà vẫn đảm bảo độ chính xác cao.
• Mô hình đề xuất có khả năng ứng dụng thực tiễn trong giám sát và điều khiển hệ thống điện, hỗ trợ cảnh báo sớm và ra quyết định nhanh chóng trong vận hành.
• Nghiên cứu mở ra hướng phát triển các hệ thống nhận dạng thông minh, tích hợp sâu hơn với công nghệ điều khiển tự động và trí tuệ nhân tạo trong ngành điện.
• Các bước tiếp theo bao gồm triển khai mô hình trên hệ thống thực tế, phát triển phần mềm hỗ trợ và đào tạo nhân lực vận hành để tận dụng hiệu quả công nghệ mới.

Hãy áp dụng các giải pháp này để nâng cao hiệu quả vận hành và đảm bảo an toàn cho hệ thống điện trong bối cảnh phát triển nhanh và phức tạp hiện nay.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ THANH AN NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DẠNG ỔN ÐỊNH HỆ THỐNG ÐIỆN NGÀNH: KỸ THUẬT ÐIỆN – 60520202 S K C0 0 4 7 6 8 Tp. Hồ Chí Minh, tháng 3/2016 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ THANH AN NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN – 60520202 Tp. Hồ Chí Minh, tháng 03 năm 2016 Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác.

Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần tài liệu tham khảo.Hồ Chí Minh, ngày 21 tháng 03 năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang i Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CẢM TẠ Trước tiên, tôi xin gửi lời cảm ơn chân thành đến PGS.TS Quyền Huy Ánh, người đã tạo mọi điều kiện, động viên và hướng dẫn tôi hoàn thành luận văn này. Bên cạnh đó, tôi cũng muốn gửi lời cảm ơn đến NCS Nguyễn Ngọc Âu, người đã hỗ trợ tôi rất nhiều trong suốt quá trình thực hiện luận án. Cảm ơn cơ quan, bạn bè, đồng nghiệp, và trên tất cả, tôi muốn gửi lời cảm ơn đến tất cả các thành viên trong gia đình của tôi, cảm ơn cha, mẹ, đã cùng chia sẻ, động viên và tạo mọi điều kiện thuận lợi để tôi hoàn thành nhiệm vụ học tập và nghiên cứu. Xin chân thành cảm ơn quý thầy, cô đã truyền đạt cho tôi nhiều kinh nghiệm và kiến thức quý báu trong quá trình học tập và nghiên cứu.

Xin cảm ơn PGS.TS Quyền Huy Ánh, NCS Nguyễn Ngọc Âu đã hướng dẫn và hỗ trợ tôi hoàn thành luận văn.Hồ Chí Minh, ngày 21 tháng 3 năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang ii Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh TÓM TẮT LUẬN VĂN Cùng với sự phát triển kinh tế xã hội, hệ thống điện phát triển rất nhanh về quy mô, có tính phi tuyến cao và thường có các dao động công suất lớn khi xuất hiện ngắn mạch. Điều này dẫn đến việc đánh giá ổn định động dựa trên các phương pháp phân tích truyền thống tốn nhiều thời gian giải nên gây chậm trễ trong việc ra quyết định. Vì vậy, việc phát hiện nhanh và cảnh báo sớm mất ổn định hệ thống điện giúp điều độ viên và hệ thống điều khiển ra quyết định kịp thời trở thành yếu tố then chốt đảm bảo vận hành hệ thống điện ổn định. Để giải quyết những vấn đề khó khăn trên, đề tài này tập trung nghiên cứu phương pháp nhận dạng nhanh ổn định động hệ thống điện có độ chính xác cao dựa trên kỹ thuật mạng nơron nhân tạo kết hợp với kỹ thuật xử lý dữ liệu.

Đối với hệ thống điện nhiều máy, quy mô của bộ dữ liệu ổn định động rất lớn, gây tốn chi phí huấn luyện của các hệ thống thông minh. Do đó, cần trích xuất tập dữ liệu đủ gọn nhưng vẫn mang tính đại diện cho hệ thống giúp huấn luyện nhanh và chính xác ổn định động hệ thống điện. Kỹ thuật xử lý dữ liệu được áp dụng trong luận văn là kỹ thuật phân cụm dữ liệu và kỹ thuật lựa chọn biến đặc trưng. Kỹ thuật phân cụm dữ liệu áp dụng hai phương pháp phổ biến là Kmeans và Fuzzy Cmeans.

Ba phương pháp lựa chọn biến đặc trưng được áp dụng là Fisher, Divergence, Relief. Hai bộ nhận dạng được sử dụng để đánh giá độ chính xác nhận dạng là ma ̣ng nơron GRNN (Generalized Regression Neural Network) và MLPNN (Multilayer Perceptron Neural Network). Kết quả kiểm tra trên sơ đồ IEEE 10-máy 39-bus, cho thấy bộ nhận dạng GRNN với phương pháp chọn biến Relief, áp dụng cho bộ mẫu phân cụm Kmeans (1100 mẫu) ở quá trình huấn luyện, cho kết quả độ chính xác nhận dạng mẫu kiểm tra đạt 97,25%, tăng 1% so với bộ nhận dạng không phân cụm ban đầu (3200 mẫu). Kết quả ứng dụng mạng sau huấn luyện cũng thể hiện sự vượt trội về thời gian đối với phương pháp mô phỏng theo miền thời gian.

HVTH: Võ Thanh An Trang iii Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ABSTRACT Along with the socio-economic development, the power systems grow rapidly in size with high nonlinearity and often have large power swings when short circuits occur. Thus, leads to the dynamic stability assessment based on the traditional analysis methods take a lot of time, which causes delays in decision making. Therefore, the fast assessment and an early warning system of the instability of power system helps dispatcher and control systems to take decisions in time became a key factor to ensure the stability in power system operation. To solve the above problems, this thesis focused on studying the fast prediction method of dynamic stability of power system based on the artificial neural network technique combined with data processing techniques.

For electrical system, the size of stability data set is very great stability, causing costly training intelligent systems. Therefore, the data need to extract not only compact but also representative for electrical system to help training quickly and accurately. Data processing techniques to be applied in the thesis are data clustering technique and feature selection technique. Data clustering technique is applied two common algorithm: Kmeans and Fuzzy Cmeans.

Three feature selection techniques are applied as Fisher, Divergence, Relief. Two models of recognition is used to assess the recognition accuracy that is GRNN (Generalized Regression Neural Network) and MLPNN (Multilayer Perceptron Neural Network). Test results on IEEE 10-generator 39-bus system showed that the model of recognition GRNN with Relief-based feature selection method, applied to the Kmeans clustering data set (1100 samples) in the training process, the results of correct classification rate reached 97.25%, up 1% compared with the no clustering recognizer (3200 samples). Result application after training network also shows the superiority of time for time domain simulation method.

HVTH: Võ Thanh An Trang iv Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh MỤC LỤC Trang tựa TRANG Quyết định giao đề tài Lý lịch cá nhân Lời cam đoan. i Lời cảm tạ .ii Tóm tắt luận văn. iii Mục lục. v Danh sách các chữ viết tắt.

ix Danh sách các hình. x Danh sách các bảng .xii Chƣơng 1. Tổng quan về lĩnh vực nghiên cứu. Tính cấp thiết của đề tài.

Mục tiêu và nhiệm vụ của luận văn. Phạm vi nghiên cứu. Phương pháp nghiên cứu. Ý nghĩa khoa học và giá trị thực tiễn của luận văn.

ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN. Ổn định hệ thống điện. Phân loại ổn định hệ thống điện. Ổn định góc quay rotor.

Ổn định điện áp. Ổn định tĩnh. Phương trình dao động của máy phát. Mô hình đơn giản hóa máy phát và hệ thống tương đương.

Ổn định hệ nhiều máy. Đánh giá ổn định hệ thống điện. 19 HVTH: Võ Thanh An Trang v Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 2. Quy trình mô phỏng lấy mẫu trong PowerWorld.

Mô tả quá trình lấy mẫu. Kết luận chương 2. LỰA CHỌN BIẾN ĐẶC TRƢNG. Lựa chọn biến đặc trưng.

Các phương pháp tiếp cận. Quy trình lựa chọn biến đặc trưng. Lựa chọn biến đặc trưng ban đầu. Tìm kiếm biến đặc trưng ứng viên.

Đánh giá biến đặc trưng ứng viên. Hàm khoảng cách Fisher. Hàm khoảng cách Divergence. Giải thuật Relief.

Tiêu chuẩn dừng. Kết luận chương 3. PHÂN CỤM DỮ LIỆU. Giới thiệu về phân cụm dữ liệu.

Định nghĩa về phân cụm dữ liệu. Các phương pháp phân cụm dữ liệu. Phương pháp phân cụm dữ liệu Kmeans. Các bước cơ bản của thuật toán Kmeans.

Hàm Kmeans trong phần mềm Matlab. Phương pháp phân cụm dữ liệu Fuzzy Cmeans. Hàm mục tiêu của thuật toán Fuzzy Cmeans. 39 HVTH: Võ Thanh An Trang vi Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 4.

Các bước cơ bản của thuật toán Fuzzy Cmeans. Hàm Fuzzy Cmeans trong phần mềm Matlab. Quy trình rút gọn dữ liệu. Kết luận chương 4.

MẠNG NƠRON VÀ MÔ HÌNH NHẬN DẠNG. Giới thiệu về mạng nơron. Mô hình nơron sinh học. Mô hình nơron nhân tạo.

Hàm chuyển đổi. Phân loại mô hình cấu trúc mạng nơron. Mạng Perceptron nhiều lớp. Mạng hàm truyền xuyên tâm.

Mạng hồi quy tổng quát. Mạng nơron xác suất. Luật đầu ra của bộ phân loại. Huấn luyện và đánh giá mô hình nhận dạng.

Nhận dạng và phương pháp tiếp cận. Các giai đoạn trong một mô hình nhận dạng. Mô hình nhận dạng. Kết luận chương 5.

ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10-MÁY 39-BUS. Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England. Mô hình mạng nơron nhận dạng ổn định động hệ thống điện. Tạo cơ sở dữ liệu ổn định động.

Xây dựng tập mẫu học. Biến đầu vào và biến đầu ra. Chuẩn hóa dữ liệu. Phân chia dữ liệu.

66 HVTH: Võ Thanh An Trang vii Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 6. Lựa chọn biến đặc trưng và mô hình mạng nơron. Đánh giá chọn biến đặc trưng. Các bước thực hiện.

Lựa chọn biến và mô hình mạng nơron. Các bước thực hiện. Kết quả huấn luyện nhận dạng ANN. Thu gọn mẫu.

Các bước thực hiện thu gọn mẫu. Kết quả đánh giá độ chính xác. Chọn tập mẫu phân cụm. Ứng dụng mạng sau huấn luyện.

Kết luận chương 6. KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN. Hướng nghiên cứu phát triển. 84 TÀI LIỆU THAM KHẢO.

91 HVTH: Võ Thanh An Trang viii Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CHỮ VIẾT TẮT/KÝ HIỆU KHOA HỌC ANN (Artificial Neural Network) BPLNN (Backpropagation Learning Neural Network) CCT (Critical Clearing Time) CNN (Committee Neural Network) FCT (Fault Clearing Time) GRNN (Generalized Regression Neural Network) HTĐ (Hệ thống điện) IEEE (Institute of Electrical and Electronics Engnineers) MLFNN (Multilayer Feedforward Neural Network) MLPNN (Multilayer Perceptron Neural Network) PNN (Probabilistic Neural Network) RBFN (Radial Basis Function Network) HVTH: Võ Thanh An Trang ix Luan van Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Ổn định góc quay rotor dưới các chế độ quá độ HTĐ khác nhau.2: Sơ đồ phasor đơn giản của một máy phát, bỏ qua trở kháng .3: Đường cong góc công suất quá độ với độ dốc K1.