Nghiên cứu sa thải phụ tải áp dụng mạng nơ ron và thuật toán AHP tại HCMUTE

Luận văn thạc sĩ HCMUTE nghiên cứu sa thải phụ tải bằng mạng nơ ron và thuật toán AHP, mang lại giải pháp tối ưu cho quản lý năng lượng.

• Tác giả: Mai Ngọc Nhẫn
• 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 Sa Thải Phụ Tải Áp Dụng Mạng Nơ Ron Và Thuật Toán AHP
• Loại tài liệu: luận văn
• Năm xuất bản: 2017
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về hƣớng nghiên cứu
• 1.2. Tính cấp thiết của đề tài
• 1.3. Mục tiêu nghiên cứu
• 1.4. Nhiệm vụ và giới hạn đề tài
• 1.5. Phƣơng pháp nghiên cứu. Các bƣớc thực hiện
• 1.6. Ổn định hệ thống điện (HTĐ)
• 1.7. Khái niệm về sa thải phụ tải
• 1.8. Các phƣơng pháp sa thải phụ tải. Tổng quan chung về các nghiên cứu sa thải phụ tải trên thế giới
• 1.9. Mạng nơron nhân tạo (ANN)
• 1.9.1. Các khái niệm cơ bản
• 1.9.2. Các thành phần cơ bản của nạng nơ ron nhân tạo
• 1.9.3. Phân loại mạng nơ ron
• 1.9.4. Các loại mạng nơ ron
• 1.9.5. Đặc tính của mạng nơ ron
• 1.9.6. Lựa chọn mẫu - Nguyên tắc lựa chọn mẫu
• 1.9.7. Thiết kế mạng truyền thẳng
• 1.9.8. Các thuật toán huấn luyện
• 1.9.8.1. Thuật toán huấn luyện Lenvenberg – Marquardt (trainlm)
• 1.9.8.2. Thuật toán huấn luyện Bayesian (trainbr)
• 1.9.8.3. Thuật toán huấn luyện Scaled Conjugate Gradient (trainscg)
• 1.9.8.4. Thuật toán huấn luyện Resillient backpropagation (trainrp)
• 1.10. Giải thuật K-means
• 1.11. Thuật toán AHP
• 1.11.1. Thuật toán AHP
• 2. MÔ HÌNH ĐIỀU KHIỂN KHẨN CẤP SA THẢI PHỤ TẢI DỰA TRÊN THUẬT TOÁN AHP VÀ MẠNG NƠ RON NHÂN TẠO
• 2.1. ĐIỀU KHIỂN KHẨN CẤP SA THẢI PHỤ TẢI DỰA TRÊN THUẬT TOÁN AHP VÀ MẠNG NƠ RON NHÂN TẠO
• 2.2. Mô phỏng offline các trƣờng hợp sự cố mất ổn định
• 2.3. Mô phỏng các trƣờng hợp sự cố bằng phần mềm Powerworld
• 2.4. Thu thập dữ liệu mô phỏng
• 2.5. Xây dựng tập mẫu học và chuẩn hóa dữ liệu
• 2.6. Phân nhóm dữ liệu sử dụng giải thật K–means
• 2.7. Sử dụng công cụ ANN để huấn luyện tập mẫu học
• 2.8. Đánh giá độ chính xác của huấn luyện
• 2.9. Các chiến lƣợc điều khiển sa thải phụ tải dựa trên thuật toán AHP trên cơ sở các phân lớp chiến lƣợc điều khiển
• 2.10. Tính toán tầm quan trọng của các đơn vị tải sơ đồ IEEE 39 bus 10 máy phát
• 2.11. Chiến lƣợc điều khiển sa thải phụ tải dựa trên thuật toán AHP
• 2.12. So sánh với các phƣơng pháp sa thải truyền thống
• 2.12.1. Phƣơng pháp sa thải phụ tải truyền thống dựa trên thuật toán AHP
• 2.12.2. Phƣơng pháp sa thải phụ tải dựa trên relay sa thải dƣới tần số
• 2.12.3. Phƣơng pháp sa thải phụ tải đề xuất
• 5. KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN
• 5.1. Hƣớng nghiên cứu phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về sa thải phụ tải

Sa thải phụ tải là một biện pháp quan trọng trong quản lý hệ thống điện, nhằm duy trì sự ổn định khi có sự cố xảy ra. Việc này không chỉ giúp giảm thiểu thiệt hại mà còn đảm bảo an toàn cho toàn bộ hệ thống. Trong bối cảnh hiện nay, với sự gia tăng nhu cầu sử dụng điện, việc áp dụng các phương pháp sa thải phụ tải hiệu quả trở nên cấp thiết hơn bao giờ hết. Luận văn này nghiên cứu và đề xuất mô hình sa thải phụ tải áp dụng mạng nơ ron và thuật toán AHP tại HCMUTE, nhằm tối ưu hóa quy trình ra quyết định trong việc sa thải phụ tải. Mô hình này không chỉ giúp giảm thời gian ra quyết định mà còn nâng cao độ ổn định của hệ thống điện.

1.1. Tính cấp thiết của nghiên cứu

Trong những năm gần đây, các sự cố mất điện diện rộng đã xảy ra nhiều lần, gây thiệt hại lớn cho nền kinh tế. Các sự cố này thường do sự thay đổi đột ngột của tải hoặc sự cố mất điện của máy phát. Do đó, việc nghiên cứu và phát triển các phương pháp sa thải phụ tải hiệu quả là rất cần thiết. Mô hình sa thải phụ tải được đề xuất trong luận văn này sẽ giúp cải thiện khả năng phục hồi của hệ thống điện, đồng thời giảm thiểu thiệt hại do sự cố gây ra.

II. Phương pháp nghiên cứu

Luận văn áp dụng các phương pháp nghiên cứu hiện đại, bao gồm mạng nơ ron và thuật toán AHP để xây dựng mô hình sa thải phụ tải. Mạng nơ ron được sử dụng để phân tích và dự đoán tình huống sự cố, trong khi thuật toán AHP giúp xác định thứ tự ưu tiên trong việc sa thải phụ tải. Việc kết hợp hai phương pháp này sẽ tạo ra một mô hình mạnh mẽ, cho phép ra quyết định nhanh chóng và chính xác hơn trong các tình huống khẩn cấp. Mô hình này đã được thử nghiệm trên hệ thống điện IEEE 39-bus, cho thấy hiệu quả vượt trội so với các phương pháp truyền thống.

2.1. Mô hình mạng nơ ron

Mô hình mạng nơ ron được thiết kế để xử lý và phân tích dữ liệu từ hệ thống điện. Các nơ ron trong mạng sẽ học từ dữ liệu lịch sử để dự đoán các tình huống có thể xảy ra trong tương lai. Việc này giúp giảm thiểu thời gian ra quyết định và nâng cao khả năng phục hồi của hệ thống. Mô hình này đã được áp dụng thành công trong nhiều nghiên cứu trước đây và được chứng minh là có hiệu quả trong việc quản lý phụ tải.

2.2. Thuật toán AHP

Thuật toán AHP là một công cụ mạnh mẽ trong việc ra quyết định, cho phép đánh giá và so sánh các lựa chọn khác nhau dựa trên nhiều tiêu chí. Trong nghiên cứu này, AHP được sử dụng để xác định thứ tự ưu tiên trong việc sa thải phụ tải, từ đó giúp tối ưu hóa quy trình ra quyết định. Việc áp dụng AHP không chỉ giúp tăng cường tính chính xác mà còn đảm bảo tính minh bạch trong quá trình ra quyết định.

III. Kết quả nghiên cứu

Kết quả thử nghiệm cho thấy mô hình sa thải phụ tải áp dụng mạng nơ ron và thuật toán AHP đã cải thiện đáng kể thời gian phục hồi tần số và độ ổn định của hệ thống điện. Cụ thể, tần số phục hồi nhanh hơn và giá trị tần số phục hồi tốt hơn so với các phương pháp truyền thống. Điều này chứng tỏ rằng việc áp dụng công nghệ hiện đại trong quản lý hệ thống điện là một hướng đi đúng đắn, giúp nâng cao hiệu quả và độ tin cậy của hệ thống.

3.1. Đánh giá hiệu quả mô hình

Mô hình được thử nghiệm trên hệ thống điện IEEE 39-bus cho thấy khả năng phục hồi nhanh chóng và hiệu quả. Các số liệu thu thập được cho thấy rằng mô hình này không chỉ giúp giảm thiểu thời gian ra quyết định mà còn nâng cao độ ổn định của hệ thống điện. Kết quả này mở ra hướng nghiên cứu mới trong việc áp dụng công nghệ thông tin và trí tuệ nhân tạo vào quản lý hệ thống điện.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống điện hiện đại đóng vai trò thiết yếu trong phát triển kinh tế và xã hội, với yêu cầu cung cấp điện năng không chỉ đủ công suất mà còn phải đảm bảo độ ổn định và liên tục. Theo báo cáo của ngành điện, các sự cố mất điện diện rộng gần đây, như sự cố đường dây 500kV Di Linh - Tân Định năm 2013 làm mất điện toàn bộ miền Nam với công suất khoảng 9400 MW, đã đặt ra thách thức lớn về độ tin cậy và ổn định của hệ thống điện. Mức độ mất ổn định hệ thống phụ thuộc vào thời gian và mức độ nhiễu loạn, trong đó tần số và điện áp là hai chỉ số quan trọng phản ánh sự cân bằng công suất.

Việc sa thải phụ tải (load shedding) là một trong những biện pháp khẩn cấp nhằm duy trì ổn định động của hệ thống điện khi xảy ra sự cố như ngắn mạch hoặc mất điện máy phát. Tuy nhiên, việc xác định lượng tải cần cắt và thời điểm cắt sao cho tối ưu là bài toán phức tạp, đòi hỏi các giải pháp nhanh chóng, chính xác và hiệu quả. Mục tiêu nghiên cứu của luận văn là đề xuất mô hình sa thải phụ tải dựa trên sự phối hợp các giải thuật công nghệ tri thức như K-means, mạng nơ ron nhân tạo (ANN) và thuật toán phân tích thứ bậc (AHP), nhằm giảm thời gian ra quyết định, rút ngắn thời gian phục hồi tần số và nâng cao độ ổn định tần số so với các phương pháp truyền thống.

Phạm vi nghiên cứu tập trung vào hệ thống điện chuẩn IEEE 39-bus với 10 máy phát, sử dụng phần mềm PowerWorld để mô phỏng và công cụ Neuron ToolBook trong Matlab để huấn luyện mạng nơ ron. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả vận hành và đảm bảo an toàn hệ thống điện, đặc biệt trong bối cảnh nhu cầu phụ tải ngày càng tăng nhanh tại Việt Nam và các nước đang phát triển.

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 biệt ổn định tĩnh và ổn định động, trong đó ổn định động là khả năng hệ thống trở lại trạng thái cân bằng sau các kích động lớn như ngắn mạch hoặc thay đổi tải đột ngột. Tần số và điện áp là các thông số quan trọng để đánh giá sự ổn định.

• Sa thải phụ tải (Load Shedding): Là biện pháp cắt giảm một phần tải nhằm cân bằng công suất giữa nguồn và tải, tránh sụp đổ hệ thống. Phương pháp truyền thống sử dụng rơ-le tần số thấp (UFLS) dựa trên các mức tần số cài đặt để kích hoạt cắt tải.

• Mạng nơ ron nhân tạo (Artificial Neural Networks - ANN): Mạng nơ ron đa lớp với thuật toán huấn luyện truyền ngược (backpropagation) được sử dụng để phân loại và dự đoán các tình huống sự cố, giúp ra quyết định sa thải phụ tải nhanh và chính xác. ANN có khả năng học và tổng quát hóa cao, phù hợp với các bài toán phức tạp trong hệ thống điện.

• Thuật toán K-means: Thuật toán phân cụm dữ liệu không giám sát, được dùng để phân nhóm các tình huống sự cố và dữ liệu tải nhằm xây dựng tập mẫu học hiệu quả cho mạng nơ ron.

• Thuật toán phân tích thứ bậc (Analytic Hierarchy Process - AHP): Phương pháp ra quyết định đa tiêu chí, giúp xác định mức độ quan trọng của các đơn vị tải và lựa chọn chiến lược sa thải phụ tải tối ưu dựa trên các tiêu chí kỹ thuật và vận hành.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu mô phỏng được thu thập từ hệ thống điện chuẩn IEEE 39-bus, 10 máy phát, sử dụng phần mềm PowerWorld để mô phỏng các tình huống sự cố mất ổn định như ngắn mạch, mất đường dây truyền tải ở các mức tải khác nhau (80%, 90%, 100%, 110%, 120%).

• Phương pháp phân tích: Dữ liệu thu thập được chuẩn hóa và phân nhóm bằng thuật toán K-means để tạo tập mẫu học đặc trưng. Mạng nơ ron nhân tạo được huấn luyện bằng công cụ Neuron ToolBook trong Matlab với các thuật toán huấn luyện như Levenberg-Marquardt để phân loại tình huống sự cố và lựa chọn chiến lược sa thải phù hợp. Thuật toán AHP được áp dụng để đánh giá tầm quan trọng của các đơn vị tải và xác định thứ tự sa thải.

• Timeline nghiên cứu: Quá trình nghiên cứu kéo dài từ tháng 10/2015 đến tháng 4/2017, bao gồm các bước tổng quan tài liệu, xây dựng mô hình lý thuyết, mô phỏng và thu thập dữ liệu, huấn luyện mạng nơ ron, áp dụng thuật toán AHP, thử nghiệm và đánh giá mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình sa thải phụ tải phối hợp ANN và AHP: Kết quả thử nghiệm trên hệ thống IEEE 39-bus cho thấy mô hình đề xuất giúp tần số hệ thống phục hồi nhanh hơn trung bình 15-20% so với phương pháp truyền thống dựa trên rơ-le tần số thấp. Giá trị tần số phục hồi cũng ổn định hơn, giảm thiểu dao động quá mức.

2. Giảm thời gian ra quyết định: Mạng nơ ron nhân tạo cho phép phân loại tình huống sự cố và lựa chọn chiến lược sa thải trong thời gian dưới 1 giây, nhanh hơn đáng kể so với các phương pháp thủ công hoặc dựa trên bảng cài đặt rơ-le.

3. Tối ưu hóa lượng tải sa thải: Thuật toán AHP giúp xác định thứ tự ưu tiên sa thải các đơn vị tải dựa trên tầm quan trọng kỹ thuật và vận hành, giảm lượng tải bị cắt không cần thiết khoảng 10-15% so với phương pháp truyền thống.

4. Độ chính xác huấn luyện mạng nơ ron: Mạng nơ ron đạt độ chính xác phân loại trên 95% với tập mẫu học được chuẩn hóa và phân nhóm bằng K-means, đảm bảo khả năng tổng quát hóa và ứng dụng thực tế.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đề xuất vượt trội là sự kết hợp hiệu quả giữa các giải thuật công nghệ tri thức và mạng nơ ron nhân tạo. Thuật toán K-means giúp phân nhóm dữ liệu chính xác, giảm thiểu nhiễu và tăng hiệu quả huấn luyện. Mạng nơ ron với thuật toán truyền ngược Levenberg-Marquardt có khả năng học nhanh và chính xác, phù hợp với các bài toán phức tạp trong hệ thống điện. Thuật toán AHP cung cấp cơ sở khoa học để ra quyết định ưu tiên sa thải tải, tránh cắt tải quá mức gây lãng phí và ảnh hưởng đến khách hàng.

So sánh với các nghiên cứu trước đây, mô hình này không chỉ cải thiện tốc độ ra quyết định mà còn nâng cao độ ổn định tần số và giảm thiểu lượng tải sa thải, phù hợp với yêu cầu vận hành hiện đại và lưới điện thông minh. Dữ liệu có thể được trình bày qua biểu đồ tần số phục hồi theo thời gian và bảng so sánh lượng tải sa thải giữa các phương pháp, giúp minh họa rõ ràng hiệu quả mô hình.

Đề xuất và khuyến nghị

1. Triển khai mô hình sa thải phụ tải phối hợp ANN và AHP trong các trung tâm điều độ điện lực: Áp dụng mô hình cho hệ thống điện quốc gia và khu vực nhằm nâng cao khả năng phản ứng nhanh với sự cố, giảm thiểu mất điện diện rộng. Thời gian thực hiện: 1-2 năm. Chủ thể thực hiện: Tổng công ty Điện lực, Trung tâm Điều độ Hệ thống điện Quốc gia.

2. Đào tạo và nâng cao năng lực cho cán bộ vận hành về công nghệ mạng nơ ron và AHP: Tổ chức các khóa đào tạo chuyên sâu để vận hành và bảo trì hệ thống sa thải phụ tải thông minh. Thời gian: 6-12 tháng. Chủ thể: Các trường đại học kỹ thuật, viện nghiên cứu, đơn vị điện lực.

3. Phát triển phần mềm hỗ trợ ra quyết định dựa trên mô hình đề xuất: Xây dựng giao diện trực quan, tích hợp dữ liệu thời gian thực và mô phỏng để hỗ trợ vận hành. Thời gian: 1 năm. Chủ thể: Các công ty công nghệ phần mềm, viện nghiên cứu.

4. Mở rộng nghiên cứu áp dụng mô hình cho các hệ thống điện phân phối và lưới điện thông minh: Nghiên cứu điều chỉnh mô hình phù hợp với đặc thù các hệ thống nhỏ hơn và tích hợp với các thiết bị điều khiển từ xa. Thời gian: 2-3 năm. Chủ thể: Viện nghiên cứu, trường đại học, doanh nghiệp điện lực.

Đối tượng nên tham khảo luận văn

1. Nghiên cứu sinh và học viên cao học ngành Kỹ thuật điện: Luận văn cung cấp cơ sở lý thuyết và phương pháp ứng dụng mạng nơ ron và AHP trong điều khiển hệ thống điện, hỗ trợ nghiên cứu chuyên sâu về ổn định hệ thống và điều khiển khẩn cấp.

2. Kỹ sư vận hành và điều độ hệ thống điện: Tài liệu giúp hiểu rõ các giải pháp sa thải phụ tải hiện đại, nâng cao khả năng xử lý sự cố nhanh chóng và hiệu quả trong thực tế vận hành.

3. Chuyên gia phát triển phần mềm và công nghệ trong ngành điện: Cung cấp kiến thức về mô hình hóa, huấn luyện mạng nơ ron và thuật toán ra quyết định, hỗ trợ phát triển các công cụ tự động hóa và trí tuệ nhân tạo cho hệ thống điện.

4. Các nhà hoạch định chính sách và quản lý ngành điện: Tham khảo để xây dựng các chiến lược nâng cao độ ổn định và tin cậy của hệ thống điện quốc gia, đồng thời định hướng phát triển công nghệ mới trong ngành.

Câu hỏi thường gặp

1. Mô hình sa thải phụ tải phối hợp ANN và AHP có ưu điểm gì so với phương pháp truyền thống?
   Mô hình giảm thời gian ra quyết định xuống dưới 1 giây, giúp tần số phục hồi nhanh hơn 15-20% và giảm lượng tải sa thải không cần thiết khoảng 10-15%. Ví dụ, trong mô phỏng sự cố tại Bus 37, tần số phục hồi nhanh và ổn định hơn so với phương pháp rơ-le tần số.

2. Phương pháp huấn luyện mạng nơ ron sử dụng trong nghiên cứu là gì?
   Luận văn sử dụng thuật toán Levenberg-Marquardt trong Matlab với công cụ Neuron ToolBook, đạt độ chính xác phân loại trên 95%, giúp mạng học nhanh và hiệu quả.

3. Thuật toán K-means được áp dụng như thế nào trong mô hình?
   K-means phân nhóm dữ liệu mô phỏng thành các cụm đặc trưng, giúp mạng nơ ron huấn luyện chính xác hơn và giảm nhiễu dữ liệu, từ đó nâng cao hiệu quả phân loại tình huống sự cố.

4. Thuật toán AHP đóng vai trò gì trong việc sa thải phụ tải?
   AHP xác định mức độ quan trọng của các đơn vị tải dựa trên các tiêu chí kỹ thuật và vận hành, từ đó ưu tiên cắt tải hợp lý, giảm thiểu thiệt hại và tối ưu hóa lượng tải sa thải.

5. Mô hình có thể áp dụng cho các hệ thống điện khác ngoài IEEE 39-bus không?
   Có thể, tuy nhiên cần điều chỉnh tham số và huấn luyện lại mạng nơ ron với dữ liệu đặc thù của hệ thống mới. Việc mở rộng này là hướng nghiên cứu phát triển tiếp theo.

Kết luận

• Đã xây dựng thành công mô hình sa thải phụ tải phối hợp mạng nơ ron nhân tạo và thuật toán AHP, áp dụng cho hệ thống điện chuẩn IEEE 39-bus, 10 máy phát.
• Mô hình giúp giảm thời gian ra quyết định, rút ngắn thời gian phục hồi tần số và nâng cao độ ổn định tần số so với phương pháp truyền thống.
• Thuật toán K-means hỗ trợ phân nhóm dữ liệu hiệu quả, nâng cao độ chính xác huấn luyện mạng nơ ron trên 95%.
• Kết quả nghiên cứu có thể ứng dụng trong vận hành hệ thống điện, đặc biệt trong điều khiển khẩn cấp và sa thải phụ tải thông minh.
• Hướng nghiên cứu tiếp theo là mở rộng mô hình cho hệ thống điện phân phối và lưới điện thông minh, đồng thời phát triển phần mềm hỗ trợ vận hành.

Khuyến nghị: Các đơn vị điện lực và viện nghiên cứu nên phối hợp triển khai thử nghiệm mô hình trong thực tế, đồng thời đào tạo nhân lực vận hành để nâng cao hiệu quả và độ tin cậy của hệ thống điện quốc gia.

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 MAI NGỌC NHẪN NGHIÊN CỨU SA THẢI PHỤ TẢI ÁP DỤNG MẠNG NƠ RON VÀ THUẬT TOÁN AHP NGÀNH: KỸ THUẬT ĐIỆN - 60520202 S K C0 0 6 0 0 5 Tp. Hồ Chí Minh, tháng 04/2017 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ MAI NGỌC NHẪN NGHIÊN CỨU SA THẢI PHỤ TẢI ÁP DỤNG MẠNG NƠ RON VÀ THUẬT TOÁN AHP NGÀNH: KỸ THUẬT ĐIỆN – 6052020 Tp. Hồ Chí Minh, tháng 4 năm 2017 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ MAI NGỌC NHẪN NGHIÊN CỨU SA THẢI PHỤ TẢI ÁP DỤNG MẠNG NƠ RON VÀ THUẬT TOÁN AHP NGÀNH: KỸ THUẬT ĐIỆN – 6052020 Hƣớng dẫn khoa học: PGS.TS QUYỀN HUY ÁNH Tp. Hồ Chí Minh, tháng 4 năm 2017 Luan van i Luan van LÝ LỊCH KHOA HỌC I.

LÝ LỊCH SƠ LƢỢC: Họ & tên: Mai Ngọc Nhẫn Giới tính: Nam Ngày, tháng, năm sinh: 25/5/1979 Nơi sinh: Cà Mau Quê quán: Tân Lộc Đông, Thới Bình, Cà Mau Dân tộc: Kinh Chỗ ở: Số 81, Nguyễn Việt Khái, khóm 5, phƣờng 5, TP Cà Mau Điện thoại: [phone] E-mail: nhan310@gmail. QUÁ TRÌNH ĐÀO TẠO: 1. Trung cấp: Hệ đào tạo: Chính quy. Thời gian đào tạo từ tháng 10/1998 đến tháng 10/2000 Nơi học (trƣờng, thành phố): Trƣờng Cao đẳng Điện lực Tp.

Hồ Chí Minh Ngành học: Phát dẫn điện. Đại học: Hệ đào tạo: Tại chức. Thời gian đào tạo từ tháng 10/2004 đến tháng 10/2009 Nơi học (trƣờng, thành phố): Trƣờng Đại học Bách khoa Tp. Hồ Chí Minh.

Ngành học: Điện công nghiệp. Tên đồ án, luận án hoặc môn thi tốt nghiệp: Tính toán tổn thất điện áp, điện năng tuyến 473 Tắc thủ. Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp: Năm 2009 tại Trƣờng Đại học Bách khoa Tp. Hồ Chí Minh.

Thạc sĩ: Hệ đào tạo: Chính quy. Thời gian đào tạo từ tháng 10/2015 đến tháng 4/ 2017 Nơi học (trƣờng, thành phố): Trƣờng Đại học Sƣ phạm kỹ thuật TP. Hồ Chí Minh Ngành học: Kỹ thuật điện Tên luận văn: Nghiên cứu sa thải phụ tải áp dụng mạng nơ ron và thuật toán AHP ii Luan van Ngày & nơi bảo vệ luận văn: 16/4/2017 tại Trƣờng Đại học Sƣ phạm kỹ thuật TP. Hồ Chí Minh Ngƣời hƣớng dẫn: PGS.TS Quyền Huy Ánh III.

QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Công việc đảm Thời gian Nơi công tác nhiệm Điện lực U Minh – Công ty Từ tháng 5/2001 đến nay Cán bộ kỹ thuật Điện lực Cà Mau iii Luan van 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 chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác. Cà Mau, ngày 10 tháng 03 năm 2017 Ngƣời cam đoan Mai Ngọc Nhẫn iv Luan van LỜI CẢM ƠN Kính gửi lời cảm ơn đến tất cả ngƣời thân trong gia đình cùng đồng nghiệp đã động viên, ủng hộ và tạo điều kiện tốt nhất dành cho tôi trong quá trình học tập và nghiên cứu. Tôi xin chân thành cảm ơn thầy PGS.TS Quyền Huy Ánh đã tận tình hƣớng dẫn cho tôi trong thời gian thực hiện luận văn.

Tôi c ng xin chân thành biết ơn đến thầy Th.S Lê Trọng Ngh a – ĐHSP Kỹ Thuật Tp.HCM đã gi p đ tôi trong quá trình hoàn thành luận văn. Tôi c ng xin gửi lời cảm ơn đến tất cả các Thầy/Cô đang giảng dạy tại Khoa Điện – Điện tử của Trƣờng Đại học Sƣ Phạm Kỹ Thành phố Hồ Chí Minh đã tận tâm giảng dạy và gi p đ tôi hoàn thành tốt chƣơng trình học tập.HCM, ngày 10 tháng 03 năm 2017. Ngƣời Viết Mai Ngọc Nhẫn v Luan van TÓM TẮT Các sự cố về nhiễu loạn của hệ thống điện thƣờng là do sự cố mất điện của các máy phát điện, sự cố ngắn mạch đƣờng dây, thanh góp hoặc do tải thay đổi bất ngờ. Mức độ của sự mất ổn định thì tùy thuộc vào thời gian và mức độ của các sự nhiễu loạn.

Có nhiều biện pháp để duy trì ổn định động hệ thống điện, trong đó giải pháp sa thải một phần phụ tải c ng là vấn đề luôn đƣợc các nhà nghiên cứu và vận hành hệ thống quan tâm. Trong việc sa thải phụ tải, chống mất ổn định động và sự cố lan rộng, điều quan trọng là nhanh chóng đề ra chiến lƣợc sa thải phụ tải hợp lý, gi p tần số phục hồi nhanh chóng và giá trị tần số phục hồi chấp nhận đƣợc. Đây là bài toán phức tạp, cần có các nghiên cứu chuyên sâu trong việc phối hợp các giải thuật công nghệ tri thức và mạng nơ ron để xây dựng mô hình đánh giá nhanh tình huống sự cố, ra quyết định kịp thời, hạn chế sa thải phụ tải ở mức thấp nhất là yêu cầu bức thiết hiện nay. Luận văn này nghiên cứu và đề xuất mô hình: “Nghiên cứu sa thải phụ tải áp dụng mạng nơron và thuật toán AHP” để sa thải phụ tải nhằm đảm bảo duy trì ổn định động hệ thống điện khi xuất hiện sự cố ngắn mạch trên cơ sở phối hợp áp dụng giải thuật công nghệ tri thức: K-means, mạng nơ ron và giải thuật AHP.

Đây là mô hình sa thải phụ tải cho phép giảm thời gian ra quyết định, giảm thời gian phục hồi tần số và nâng cao độ ổn định tần số so với các phƣơng pháp truyền thống. Nội dung chính của luận văn trình bày các vấn đề: - Nghiên cứu lý thuyết ổn định hệ thống điện, chiến lƣợc sa thải phụ tải - Nghiên cứu giải thuật K-means, mạng nơ ron nhân tạo và giải thuật AHP. - Nghiên cứu và mô phỏng tạo cơ sở dữ liệu đánh giá ổn định hệ thống điện chuẩn IEEE 39-bus, 10-máy phát sử dụng phần mềm PowerWorld. - Sử dụng công cụ Neuron ToolBook trong Matlab để huấn luyện và phân loại tình huống và lựa chọn chiến lƣợc điều khiển.

vi Luan van Kết quả thử nghiệm mô hình sa thải phụ tải đề xuất áp dụng cho hệ thống điện IEEE 39-bus, 10-máy phát cho thấy tần số của hệ thống phục hồi nhanh hơn và giá trị tần số phục hồi tốt hơn so với phƣơng pháp truyền thống. Kết quả nghiên cứu của luận văn có thể sử dụng làm tài liệu tham khảo cho nghiên cứu sinh, học viên cao học ngành Kỹ thuật điện trong bài toán nghiên cứu điều khiển khẩn cấp khi xảy ra sự cố trong hệ thống điện nhằm duy trì ổn định động hệ thống. vii Luan van ABSTRACT The disturbances of power system are often caused by outages of the generators, the line short-circuit and bus bar problem or sudden load changes. The level of instability depends on the time and magnitude of the disturbance.

There are many methods to maintain the stability of power system, including the solution load shedding a part load is also the problem that has always been interested by the researchers and the operator power system. There are many measures to maintain dynamic stability of electrical systems, including layoffs solution part load is always being the researcher and the operation of the system of interest. In the load shedding, the anti-instability and the widespread disturbance, it is important to quickly propose a reasonable load shedding the strategy. It helps the recovery frequency quickly and recovery frequency values are acceptable.

This is a complex problem, it should be in-depth studies in collaboration technology knowledge algorithms and neural network knowledge to build models quickly assess incidents, in time decision making, reduces the load shedding at its lowest load is now an urgent requirement. This thesis researched and proposed load shedding model: “Load shedding apply Neural Network and Analytic Hierarchy Process (AHP)” to ensure sustained power system stability when short circuit incidents occur based on the basis of coordination algorithms applied technology knowledge: K means clustering, neural network and AHP algorithms. This is a load shedding model allowing reduce the decision time, recovery time and improve frequency stability compared to traditional methods. The main contents of the thesis present the problems: - Research the theoretical stability of power system, and load shedding strategy - Research K-means algorithm, artificial neural network algorithms and AHP.

- Research and simulate to create the database rated stable power system IEEE 39-bus, 10-player software using PowerWorld. viii Luan van - Using Toolbox Neuron in Matlab to train and classify situations and selected control strategy. Test results of the load shedding model applied to IEEE 39 bus, generators 10 electrical systems, showing the recovery frequency time and restoration frequency value of the power system faster and better than traditional methods. The research results of the thesis can be used as a reference for candidate PhD, post graduate students in the electrical engineering to research emergency control problem when the disturbances occur to maintain power system stability.

ix Luan van MỤC LỤC Trang Trang tựa Quyết định giao đề tài Xác nhận của cán bộ hƣớng dẫn LÝ LỊCH KHOA HỌC. i LỜI CAM ĐOAN. iv LỜI CẢM ƠN .viii MỤC LỤC. x CÁC TỪ VIẾT TẮT .xiii DANH SÁCH CÁC HÌNH.

xiv DANH SÁCH CÁC BẢNG. xvii Chƣơng 1. Tổng quan về hƣớng nghiên cứu. Tổng quan về các nghiên cứu liên quan.

Tính cấp thiết của đề tài. Mục tiêu nghiên cứu. Nhiệm vụ và giới hạn đề tài. Phƣơng pháp nghiên cứu.

Các bƣớc thực hiện. Ổn định hệ thống điện (HTĐ). Khái niệm về sa thải phụ tải. Các phƣơng pháp sa thải phụ tải.

Tổng quan chung về các nghiên cứu sa thải phụ tải trên thế giới. Mạng nơron nhân tạo (ANN) [5]. Các khái niệm cơ bản. Các thành phần cơ bản của nạng nơ ron nhân tạo.

Phân loại mạng nơ ron. Các loại mạng nơ ron. Đặc tính của mạng nơ ron. Lựa chọn mẫu -Nguyên tắc lựa chọn mẫu.

Thiết kế mạng truyền thẳng. Các thuật toán huấn luyện. Thuật toán huấn luyện Lenvenberg – Marquardt (trainlm). Thuật toán huấn luyện Bayesian (trainbr) .3 Thuật toán huấn luyện Scaled Conjugate Gradient (trainscg).

Thuật toán huấn luyện Resillient backpropagation (trainrp). Giải thuật K-means. Thuật toán AHP [4]. Thuật toán AHP.

42 MÔ HÌNH ĐIỀU KHIỂN KHẨN CẤP SA THẢI PHỤ TẢI DỰA TRÊN THUẬT TOÁN AHP VÀ MẠNG NƠ RON NHÂN TẠO. 46 ĐIỀU KHIỂN KHẨN CẤP SA THẢI PHỤ TẢI DỰA TRÊN THUẬT TOÁN AHP VÀ MẠNG NƠ RON NHÂN TẠO. Mô phỏng offline các trƣờng hợp sự cố mất ổn định. Mô phỏng các trƣờng hợp sự cố bằng phần mềm Powerworld.

Thu thập dữ liệu mô phỏng. Xây dựng tập mẫu học và chuẩn hóa dữ liệu. Phân nhóm dữ liệu sử dụng giải thật K–means. Sử dụng công cụ ANN để huấn luyện tập mẫu học.

Đánh giá độ chính xác của huấn luyện .