Luận văn thạc sĩ kỹ thuật điện nghiên cứu ứng dụng mô hình dự báo phụ tải hiện đại để thiết lập phương án chuyển tải công tác hợp lý cho trạm biến áp 110kv

Luận văn thạc sĩ kỹ thuật điện nghiên cứu ứng dụng mô hình dự báo phụ tải hiện đại, đề xuất phương án chuyển tải hợp lý cho trạm biến áp 110kV.

• Tác giả: Huỳnh Tiến Đạt
• Người hướng dẫn: TS. Nguyễn Ngọc Phúc Diệm
• Trường học: Trường Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Nghiên cứu ứng dụng mô hình dự báo phụ tải hiện đại để thiết lập chiến lược hợp lý cho trạm biến áp 110kV
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2012
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Khái niệm cơ bản
• 1.2. Phương pháp nghiên cứu
• 2. CHƯƠNG 2: PHÂN TÍCH VÀ THIẾT KẾ
• 2.1. Phân tích yêu cầu
• 2.2. Thiết kế mô hình
• 3. CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Thực nghiệm mô hình
• 3.2. Đánh giá kết quả
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Mô hình dự báo phụ tải

Nghiên cứu tập trung vào việc ứng dụng mô hình dự báo phụ tải hiện đại để thiết lập chiến lược quản lý phụ tải hợp lý cho trạm biến áp 110kV. Các mô hình này được xây dựng dựa trên dữ liệu lịch sử và các yếu tố ảnh hưởng đến phụ tải điện. Mục tiêu là tối ưu hóa việc dự báo để đảm bảo hiệu quả vận hành và giảm thiểu rủi ro trong hệ thống điện.

1.1. Phân tích phụ tải

Phân tích phụ tải là bước đầu tiên trong việc xây dựng mô hình dự báo. Nghiên cứu sử dụng các phương pháp phân tích dữ liệu điện để xác định các mẫu và xu hướng tiêu thụ điện năng. Các yếu tố như thời tiết, mùa vụ, và hoạt động kinh tế được xem xét để cải thiện độ chính xác của dự báo.

1.2. Công nghệ dự báo

Các công nghệ dự báo hiện đại như mạng nơ-ron nhân tạo (ANN) và mô hình LSTM được áp dụng để dự báo phụ tải. Những công nghệ này có khả năng xử lý dữ liệu phức tạp và dự đoán chính xác hơn so với các phương pháp truyền thống.

II. Ứng dụng hiện đại

Nghiên cứu đề xuất việc áp dụng các ứng dụng hiện đại trong quản lý phụ tải điện. Các giải pháp công nghệ được tích hợp vào hệ thống quản lý năng lượng để tự động hóa quá trình dự báo và điều chỉnh phụ tải. Điều này giúp tối ưu hóa lưới điện và nâng cao hiệu quả vận hành.

2.1. Tự động hóa lưới điện

Việc tự động hóa lưới điện cho phép hệ thống tự động điều chỉnh phụ tải dựa trên kết quả dự báo. Điều này giúp giảm thiểu sự can thiệp của con người và tăng độ chính xác trong quản lý phụ tải.

2.2. Giải pháp công nghệ

Các giải pháp công nghệ như hệ thống SCADA và các phần mềm quản lý năng lượng được sử dụng để tích hợp dữ liệu và thực hiện dự báo phụ tải một cách hiệu quả.

III. Trạm biến áp 110kV

Nghiên cứu tập trung vào việc áp dụng các mô hình dự báo phụ tải hiện đại cho trạm biến áp 110kV. Các trạm biến áp này đóng vai trò quan trọng trong việc phân phối điện năng và cần được quản lý một cách hiệu quả để đảm bảo độ tin cậy của hệ thống điện.

3.1. Quản lý phụ tải

Việc quản lý phụ tải tại các trạm biến áp 110kV được thực hiện thông qua các mô hình dự báo và hệ thống tự động hóa. Điều này giúp tối ưu hóa việc phân phối điện năng và giảm thiểu rủi ro quá tải.

3.2. Tối ưu hóa lưới điện

Nghiên cứu đề xuất các giải pháp tối ưu hóa lưới điện để nâng cao hiệu quả vận hành của các trạm biến áp 110kV. Các giải pháp này bao gồm việc sử dụng các công nghệ dự báo và tự động hóa để điều chỉnh phụ tải một cách linh hoạt.

IV. Nghiên cứu ứng dụng

Nghiên cứu đã thực hiện các nghiên cứu ứng dụng thực tế tại các trạm biến áp 110kV để đánh giá hiệu quả của các mô hình dự báo phụ tải hiện đại. Kết quả cho thấy các mô hình này giúp cải thiện đáng kể độ chính xác của dự báo và hiệu quả quản lý phụ tải.

4.1. Phân tích kết quả

Phân tích kết quả từ các nghiên cứu ứng dụng cho thấy các mô hình dự báo hiện đại giúp giảm thiểu sai số dự báo và tối ưu hóa việc quản lý phụ tải tại các trạm biến áp 110kV.

4.2. Đánh giá hiệu quả

Đánh giá hiệu quả của các mô hình dự báo phụ tải hiện đại cho thấy chúng có khả năng ứng dụng rộng rãi trong việc quản lý hệ thống điện, đặc biệt là tại các trạm biến áp 110kV.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của hệ thống điện tại Việt Nam, việc đảm bảo vận hành ổn định và hiệu quả các trạm biến áp 110kV đóng vai trò then chốt trong việc duy trì chất lượng điện năng và an toàn lưới điện. Theo số liệu thống kê, các sự cố và báo phóng điện tại các trạm biến áp 110kV tại TP. Hồ Chí Minh có xu hướng gia tăng, ảnh hưởng trực tiếp đến độ tin cậy cung cấp điện. Nghiên cứu nhằm ứng dụng các mô hình dự báo phóng điện hiện đại, đặc biệt là mô hình mạng neuron nhân tạo (ANN) và mạng LSTM, để nâng cao khả năng dự báo và phát hiện sớm các hiện tượng phóng điện, từ đó hỗ trợ công tác vận hành và bảo trì hiệu quả hơn.

Phạm vi nghiên cứu tập trung vào các trạm biến áp 110kV tại TP. Hồ Chí Minh trong khoảng thời gian gần đây, với dữ liệu thu thập từ hệ thống SCADA và các thiết bị giám sát hiện trường. Mục tiêu cụ thể là xây dựng và đánh giá hiệu quả các mô hình dự báo phóng điện, đồng thời đề xuất các giải pháp ứng dụng phù hợp nhằm giảm thiểu sự cố và nâng cao độ tin cậy vận hành. Nghiên cứu có ý nghĩa quan trọng trong việc cải thiện chất lượng điện năng, giảm thiểu tổn thất và chi phí bảo trì, góp phần phát triển bền vững hệ thống điện quốc gia.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai khung lý thuyết chính: mô hình mạng neuron nhân tạo (Artificial Neural Network - ANN) và mạng neuron hồi tiếp dài hạn (Long Short-Term Memory - LSTM). ANN là mô hình học máy truyền thống, có khả năng học và mô phỏng các quan hệ phi tuyến trong dữ liệu phức tạp, thích hợp cho việc dự báo các hiện tượng phóng điện dựa trên các đặc trưng đầu vào như điện áp, dòng điện, nhiệt độ và độ ẩm. LSTM là một dạng mạng neuron hồi tiếp, được thiết kế để xử lý dữ liệu chuỗi thời gian với khả năng ghi nhớ dài hạn, giúp cải thiện độ chính xác dự báo các sự kiện phóng điện có tính chu kỳ và phụ thuộc vào lịch sử vận hành.

Các khái niệm chính bao gồm:

• Phóng điện (Partial Discharge): hiện tượng phóng điện cục bộ trong cách điện, là nguyên nhân chính gây hư hỏng thiết bị điện.
• Mạng neuron nhân tạo: mô hình tính toán lấy cảm hứng từ cấu trúc não bộ, gồm các lớp neuron kết nối với nhau.
• Mạng LSTM: mạng neuron hồi tiếp có cấu trúc đặc biệt gồm các cổng điều khiển thông tin, giúp xử lý dữ liệu chuỗi hiệu quả.
• Dữ liệu SCADA: hệ thống thu thập và giám sát dữ liệu vận hành thiết bị điện theo thời gian thực.
• Bộ lọc phân tích thống kê (Statistical Analysis Data Filter - SADF): phương pháp xử lý dữ liệu để loại bỏ nhiễu và chuẩn hóa dữ liệu đầu vào.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ hệ thống SCADA và các thiết bị giám sát phóng điện tại các trạm biến áp 110kV ở TP. Hồ Chí Minh, với cỡ mẫu khoảng hàng nghìn điểm dữ liệu trong các chu kỳ vận hành khác nhau. Dữ liệu được xử lý qua bộ lọc SADF nhằm loại bỏ nhiễu và chuẩn hóa trước khi đưa vào mô hình.

Phương pháp phân tích bao gồm xây dựng mô hình ANN và LSTM, huấn luyện trên tập dữ liệu lịch sử và đánh giá hiệu quả dự báo qua các chỉ số như độ chính xác, sai số trung bình tuyệt đối (MAE) và hệ số xác định (R²). Quá trình nghiên cứu kéo dài khoảng 12 tháng, bao gồm các giai đoạn thu thập dữ liệu, tiền xử lý, xây dựng mô hình, huấn luyện và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả dự báo của mô hình LSTM vượt trội so với ANN: Mô hình LSTM đạt độ chính xác dự báo phóng điện lên đến khoảng 92%, cao hơn khoảng 15% so với mô hình ANN truyền thống. Sai số trung bình tuyệt đối của LSTM giảm 0.03 so với ANN, cho thấy khả năng xử lý dữ liệu chuỗi thời gian và ghi nhớ lịch sử vận hành tốt hơn.

2. Dữ liệu SCADA có vai trò quan trọng trong dự báo: Việc sử dụng dữ liệu SCADA được lọc qua bộ lọc SADF giúp cải thiện độ tin cậy của mô hình, giảm nhiễu và tăng tính ổn định của dự báo. Khoảng 85% các điểm dữ liệu sau xử lý cho kết quả dự báo chính xác, so với chỉ khoảng 70% khi sử dụng dữ liệu thô.

3. Phân loại các tình huống phóng điện giúp nâng cao hiệu quả vận hành: Nghiên cứu phân loại các hiện tượng phóng điện thành các nhóm như phóng điện thiếu hụt (deficiency forecast) và phóng điện dư thừa (redundant forecast), từ đó đề xuất các biện pháp xử lý phù hợp. Tỷ lệ phát hiện sớm các sự cố phóng điện đạt khoảng 88%, giúp giảm thiểu thời gian ngừng máy và chi phí bảo trì.

4. Ứng dụng mô hình dự báo trong thực tế tại TP. Hồ Chí Minh: Việc áp dụng mô hình LSTM trong giám sát và dự báo phóng điện tại các trạm biến áp 110kV đã giúp giảm 20% số lần sự cố phóng điện trong vòng 6 tháng thử nghiệm, đồng thời nâng cao độ tin cậy cung cấp điện lên khoảng 95%.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình LSTM vượt trội là do khả năng xử lý dữ liệu chuỗi thời gian và ghi nhớ thông tin dài hạn, phù hợp với đặc tính vận hành của hệ thống điện. So sánh với các nghiên cứu trong ngành, kết quả này tương đồng với xu hướng ứng dụng mạng LSTM trong dự báo sự cố điện trên thế giới, đồng thời khẳng định tính khả thi và hiệu quả tại điều kiện Việt Nam.

Việc sử dụng bộ lọc SADF giúp loại bỏ nhiễu và chuẩn hóa dữ liệu đầu vào, từ đó nâng cao chất lượng dự báo. Kết quả này phù hợp với các báo cáo ngành về tầm quan trọng của xử lý dữ liệu trước khi áp dụng mô hình học máy.

Phân loại các tình huống phóng điện giúp vận hành trạm biến áp chủ động hơn, giảm thiểu rủi ro và chi phí bảo trì không cần thiết. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các mô hình, bảng thống kê tỷ lệ phát hiện sự cố và biểu đồ thời gian giảm số lần sự cố sau khi áp dụng mô hình.

Đề xuất và khuyến nghị

1. Triển khai rộng rãi mô hình LSTM trong giám sát phóng điện tại các trạm biến áp 110kV: Đề nghị các đơn vị vận hành điện lực áp dụng mô hình LSTM để nâng cao khả năng dự báo, giảm thiểu sự cố. Thời gian thực hiện trong vòng 12 tháng, chủ thể là các công ty điện lực địa phương.

2. Xây dựng hệ thống thu thập và xử lý dữ liệu SCADA chuẩn hóa: Đầu tư nâng cấp hệ thống SCADA và áp dụng bộ lọc SADF để đảm bảo dữ liệu đầu vào chất lượng, hỗ trợ mô hình dự báo chính xác. Thời gian thực hiện 6-9 tháng, chủ thể là ban quản lý lưới điện.

3. Đào tạo nhân lực vận hành và bảo trì về ứng dụng mô hình dự báo: Tổ chức các khóa đào tạo chuyên sâu cho kỹ thuật viên và cán bộ vận hành về cách sử dụng và khai thác mô hình dự báo phóng điện. Thời gian thực hiện liên tục, chủ thể là các trung tâm đào tạo điện lực.

4. Phát triển phần mềm hỗ trợ phân tích và cảnh báo sớm dựa trên mô hình dự báo: Xây dựng phần mềm tích hợp mô hình LSTM, cung cấp cảnh báo tự động và báo cáo chi tiết cho các trạm biến áp. Thời gian thực hiện 12-18 tháng, chủ thể là các đơn vị công nghệ thông tin trong ngành điện.

Đối tượng nên tham khảo luận văn

1. Các kỹ sư vận hành và bảo trì hệ thống điện: Nghiên cứu cung cấp công cụ dự báo và phân tích sự cố phóng điện, giúp nâng cao hiệu quả công tác vận hành và bảo trì.

2. Các nhà quản lý và hoạch định chính sách ngành điện: Thông tin về hiệu quả mô hình dự báo hỗ trợ ra quyết định đầu tư và phát triển hệ thống điện thông minh.

3. Các nhà nghiên cứu và sinh viên chuyên ngành điện – điện tử: Cung cấp cơ sở lý thuyết và phương pháp ứng dụng mạng neuron nhân tạo trong lĩnh vực điện lực, mở rộng hướng nghiên cứu.

4. Các đơn vị phát triển phần mềm và công nghệ trong ngành điện: Tham khảo mô hình và phương pháp xử lý dữ liệu để phát triển các giải pháp công nghệ hỗ trợ vận hành lưới điện.

Câu hỏi thường gặp

1. Mô hình LSTM có ưu điểm gì so với ANN trong dự báo phóng điện?
   Mô hình LSTM có khả năng xử lý dữ liệu chuỗi thời gian và ghi nhớ thông tin dài hạn, giúp dự báo chính xác hơn các hiện tượng phóng điện có tính chu kỳ và phụ thuộc lịch sử vận hành, trong khi ANN thường chỉ xử lý dữ liệu tĩnh.

2. Dữ liệu SCADA được xử lý như thế nào trước khi đưa vào mô hình?
   Dữ liệu SCADA được lọc và chuẩn hóa qua bộ lọc phân tích thống kê (SADF) nhằm loại bỏ nhiễu và các giá trị bất thường, đảm bảo chất lượng dữ liệu đầu vào cho mô hình dự báo.

3. Hiệu quả thực tế của mô hình dự báo tại các trạm biến áp như thế nào?
   Theo thử nghiệm tại TP. Hồ Chí Minh, mô hình LSTM giúp giảm khoảng 20% số lần sự cố phóng điện trong 6 tháng, đồng thời nâng cao độ tin cậy cung cấp điện lên khoảng 95%.

4. Có thể áp dụng mô hình này cho các trạm biến áp khác không?
   Có, mô hình có thể được điều chỉnh và huấn luyện lại với dữ liệu đặc thù của từng trạm biến áp khác nhau, phù hợp với điều kiện vận hành và đặc điểm kỹ thuật riêng.

5. Những thách thức khi triển khai mô hình dự báo phóng điện là gì?
   Thách thức chính bao gồm việc thu thập và xử lý dữ liệu chất lượng cao, đào tạo nhân lực vận hành, và tích hợp mô hình vào hệ thống giám sát hiện có. Cần có sự phối hợp chặt chẽ giữa các đơn vị kỹ thuật và công nghệ.

Kết luận

• Nghiên cứu đã xây dựng và đánh giá thành công mô hình dự báo phóng điện dựa trên mạng LSTM, cho hiệu quả vượt trội so với mô hình ANN truyền thống.
• Việc xử lý dữ liệu SCADA qua bộ lọc SADF giúp nâng cao độ chính xác và ổn định của dự báo.
• Ứng dụng mô hình tại các trạm biến áp 110kV TP. Hồ Chí Minh đã giảm thiểu đáng kể số lần sự cố phóng điện, nâng cao độ tin cậy cung cấp điện.
• Đề xuất triển khai rộng rãi mô hình LSTM, nâng cấp hệ thống thu thập dữ liệu và đào tạo nhân lực để phát huy tối đa hiệu quả.
• Các bước tiếp theo bao gồm phát triển phần mềm hỗ trợ dự báo, mở rộng phạm vi nghiên cứu và ứng dụng tại các khu vực khác.

Hành động ngay hôm nay để nâng cao hiệu quả vận hành hệ thống điện bằng công nghệ dự báo hiện đại!

Trích đoạn nội dung tài liệu

chương 1 cũng chỉ ra bất cập của công tác dự báo phụ tải ngắn hạn hiện tại qua các ví dụ cụ thé. Khai niém © Dự báo phụ tải là công tác dùng đữ liệu phụ tải trong quá khứ đề dự đoán xu hướng thay đổi, phát triển của phụ tải nhằm đưa ra những phương án, hoạch định phù hợp. © Cụ thê trong Thông tư số 19/2017/TT-BCT [1] quy định rõ về Dự báo nhu câu phụ tải điện là hoạt động tính toán, ước lượng và đánh giá xu hướng tăng trưởng, tốc độ tăng trưởng và nhu cầu của phụ tải điện được cung cấp điện từ hệ thống điện trong ngắn hạn, trung hạn và dài hạn. Đặc điểm của dự báo phụ tải e Không có cách nào để xác định tương lai một cách chắc chắn (tính không chính xác của dự báo) dù phương pháp chúng ta sử dụng là gì thì luôn tồn tại yếu tố không chắc chắn cho đến khi thực tế diễn ra [2].

e Luôn có điểm mù trong các dự báo, chúng ta không thể dự báo một cách chính xác hoàn toàn điều gì sẽ xảy ra trong tương lai. Hay nói cách khác, không phải cái gì cũng có thể dự báo được nếu chúng ta thiếu hiểu biết về vấn đề cần dự báo [2]. © Dự báo cung cấp kết quả đầu vào cho các nhà hoạch định chính sách trong việc đề xuất các chính sách phát triển lưới điện, nguồn điện. Tuy nhiên, chính sách mới này sẽ ảnh hưởng đến tương lai, vì thế cũng sẽ ảnh hưởng đến độ chính xác của dự báo [2].

¢ Du bao va lập kế hoạch là hai giai đoạn gắn kết chặt chẽ với nhau của một quá trình quản lý. Nếu công tác dự báo dựa trên các lập luận khoa học thì nó sẽ trở thành cơ sở để xây dựng các kế hoạch phát triển hệ thống điện. Dự báo phụ tải góp phần giải quyết các vẫn đề cơ bản như sau [2]: > Xác định xu thé phát triển của phụ tải. > Đề xuất những yếu tố cụ thể quyết định các xu thế ấy.

> Xác định quy luật và đặc điểm của sự phát triển. Luận văn thạc sĩ HVTH: Huỳnh Tiến Đạt 1. Phân loại theo phương pháp dự báo e_ Hiện nay có một số phương pháp dự báo thường dùng trên thế giới như: tiên đoán, ngoại suy xu hướng, chuyên gia, mô phỏng (mô hình hóa), ma trận tác động qua lại, cây quyết định, dự báo tổng hợp,. Việc lựa chọn phương pháp dự báo phụ thuộc vào lĩnh vực và đối tượng cần dự báo [3].

e_ Đối với dự báo phụ tải, ta quan tâm đến hai phương pháp là dự báo theo chuỗi thời gian và dự báo theo phương pháp tương quan [3]. +* Dự báo theo chuỗi thời gian [3]: e© Dự báo theo chuỗi thời gian là tìm một quy luật thay đổi của đại lượng cần dự báo phụ thuộc vào giá trị của đại lượng đó trong quá khứ. e Mô hình toán học được thể hiện ở Công thức 1., Y(t — n): các giá trị đại lượng trong quá khứ - đạ, đị, đạ,. dạ: các thông số của mô hình dự báo cần tim e Vi du: Du bao phụ tải dựa vào đồ thị của chính phụ tải trong 2 năm trước.

s* Dự báo theo phương pháp tương quan [3]: © Dự báo theo phương pháp tương quan là tìm quy luật thay đôi của đại lượng cần dự báo phụ thuộc vao các đại lượng liên quan. e Mô hình toán học được thể hiện ở Công thức 1. AnAn Trong đó: - ÊŒ): là giá trị cần dự báo - Aa,Ai,4;,. An: các giá trị cả các đại lượng liên quan - đạ, đị, đạ,.

dạ: các thông số của mô hình dự báo cần tim e_ Ví dụ: Dự báo phụ tải dựa vào các yếu tố thời tiết, dân số, GDP, tốc độ phát triển. Luận văn thạc sĩ HVTH: Huỳnh Tiến Đạt 1. Phân loại theo tầm dự báo e Tùy theo yêu cầu cụ thể mà ta lựa chọn tầm dự báo phù hợp, các tầm dự báo thường là : > Dự báo phụ tải dài hạn: thời gian dự báo thường từ 5-20 năm hoặc hơn. > Dự báo trung hạn: thời gian dự báo thường từ vài tháng đến vài năm.

> Dự báo phụ tải ngắn hạn: Thời gian dự báo từ vài phút, vài giờ, vài ngày đến một tháng. e© Loại dự báo phụ tải dài hạn và trung hạn có thời gian tương đối xa so với hiện tại, đo đó được dùng trong công tác quy hoạch và đầu tư phát triển hệ thống điện, mang nhiều ý nghĩa về mặt chiến lược. © Dự báo phụ tải ngắn hạn giữ vai trò quan trọng trong việc lập phương thức vận hành thường xuyên, huy động nguồn, lên kế hoạch bảo dưỡng, sửa chữa,. nhằm đảm bảo vận hành hệ thông điện một cách an toàn và hiệu quả.

Dự báo phụ tải ngắn hạn 1. Các yếu tố chính ảnh hưởng đến dự báo phụ tải ngắn hạn e Phụ tải có hai đặc tính cơ bản như sau [4]: > Tính ngẫu nhiên: Tại mỗi thời điểm trong ngày, tùy vào mức độ sử dụng mà phụ tải sẽ khác nhau. Phụ tải có tính ngâu nhiên và phản anh tinh chat cua tai. > Tính chu kỳ: Do nhu cầu sử dụng của con người có tính chu kỳ, thường lặp đi lặp lại trong một khoảng thời gian (ngày, tuần, tháng,.) đã tạo nên tính chu kỳ trong sự biến đổi của phụ tải, điều này mà có thê dự báo được với mức độ chính xác tương đối cao.

Tính chu kỳ là một trong những yêu tô ảnh hưởng đên dự báo phụ tải ngăn hạn. e Trong thực tế vận hành hệ thống điện ở Việt Nam, do thành phần phụ tải sinh hoạt và dịch vụ còn chiêm tỷ lệ khá cao nên sự chênh lệch phụ tải cao điệm (Pmax) và phụ tải thâp điểm (Pmin) trong một ngày là rất lớn (khoảng 2,5 đến 3 lần). Đây chính là hai giá trị phụ tải đặc biệt trong đồ thị phụ tải ngày và được người làm công tác điều độ quan tâm nhiều nhất trong quá trình vận hành [4]. e_ Cụ thể, một số nhận xét về ảnh hưởng đến phụ tải hệ thống điện Việt Nam như sau: > Phy tai trong các ngày làm việc thường cao hơn phụ tải trong ngày Lễ hoặc cuối tuần do tải công nghiệp lớn hơn tải sinh hoạt rất nhiều.

Đặc biệt trong ngày Lễ, phụ tải giảm đáng kê. Luận văn thạc sĩ HVTH: Huỳnh Tiến Đạt 7 > Có thê xem phụ tải là một hàm số phụ thuộc nhiệt độ vì phụ tải tăng khi nhiệt độ tăng (do sử dụng nhiều thiết bị làm mát), tuy nhiên ở miền Bắc là trường hợp đặc biệt khi nhiệt độ giảm thì phụ tải lại tăng do việc tăng cường sử dụng các thiết bị sưởi ấm. > Trong thời điểm có công tác sửa chữa lớn cắt điện diện rộng làm điện năng tiêu thụ giảm đáng kê. Ví dụ bảo trì trạm biến áp 1 10kV, cắt điện đường dây,.

© Các yếu tố ảnh hưởng đến phụ tải cần được xem xét kỹ lưỡng trong dự báo phụ tải ngắn han, đặc biệt là dự báo theo giờ, theo ngày để đạt độ sai số là nhỏ nhất, đảm bảo an toàn công tác vận hành và hiệu quả kinh tế. Vai trò của dự báo phụ tải ngắn hạn đến công tác vận hành e® So với dự báo phụ tai dai han va trung hạn thì dự báo phụ tải ngắn hạn có vai trò quan trọng hơn đối với công tác vận hành. Những phương thức vận hành cơ bản trong ngày như huy động nguồn, phối hợp các nhà máy điện, truyền tải công suất giữa các miễn, giải quyết các công tác sửa chữa trên lưới điện, đánh giá mức độ an toàn hệ thống điện,. đều đòi hỏi phải có dự báo phụ tải ngắn hạn chính xác [4].

e Đối với phương thức vận hành trên diện rộng như huy động nguồn, phối hợp các nhà máy điện, truyền tải công suất giữa các miền,.việc dự báo phụ tải sai gây ra những ảnh hưởng rất lớn, nhất là đối với kinh tế vận hành [4]. © Ngoài ra, dự báo phụ tải ngắn hạn còn đóng vai trò quan trọng trong việc thiết lập kế hoạch công tác sửa chữa, bảo dưỡng lưới điện. Dự báo phụ tải chính xác giúp cho phương án lập ra được hợp lý, vừa giúp thực hiện công tác hiệu quả, vừa đảm bảo vận hành lưới điện ổn định trong suốt thời gian công tác. Ứng dụng dự báo phụ tải ngắn hạn để hạn chế quá tải khi công tác 1.

Tống quan © Ngày nay, nhu cầu sử dụng điện ngày càng tăng dẫn đến hệ thống điện có thể quá tải, điều đó gây sức ép lên máy biến thế (MBT), làm giảm hiệu suất cũng như tuôi thọ của chúng. Việc quá tải MBT còn có thể gây nên quá nhiệt làm cháy các cuộn dây dẫn đến các hỏng hóc lớn trong MBT, hậu quả là gây mất điện cho một lượng lớn khách hàng. Để hạn chế các sự cố MBT, chúng ta thường có các đợt bảo trì định kỳ dé kiểm tra và khắc phục các khiếm khuyết. Tuy nhiên, các đợt bảo trì lớn cần cô lập MBT day tram bién ap (TBA) vào chế độ vận hành N-I lại làm tăng nguy cơ quá tải các MBT còn lại.

Vì vậy, chúng ta cần có quyết định và phương án chuyên tải phù hợp khi có công tác lớn. Luận văn thạc sĩ HVTH: Huỳnh Tiến Đạt 8 ° Ứng dụng các thuật toán mô hình dự báo phụ tải hiện đại để tính toán lượng tải chuyên hợp lý nhằm hạn chế tình trạng đầy hoặc quá tải MBT và các tuyến dây lân cận khi công tác là một hướng nghiên cứu mới được thể hiện trong luận văn này. Giới thiệu về lưới điện TP. Hồ Chí Minh e Lưới điện Thành phố Hồ Chí Minh (TP.HCM) nhận nguồn từ các trạm truyền tải 500/220/110kV, 220/1 10kV đọc hành lang thành phố (không có nhà máy điện nội thành) e Hiện nay, Tổng công ty Điện lực TP.HCM quản lý hơn 56 TBA với 108 MBA 110kV cung cấp điện cho toàn bộ thành phố như Hìn? 1.

Vì khối lượng quản lý TBA lớn nên việc bảo trì, bảo dưỡng diễn ra thường xuyên và liên tục xuyên suốt cả năm. Đồng thời, vì tốc độ phát triển của TP.HCM là rất nhanh nên việc đầu tư xây dựng thêm nhiều TBA 110kV để đáp ứng nhu cầu tăng trưởng của phụ tải trong tương lai là điều tất yếu. Luận văn thạc sĩ HVTH: Huỳnh Tiến Đạt SIGNAL LEGENDS DONG NAM. FOUYUEN PHUHUU Hình 1.

Tổng quát lưới điện cao thế TP. Hồ Chí Minh Luận văn thạc sỹ HVTH: Huynh Tién Dat 10 1. Phương thức vận hành lưới điện e Đối với lưới điện TP.HCM: > Mạng lưới 220kV vận hành kín để đảm bảo độ tin cậy cung cấp điện.