Luận văn thạc sĩ HCMUTE: Ứng dụng mạng nơron trong phát hiện và phân loại sự cố trên đường dây truyền tải

• Tác giả: Lâm Hoàng Cát Tiên
• Người hướng dẫn: PGS. Nguyễn Minh Tâm
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Ứng Dụng Mạng Nơron Trong Phát Hiện Và Phân Loại Sự Cố Đường Dây Truyền Tải
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Tp. Hồ Chí Minh

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Đặt vấn đề
• 1.2. Tính cấp thiết của đề tài
• 1.3. Mục đích nghiên cứu
• 1.4. Đối tượng nghiên cứu
• 1.5. Nội dung nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các sự cố thường gặp trên đường dây truyền tải
• 2.1.1. Các định nghĩa cơ bản
• 2.1.2. Các dạng ngắn mạch thường gặp trên đường dây truyền tải
• 2.3. Một số hình ảnh về sự cố đường dây truyền tải
• 2.4. Các nghiên cứu liên quan
• 2.4.1. Những hệ thống bảo vệ lưới điện
• 3. CHƯƠNG 3: PHƯƠNG PHÁP PHÁT HIỆN VÀ PHÂN LOẠI SỰ CỐ ĐỀ XUẤT
• 3.1. Mô hình hệ thống đường dây truyền tải điện
• 3.2. Lưu đồ giải thuật đề xuất
• 3.3. Dữ liệu trước khi xử lý
• 3.4. Tổng quan về quy trình huấn luyện
• 3.5. Tổng quan về quá trình thử nghiệm
• 4. CHƯƠNG 4: KHẢO SÁT VÀ THỬ NGHIỆM
• 4.1. Phát hiện sự cố
• 4.1.1. Huấn luyện mạng nơron phát hiện sự cố
• 4.1.2. Thử nghiệm việc phát hiện sự cố ứng dụng mạng nơron
• 4.2. Phân loại sự cố
• 4.2.1. Huấn luyện mạng nơron phân loại sự cố
• 4.2.2. Thử nghiệm phân loại sự cố ứng dụng mạng nơron
• 4.3. Xác định vị trí sự cố
• 4.3.1. Sự cố một pha chạm đất
• 4.3.2. Sự cố ngắn mạch hai pha
• 4.3.3. Sự cố ngắn mạch hai pha chạm đất
• 4.3.4. Sự cố ngắn mạch ba pha
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Tổng quan

Trong bối cảnh nhu cầu tiêu thụ điện ngày càng tăng, việc phát triển hệ thống đường dây truyền tải điện trở nên cấp thiết. Mạng nơron đã được áp dụng để phát hiện sự cố và phân loại sự cố trên đường dây truyền tải, nhằm nâng cao hiệu quả và độ tin cậy của hệ thống điện. Các sự cố thường gặp như ngắn mạch, chạm đất, và các sự cố do thiên nhiên gây ra đã đặt ra thách thức lớn cho việc quản lý và vận hành hệ thống điện. Việc sử dụng công nghệ AI và học máy trong việc phát hiện và phân tích sự cố giúp giảm thiểu thời gian khắc phục và tăng cường khả năng truyền tải điện. Theo nghiên cứu, việc áp dụng mạng nơron trong phát hiện sự cố có thể cải thiện đáng kể hiệu suất so với các phương pháp truyền thống.

1.1 Tính cấp thiết của đề tài

Nhu cầu phát triển đường dây truyền tải điện ngày càng cao do sự gia tăng tiêu thụ điện. Tuy nhiên, sự cố trên đường dây truyền tải thường xảy ra do nhiều nguyên nhân khác nhau, từ thiên nhiên đến hoạt động của con người. Việc phát hiện và phân loại các sự cố này là rất quan trọng để đảm bảo cung cấp điện liên tục và giảm thiểu tổn thất. Hệ thống điện thông minh cần được phát triển để tự động hóa quá trình phát hiện và khắc phục sự cố, từ đó nâng cao độ tin cậy và hiệu quả của hệ thống. Việc ứng dụng mạng nơron trong lĩnh vực này không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu chi phí cho các công ty điện lực.

II. Cơ sở lý thuyết

Chương này trình bày các khái niệm cơ bản về sự cố trên đường dây truyền tải, bao gồm các loại ngắn mạch và các phương pháp phát hiện sự cố. Ngắn mạch là một trong những sự cố phổ biến nhất, có thể xảy ra do nhiều nguyên nhân như cây cối ngã đổ, động vật, hoặc các yếu tố môi trường khác. Các dạng ngắn mạch thường gặp bao gồm ngắn mạch một pha, hai pha, và ba pha. Việc phân tích các dạng ngắn mạch này giúp xác định phương pháp phát hiện và phân loại sự cố hiệu quả hơn. Mạng nơron nhân tạo (ANN) đã được chứng minh là một công cụ hữu ích trong việc phát hiện và phân loại sự cố, nhờ khả năng học hỏi từ dữ liệu và cải thiện độ chính xác qua thời gian.

2.1 Các sự cố thường gặp

Các sự cố trên đường dây truyền tải có thể được phân loại thành nhiều loại khác nhau, bao gồm ngắn mạch tạm thời và vĩnh viễn. Ngắn mạch một pha chạm đất là loại sự cố phổ biến nhất, chiếm tỷ lệ cao trong các sự cố xảy ra. Việc hiểu rõ các loại sự cố này là rất quan trọng để phát triển các phương pháp phát hiện và phân loại hiệu quả. Hệ thống điện thông minh cần có khả năng phát hiện nhanh chóng và chính xác các sự cố này để giảm thiểu thời gian ngừng hoạt động và tổn thất kinh tế cho các công ty điện lực.

III. Phương pháp phát hiện và phân loại sự cố

Phương pháp đề xuất trong nghiên cứu này sử dụng mạng nơron để phát hiện và phân loại sự cố trên đường dây truyền tải. Quá trình này bao gồm việc thu thập dữ liệu từ các cảm biến, xử lý dữ liệu và huấn luyện mạng nơron để nhận diện các mẫu sự cố. Việc sử dụng học máy cho phép hệ thống tự động cải thiện khả năng phát hiện theo thời gian. Các thử nghiệm cho thấy rằng phương pháp này có thể đạt được độ chính xác cao trong việc phát hiện và phân loại sự cố, từ đó giúp giảm thiểu thời gian khắc phục và tăng cường độ tin cậy của hệ thống điện.

3.1 Mô hình hệ thống

Mô hình hệ thống đường dây truyền tải điện được xây dựng dựa trên các thông số kỹ thuật và điều kiện hoạt động thực tế. Mạng nơron được thiết kế để xử lý các tín hiệu đầu vào từ cảm biến, từ đó xác định loại sự cố và vị trí xảy ra. Việc áp dụng thuật toán học máy cho phép hệ thống tự động hóa quá trình phát hiện và phân loại, giúp tiết kiệm thời gian và nguồn lực cho các công ty điện lực. Các thử nghiệm cho thấy rằng mô hình này có thể hoạt động hiệu quả trong các điều kiện khác nhau, từ đó nâng cao khả năng phát hiện sự cố trong thực tế.

IV. Khảo sát và thử nghiệm

Chương này trình bày kết quả khảo sát và thử nghiệm của phương pháp phát hiện và phân loại sự cố sử dụng mạng nơron. Các thử nghiệm được thực hiện trên mô hình đường dây 500kV, cho thấy khả năng phát hiện và phân loại sự cố với độ chính xác cao. Kết quả cho thấy rằng việc áp dụng mạng nơron không chỉ giúp phát hiện nhanh chóng các sự cố mà còn cải thiện khả năng xác định vị trí sự cố. Điều này có ý nghĩa quan trọng trong việc giảm thiểu thời gian khắc phục và tăng cường độ tin cậy của hệ thống điện.

4.1 Kết quả thử nghiệm

Kết quả thử nghiệm cho thấy rằng mạng nơron có thể phát hiện và phân loại sự cố với độ chính xác lên đến 95%. Các thử nghiệm cũng chỉ ra rằng thời gian phát hiện sự cố đã giảm đáng kể so với các phương pháp truyền thống. Việc áp dụng công nghệ AI trong phát hiện sự cố không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu chi phí cho các công ty điện lực. Điều này cho thấy rằng việc phát triển và ứng dụng hệ thống điện thông minh là cần thiết để nâng cao hiệu quả và độ tin cậy của hệ thống điện.

V. Kết luận và hướng phát triển

Nghiên cứu đã chỉ ra rằng việc ứng dụng mạng nơron trong phát hiện và phân loại sự cố trên đường dây truyền tải điện là một giải pháp hiệu quả. Kết quả thử nghiệm cho thấy rằng phương pháp này không chỉ giúp phát hiện nhanh chóng các sự cố mà còn cải thiện khả năng xác định vị trí sự cố. Hướng phát triển trong tương lai có thể bao gồm việc mở rộng ứng dụng của công nghệ AI trong các lĩnh vực khác của hệ thống điện, từ đó nâng cao độ tin cậy và hiệu quả của toàn bộ hệ thống.

5.1 Hướng phát triển

Hướng phát triển trong tương lai có thể tập trung vào việc cải thiện khả năng học hỏi của mạng nơron, từ đó nâng cao độ chính xác trong việc phát hiện và phân loại sự cố. Việc tích hợp các công nghệ mới như Internet of Things (IoT) và big data cũng có thể giúp cải thiện khả năng giám sát và quản lý hệ thống điện. Điều này sẽ góp phần nâng cao hiệu quả và độ tin cậy của hệ thống điện trong bối cảnh nhu cầu tiêu thụ điện ngày càng tăng.

Tổng quan nghiên cứu

Trong bối cảnh nhu cầu tiêu thụ điện năng ngày càng tăng mạnh mẽ trên toàn cầu, việc phát triển các đường dây truyền tải điện trở thành một yêu cầu cấp thiết nhằm giải tỏa công suất từ các nhà máy điện đến người tiêu dùng cuối cùng. Theo báo cáo của ngành điện, các sự cố trên đường dây truyền tải điện cao áp chiếm tỷ lệ lớn, trong đó sự cố ngắn mạch một pha chạm đất chiếm khoảng 70-80%, sự cố ngắn mạch hai pha chiếm 8-10%, và sự cố ngắn mạch ba pha chiếm khoảng 3%. Những sự cố này không chỉ gây mất điện kéo dài mà còn ảnh hưởng nghiêm trọng đến độ tin cậy và hiệu quả vận hành của hệ thống điện.

Mục tiêu nghiên cứu của luận văn là ứng dụng mạng nơron nhân tạo (Artificial Neural Networks - ANN) để phát hiện, phân loại và xác định vị trí sự cố trên đường dây truyền tải điện 500 kV, từ đó góp phần giảm chi phí quản lý vận hành và nâng cao độ tin cậy cung cấp điện. Phạm vi nghiên cứu tập trung vào mô hình đường dây truyền tải dài 300 km, với các loại sự cố phổ biến như ngắn mạch một pha chạm đất, ngắn mạch hai pha, ngắn mạch hai pha chạm đất và ngắn mạch ba pha.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện thời gian phát hiện và xử lý sự cố, giảm thiểu tổn thất năng lượng và tăng cường khả năng truyền tải điện liên tục. Việc ứng dụng ANN trong phát hiện sự cố hứa hẹn nâng cao hiệu suất so với các phương pháp truyền thống dựa trên trở kháng hay sóng truyền, đồng thời hỗ trợ quản lý vận hành trong môi trường lưới điện ngày càng phức tạp.

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 nơron nhân tạo và các phương pháp xác định vị trí sự cố trên đường dây truyền tải điện.

1. Lý thuyết mạng nơron nhân tạo (ANN): ANN được mô tả như một hệ thống gồm các nơron nhân tạo kết nối theo cấu trúc nhiều lớp, trong đó các trọng số kết nối được điều chỉnh thông qua quá trình huấn luyện nhằm giảm thiểu sai số giữa đầu ra dự đoán và giá trị mục tiêu. Mạng truyền thẳng ba lớp với các hàm kích hoạt sigmoid được sử dụng để xử lý tín hiệu đầu vào là tỷ số điện áp và dòng điện ba pha trước và sau sự cố. Thuật toán lan truyền ngược (backpropagation) được áp dụng để huấn luyện mạng với chiến lược học có giám sát.

2. Các phương pháp xác định vị trí sự cố: Nghiên cứu tổng hợp các kỹ thuật truyền thống như phương pháp dựa trên trở kháng một đầu, phương pháp sóng truyền và phương pháp dựa trên trí tuệ nhân tạo. Trong đó, phương pháp dựa trên ANN được lựa chọn do khả năng xử lý phi tuyến và không yêu cầu kiến thức trước về vị trí sự cố, giúp cải thiện độ chính xác và tốc độ phát hiện.

Các khái niệm chuyên ngành quan trọng bao gồm: ngắn mạch một pha chạm đất, ngắn mạch hai pha, ngắn mạch hai pha chạm đất, ngắn mạch ba pha, sai số bình phương trung bình (MSE), hàm kích hoạt sigmoid, thuật toán lan truyền ngược, và ma trận nhầm lẫn (confusion matrix).

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ mô hình mô phỏng đường dây truyền tải 500 kV dài 300 km sử dụng hộp công cụ SimPowerSystems trong Simulink. Dữ liệu gồm 1100 trường hợp sự cố khác nhau được mô phỏng cho từng loại sự cố nhằm huấn luyện và kiểm tra mạng nơron. Các mẫu điện áp và dòng điện ba pha được lấy mẫu ở tần số 720 Hz, với 12 mẫu trên mỗi chu kỳ, và được chuẩn hóa bằng cách lấy tỷ số giữa giá trị trước và sau sự cố.

Phương pháp phân tích bao gồm xây dựng các mạng nơron truyền thẳng với cấu hình khác nhau cho từng nhiệm vụ: phát hiện sự cố, phân loại sự cố và xác định vị trí sự cố. Mỗi mạng được huấn luyện bằng thuật toán lan truyền ngược với chiến lược học có giám sát, sử dụng tập dữ liệu huấn luyện, tập xác thực và tập thử nghiệm để đảm bảo khả năng khái quát hóa. Quá trình huấn luyện được đánh giá qua các chỉ số như sai số bình phương trung bình (MSE) và hệ số tương quan hồi quy tuyến tính (r).

Timeline nghiên cứu kéo dài từ việc xây dựng mô hình mô phỏng, thu thập và xử lý dữ liệu, huấn luyện mạng nơron, đến thử nghiệm và đánh giá hiệu suất trên các tập dữ liệu kiểm tra.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phát hiện sự cố: Mạng nơron với cấu hình (6-10-5-3-1) gồm 6 nơron đầu vào, 3 lớp ẩn với 10, 5 và 3 nơron, và 1 nơron đầu ra đã đạt được sai số bình phương trung bình (MSE) thấp hơn 0,0001, cụ thể là 6,9776e-5, cho thấy khả năng phát hiện sự cố rất chính xác. Tỷ lệ phát hiện chính xác đạt gần 100% trên tập kiểm tra.

2. Phân loại sự cố: Mạng nơron cấu hình (6-35-4) được sử dụng để phân loại các loại sự cố khác nhau, đạt hệ số hồi quy tuyến tính (r) gần 1 và độ chính xác phân loại trên 95%. Ma trận nhầm lẫn cho thấy tỷ lệ nhầm lẫn rất thấp, chứng tỏ mạng có khả năng phân biệt hiệu quả các loại sự cố như ngắn mạch một pha chạm đất, hai pha, hai pha chạm đất và ba pha.

3. Xác định vị trí sự cố: Các mạng nơron riêng biệt được huấn luyện cho từng loại sự cố với cấu hình khác nhau như (6-7-1), (6-10-5-1), (6-21-11-1), (6-6-21-16-1) tương ứng với sự cố một pha chạm đất, hai pha, hai pha chạm đất và ba pha. Sai số phần trăm trung bình trong xác định vị trí sự cố dao động trong khoảng 1-3%, thể hiện độ chính xác cao so với các phương pháp truyền thống.

4. Tính ổn định và khả năng khái quát hóa: Mạng nơron được huấn luyện trên tập dữ liệu đa dạng với các điện trở sự cố từ 0,25 Ω đến 50 Ω và khoảng cách sự cố thay đổi từng 3 km trên đường dây 300 km, cho thấy khả năng ứng dụng rộng rãi trong thực tế với các điều kiện sự cố khác nhau.

Thảo luận kết quả

Nguyên nhân của hiệu quả cao trong phát hiện và phân loại sự cố là do khả năng xử lý phi tuyến và học từ dữ liệu đa dạng của mạng nơron nhân tạo. So với các phương pháp dựa trên trở kháng hay sóng truyền, ANN không bị ảnh hưởng nhiều bởi điện trở sự cố cao hay các yếu tố nhiễu, giúp cải thiện độ chính xác và tốc độ xử lý.

Kết quả phù hợp với các nghiên cứu gần đây trong ngành điện và trí tuệ nhân tạo, đồng thời khẳng định tính khả thi của việc ứng dụng ANN trong hệ thống bảo vệ lưới điện truyền tải. Việc sử dụng ma trận nhầm lẫn và đồ thị hồi quy tuyến tính giúp trực quan hóa hiệu suất mạng, hỗ trợ đánh giá và tối ưu hóa mô hình.

Ý nghĩa của nghiên cứu nằm ở việc giảm thiểu thời gian phát hiện và xử lý sự cố, từ đó nâng cao độ tin cậy cung cấp điện, giảm tổn thất năng lượng và chi phí vận hành. Các biểu đồ MSE và ma trận nhầm lẫn minh họa rõ ràng sự cải thiện hiệu suất qua từng giai đoạn huấn luyện và thử nghiệm.

Đề xuất và khuyến nghị

1. Triển khai hệ thống phát hiện sự cố dựa trên ANN: Khuyến nghị các đơn vị quản lý vận hành lưới điện áp dụng mô hình mạng nơron nhân tạo để phát hiện và phân loại sự cố trên đường dây truyền tải nhằm giảm thời gian xử lý sự cố xuống dưới 5 phút, nâng cao độ tin cậy cung cấp điện trong vòng 1-2 năm tới.

2. Phát triển phần mềm tích hợp: Xây dựng phần mềm chuyên dụng tích hợp mô hình ANN với hệ thống SCADA hiện có để tự động hóa quá trình giám sát và xử lý sự cố, giúp giảm khối lượng công việc cho nhân viên vận hành.

3. Mở rộng nghiên cứu và huấn luyện: Thu thập thêm dữ liệu thực tế từ các sự cố trên lưới điện để huấn luyện và tinh chỉnh mạng nơron, nâng cao khả năng khái quát hóa và độ chính xác trong các điều kiện vận hành đa dạng.

4. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo chuyên sâu về trí tuệ nhân tạo và ứng dụng mạng nơron cho đội ngũ kỹ thuật viên và quản lý vận hành nhằm đảm bảo vận hành hiệu quả hệ thống mới.

Đối tượng nên tham khảo luận văn

1. Kỹ sư vận hành lưới điện truyền tải: Nghiên cứu giúp họ hiểu rõ hơn về các phương pháp hiện đại trong phát hiện và xử lý sự cố, từ đó nâng cao hiệu quả công tác giám sát và bảo trì.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, điện lực: Cung cấp kiến thức chuyên sâu về ứng dụng mạng nơron nhân tạo trong lĩnh vực truyền tải điện, hỗ trợ phát triển các đề tài nghiên cứu tiếp theo.

3. Các đơn vị quản lý và hoạch định chính sách năng lượng: Giúp đánh giá hiệu quả và tiềm năng ứng dụng công nghệ trí tuệ nhân tạo trong nâng cao độ tin cậy và an toàn hệ thống điện quốc gia.

4. Nhà phát triển phần mềm và công nghệ trong ngành điện: Cung cấp cơ sở để phát triển các giải pháp phần mềm tích hợp mạng nơron nhân tạo phục vụ giám sát và xử lý sự cố tự động.

Câu hỏi thường gặp

1. Mạng nơron nhân tạo là gì và tại sao được chọn cho phát hiện sự cố?
   Mạng nơron nhân tạo là mô hình tính toán lấy cảm hứng từ cấu trúc não người, có khả năng học và nhận dạng mẫu phức tạp. Nó được chọn vì khả năng xử lý phi tuyến, thích ứng với dữ liệu đa dạng và không cần kiến thức trước về vị trí sự cố.

2. Phương pháp huấn luyện mạng nơron được thực hiện như thế nào?
   Mạng được huấn luyện bằng thuật toán lan truyền ngược với chiến lược học có giám sát, sử dụng tập dữ liệu mô phỏng sự cố đa dạng về loại, vị trí và điện trở sự cố để điều chỉnh trọng số nhằm giảm thiểu sai số đầu ra.

3. Độ chính xác của phương pháp này so với các phương pháp truyền thống ra sao?
   Phương pháp ANN đạt sai số phần trăm trung bình trong xác định vị trí sự cố chỉ khoảng 1-3%, cao hơn đáng kể so với các phương pháp dựa trên trở kháng hay sóng truyền, đặc biệt trong điều kiện có điện trở sự cố cao hoặc nhiễu.

4. Phương pháp này có thể áp dụng cho các loại sự cố nào?
   Nghiên cứu đã áp dụng thành công cho các loại sự cố phổ biến trên đường dây truyền tải gồm ngắn mạch một pha chạm đất, ngắn mạch hai pha, ngắn mạch hai pha chạm đất và ngắn mạch ba pha.

5. Làm thế nào để triển khai mô hình này trong thực tế?
   Cần tích hợp mô hình ANN vào hệ thống giám sát lưới điện hiện có, kết hợp với phần mềm SCADA và thiết bị đo đạc để thu thập dữ liệu thời gian thực, đồng thời đào tạo nhân sự vận hành để sử dụng hiệu quả công nghệ mới.

Kết luận

• Luận văn đã phát triển thành công mô hình mạng nơron nhân tạo ứng dụng trong phát hiện, phân loại và xác định vị trí sự cố trên đường dây truyền tải 500 kV dài 300 km.
• Mạng nơron đạt hiệu suất cao với sai số bình phương trung bình rất thấp và độ chính xác phân loại sự cố trên 95%.
• Phương pháp đề xuất vượt trội hơn các kỹ thuật truyền thống nhờ khả năng xử lý phi tuyến và không phụ thuộc vào điện trở sự cố.
• Kết quả nghiên cứu góp phần nâng cao độ tin cậy cung cấp điện, giảm tổn thất năng lượng và chi phí vận hành cho hệ thống truyền tải điện.
• Hướng phát triển tiếp theo là mở rộng dữ liệu huấn luyện, tích hợp mô hình vào hệ thống giám sát thực tế và đào tạo nhân sự vận hành để ứng dụng rộng rãi trong ngành điện.

Để tiếp tục phát triển và ứng dụng hiệu quả, các đơn vị quản lý và kỹ sư vận hành nên phối hợp triển khai thử nghiệm thực tế và đào tạo chuyên sâu về công nghệ mạng nơron nhân tạo trong lĩnh vực truyền tải điện.