Luận văn thạc sĩ: Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha

Luận văn thạc sĩ nghiên cứu nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh

• Tác giả: Nguyễn Công Anh Vũ
• Người hướng dẫn: PGS. Quyền Huy Ánh
• Trường học: Trường Đại học Sư Phạm Kỹ Thuật thành phố Hồ Chí Minh
• Chuyên ngành: Điện - Điện Tử
• Đề tài: Nghiên cứu phương pháp sa thải phụ tải trên cơ sở phối hợp mạng nơ-ron lan truyền ngược nhằm xác định máy phát bị sự cố và sự cần thiết sa thải phụ tải và mạng nơ-ron hồi quy nhằm đưa ra chiến lược điều khiển theo khoảng cách pha để duy trì hệ thống điện ổn định tần số khi xảy ra sự cố mất máy phát trong hệ thống điện
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Khái quát ổn định hệ thống điện
• 1.2. Khái quát về vận hành khi sự cố trong hệ thống điện tỉnh An Giang
• 1.3. Các nghiên cứu trong và ngoài nước
• 1.3.1. Các nghiên cứu ở trong nước
• 1.3.2. Các nghiên cứu ở nước ngoài
• 1.4. Tính cấp thiết của đề tài
• 1.5. Phạm vi nghiên cứu
• 1.6. Phương pháp nghiên cứu. Điểm mới của đề tài
• 1.7. Giá trị thực tiễn của đề tài
• 1.8. Nội dung đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Mạng nơ-ron lan truyền thẳng
• 2.2. Mạng nơ-ron và thuật toán lan truyền ngược
• 2.3. Các thuật toán áp dụng cho mạng lan truyền ngược
• 2.4. Mạng nơ-ron hồi quy (Generalized Regression Neural Network)
• 2.5. Khoảng cách pha
• 2.6. Khái niệm về sa thải phụ tải
• 2.7. Phương pháp sa thải phụ tải truyền thống
• 2.8. Sa thải phụ tải thông minh (ILS)
• 3. CHƯƠNG 3: PHƯƠNG PHÁP SA THẢI PHỤ TẢI ĐỀ XUẤT
• 3.1. Khái quát phương pháp sa thải phụ tải đề xuất
• 3.2. Xây dựng chiến lược sa thải đề xuất
• 3.3. Quá trình thu thập mẫu và huấn luyện cho nơ-ron
• 4. CHƯƠNG 4: THỰC NGHIỆM PHƯƠNG PHÁP STPT ĐỀ XUẤT
• 4.1. Trên sơ đồ hệ thống điện chuẩn
• 4.2. Đề xuất chiến lược sa thải phụ tải
• 4.3. Thử nghiệm STPT theo phương pháp đề xuất cho sơ đồ 39-Bus New England
• 4.4. Xây dựng mạng nơ-ron
• 4.5. Xây dựng mạng nơ-ron hồi quy
• 4.6. Xây dựng mạng nơ-ron lan truyền ngược
• 4.7. So sánh phương pháp STPT đề xuất với các phương pháp khác
• 4.8. Phương pháp AHP sa thải phụ tải
• 4.9. Phương pháp sa thải phụ tải theo tần số thấp
• 4.10. Mô phỏng và so sánh các phương pháp STPT khác nhau
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN
• 5.1. Hướng nghiên cứu phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu phương pháp sa thải phụ tải trong hệ thống điện

Nghiên cứu phương pháp sa thải phụ tải trong hệ thống điện là một lĩnh vực quan trọng nhằm duy trì sự ổn định của hệ thống điện khi xảy ra sự cố. Việc sa thải phụ tải không chỉ giúp bảo vệ các thiết bị trong hệ thống mà còn đảm bảo cung cấp điện liên tục cho các phụ tải quan trọng. Phương pháp này dựa trên việc phân tích khoảng cách pha giữa các máy phát và các nút tải, từ đó đưa ra quyết định sa thải hợp lý.

1.1. Khái niệm về sa thải phụ tải trong hệ thống điện

Sa thải phụ tải là biện pháp cuối cùng được áp dụng khi hệ thống điện gặp sự cố nghiêm trọng. Phương pháp này giúp giảm tải cho hệ thống, từ đó duy trì tần số và ổn định điện áp. Việc xác định các phụ tải cần sa thải dựa trên nhiều yếu tố, trong đó khoảng cách pha giữa máy phát và các nút tải là một yếu tố quan trọng.

1.2. Tầm quan trọng của nghiên cứu trong bối cảnh hiện tại

Trong bối cảnh nhu cầu sử dụng điện ngày càng tăng, việc nghiên cứu và phát triển các phương pháp sa thải phụ tải hiệu quả là rất cần thiết. Điều này không chỉ giúp nâng cao độ tin cậy của hệ thống điện mà còn giảm thiểu thiệt hại kinh tế do sự cố gây ra.

II. Vấn đề và thách thức trong sa thải phụ tải hiện nay

Mặc dù sa thải phụ tải là một giải pháp hiệu quả, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng phương pháp này. Các vấn đề như xác định chính xác thời điểm và mức độ sa thải, cũng như việc lựa chọn các phụ tải cần sa thải là rất quan trọng.

2.1. Các vấn đề trong việc xác định phụ tải cần sa thải

Việc xác định phụ tải cần sa thải thường gặp khó khăn do sự biến động của nhu cầu tiêu thụ điện. Các yếu tố như thời tiết, giờ cao điểm và sự cố bất ngờ có thể làm thay đổi nhanh chóng tình hình tải, gây khó khăn cho việc ra quyết định.

2.2. Thách thức trong việc duy trì ổn định hệ thống điện

Khi xảy ra sự cố, việc duy trì ổn định cho hệ thống điện là một thách thức lớn. Nếu không có các biện pháp sa thải phụ tải kịp thời, hệ thống có thể rơi vào tình trạng mất ổn định, dẫn đến mất điện diện rộng.

III. Phương pháp sa thải phụ tải dựa trên khoảng cách pha

Phương pháp sa thải phụ tải dựa trên khoảng cách pha là một trong những giải pháp tiên tiến hiện nay. Phương pháp này sử dụng mạng nơ-ron để phân tích và đưa ra quyết định sa thải phụ tải một cách chính xác và nhanh chóng.

3.1. Cơ sở lý thuyết về khoảng cách pha

Khoảng cách pha giữa máy phát và các nút tải là yếu tố quyết định trong việc xác định mức độ ưu tiên sa thải phụ tải. Phương pháp này giúp tối ưu hóa việc sa thải, đảm bảo rằng các phụ tải quan trọng vẫn được cung cấp điện.

3.2. Ứng dụng mạng nơ ron trong sa thải phụ tải

Mạng nơ-ron lan truyền ngược và mạng nơ-ron hồi quy được sử dụng để phân tích dữ liệu và đưa ra quyết định sa thải phụ tải. Các mô hình này đã cho thấy độ chính xác cao trong việc nhận diện máy phát bị sự cố và lượng công suất cần sa thải.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy phương pháp sa thải phụ tải dựa trên khoảng cách pha mang lại hiệu quả cao trong việc duy trì ổn định hệ thống điện. Các mô phỏng trên hệ thống điện chuẩn IEEE 39 bus đã chứng minh rằng tổng lượng công suất sa thải giảm đáng kể.

4.1. Kết quả mô phỏng trên hệ thống điện chuẩn

Các mô phỏng cho thấy tổng lượng công suất sa thải giảm 45.6%, thời gian phục hồi nhanh hơn 55% so với phương pháp truyền thống. Điều này chứng tỏ tính hiệu quả của phương pháp sa thải phụ tải đề xuất.

4.2. Ứng dụng thực tiễn trong quản lý phụ tải

Phương pháp này có thể được áp dụng rộng rãi trong quản lý phụ tải tại các hệ thống điện lớn, giúp nâng cao độ tin cậy và giảm thiểu thiệt hại kinh tế do sự cố.

V. Kết luận và hướng nghiên cứu phát triển trong tương lai

Nghiên cứu phương pháp sa thải phụ tải dựa trên khoảng cách pha mở ra nhiều hướng nghiên cứu mới trong lĩnh vực quản lý hệ thống điện. Việc áp dụng công nghệ mới như trí tuệ nhân tạo sẽ giúp cải thiện hiệu quả và độ chính xác trong việc sa thải phụ tải.

5.1. Tương lai của phương pháp sa thải phụ tải

Phương pháp sa thải phụ tải dựa trên khoảng cách pha có tiềm năng lớn trong việc cải thiện độ ổn định của hệ thống điện. Nghiên cứu thêm về các thuật toán và công nghệ mới sẽ giúp tối ưu hóa phương pháp này.

5.2. Hướng nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình dự đoán chính xác hơn về nhu cầu phụ tải, từ đó cải thiện khả năng ra quyết định trong sa thải phụ tải.

Nội dung chính

Tổng quan nghiên cứu

Trong vận hành hệ thống điện hiện đại, sự cố mất nguồn phát đột ngột luôn là một trong những nguyên nhân hàng đầu gây mất cân bằng công suất nghiêm trọng giữa nguồn cung và nhu cầu tiêu thụ. Khi các tổ máy phát bị cô lập, tần số toàn hệ thống sẽ suy giảm nhanh chóng với tốc độ thay đổi tần số (df/dt) lớn, đe dọa trực tiếp đến an toàn vận hành và có thể dẫn đến hiện tượng rã lưới trên diện rộng. Theo các thống kê kỹ thuật, các giải pháp sa thải phụ tải truyền thống bằng rơle tần số thấp R81 thường cắt tải theo từng cấp định sẵn (như các mức 5%, 15% hoặc 25% tổng phụ tải hệ thống), dẫn đến tình trạng sa thải thừa gây lãng phí kinh tế hoặc sa thải thiếu khiến hệ thống sụp đổ tần số.

Luận văn thạc sĩ kỹ thuật của tác giả Nguyễn Công Anh Vũ, dưới sự hướng dẫn của PGS.TS Quyền Huy Ánh tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, đã tập trung giải quyết bài toán cấp bách này thông qua đề tài: "Nghiên cứu sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha". Mục tiêu cốt lõi của nghiên cứu là xây dựng chiến lược sa thải phụ tải thông minh nhằm duy trì ổn định tần số khi xảy ra sự cố mất máy phát, dựa trên việc xác định thứ tự ưu tiên cắt tải theo khoảng cách pha điện học và ứng dụng cấu trúc mạng nơ-ron kép.

Nghiên cứu được triển khai thực nghiệm trên mô hình hệ thống điện chuẩn IEEE 39 bus gồm 10 máy phát, khảo sát toàn diện trên các mức mang tải dao động từ 60% đến 100%. Kết quả mô phỏng khẳng định phương pháp đề xuất giúp giảm đến 45.6% tổng lượng công suất cần sa thải và rút ngắn 55% thời gian phục hồi tần số so với phương pháp rơle truyền thống, đồng thời giữ tần số vận hành ổn định trong dải an toàn từ 59.7 Hz đến 60.3 Hz.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng vững chắc của lý thuyết ổn định động hệ thống điện và lý thuyết khoảng cách điện học theo góc pha. Khoảng cách pha giữa nút máy phát và nút phụ tải được xác định dựa trên các phần tử của ma trận nghịch đảo Jacobian J1 từ phương trình trào lưu công suất Newton-Raphson. Chỉ số này phản ánh chính xác mức độ liên kết điện và độ nhạy truyền tải công suất giữa điểm xảy ra sự cố với từng nút tiêu thụ, khắc phục triệt để nhược điểm của khoảng cách địa lý thuần túy.

Bên cạnh đó, nghiên cứu tích hợp hai mô hình trí tuệ nhân tạo chuyên biệt để hình thành cấu trúc mạng nơ-ron kép:

• Mạng nơ-ron lan truyền ngược (BPNN) sử dụng thuật toán tối ưu Levenberg-Marquardt: Đóng vai trò nhận dạng chính xác máy phát bị sự cố và đưa ra quyết định có cần kích hoạt chương trình sa thải phụ tải hay không.
• Mạng nơ-ron hồi quy tổng quát (GRNN) tích hợp hàm cơ sở xuyên tâm: Đảm nhận chức năng ước lượng chính xác lượng công suất cần sa thải tại từng thanh cái phụ tải theo thứ tự ưu tiên của khoảng cách pha.

Các khái niệm then chốt xuyên suốt đề tài bao gồm: ổn định tần số hệ thống điện, sa thải phụ tải thông minh (ILS), ma trận Jacobian rút gọn, khoảng cách pha điện học và thuật toán lan truyền ngược.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp giữa mô phỏng quá độ động học và phân tích học máy trên nền tảng phần mềm chuyên dụng PowerWorld Simulator cùng môi trường tính toán MATLAB.

Dữ liệu nghiên cứu được thu thập từ quá trình mô phỏng quá độ trên hệ thống chuẩn IEEE 39 bus 10 máy phát. Cỡ mẫu nghiên cứu bao gồm 328 tập dữ liệu vận hành hoàn chỉnh, được tạo ra từ việc quét toàn bộ các kịch bản sự cố từ máy phát số 30 đến máy phát số 39 ở các mức tải hệ thống từ 60% đến 100%. Mỗi mẫu dữ liệu đầu vào bao gồm 153 biến trạng thái động đặc trưng cho hệ thống: 10 biến công suất máy phát (PG), 39 biến điện áp nút (VBus), 19 biến công suất tải (PL), 46 biến công suất truyền tải trên đường dây (Pline) và 39 biến tần số nút (FBus).

Tập mẫu được phân chia theo phương pháp chọn mẫu phân tầng có hệ thống với tỷ lệ 85% cho tập huấn luyện (khoảng 279 mẫu) và 15% cho tập kiểm tra độc lập (khoảng 49 mẫu). Việc lựa chọn phương pháp phân tích nơ-ron kép kết hợp đại số ma trận Jacobian được bảo chứng bởi tính chất phi tuyến phức tạp của lưới điện, cho phép hệ thống tính toán tức thời các hành động điều khiển trong thời gian thực dưới 0.1 giây mà không đòi hỏi khối lượng tính toán lặp quá lớn trong lúc sự cố đang diễn ra.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và thử nghiệm mô phỏng trên hệ thống IEEE 39 bus đã đem lại các kết quả vượt trội:

Thứ nhất, độ chính xác nhận dạng sự cố của mạng nơ-ron đạt mức tối ưu. Mạng BPNN ứng dụng thuật toán Levenberg-Marquardt đạt độ chính xác huấn luyện 99.75% và độ chính xác kiểm tra 96.59% trong việc nhận diện đúng máy phát gặp sự cố. Song song đó, mạng hồi quy GRNN đạt độ chính xác huấn luyện xấp xỉ 100% và độ chính xác kiểm tra đạt 100% tuyệt đối khi xác định mức công suất sa thải tối ưu tại từng thanh cái.

Thứ hai, tối ưu hóa khối lượng công suất sa thải. So với phương pháp sa thải theo tần số thấp truyền thống, chiến lược đề xuất giúp giảm 45.6% tổng lượng công suất tải bị cắt bỏ. Điển hình như tại kịch bản sự cố máy phát số 30 ở chế độ đầy tải 100%, hệ thống chỉ cần sa thải duy nhất phụ tải tại Bus 25 là đã khôi phục được điểm làm việc ổn định, thay vì phải ngắt diện rộng nhiều tuyến đường dây.

Thứ ba, cải thiện vượt bậc tốc độ phục hồi động học. Thời gian đưa tần số hệ thống trở về dải ổn định danh định nhanh hơn 55% so với phương pháp rơle R81. Góc rotor của các máy phát còn lại được duy trì nghiêm ngặt dưới ngưỡng giới hạn 180 độ, triệt tiêu hoàn toàn nguy cơ mất đồng bộ giữa các tổ máy.

Thảo luận kết quả

Cơ chế mang lại sự vượt trội của phương pháp đề xuất bắt nguồn từ việc kết hợp độ nhạy liên kết điện học của khoảng cách pha với tốc độ suy diễn phi tuyến của mạng nơ-ron. Khi máy phát ngừng hoạt động, sự sụt giảm điện áp và tần số lan truyền không đồng đều mà phụ thuộc vào tổng trở tương đương giữa các nút. Bằng cách nghịch đảo ma trận Jacobian J1, thuật toán đã bóc tách chính xác mối quan hệ tương hỗ giữa góc lệch điện áp delta và công suất tác dụng P.

Trong luận văn, các kết quả động học được trực quan hóa thông qua hệ thống đồ thị biểu diễn quỹ đạo góc rotor máy phát theo thời gian (từ 0 đến 10 giây) và đường cong phục hồi tần số các bus tải. Khi so sánh trực tiếp trên cùng một kịch bản sự cố máy phát 34 giữa ba phương pháp: sa thải theo tần số thấp, phương pháp phân tích thứ bậc AHP và phương pháp khoảng cách pha đề xuất; dữ liệu từ các bảng so sánh chỉ số cho thấy phương pháp đề xuất không chỉ hạn chế tối đa số lượng rơle tác động mà còn dập tắt dao động công suất nhanh nhất. Điều này khẳng định bước chuyển dịch tất yếu từ các sơ đồ bảo vệ tĩnh sang hệ thống sa thải phụ tải thông minh thích nghi theo thời gian thực.

Đề xuất và khuyến nghị

Nhằm hiện thực hóa các đóng góp học thuật vào công tác quản lý và vận hành hệ thống điện thực tế, nghiên cứu đưa ra 4 khuyến nghị trọng tâm:

• Tích hợp giải thuật mạng nơ-ron kép vào hệ thống SCADA/EMS hiện hữu: Trung tâm Điều độ Hệ thống điện Quốc gia và các trung tâm điều độ miền (A1, A2, A3) cần phối hợp thử nghiệm tích hợp mô hình BPNN-GRNN vào phần mềm giám sát thời gian thực trong vòng 12 đến 18 tháng tới, hướng đến mục tiêu tự động hóa việc đưa ra cảnh báo và kịch bản sa thải trong thời gian dưới 200 mili-giây sau sự cố.
• Chuẩn hóa quy trình tính toán ma trận khoảng cách pha định kỳ: Các Công ty Điện lực tỉnh/thành (tương tự như mô hình vận hành tại Điện lực An Giang) cần định kỳ 6 tháng một lần thực hiện cập nhật ma trận nghịch đảo Jacobian theo từng phương thức kết lưới mùa mưa và mùa khô, làm căn cứ lập danh mục thứ tự ưu tiên sa thải phụ tải trên các xuất tuyến 22kV và 110kV.
• Tối ưu hóa phân rã phụ tải công nghiệp và dân sinh: Sở Công Thương các địa phương cùng các đơn vị phân phối điện cần rà soát lại danh mục khách hàng ưu tiên, cam kết duy trì ổn định tối thiểu 70% công suất cho các phụ tải trọng yếu khi tần số giảm dưới 49.5 Hz (đối với hệ thống 50 Hz chuẩn quốc gia).
• Hiện đại hóa thiết bị bảo vệ rơle kỹ thuật số: Ban Quản lý Dự án Lưới điện cần xây dựng lộ trình giai đoạn 2024-2026 nhằm thay thế dần các rơle R81 cơ điện cũ sang rơle kỹ thuật số có khả năng kết nối mạng diện rộng WAMS, hướng tới mục tiêu giảm thiểu từ 40% đến 45% thiệt hại kinh tế do sa thải điện không cần thiết.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng:

• Nghiên cứu sinh và học viên cao học ngành Kỹ thuật Điện: Khai thác phương pháp luận xây dựng mạng nơ-ron nhân tạo kết hợp đại số ma trận Jacobian để giải quyết các bài toán ổn định điện áp, ổn định tần số và tối ưu hóa trào lưu công suất OPF.
• Kỹ sư điều độ và vận hành hệ thống điện tại các cấp điều độ: Tham khảo quy trình phân tích độ nhạy khoảng cách pha để thiết lập các phương án sa thải tải khẩn cấp, nâng cao khả năng chống rã lưới khi mất các nguồn điện lớn.
• Cán bộ kỹ thuật và quản lý vận hành tại các Công ty Điện lực địa phương: Ứng dụng quy trình tách lưới, phân bổ công suất khôi phục (như các mức 30 MW và 60 MW) và cấu hình rơle tần số thấp R81 trên lưới điện phân phối.
• Các chuyên gia phát triển giải pháp lưới điện thông minh (Smart Grid): Sử dụng mô hình nơ-ron kép như một thuật toán lõi để lập trình các mô-đun phần mềm sa thải phụ tải thông minh (ILS) và điều khiển lưới điện thích nghi.

Câu hỏi thường gặp

Khoảng cách pha điện học khác biệt như thế nào so với khoảng cách địa lý thông thường?

Khoảng cách pha phản ánh mức độ liên kết điện kháng và độ nhạy công suất giữa các thanh cái thông qua nghịch đảo ma trận Jacobian, trong khi khoảng cách địa lý chỉ thể hiện chiều dài dây dẫn. Hai điểm ở gần nhau về mặt địa lý nhưng nếu có tổng trở đường dây lớn hoặc không liên kết trực tiếp thì khoảng cách pha vẫn rất lớn.

Tại sao luận văn lại sử dụng cấu trúc mạng nơ-ron kép thay vì một mạng đơn lẻ?

Mạng nơ-ron kép phân tách bài toán thành hai giai đoạn độc lập: mạng BPNN đảm nhận phân loại sự cố định tính với độ chính xác 99.75%, trong khi mạng GRNN chuyên trách ước lượng định lượng công suất sa thải với độ chính xác 100%. Cách tiếp cận này giúp giảm tải tính toán và tăng tốc độ xử lý thời gian thực.

Thuật toán Levenberg-Marquardt mang lại lợi thế gì cho quá trình huấn luyện mạng BPNN?

Thuật toán Levenberg-Marquardt kết hợp ưu điểm hội tụ nhanh của phương pháp Newton và tính ổn định của phương pháp Gradient Descent. Nhờ xấp xỉ ma trận Hessian qua ma trận Jacobian, thuật toán giúp mạng lan truyền ngược đạt tốc độ hội tụ nhanh vượt trội và tránh rơi vào cực tiểu cục bộ.

Giải pháp đề xuất vượt trội hơn phương pháp rơle tần số thấp R81 truyền thống ở những điểm nào?

Phương pháp đề xuất giúp giảm 45.6% tổng lượng phụ tải bị cắt bỏ và rút ngắn 55% thời gian phục hồi tần số. Thay vì cắt cơ học từng khối tải cố định từ 5% đến 25%, giải pháp thông minh chỉ định chính xác nút tải cần cắt và khối lượng công suất tối thiểu cần sa thải.

Nghiên cứu mô phỏng trên hệ 39 bus có khả thi để áp dụng cho lưới điện thực tế tại Việt Nam?

Hoàn toàn khả thi. Sơ đồ IEEE 39 bus là mô hình chuẩn quốc tế đại diện cho cấu trúc lưới điện truyền tải đa nút phức tạp. Quy trình trích xuất 153 thông số trạng thái hoàn toàn tương thích với hạ tầng đo lường diện rộng PMU/WAMS đang được ngành điện Việt Nam triển khai.

Kết luận

• Luận văn đã xây dựng thành công phương pháp sa thải phụ tải thông minh kết hợp lý thuyết khoảng cách pha và cấu trúc mạng nơ-ron kép BPNN-GRNN.
• Hệ thống đạt độ chính xác huấn luyện và kiểm tra nhận dạng sự cố máy phát trên 96.59%, đồng thời tối ưu hóa 100% công suất sa thải trên tập mẫu kiểm tra.
• Kết quả thực nghiệm khẳng định giảm 45.6% lượng phụ tải sa thải và rút ngắn 55% thời gian khôi phục ổn định tần số so với phương pháp truyền thống.
• Đóng góp quan trọng của đề tài là cung cấp công cụ toán học và thuật toán AI tin cậy giúp các kỹ sư điều độ ra quyết định chính xác trong các tình huống khẩn cấp.
• Hướng nghiên cứu tiếp theo tập trung vào việc mở rộng tập dữ liệu 328 mẫu sang các chế độ vận hành có nguồn năng lượng tái tạo không đồng bộ và tích hợp thử nghiệm trên phần cứng thời gian thực. Các đơn vị quản lý lưới điện và nhà nghiên cứu quan tâm có thể ứng dụng trực tiếp khung giải pháp này để hoàn thiện phương án vận hành an toàn cho hệ thống điện khu vực.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan ✓ Chương 2: Cơ sở lý thuyết ✓ Chương 3: Phương pháp sa thải phụ tải đề xuất ✓ Chương 4: Thực nghiệm trên sơ đồ hệ thống điện chuẩn IEEE 39-Bus ✓ Chương 5: Kết luận và hướng nghiên cứu phát triển. Tài liệu tham khảo Phụ lục HVTH: Nguyễn Công Anh Vũ 8 LUẬN VĂN THẠC SĨ GVHD: PGS.Quyền Huy Ánh Chương 2 CƠ SỞ LÝ THUYẾT 2. Giới thiệu Mạng nơ-ron nhân tạo (Artificial Neural Network – ANN) đầu tiên được giới thiệu vào năm 1943 bởi nhà thần kinh học Warren McCulloch và nhà logic học Walter Pits với ý tưởng từ mạng thần kinh của sinh vật sống. Não người được hình thành từ các nơ-ron thần kinh liên kết với nhau tạo thành một hệ thống.

Mỗi tế bào nơ-ron bao gồm thân chưa nhân tế bào. Từ thân phát ra nhiều tua ngắn, phân nhánh gọi là sợi nhánh và một tua dài, có bao mi-ê-lin, gọi là sợi trục. Đầu mỗi sợi là các xi-náp dùng để liên kết các nơ-ron lại với nhau theo kiểu sợi trục của tế bào này sẽ nối vào sợi nhánh của tế bào khác và hình thành mạng nơ- ron thần kinh. Xung thần kinh được truyền từ một tế bào ra sợi trục của nó, đến sợi nhánh của tế bào thần kinh khác và cứ thế lan truyền.

Lấy ý tưởng từ mô hình trên, mạng nơ-ron nhân tạo ra đời với cấu trúc tương tự trong đó một nơ-ron là một khối tính toán gồm nhiều đầu vào (các sợi nhánh), một đầu ra (sợi trục) và một giá trị ngưỡng để cho phép tín hiệu có truyền qua nơ-ron này hay không. Các giá trị đầu vào sẽ được nhân với một bộ trọng số w và tính tổng các kết quả cùng với một hằng số phụ b (bias). Nếu tổng vượt giá trị ngưỡng thì đầu ra sẽ có giá trị thể hiện nơ-ron này đã được kích hoạt (thường là +1), ngược lại sẽ là giá trị chưa được kích hoạt (thường là -1). Các giá trị trọng số đầu vào của mỗi nơ-ron sẽ được điều chỉnh thông qua quá trình học để xây dựng được mạng nơ-ron phù hợp cho bài toán đang cần giải quyết.Cấu trúc một tế bào nơ-ron nhân tạo.

HVTH: Nguyễn Công Anh Vũ 9 LUẬN VĂN THẠC SĨ GVHD: PGS.Quyền Huy Ánh ANN là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm một số lượng lớn các nơ-ron được gắn kết với nhau để xử lý thông tin. ANN giống như bộ não của con người, được học hỏi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữ những kinh nghiệm hiểu biết (tri thức) và sử dụng những tri thức đó cho việc dự đoán các dữ liệu chưa biết (unseen data). Mạng nơ-ron lan truyền thẳng Mạng truyền thẳng trình bày trong phần này là mạng truyền thẳng có nhiều lớp (MLP - MultiLayer Perceptron). Đây là một trong những mạng truyền thẳng điển hình, thường được sử dụng trong các hệ thống nhận dạng.

Mạng truyền thẳng MLP Một mạng truyền thẳng nhiều lớp bao gồm một lớp vào, một lớp ra và một hoặc nhiều lớp ẩn. Các nơ-ron đầu vào thực chất không phải các nơ-ron theo đúng nghĩa, bởi lẽ chúng không thực hiện bất kỳ một tính toán nào trên dữ liệu vào, đơn giản nó chỉ tiếp nhận các dữ liệu vào và chuyển cho các lớp kế tiếp. Các nơ-ron ở lớp ẩn và lớp ra mới thực sự thực hiện các tính toán, kết quả được định dạng bởi hàm đầu ra (hàm chuyển). Cụm từ “truyền thẳng” (feed forward) (không phải là trái nghĩa của lan truyền ngược) liên quan đến một thực tế là tất cả các nơ-ron chỉ có thể được kết nối với nhau theo một hướng: tới một hay nhiều các nơ-ron khác trong lớp kế tiếp (loại trừ các nơ-ron ở lớp ra).

Cấu trúc mạng nơ-ron truyền thẳng nhiều lớp Trong đó: P là vector đầu vào (vector cột); Wi là ma trận trọng số của các nơ- ron lớp thứ i; S i xRi : S hàng (nơ-ron) - R cột (số đầu vào); b i là vector độ lệch (bias) HVTH: Nguyễn Công Anh Vũ 10 LUẬN VĂN THẠC SĨ GVHD: PGS.Quyền Huy Ánh của lớp thứ i (Si x1: cho S nơ-ron); n i là net input (Si x1); f i là hàm chuyển (hàm kích hoạt); a i làm net output (Si x1); ⊕ là hàm tổng thông thường. Mỗi liên kết gắn với một trọng số, trọng số này được thêm vào trong quá trình tín hiệu đi qua liên kết đó. Các trọng số có thể dương, thể hiện trạng thái kích thích, hay âm, thể hiện trạng thái kiềm chế. Mỗi nơ-ron tính toán mức kích hoạt của chúng bằng cách cộng tổng các đầu vào và đưa ra hàm chuyển.

Một khi đầu ra của tất cả các nơ-ron trong một lớp mạng cụ thể đã thực hiện xong tính toán thì lớp kế tiếp có thể bắt đầu thực hiện tính toán của mình bởi vì đầu ra của lớp hiện tại tạo ra đầu vào của lớp kế tiếp. Khi tất cả các nơ-ron đã thực hiện tính toán thì kết quả được trả lại bởi các nơ-ron đầu ra. Tuy nhiên, có thể là chưa đúng yêu cầu, khi đó một thuật toán huấn luyện cần được áp dụng để điều chỉnh các tham số của mạng. Xét trường hợp mạng có hai lớp như Hình 2.2, công thức tính toán cho đầu ra như sau: 𝑎2 = 𝑓 2 (𝑊 2 (𝑓 1 (𝑊 1 𝑃 + 𝑏1 )) + 𝑏2 ) (2.1) Mạng có nhiều lớp có khả năng tốt hơn là các mạng chỉ có một lớp, chẳng hạn như mạng hai lớp với lớp thứ nhất sử dụng hàm sigmoid và lớp thứ hai dùng hàm đồng nhất có thể áp dụng để xấp xỉ các hàm toán học khá tốt, trong khi các mạng chỉ có một lớp thì không có khả năng này.

Thiết kế cấu trúc mạng Mặc dù, về mặt lý thuyết, có tồn tại một mạng có thể mô phỏng một bài toán với độ chính xác bất kỳ. Tuy nhiên, để có thể tìm ra mạng này không phải là điều đơn giản. Để định nghĩa chính xác một kiến trúc mạng như: cần sử dụng bao nhiêu lớp ẩn, mỗi lớp ẩn cần có bao nhiêu đơn vị xử lý cho một bài toán cụ thể là một công việc hết sức khó khăn. Số lớp ẩn Vì các mạng có hai lớp ẩn có thể thể hiện các hàm với dáng điệu bất kỳ, nên, về lý thuyết, không có lý do nào sử dụng các mạng có nhiều hơn hai lớp ẩn.

Người ta đã xác định rằng đối với phần lớn các bài toán cụ thể, chỉ cần sử dụng một lớp ẩn cho mạng là đủ. Các bài toán sử dụng hai lớp ẩn hiếm khi xảy ra trong thực tế. Thậm chí đối với các bài toán cần sử dụng nhiều hơn một lớp ẩn thì trong phần lớn các trường HVTH: Nguyễn Công Anh Vũ 11 LUẬN VĂN THẠC SĨ GVHD: PGS.Quyền Huy Ánh hợp trong thực tế, sử dụng chỉ một lớp ẩn cho ta hiệu năng tốt hơn là sử dụng nhiều hơn một lớp. Việc huấn luyện mạng thường rất chậm khi mà số lớp ẩn sử dụng càng nhiều.

Số đơn vị trong lớp ẩn Một vấn đề quan trọng trong việc thiết kế một mạng là cần có bao nhiêu đơn vị trong mỗi lớp. Sử dụng quá ít đơn vị có thể dẫn đến việc không thể nhận dạng được các tín hiệu đầy đủ trong một tập dữ liệu phức tạp, hay thiếu ăn khớp (underfitting). Sử dụng quá nhiều đơn vị sẽ tăng thời gian luyện mạng, có lẽ là quá nhiều để luyện khi mà không thể luyện mạng trong một khoảng thời gian hợp lý. Số lượng lớn các đơn vị có thể dẫn đến tình trạng thừa ăn khớp (overfitting), trong trường hợp này mạng có quá nhiều thông tin, hoặc lượng thông tin trong tập dữ liệu mẫu (training set) không đủ các dữ liệu đặc trưng để huấn luyện mạng.

Số lượng tốt nhất của các đơn vị ẩn phụ thuộc vào rất nhiều yếu tố - số đầu vào, đầu ra của mạng, số trường hợp trong tập mẫu, độ nhiễu của dữ liệu đích, độ phức tạp của hàm lỗi, kiến trúc mạng và thuật toán luyện mạng. Trong phần lớn các trường hợp, không có một cách để có thể dễ dàng xác định được số tối ưu các đơn vị trong lớp ẩn mà không phải luyện mạng sử dụng số các đơn vị trong lớp ẩn khác nhau và dự báo lỗi tổng quát hóa của từng lựa chọn. Cách tốt nhất là sử dụng phương pháp thử-sai (trial-and-error). Trong thực tế, có thể sử dụng phương pháp Lựa chọn tiến (forward selection) hay Lựa chọn lùi (backward selection) để xác định số đơn vị trong lớp ẩn.

Lựa chọn tiến bắt đầu với việc chọn một luật hợp lý cho việc đánh giá hiệu năng của mạng. Sau đó, ta chọn một số nhỏ các đơn vị ẩn, luyện và thử mạng; ghi lại hiệu năng của mạng. Sau đó, tăng một chút số đơn vị ẩn; luyện và thử lại cho đến khi lỗi là chấp nhận được, hoặc không có tiến triển đáng kể so với trước. Lựa chọn lùi, ngược với lựa chọn tiến, bắt đầu với một số lớn các đơn vị trong lớp ẩn, sau đó giảm dần đi.

Quá trình này rất tốn thời gian nhưng sẽ giúp ta tìm được số lượng đơn vị phù hợp cho lớp ẩn. HVTH: Nguyễn Công Anh Vũ 12 LUẬN VĂN THẠC SĨ GVHD: PGS.Quyền Huy Ánh 2. Mạng nơ-ron và thuật toán lan truyền ngược Cần có một sự phân biệt giữa kiến trúc của một mạng và thuật toán học của nó, các mô tả trong các mục trên mục đích là nhằm làm rõ các yếu tố về kiến trúc của mạng và cách mà mạng tính toán các đầu ra từ tập các đầu vào. Sau đây là mô tả của thuật toán học sử dụng để điều chỉnh hiệu năng của mạng sao cho mạng có khả năng sinh ra được các kết quả mong muốn.

Về cơ bản có hai dạng thuật toán để luyện mạng: học có giám sát và học không có giám sát. Các mạng nơ-ron truyền thẳng nhiều lớp được luyện bằng phương pháp học có giám sát. Phương pháp này căn bản dựa trên việc yêu cầu mạng thực hiện chức năng của nó và sau đó trả lại kết quả, kết hợp kết quả này với các đầu ra mong muốn để điều chỉnh các tham số của mạng, nghĩa là mạng sẽ học thông qua những sai sót của nó. Thuật toán lan truyền ngược là dạng tổng quát của thuật toán trung bình bình phương tối thiểu (Least Means Square-LMS).

Thuật toán này thuộc dạng thuật toán xấp xỉ để tìm các điểm mà tại đó hiệu năng của mạng là tối ưu. Chỉ số tối ưu (performance index) thường được xác định bởi một hàm số của ma trận trọng số và các đầu vào nào đó mà trong quá trình tìm hiểu bài toán đặt ra.