Luận văn thạc sĩ HCMUTE: Nhận dạng sự cố trạm biến áp truyền tải bằng wavelet và mạng neural

Khám phá luận văn thạc sĩ HCMUTE về nhận dạng sự cố trạm biến áp truyền tải bằng wavelet và mạng neural, ứng dụng trong ngành điện.

• Tác giả: Nguyễn Đức Toàn
• Người hướng dẫn: TS. Nguyễn Nhân Bổn
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM TẠ
• TÓM TẮT
• ABSTRACT
• MỤC LỤC
• DANH SÁCH CÁC CHỮ VIẾT TẮT
• DANH SÁCH CÁC HÌNH
• DANH SÁCH CÁC BẢNG
• 1. CHƯƠNG 1: TỐNG QUAN
• 1.1. Lý do chọn đề tài
• 1.2. Tổng quan về các phương pháp nhận dạng sự cố hệ thống điện
• 1.3. Nhiệm vụ của luận văn
• 1.4. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Những điểm mới của luận văn
• 1.7. Giá trị thực tiễn của luận văn
• 1.8. Các nghiên cứu khoa học liên quan
• 2. CHƯƠNG 2: LÝ THUYẾT NHẬN DẠNG, BIẾN ĐỔI WAVELET VÀ MẠNG NEURAL ÁP DỤNG CHO NHẬN DẠNG SỰ CỐ
• 2.1. Lý thuyết nhận dạng, biến đổi Wavelet áp dụng cho nhận dạng sự cố
• 2.1.1. Khái niệm về nhận dạng
• 2.1.2. Nhận dạng đường cong tín hiệu
• 2.1.3. Kỹ thuật nhận dạng đường cong tín hiệu
• 2.1.4. Nhận dạng sự cố hệ thống điện
• 2.2. Phương pháp phân tích tín hiệu
• 2.2.1. Biến đổi Wavelet
• 2.2.2. Wavelet và Matlab
• 2.2.3. Áp dụng Wavelet cho nhận dạng sự cố hệ thống điện
• 2.3. Mạng neuron, áp dụng cho nhận dạng và điều khiển sự cố
• 2.3.1. Phương thức làm việc của mạng Neuron
• 2.3.2. Phân loại mạng Neuron
• 2.3.3. Một số mạng Neuron
• 3. CHƯƠNG 3: NHẬN DẠNG SỰ CỐ TRẠM BIẾN ÁP TRUYỀN TẢI BẰNG WAVELET VÀ MẠNG NEURAL
• 3.1. Mạng Wavelet – Neuron nhận dạng và điều khiển sự cố đường dây tải điện
• 3.2. Mạng Wavelet – Neuron nhận dạng và bảo vệ sự cố máy biến áp, thanh cái
• 3.3. ÁP DỤNG MẠNG WAVELET – NEURON NHẬN DẠNG VÀ ĐIỀU KHIỂN PHÂN TÁN SỰ CỐ TRẠM BIẾN ÁP 110KV GÒ CÔNG
• 3.3.1. Sơ đồ nguyên lý, thông số, quy tắc điều khiển sự cố trạm 110KV Gò Công
• 3.3.2. Mô phỏng, biến đổi Wavelet nhận dạng sự cố các phần tử trong trạm
• 3.3.3. Chương trình mạng Wavelet – Neuron nhận dạng và điều khiển sự cố
• 3.3.4. Kết quả nhận dạng và điều khiển phân tán sự cố
• 3.4. Kiến nghị và hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu

Trong bối cảnh phát triển kinh tế - xã hội hiện nay, trạm biến áp đóng vai trò quan trọng trong việc cung cấp hệ thống điện ổn định và chất lượng. Việc nhận dạng sự cố kịp thời và chính xác là cần thiết để đảm bảo hoạt động liên tục của hệ thống. Luận văn này trình bày phương pháp phân tích tín hiệu bằng wavelet kết hợp với mạng neural nhằm phát hiện và xử lý sự cố trong trạm biến áp. Phương pháp này không chỉ giúp nâng cao độ chính xác trong việc xác định sự cố mà còn giảm thiểu thời gian khắc phục, từ đó đảm bảo an toàn cho hệ thống điện.

1.1. Tầm quan trọng của việc nhận dạng sự cố

Việc nhận dạng sự cố trong trạm biến áp là một yếu tố quyết định đến sự ổn định của hệ thống điện. Các sự cố như ngắn mạch, quá tải có thể gây ra thiệt hại lớn nếu không được phát hiện kịp thời. Theo nghiên cứu, việc áp dụng wavelet trong phân tích tín hiệu cho phép tách biệt các thành phần tín hiệu một cách hiệu quả, từ đó giúp xác định chính xác loại sự cố. Điều này không chỉ giúp giảm thiểu thiệt hại mà còn nâng cao độ tin cậy của hệ thống giám sát.

II. Lý thuyết về wavelet và mạng neural

Phân tích wavelet là một công cụ mạnh mẽ trong việc xử lý tín hiệu, cho phép phân tích các tín hiệu không ổn định và biến đổi theo thời gian. Mạng neural là một mô hình học máy có khả năng học từ dữ liệu và đưa ra dự đoán. Kết hợp hai phương pháp này tạo ra một hệ thống có khả năng xử lý tín hiệu và nhận dạng sự cố một cách hiệu quả. Kỹ thuật wavelet giúp phân tích các tín hiệu điện áp và dòng điện, trong khi mạng neural có thể học từ các mẫu dữ liệu để nhận diện các dạng sự cố khác nhau. Sự kết hợp này không chỉ nâng cao khả năng phát hiện mà còn cải thiện khả năng phản ứng của hệ thống điện.

2.1. Phân tích wavelet

Phân tích wavelet cho phép tách biệt các thành phần của tín hiệu theo nhiều tần số khác nhau, giúp phát hiện các biến đổi nhỏ trong tín hiệu. Kỹ thuật này đặc biệt hữu ích trong việc nhận dạng các sự cố như ngắn mạch hoặc quá tải. Bằng cách sử dụng wavelet, các nhà nghiên cứu có thể xác định được thời điểm và loại sự cố xảy ra, từ đó đưa ra các biện pháp khắc phục kịp thời. Việc áp dụng wavelet trong trạm biến áp giúp cải thiện đáng kể độ chính xác trong việc phát hiện sự cố.

2.2. Mạng neural

Mạng neural là một công nghệ học máy mạnh mẽ, có khả năng học từ dữ liệu và đưa ra dự đoán chính xác. Trong bối cảnh nhận dạng sự cố, mạng neural có thể được huấn luyện để nhận diện các mẫu tín hiệu đặc trưng cho từng loại sự cố. Việc sử dụng mạng neural trong trạm biến áp giúp tối ưu hóa quá trình phát hiện và xử lý sự cố, từ đó nâng cao độ tin cậy của hệ thống điện. Mạng neural có thể được kết hợp với wavelet để tạo ra một hệ thống nhận dạng sự cố mạnh mẽ và hiệu quả.

III. Ứng dụng thực tiễn

Việc áp dụng phương pháp nhận dạng sự cố bằng wavelet và mạng neural trong trạm biến áp 110KV Gò Công đã cho thấy hiệu quả rõ rệt. Hệ thống được thiết kế để tự động phát hiện và xử lý các sự cố, từ đó giảm thiểu thời gian mất điện và nâng cao độ tin cậy của hệ thống điện. Kết quả mô phỏng cho thấy khả năng phát hiện sự cố nhanh chóng và chính xác, giúp các kỹ sư có thể đưa ra các biện pháp khắc phục kịp thời. Điều này không chỉ tiết kiệm chi phí mà còn đảm bảo an toàn cho người vận hành và thiết bị.

3.1. Kết quả mô phỏng

Kết quả từ mô phỏng cho thấy hệ thống có khả năng phát hiện các sự cố như ngắn mạch một pha, hai pha và ba pha với độ chính xác cao. Các tín hiệu điện áp và dòng điện được phân tích bằng wavelet, sau đó được đưa vào mạng neural để nhận diện sự cố. Hệ thống đã chứng minh được tính hiệu quả trong việc cô lập sự cố và bảo vệ trạm biến áp, từ đó đảm bảo sự ổn định cho hệ thống điện.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển kinh tế - xã hội hiện nay, ngành điện đóng vai trò then chốt, ảnh hưởng trực tiếp đến sự phát triển của các ngành công nghiệp và dịch vụ. Hệ thống điện Việt Nam đang trong quá trình mở rộng và nâng cao chất lượng nhằm đáp ứng nhu cầu ngày càng tăng về điện năng ổn định và tin cậy. Tuy nhiên, hệ thống điện hiện tại còn nhiều hạn chế như tổn thất điện năng cao, thiết bị cũ kỹ, hệ thống bảo vệ chưa đồng bộ và chưa đủ tin cậy. Theo ước tính, các sự cố trong trạm biến áp và đường dây truyền tải gây ra thiệt hại lớn về kinh tế và ảnh hưởng đến chất lượng cung cấp điện.

Vấn đề nhận dạng sự cố, phân loại và xác định điểm sự cố trong trạm biến áp là then chốt để đảm bảo vận hành ổn định và an toàn cho toàn hệ thống điện. Mục tiêu nghiên cứu của luận văn là phát triển một phương pháp nhận dạng sự cố phân tán trong trạm biến áp truyền tải bằng cách kết hợp biến đổi Wavelet và mạng Neural, nhằm nâng cao độ chính xác và tốc độ phản ứng trong việc phát hiện và cô lập sự cố. Phạm vi nghiên cứu tập trung vào trạm biến áp 110kV Gò Công, sử dụng mô phỏng trên phần mềm Matlab-Simulink trong năm 2018.

Nghiên cứu có ý nghĩa quan trọng trong việc giảm thiểu thời gian mất điện, tiết kiệm chi phí sửa chữa và nâng cao độ tin cậy của hệ thống điện. Việc áp dụng kỹ thuật Wavelet kết hợp mạng Neural giúp phân tích tín hiệu điện áp và dòng điện một cách hiệu quả, từ đó nhận dạng chính xác loại sự cố và vị trí xảy ra sự cố, góp phần cải thiện chất lượng điện năng và ổn định vận hành hệ thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: biến đổi Wavelet và mạng Neural nhân tạo.

• Biến đổi Wavelet (Wavelet Transform - WT): Đây là phương pháp phân tích tín hiệu trong cả miền thời gian và tần số, cho phép phát hiện các điểm gián đoạn, dao động nhanh trong tín hiệu điện áp và dòng điện. Biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT) được sử dụng để trích xuất các hệ số xấp xỉ và chi tiết của tín hiệu, giúp nhận dạng đặc trưng sự cố. Phân tích Wavelet gói (Wavelet Packet Analysis) cũng được áp dụng để tăng độ chính xác trong phân tích tín hiệu.

• Mạng Neural nhân tạo (Artificial Neural Network - ANN): Mạng Neural được sử dụng để phân loại và nhận dạng loại sự cố dựa trên các đặc trưng trích xuất từ biến đổi Wavelet. Mạng MLP (Multilayer Perceptrons) truyền thẳng nhiều lớp được huấn luyện để xác định chính xác loại sự cố và vị trí sự cố trong trạm biến áp. Quá trình học của mạng Neural dựa trên thuật toán lan truyền ngược (Backpropagation), giúp tối ưu trọng số và giảm sai số nhận dạng.

Các khái niệm chính bao gồm: nhận dạng đường cong tín hiệu, phân tích đa phân giải (Multi-Resolution Analysis - MRA), các loại sự cố trong trạm biến áp (ngắn mạch 1 pha, 2 pha, 3 pha, đứt dây, sự cố nội bộ máy biến áp), và các thuật toán huấn luyện mạng Neural.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các tín hiệu điện áp và dòng điện mô phỏng trên phần mềm Matlab-Simulink, mô hình hóa trạm biến áp 110kV Gò Công và các phần tử liên quan như đường dây, máy biến áp, thanh cái truyền tải. Cỡ mẫu dữ liệu gồm nhiều trường hợp sự cố khác nhau với các điều kiện ngắn mạch đa dạng.

Phương pháp phân tích gồm:

• Thu thập và mô phỏng tín hiệu quá độ trong hệ thống điện khi xảy ra sự cố.
• Áp dụng biến đổi Wavelet rời rạc để phân tích tín hiệu, trích xuất các hệ số xấp xỉ và chi tiết.
• Sử dụng mạng Neural MLP để huấn luyện và nhận dạng loại sự cố dựa trên các đặc trưng từ biến đổi Wavelet.
• Thiết kế mạng Wavelet-Neural phân tán cho từng phần tử trong trạm biến áp nhằm nhận dạng và điều khiển sự cố.
• Thời gian nghiên cứu kéo dài trong năm 2018, tập trung vào mô phỏng và đánh giá hiệu quả giải thuật trên Matlab 2015a.

Phương pháp chọn mẫu dựa trên các trường hợp sự cố thực tế và mô phỏng, đảm bảo tính đại diện và đa dạng cho việc huấn luyện mạng Neural. Phân tích kết quả được thực hiện thông qua so sánh tỷ lệ nhận dạng chính xác và thời gian phản hồi của hệ thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả nhận dạng sự cố bằng biến đổi Wavelet và mạng Neural: Kết quả mô phỏng cho thấy phương pháp nhận dạng sự cố đạt độ chính xác trên 90% trong việc phân loại các loại sự cố như ngắn mạch 1 pha, 2 pha, 3 pha và đứt dây. Tín hiệu đầu vào gồm dòng điện các pha IA, IB, IC và điện áp các pha UA, UB, UC được phân tích bằng Wavelet, sau đó đưa vào mạng Neural để phân loại.

2. Tốc độ phản ứng nhanh: Thời gian nhận dạng sự cố trung bình chỉ khoảng vài mili giây, nhanh hơn nhiều so với các phương pháp relay bảo vệ truyền thống. Điều này giúp cô lập sự cố kịp thời, giảm thiểu ảnh hưởng lan rộng và tổn thất điện năng.

3. Khả năng nhận dạng phân tán: Mạng Wavelet-Neural được thiết kế phân tán cho từng phần tử trong trạm biến áp (đường dây, máy biến áp, thanh cái) giúp xác định chính xác vị trí sự cố. Tỷ lệ nhận dạng vị trí sự cố đạt khoảng 95%, đảm bảo tín hiệu điều khiển cắt máy cắt chính xác và kịp thời.

4. Độ tin cậy và ổn định cao: Mạng Wavelet-Neural phối hợp bảo vệ phân tán trong trạm biến áp hoạt động ổn định, giảm thiểu sai số nhận dạng và tăng tính chọn lọc trong điều khiển sự cố. So với các nghiên cứu trước đây, phương pháp này cải thiện đáng kể độ chính xác và khả năng phối hợp bảo vệ.

Thảo luận kết quả

Nguyên nhân của hiệu quả trên là do biến đổi Wavelet cho phép phân tích tín hiệu trong cả miền thời gian và tần số, phát hiện nhanh các dao động và đặc trưng của sự cố. Mạng Neural với khả năng học và phân loại phi tuyến giúp nhận dạng chính xác loại sự cố dựa trên các đặc trưng trích xuất.

So sánh với các phương pháp truyền thống như relay bảo vệ kỹ thuật số, phương pháp Wavelet-Neural có ưu điểm vượt trội về tốc độ và độ chính xác. Kết quả có thể được trình bày qua biểu đồ so sánh tỷ lệ nhận dạng và thời gian phản hồi giữa các phương pháp, cũng như bảng thống kê các loại sự cố và tỷ lệ nhận dạng tương ứng.

Phương pháp này còn giúp giảm chi phí đầu tư và vận hành do giảm sự phụ thuộc vào relay bảo vệ riêng lẻ, đồng thời tăng khả năng phối hợp bảo vệ trong toàn trạm biến áp thông qua hệ thống SCADA.

Đề xuất và khuyến nghị

1. Triển khai áp dụng mạng Wavelet-Neural trong các trạm biến áp trọng điểm: Động từ hành động là "triển khai", mục tiêu là nâng cao độ tin cậy nhận dạng sự cố, thời gian thực hiện trong vòng 1-2 năm, chủ thể thực hiện là các công ty truyền tải điện và đơn vị quản lý hệ thống điện.

2. Nâng cấp hệ thống SCADA để hỗ trợ truyền dẫn tín hiệu và phối hợp bảo vệ phân tán: Động từ "nâng cấp", mục tiêu cải thiện khả năng truyền dẫn dữ liệu và điều khiển từ xa, timeline 12 tháng, chủ thể là ban kỹ thuật vận hành và công nghệ thông tin.

3. Đào tạo nhân lực chuyên sâu về kỹ thuật Wavelet và mạng Neural: Động từ "đào tạo", mục tiêu nâng cao năng lực vận hành và bảo trì hệ thống, thời gian 6-12 tháng, chủ thể là các trường đại học và trung tâm đào tạo kỹ thuật điện.

4. Phát triển phần mềm mô phỏng và huấn luyện mạng Neural mở rộng cho các loại sự cố phức tạp hơn: Động từ "phát triển", mục tiêu mở rộng phạm vi nhận dạng sự cố, timeline 18 tháng, chủ thể là các nhóm nghiên cứu và công ty phần mềm kỹ thuật.

Các giải pháp này cần được phối hợp đồng bộ để đảm bảo hiệu quả vận hành và nâng cao chất lượng điện năng trong hệ thống điện Việt Nam.

Đối tượng nên tham khảo luận văn

1. Kỹ sư và chuyên viên vận hành hệ thống điện: Giúp nâng cao kiến thức về công nghệ nhận dạng sự cố hiện đại, áp dụng trong công tác bảo vệ và điều khiển trạm biến áp.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Cung cấp cơ sở lý thuyết và phương pháp thực nghiệm về biến đổi Wavelet và mạng Neural trong lĩnh vực điện.

3. Các công ty truyền tải và phân phối điện: Hỗ trợ trong việc lựa chọn và triển khai các giải pháp bảo vệ hệ thống điện tiên tiến, giảm thiểu sự cố và tổn thất.

4. Đơn vị phát triển phần mềm và thiết bị bảo vệ điện: Tham khảo để phát triển các sản phẩm mới tích hợp công nghệ trí tuệ nhân tạo và phân tích tín hiệu nâng cao.

Mỗi nhóm đối tượng có thể ứng dụng kết quả nghiên cứu để cải thiện hiệu quả công việc, nâng cao độ tin cậy và chất lượng hệ thống điện.

Câu hỏi thường gặp

1. Phương pháp biến đổi Wavelet có ưu điểm gì so với biến đổi Fourier trong nhận dạng sự cố?
   Biến đổi Wavelet cho phép phân tích tín hiệu trong cả miền thời gian và tần số, giúp phát hiện chính xác các dao động và đặc trưng ngắn hạn của sự cố, trong khi biến đổi Fourier chỉ cung cấp thông tin tần số mà không xác định được thời điểm xuất hiện.

2. Mạng Neural được huấn luyện như thế nào để nhận dạng sự cố?
   Mạng Neural được huấn luyện bằng thuật toán lan truyền ngược (Backpropagation) trên tập mẫu tín hiệu đã được phân tích Wavelet, nhằm tối ưu trọng số mạng để phân loại chính xác các loại sự cố dựa trên đặc trưng đầu vào.

3. Phương pháp này có thể áp dụng cho các trạm biến áp khác ngoài 110kV Gò Công không?
   Có thể áp dụng cho các trạm biến áp khác với điều chỉnh mô hình mô phỏng và huấn luyện mạng Neural phù hợp với đặc điểm kỹ thuật và cấu trúc của từng trạm.

4. Thời gian phản ứng của hệ thống nhận dạng sự cố này là bao lâu?
   Thời gian nhận dạng sự cố trung bình chỉ vài mili giây, nhanh hơn nhiều so với các relay bảo vệ truyền thống, giúp cô lập sự cố kịp thời và giảm thiểu thiệt hại.

5. Làm thế nào để đảm bảo độ tin cậy của tín hiệu điều khiển từ mạng Wavelet-Neural?
   Tín hiệu được mã hóa nhị phân và truyền dẫn qua hệ thống SCADA, đảm bảo không bị sai lệch trong quá trình truyền, đồng thời mạng Neural được huấn luyện kỹ lưỡng với nhiều mẫu dữ liệu để tăng độ chính xác và chọn lọc tín hiệu.

Kết luận

• Phương pháp kết hợp biến đổi Wavelet và mạng Neural cho phép nhận dạng sự cố trạm biến áp truyền tải với độ chính xác trên 90% và thời gian phản hồi nhanh chỉ vài mili giây.
• Mạng Wavelet-Neural phân tán giúp xác định chính xác vị trí sự cố trong từng phần tử của trạm biến áp, nâng cao hiệu quả cô lập và điều khiển sự cố.
• Giải pháp này giảm thiểu chi phí đầu tư và vận hành so với hệ thống relay bảo vệ truyền thống, đồng thời tăng tính ổn định và tin cậy của hệ thống điện.
• Nghiên cứu đã xây dựng thành công mô hình mô phỏng trên Matlab-Simulink và đề xuất các giải pháp triển khai thực tế tại trạm biến áp 110kV Gò Công.
• Các bước tiếp theo bao gồm triển khai thực tế, nâng cấp hệ thống SCADA, đào tạo nhân lực và phát triển phần mềm mở rộng nhằm ứng dụng rộng rãi trong hệ thống điện Việt Nam.

Để nâng cao hiệu quả vận hành và bảo vệ hệ thống điện, các đơn vị quản lý và vận hành cần quan tâm áp dụng các công nghệ nhận dạng sự cố hiện đại như phương pháp Wavelet-Neural được nghiên cứu trong luận văn này.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 – TỐNG QUAN 1. Lý do chọn đề tài Điện năng là một loại năng lượng được dùng phổ biến nhất. Để có năng lượng điện, từ khâu sản xuất, truyền tải đến phân phối đều phải tiến hành đồng bộ. Khoa học ngày càng phát triển, nhu cầu con người ngày càng cao, đòi hỏi phải có nguồn điện năng ngày một chất lượng và ổn định hơn.

Do đó, vấn đề bảo vệ hệ thống điện phải được đặc biệt quan tâm, nếu để xẩy ra sự cố dù là nhỏ, thời gian khắc phục ngắn thì cũng sẽ ảnh hưởng không nhỏ đến sản xuất, dịch vụ, người tiêu dùng… Hệ thống điện Việt Nam chúng ta còn rất nhỏ, có thể nói ngành điện không đáp ứng đủ nhu cầu của người tiêu dùng về số lượng cũng như chất lượng điện. Đó là do chúng ta đã không thực hiện đi trước một bước, dự báo phụ tải của chúng ta chưa chính xác và còn phụ thuộc quá nhiều vào thủy điện. Vấn đề về ổn định, đảm bảo chất lượng điện vẫn chưa được quan tâm cao, tổn thất điện năng còn quá lớn. Hệ thống điện với các thiết bị cũ, dễ hư hỏng, hệ thống bảo vệ hoạt động không được tin cậy, chưa đồng bộ và chọn lọc cao.

Bảo vệ hệ thống điện chủ yếu dùng relay bảo vệ, với relay kỹ thuật số làm việc tin cậy nhưng sự liên kết trong hệ thống bảo vệ relay là rất khó khăn. Do đó đòi hỏi phải phát triển, áp dụng các kỹ thuật mới, hiện đại trong bảo vệ hệ thống điện. Hiện nay, với sự phát triển mạnh của khoa học trong lĩnh vực mạng Neural, logic mờ, trí tuệ nhân tạo, biến đổi Wavelet và được áp dụng rộng rãi trong các lĩnh vực nhận dạng, thiết kế, quy hoạch, dự báo, điều khiển… Do đó, áp dụng biến đổi Wavelet và mạng Neural từng bước thay thế cho relay bảo vệ hệ thống điện nói chung và trạm biến áp nói riêng là cần thiết. Nếu nhận dạng đúng điểm sự cố, điều khiển lúc sự cố tin cậy thì mạng Wavelet – Neural hoàn toàn có thể bảo vệ ổn định trạm biến áp cũng như hệ thống điện.

Mặt khác, việc 1 Luan van Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural liên kết bảo vệ phân tán trong hệ thống điện và trạm biến áp của mạng WN là dễ dàng, chính xác nhờ truyền dẫn tín hiệu bằng SCADA và sự phối hợp bảo vệ. Các sự cố trong trạm biến áp gồm: ngắn mạch 1 pha, ngắn mạch 2 pha, ngắn mạch 2 pha chạm đất, ngắn mạch 3 pha tại thanh cái hay đường dây vào trạm, đứt dây, sự cố nội bộ máy biến áp, sự cố lộ ra, sự cố điện áp, tần số. Với mỗi phần tử trong trạm có các mạng Wavelet – Neural nhận dạng và điều khiển khác nhau. Mạng Wavelet – Neural nhận dạng và điều khiển phân tán sự cố trạm biến áp là phải nhận biết được dạng sự cố, điểm sự cố và đưa ra tín hiệu điều khiển phù hợp đảm bảo cô lập được sự cố, ổn định trạm cũng như toàn hệ thống.1: Ngọn cây dầu dính vào dây dẫn Pha C cách trạm 500kV Tân Định 2,5 km đường dây 500kV Tân Định (573, 574) - Di Linh (571, 572) (sự cố lúc 13g50, ngày 22 tháng 05 năm 2013-PTC4) 2 Luan van Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural Hình 1.2: Chuỗi sứ néo pha B trụ 218 bị phóng điện (phía trụ 219) đường dây 220kV Cao lãnh-Thốt nốt (sự cố ngày 05/11/2011 -PTC4) Hình 1.3: Dấu vết chuỗi sứ néo pha B trụ 218 bị phóng điện đường dây 220kV Cao lãnh-Thốt nốt (sự cố ngày 05/11/2011 -PTC4) 3 Luan van Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural Hình 1.4: Thay thế mới chuỗi sứ néo pha B trụ 218 bị phóng điện đường dây 20kV Cao lãnh-Thốt nốt (sự cố ngày 05/11/2011-PTC4) Do đó, cần thiết phải tìm ra vị trí sự cố chính xác để nhanh chóng đưa ra phương án sửa chữa và khôi phục lại cung cấp điện, giảm thiểu thời gian mất điện, tiết kiệm được thời gian và công sức tìm kiếm.

Đó là mục tiêu hướng đến của các Công ty Truyền tải điện nói chung. Nghiên cứu các phương pháp “Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural” là một điều cần thiết trong việc quản lý vận hành một hệ thống điện. Tổng quan về các phương pháp nhận dạng sự cố hệ thống điện Để nhận dạng và phân loại các hiện tượng quá độ trên hệ thống điện bằng mạng nơron kết hợp với phân tích wavelet, [1] đã giới thiệu phương pháp nhận dạng và phân loại các hiện tượng quá độ trên hệ thống điện bằng cách sử dụng mạng nơron kết hợp với kỹ thuật phân tích wavelet đa phân giải. Các tín hiệu quá độ được mô phỏng bằng phần mềm ATP-EMTP và Matlab, gồm các hiện tượng: sụt điện áp, tăng điện áp, họa tần, chập chờn điện áp, gián đọan điện áp, quá độ khi đóng cắt trạm tụ bù.

Áp dụng định lý Parseval vào kỹ thuật phân tích wavelet đa phân giải sẽ 4 Luan van Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural trích ra được các đặc trưng của từng tín hiệu quá độ. Mạng nơron xác suất được sử dụng để nhận dạng nhanh và phân loại từng tín hiệu quá độ. Một phương pháp dùng để nhận dạng các dạng sóng quá độ ảnh hưởng đến chất lượng điện năng trong hệ thống điện được trình bày trong [2], Các hiện tượng quá độ được mô phỏng với sự trợ giúp của phần mềm ATP-EMTP, được phân tích dùng kỹ thuật wavelets và sau đó năng lượng của các mức tín hiệu được tính tóan. Áp dụng kỹ thuật fuzzy logic với các tập luật trong bộ suy diễn mờ cho phép nhận dạng và phân lọai các hiện tượng quá độ khác nhau trên lưới điện.

Một chương trình nhận dạng tự động viết trên Matlab được thực hiện có thể được áp dụng để đánh giá nhiễu trong hệ thống điện. Các nhiễu loạn trên đường dây truyền tải - phân phối điện năng, như xung sét, gián đoạn điện áp, tăng điện áp, giảm điện áp, méo dạng do sóng hài, điện thế chập chờn,…gây ảnh hưởng nghiêm trọng đến điện năng cung cấp cho khách hàng. Kỹ thuật khai triển wavelet rời rạc (DWT) với phân tích đa phân giải (Multi- Resolution Analysis (MRA) được thực hiện trong [3] để phân tích và nhận dạng các hiện tượng quá độ điện từ trong hệ thống điện được khảo sát với phần mềm ATP- EMTP thông qua các giá trị năng lượng của các mức. Các kết quả nhận được trong [3] cho thấy việc đánh giá các hiện tượng nhiễu trong hệ thống điện dùng kỹ thuật wavelet cho phép nhận được nhiều thông tin định lượng và là cơ sở trong quá trình đánh giá chất lượng điện năng.

Một phương pháp dùng để nhận dạng các dạng sóng quá điện áp ảnh hưởng đến chất lượng điện năng trong hệ thống điện được trình bày trong [4]. Các hiện tượng quá độ được mô phỏng với phần mềm Matlab 12.0, kỹ thuật wavelets được dùng để phân tích tín hiệu và tính các mức năng lượng của các dạng quá điện áp nội bộ, quá điện áp khí quyển. Dựa vào sự khác nhau giữa các mức năng lượng trong tín hiệu, có thể nhận dạng chính xác các loại quá điện áp thường gặp. Nhiệm vụ của luận văn 5 Luan van Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural Luận văn " Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural" có nội dung chủ yếu:  Tầm quan trọng của luận văn.

 Trình bày các vấn đề về chất lượng điện năng. Từ đó nêu lên các hiện tượng quá độ trên hệ thống ảnh hưởng đến chất lượng điện năng. Đây là các đối tượng sẽ được nhận dạng trong những phần sau.  Lý thuyết về kỹ thuật nhận dạng.

Tổng quan về các các phương pháp nhận dạng được áp dụng hiện nay.  Trình bày khái niệm về wavelet và biến đổi wavelet. Lý thuyết này làm nền tảng cho việc nghiên cứu các ứng dụng của wavelet.  Giới thiệu về mạng nơron, về đặc điểm và hoạt động của các loại mạng nơron.

Lý thuyết này giúp cho việc chọn lựa tối ưu ứng dụng của từng loại mạng.  Giới thiệu về phần mềm Matlab trong việc thực hiện mô phỏng các dạng sóng của tín hiệu quá độ. Những tín hiệu này làm dữ liệu cho chương trình phân tích và phân loại.  Mô phỏng giải thuật " Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural" trên phần Matlab để kiểm tra và đánh giá hiệu quả của giải thuật được đề xuất.

Mục tiêu của luận văn là: 1. Tìm ra giải pháp mô phỏng bằng Matlab-Simulink đường dây, máy biến áp, thanh cái truyền tải nhằm mục đích khảo sát diễn biến quá trình quá độ xảy ra trên đường dây, máy biến áp, thanh cái, khi xảy ra sự cố. Nghiên cứu áp dụng Wavelet nhận dạng sự cố trên đường dây, máy biến áp, thanh cái. Xây dựng mạng Wavelet – Neural nhận dạng và điều khiển sự cố đường dây, máy biến áp, thanh cái.

Thực hành áp dụng mạng Wavelet – Neural bảo vệ trạm biến áp 110KV Gò Công. 6 Luan van Nhận dạng sự cố trạm biến áp truyền tải bằng Wavelet và mạng Neural Luận văn sẽ thiết kế, huấn luyện mạng Wavelet – Neural nhận dạng và điều khiển phân tán sự cố trạm biến áp. Điều khiển phân tán ở đây là trạm biến áp được phân nhỏ thành các phần tử là đường dây (đi vào hay đi ra), thanh cái, máy biến áp và các lộ ra. Với mỗi phần tử như vậy ta có một mạng Wavelet – Neural nhận dạng loại sự cố, vị trí sự cố và điều khiển cô lập sự cố.

Các sự cố được bảo vệ cấp 2 cho máy cắt (Breaker Fault) bằng cách đi cắt máy cắt cao hơn (phía nguồn tới) trong trạm hay gửi tín hiệu cắt máy cắt ở trạm khác.5: Mô hình trạm biến áp Tương ứng với mạng WN: Hình 1.6: Mô hình mạng WN bảo vệ trạm biến áp Sự thu thập thông tin về trạng thái vận hành, thông số sự cố của mạng Wavelet – Neural nhờ truyền dẫn các tín hiệu đo lường về phòng điều khiển trung tâm, tín hiệu ngõ ra được truyền đi để cắt cô lập sự cố. Quan hệ giữa các mạng Wavelet – Neural từ cao xuống thấp là quan hệ có giám sát, phản hồi và phối hợp.