Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế Việt Nam phát triển nhanh chóng, nhu cầu sử dụng điện năng trong các lĩnh vực công nghiệp, nông nghiệp và dịch vụ ngày càng tăng cao. Theo ước tính, hệ thống điện Việt Nam cần được mở rộng và nâng cấp để đáp ứng yêu cầu về chất lượng và ổn định điện năng. Một trong những thách thức lớn là đảm bảo hệ thống bảo vệ điện hoạt động hiệu quả, đặc biệt là trong việc nhận dạng và cô lập sự cố nhằm duy trì sự ổn định và liên tục cung cấp điện. Luận văn tập trung nghiên cứu phương pháp nhận dạng sự cố phân tán trong trạm biến áp 110kV, cụ thể tại trạm biến áp Bến Tre, bằng cách kết hợp kỹ thuật biến đổi Wavelet và mạng Neuron nhân tạo.

Mục tiêu chính của nghiên cứu là xây dựng và áp dụng mô hình mạng Wavelet – Neuron để nhận dạng loại sự cố, vị trí sự cố và điều khiển cô lập sự cố trong trạm biến áp 110kV. Phạm vi nghiên cứu bao gồm phân tích các tín hiệu điện áp và dòng điện thu thập từ trạm biến áp Bến Tre trong khoảng thời gian thực hiện luận văn (2018-2019), sử dụng phần mềm Matlab Simulink để mô phỏng và huấn luyện mạng. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ tin cậy của hệ thống bảo vệ, giảm thiểu chi phí đầu tư và tăng cường khả năng vận hành ổn định của hệ thống điện, góp phần phát triển lưới điện thông minh tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết mạng Neuron nhân tạo và kỹ thuật biến đổi Wavelet. Mạng Neuron được sử dụng là mạng Perceptron và mạng MLP truyền thẳng, có khả năng học và nhận dạng các mẫu tín hiệu phức tạp thông qua quá trình huấn luyện. Mạng Neuron gồm ba lớp: lớp đầu vào nhận dữ liệu, lớp ẩn xử lý thông tin và lớp đầu ra cho kết quả nhận dạng. Thuật toán huấn luyện mạng sử dụng phương pháp lan truyền ngược (backpropagation) nhằm tối ưu trọng số mạng để đạt độ chính xác cao trong phân loại sự cố.

Kỹ thuật biến đổi Wavelet được áp dụng để phân tích tín hiệu điện áp và dòng điện trong miền thời gian và tần số, giúp phát hiện các biến đổi đột ngột đặc trưng cho sự cố. Phân tích Wavelet rời rạc (DWT) được sử dụng để trích xuất các hệ số xấp xỉ và chi tiết, phản ánh thành phần tần số thấp và cao của tín hiệu. Ngoài ra, phân tích Wavelet gói được áp dụng để tăng khả năng phân tích đa mức và đa tần số, giúp nhận dạng chính xác hơn các dạng sự cố khác nhau.

Ba khái niệm chuyên ngành quan trọng trong nghiên cứu gồm:

  • Nhận dạng sự cố phân tán: Phân tách trạm biến áp thành các phần tử nhỏ (đường dây, máy biến áp, thanh cái) để nhận dạng và điều khiển sự cố từng phần.
  • Mạng Wavelet – Neuron: Mô hình kết hợp biến đổi Wavelet để trích xuất đặc trưng tín hiệu và mạng Neuron để phân loại và điều khiển sự cố.
  • Điều khiển phân tán: Phương pháp điều khiển sự cố theo từng phần tử trong trạm biến áp nhằm cô lập nhanh và chính xác điểm sự cố.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các tín hiệu điện áp và dòng điện thu thập từ trạm biến áp 110kV Bến Tre, được mô phỏng trên phần mềm Matlab Simulink phiên bản 2016a-64bit. Cỡ mẫu huấn luyện mạng Neuron bao gồm nhiều mẫu tín hiệu đại diện cho các dạng sự cố như ngắn mạch 1 pha chạm đất, ngắn mạch 2 pha, ngắn mạch 3 pha, đứt dây, sự cố nội bộ máy biến áp và sự cố điện áp. Phương pháp chọn mẫu dựa trên các trường hợp thực tế và mô phỏng nhằm đảm bảo tính đa dạng và đại diện.

Phân tích dữ liệu được thực hiện qua các bước:

  1. Biến đổi Wavelet rời rạc và Wavelet gói để trích xuất đặc trưng tín hiệu.
  2. Huấn luyện mạng Neuron Perceptron và MLP với thuật toán lan truyền ngược để nhận dạng loại và vị trí sự cố.
  3. Thiết kế mạng Wavelet – Neuron phân tán cho từng phần tử trong trạm biến áp, kết hợp tín hiệu đầu ra để điều khiển máy cắt cô lập sự cố.
  4. Đánh giá hiệu quả mô hình qua các chỉ số sai số, độ chính xác nhận dạng và thời gian phản hồi.

Timeline nghiên cứu kéo dài từ tháng 4/2018 đến tháng 10/2019, bao gồm giai đoạn thu thập dữ liệu, xây dựng mô hình, huấn luyện và kiểm thử, cũng như phân tích kết quả và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả nhận dạng sự cố bằng mạng Wavelet – Neuron: Mô hình đạt độ chính xác nhận dạng trên 95% đối với các dạng sự cố phổ biến trong trạm biến áp 110kV Bến Tre. Các hệ số Wavelet trích xuất đặc trưng giúp mạng Neuron phân biệt rõ ràng các loại sự cố như ngắn mạch 1 pha, 2 pha và 3 pha với sai số nhận dạng dưới 5%.

  2. Phân tán điều khiển sự cố theo phần tử: Việc phân chia trạm biến áp thành các phần tử nhỏ (đường dây, máy biến áp, thanh cái) và áp dụng mạng Wavelet – Neuron riêng biệt cho từng phần tử giúp giảm thời gian cô lập sự cố trung bình xuống còn khoảng 0.2 giây, nhanh hơn 30% so với phương pháp truyền thống sử dụng relay bảo vệ kỹ thuật số.

  3. Tính phối hợp bảo vệ trong hệ thống: Mạng Wavelet – Neuron có khả năng phối hợp bảo vệ giữa các cấp trong trạm và giữa các trạm lân cận thông qua hệ thống SCADA, đảm bảo cô lập sự cố chính xác và tránh lây lan sự cố ra toàn hệ thống. Tỷ lệ thành công phối hợp bảo vệ đạt khoảng 92%.

  4. Giảm chi phí và tăng độ tin cậy: So với hệ thống bảo vệ relay truyền thống, mô hình mạng Wavelet – Neuron giúp giảm chi phí đầu tư khoảng 20% do giảm số lượng thiết bị và tăng độ tin cậy vận hành, giảm thiểu sai số và thời gian ngừng cung cấp điện.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao là do kỹ thuật biến đổi Wavelet cho phép phân tích tín hiệu đa miền thời gian-tần số, phát hiện nhanh các biến đổi đặc trưng của sự cố. Kết hợp với mạng Neuron có khả năng học và phân loại mẫu phức tạp, mô hình nhận dạng sự cố đạt độ chính xác và độ tin cậy cao. Kết quả này phù hợp với các nghiên cứu gần đây trong lĩnh vực bảo vệ hệ thống điện sử dụng trí tuệ nhân tạo và kỹ thuật Wavelet.

So sánh với các phương pháp truyền thống như relay kỹ thuật số, mạng Wavelet – Neuron không chỉ nhận dạng chính xác hơn mà còn có khả năng điều khiển phân tán, phối hợp bảo vệ đa cấp, phù hợp với xu hướng phát triển lưới điện thông minh. Việc áp dụng mô hình này tại trạm biến áp Bến Tre cho thấy tính khả thi và hiệu quả thực tiễn, góp phần nâng cao chất lượng và độ ổn định của hệ thống điện Việt Nam.

Dữ liệu có thể được trình bày qua biểu đồ độ chính xác nhận dạng theo từng loại sự cố, bảng so sánh thời gian cô lập sự cố giữa các phương pháp và sơ đồ phối hợp bảo vệ trong hệ thống SCADA để minh họa rõ ràng hiệu quả của mô hình.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mạng Wavelet – Neuron trong các trạm biến áp 110kV khác: Đề nghị các công ty điện lực khu vực miền Nam và toàn quốc nghiên cứu, thử nghiệm và áp dụng mô hình tại các trạm biến áp tương tự trong vòng 2 năm tới nhằm nâng cao hiệu quả bảo vệ hệ thống.

  2. Phát triển hệ thống SCADA tích hợp mạng Wavelet – Neuron: Tăng cường đầu tư xây dựng hệ thống SCADA hiện đại, tích hợp truyền dẫn tín hiệu và điều khiển từ mạng Wavelet – Neuron để đảm bảo phối hợp bảo vệ chính xác và nhanh chóng, giảm thiểu thời gian mất điện.

  3. Đào tạo và nâng cao năng lực kỹ thuật cho nhân viên vận hành: Tổ chức các khóa đào tạo chuyên sâu về kỹ thuật Wavelet, mạng Neuron và vận hành hệ thống bảo vệ phân tán cho kỹ sư và nhân viên kỹ thuật trong vòng 12 tháng nhằm đảm bảo vận hành hiệu quả và bảo trì hệ thống.

  4. Nghiên cứu mở rộng ứng dụng cho hệ thống điện phân phối và truyền tải: Khuyến khích các viện nghiên cứu và trường đại học tiếp tục phát triển mô hình nhận dạng và điều khiển sự cố dựa trên mạng Wavelet – Neuron cho các cấp điện áp thấp hơn và hệ thống truyền tải, nhằm hoàn thiện giải pháp bảo vệ toàn diện.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư và chuyên gia bảo vệ hệ thống điện: Luận văn cung cấp phương pháp mới, công cụ kỹ thuật hiện đại giúp nâng cao hiệu quả nhận dạng và điều khiển sự cố, hỗ trợ công tác vận hành và bảo trì hệ thống điện.

  2. Các nhà quản lý và hoạch định chính sách ngành điện: Thông tin về hiệu quả và lợi ích kinh tế của mô hình giúp đưa ra quyết định đầu tư, phát triển lưới điện thông minh và nâng cao độ tin cậy cung cấp điện.

  3. Giảng viên và sinh viên ngành kỹ thuật điện: Tài liệu tham khảo quý giá về ứng dụng mạng Neuron và biến đổi Wavelet trong lĩnh vực bảo vệ hệ thống điện, hỗ trợ nghiên cứu và giảng dạy chuyên sâu.

  4. Các công ty công nghệ và phát triển phần mềm trong lĩnh vực điện: Cơ sở để phát triển các giải pháp phần mềm giám sát, nhận dạng sự cố và điều khiển tự động trong hệ thống điện hiện đại.

Câu hỏi thường gặp

  1. Mạng Wavelet – Neuron là gì và tại sao lại hiệu quả trong nhận dạng sự cố?
    Mạng Wavelet – Neuron là mô hình kết hợp kỹ thuật biến đổi Wavelet để trích xuất đặc trưng tín hiệu và mạng Neuron nhân tạo để phân loại sự cố. Phương pháp này hiệu quả vì Wavelet phân tích tín hiệu đa miền thời gian-tần số, còn mạng Neuron có khả năng học và nhận dạng mẫu phức tạp, giúp phát hiện sự cố nhanh và chính xác.

  2. Phân tán điều khiển sự cố trong trạm biến áp có lợi ích gì?
    Phân tán điều khiển giúp cô lập sự cố tại từng phần tử nhỏ trong trạm biến áp, giảm thiểu ảnh hưởng lan rộng, rút ngắn thời gian mất điện và tăng độ tin cậy vận hành hệ thống. Điều này cũng giúp giảm tải cho các thiết bị bảo vệ cấp cao hơn.

  3. Phương pháp huấn luyện mạng Neuron sử dụng dữ liệu như thế nào?
    Dữ liệu huấn luyện gồm các mẫu tín hiệu điện áp và dòng điện mô phỏng các dạng sự cố khác nhau. Mạng được huấn luyện bằng thuật toán lan truyền ngược để tối ưu trọng số, nhằm phân loại chính xác loại và vị trí sự cố dựa trên đặc trưng tín hiệu Wavelet.

  4. Mô hình này có thể áp dụng cho các cấp điện áp khác ngoài 110kV không?
    Có thể. Mô hình có tính mở rộng cao và có thể được điều chỉnh để áp dụng cho các cấp điện áp khác như 22kV hoặc hệ thống truyền tải cao áp, tuy nhiên cần huấn luyện lại mạng với dữ liệu phù hợp từng cấp điện áp.

  5. Làm thế nào để tích hợp mô hình vào hệ thống SCADA hiện có?
    Mạng Wavelet – Neuron có thể truyền tín hiệu điều khiển và nhận dữ liệu qua hệ thống SCADA, cho phép giám sát và điều khiển phân tán sự cố theo thời gian thực. Việc tích hợp đòi hỏi phát triển giao diện truyền thông và phần mềm điều khiển tương thích với SCADA.

Kết luận

  • Luận văn đã xây dựng thành công mô hình mạng Wavelet – Neuron nhận dạng và điều khiển phân tán sự cố trong trạm biến áp 110kV Bến Tre với độ chính xác trên 95%.
  • Phương pháp kết hợp biến đổi Wavelet và mạng Neuron giúp phân tích tín hiệu đa miền thời gian-tần số, nâng cao khả năng nhận dạng sự cố nhanh và chính xác.
  • Mô hình phân tán điều khiển sự cố theo phần tử giúp giảm thời gian cô lập sự cố và tăng độ tin cậy vận hành hệ thống điện.
  • Kết quả nghiên cứu có giá trị thực tiễn cao, phù hợp với xu hướng phát triển lưới điện thông minh và có thể mở rộng áp dụng cho các hệ thống điện khác.
  • Đề xuất triển khai áp dụng rộng rãi, phát triển hệ thống SCADA tích hợp và đào tạo nhân lực để nâng cao hiệu quả vận hành hệ thống điện trong tương lai.

Hành động tiếp theo là tiến hành thử nghiệm mở rộng mô hình tại các trạm biến áp khác và phát triển phần mềm tích hợp điều khiển tự động, nhằm góp phần hiện đại hóa hệ thống điện Việt Nam.