Nhận dạng sự cố trên đường dây truyền tải điện bằng kỹ thuật Wavelet kết hợp mạng Nơ Rôn

NHẬN DẠNG SỰ CỐ TRÊN ĐƯỜNG DÂY TRUYỀN TẢI ĐIỆN BẰNG KỸ THUẬT

WAVELET KẾT HỢP MẠNG NƠ RÔN

IDENTIFICATION OF FAULTS ON THE TRANSMISSION LINE BY WAVELET

TECHNOLOGY COMBINED NEURAL NETWORK

Nguyễn Văn Khánh¹

Trường đại học sư phạm kỹ thuật TP.HCM¹

TÓM TẮT

Sự tăng trưởng nhanh chóng của hệ thống điện theo đà phát triển kinh tế xã hội của một

quốc gia, đã dẫn đến một sự gia tăng số lượng các đường dây truyền tải vận hành với nhiều cấp

điện áp khác nhau và tổng chiều dài của nó. Vì thế, sự cố xảy ra trên tuyến đường dây truyền tải là

không thể tránh khỏi Trong bài báo này, tôi đề cập về việc áp dụng phép biến đổi Wavelet cho việc

nhận dạng và xác định vị trí ngắn mạch trên đường dây truyền tải cao thế. Trong đó, các sóng điện

áp và dòng điện trên đường dây được mô phỏng bằng Matlab simulink. Tôi sử dụng phép biến đổi

Wavelet kết hợp với mạng nơ ron RBF để tìm ra được vị trí xảy ra ngắn mạch. Để đánh giá khả

năng ứng dụng của phương pháp đề nghị, tôi đã áp dụng phương pháp đề xuất cho một đường dây

gồm hai máy phát làm việc song song.

Từ khóa: Nhận dạng sự cố, wavelet, vị trí sự cố.

ABTRACT

The rapid growth of the electricity system in the light of a country's economic development has led

to an increase in the number of transmission lines operating at different voltage levels and the total

length of it. Thus, the incident on the transmission line is unavoidable. In this paper, I am referring

to the application of wavelet transform for the identification and positioning of short circuits on the

transmission line. high voltage. In that, the voltage waves and currents on the line are simulated by

the Matlab simulink. I used the Wavelet transform with the RBF neural network to find out where

the short circuit occurred. To evaluate the applicability of the proposed method, I applied the

proposed method for a line consisting of two generators working in parallel.

Keywords: Identification of faults, wavelet, incident location.

hiện nhanh chóng vị trí sự cố và sửa chữa kịp thời

những sự cố này là rất quan trọng trong việc duy trì

vận hành hệ thống điện tin cậy. Tính sẵn sàng cung

cấp điện liên tục và tính tin cậy có tầm quan trọng

ngày càng tăng hiện nay, do các chính sách mới về

tự do hóa năng lượng và thị trường năng lượng

1. GIỚI THIỆU

Sự cố trên đường dây truyền tải gây ra

ể dẫn

gián đoạn điện cho khách hàng và có th

đến những thiệt hại đáng kể cho xã hội, đặc

ệp.

biệt là

ản xuất công

cho ngành s

nghi

Phát

cạnh tranh, như một cách trực tiếp để giảm chi phí

vận hành và gia tăng lợi nhuận. Khi hệ thống

đường dây truyền tải xảy ra sự cố, việc tìm kiếm vị

trí sự cố rất phức tạp do tuyến đường dây dài, địa

hình tiếp cận khó khăn, phương tiện giao thông

không thuận lợi, nằm xa cách khu vực dân cư và

phải tổ chức tìm kiếm ngay bất kể thời điểm nào

trong ngày.

Hình 1. Phân tích wavelet

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 xác định

vị trí sự cố trên đường dây truyền tải là một

điều cần thiết trong việc quản lý vận hành một

hệ thống điện.

Mức độ thay đổi các hệ số được tính toán

thông qua giá trị RMS từ các hệ số scalet và

wavelet. Do đó, ta tính toán các giá trị RMS

của các hệ số ở các cáp phân giải và được xem

như là giá trị năng lượng của cấp phân giải đó.

Giá trị này được tính toán theo công thức như

sau:

2

∑

√

푑 (푘)

푗

∑

√

푑 (푘)

푗

( )

‖푓 푡 ‖

푐

0

푘

√

푓

푐 푟푚푠

=

퐿푒푣푒푙

퐽−푗

0

퐿

2

퐿

푑

2

퐿

푑

푓(푡)

푗

2. PHƯƠNG PHÁP NHẬN DẠNG SỰ CỐ

2.1. Biến đổi wavelet

L_dj: là số điểm của hệ số wavelet

J : là cấp độ phân tích lớn nhất được chọn

j : là cấp độ phân tích thứ j

Đây là bài toán nhận dạng và phân loại

tín hiệu sự cố, do đó vấn đề chính là tìm sự

thay đổi giữa 2 trạng thái bình thường và sự

cố dựa trên dạng sóng của tín hiệu thu được.

Biến đổi wavelet sẽ giúp ta “phân rã” tín hiệu

thành nhiều thành đặc trưng tạo điều kiện

thuận lợi cho quá trình nhận dạng.

Như vậy, ta có các vector rms_signal

biểu diễn các hệ số scalet và wavelet của tín

hiệu bị méo dạng f(t) ứng với từng cấp độ

phân giải là:

푟푚푠_{푠푖푔푛푎푙}= [푓_{푐 푟푚푠}|푓 _푟푚푠|푓 _푟푚푠| … |푓

]

푟푚푠

푗−1

푑

0

푑

1

푑

0

Ở bài toán này ta chọn cấp phân giải

lớn nhất là J=3, sử dụng wavelet db4 như là

hàm wavelet mẫu. Như vậy, các hệ số wavelet

được sử dụng tính toán là a3, d3, d2 và d1,

tương ứng với các giá trị RMSa3, RMSd3,

RMSd2 và RMSd1. Và kết quả là một tín hiệu

được đặt trưng bởi 4 hệ số biến đổi wavelet,

trong bài toán này ta khảo sát tất cả là 7 tín

hiệu, tương ứng ta có 7x4 = 28 thành phần

trong một vector nhận dạng. Tổng quát, một

tín hiệu bất kỳ được phân tích thành một

vector đặc trưng gồm 4 thành phần như sau:

nhận dạng . Ở đây chọn mạng neuron là

mạng RBF(Radial Basic Function).

Để định vị vị trí ngắn mạch ta cần phải

xây dựng một luật “láng giềng gần nhất” để

tìm một khoảng cách gần nhất của vector

trạng thái so với vector mẫu ứng với từng

trạng thái, để xác định vị trí ngắn mạch.

V_x= [V_xrmsa3 V_xrmsd3 V_xrmsd 2 V_xrmsd1]^T

2.2. Ý tưởng nhận dạng

(4.4)

Để có thể thực hiện việc phân tích và

nhận dạng trực tuyến trạng thái của hệ thống

(bình thường hay sự cố) và phân loại từng sự

cố (nếu có), ta cần phải có một khoảng giới

hạn thời gian và sự phân tích cần phải được

liên tục khi tín hiệu thay đổi. Do đó, một “cửa

sổ trượt” được xem là một phương pháp hữu

hiệu để chọn. Độ rộng cửa sổ này có thể được

điều chỉnh đến mức tối ưu tuỳ vào dạng bài

toán và cách xây dựng mô hình phân tích. Ở

đây chọn độ rộng cửa sổ trượt gồm 34 mẫu

tín hiệu tương ứng với 1 chu kỳ tín hiệu.

Hình 2. Sơ đồ phân tích đa phân của biến đổi

wavelet rời rạc và biến đổi rms ứng với từng

hệ số ở các mức độ phân giải khác nhau, J là

cấp phân giải lớn nhất

Để nhận dạng sự cố ứng với một

vector trạng thái 28 thành phần ta cần phải

xây dựng một mạng neuron cho quá trình

được thêm vào tại mỗi ngõ ra để đảm bảo rằng

giá trị trung bình của các tổng khác không.

Hình 4. Mạng RBF tổng quát

Hình 3. Sơ đồ giải thuật cho việc nhận dạng

và phân loại sự cố

Các RBF tổng quát là:

2.3. Mạng RBF

x -> y₁= f₁(x, v⁽¹⁾),…, x -> y_M= f_M(x, v^(M)),

với:

Đây là một loại mạng neuron nhân tạo nuôi

tiến mới và cực kỳ mạch mẽ. Đặc điểm của

một mạng RBF là:

- Mạng có một lớp ngõ vào với các nút là các

thành phần đặc trưng giống như MLP (Multi-

Layer Perceptron).

với tâm tại v^(m). y_mcực đại khi x = v^(m).

Chúng ta thường sử dụng nút lớp ẩn đối với

vector đặc trưng ngõ vào mẫu x^(q), q = 1 … Q,

vì thế, chúng ta đặt M <- Q trong trường hợp

này. Vector tâm v^(m)= (v₁^(m),…, v_N^(m)) tại nút

ẩn thứ m có N thành phần để tưng xứng với

các vector đặc trưng ngõ vào. Tham số σ_m

trong phương trình trên sử dụng để điều chỉnh

sự trải ra của các RBF để các giá trị của nó có

thể giảm chậm hơn hoặc nhanh hơn khi x di

chuyển xa vector tâm v^(m), tức là x-v^(m)tăng.

- Một lớp ẩn với mỗi nút có một hàm biến đổi

đặc biệt tập trung vào vector trung tâm của

một “cluster” hay “subcluster” trong không

gian đặc trưng để các hàm có sự phản ứng phù

hợp với các vector ngõ vào gần với tâm của

nó.

- Một lớp ngõ ra là tổng các ngõ ra từ các nút

của lớp ẩn, các lớp ngõ ra sử dụng một hàm

biến đổi tuyến tính. Hình 4 minh họa một

mạng RBF tổng quát. Một tham số “bias” b_j

Trong miền không gian đặc trưng nơi mà f_m(x,

v^(m)) có biên độ lớn gọi là trường thu

(receptive filed) của nút đó (Wasserman,

1993).

Các hệ biến hóa khác của mạng RBF

được xác định cách huấn luyện bởi

Wasserman (1993). Trong trường hợp đơn

giản nhất, các trọng số {v_n^(m)} tại các nút lớp

ẩn và {u_m} tại các nút ngõ ra còn lại cố định

(không yêu cầu huấn luyện). Trường hợp thứ

hai là chỉ huấn luyện các trọng số {u_m} tại các

nút ngõ ra. Trường hợp thứ ba là huấn luyện

tất cả các trọng số, vector trung tâm và các

tham số khác. Mỗi RBF phụ thuộc vào vector

tâm của nó v^(m), nơi mà nó đạt giá trị cực đại

và được biến đổi bởi bất kỳ ngõ vào x nào gần

v^(m). Nó hoàn toàn không phản ứng khi x ở xa

tâm v^(m).

Trong hình 4.3 ngõ ra của mạng được xác

định bởi:

2.4. Huấn luyện mạng RBF

Việc huấn luyện mạng RBF bao gồm:

- Phân chia mỗi vector tham số nút v^(m)là một

vector mẫu đồng nhất x^(q)(v^(m)←x^(q)).

Mỗi RBF fm (-; v(m)) tương ứng với một

miền lồi hẹp (trường thu) của không gian đặc

trưng. Đó là, fm (x(q);v(m)) có biên độ lớn khi

x(q) gần tâm nút v(m). phần lớn các hàm này

được bao bởi hoặc không gian đặc trưng hoặc

các lớp phụ trong không gian đặc trưng với

các trường thu của chúng, để mà các lớp nút

ngõ ra có thể OR (nối tiếp nhau) với nhau vào

trong các miền lớp không lồi (các miền lớp có

thể phân ra một các phi tuyến). Do đó, không

có số lượng lớn các RBF để bao tất cả các lớp

phụ mà nó được phân ra một cách tuyến tính.

- Chọn lựa một tham số σ_mđể điều chỉnh

trường thu.

- Vẽ ra một tập các trọng số ban đầu {u_mj} tại

lớp ngõ ra để bắt buộc tổng sai số bình

phương tổng (TSSE) E càng giảm càng tốt,

với:

Bởi vì việc huấn luyện giám sát này

các tập hợp tự tổ chức tốt hơn, các mẫu tương

ứng của cập mẫu vector đặc trưng ngõ vào và

vector mục tiêu ngõ ra (bộ nhận dạng) {x^(q),

t_(q)} phải được cho.

2.5. Luật láng giếng gần nhất

Giả sử, một các vector đặc trưng mẫu

Q bao gồm: S={x^(q): q=1, .. , Q} đã được

nhóm vào J nhóm (C₁…, C_J). Đối với một

vector đặc trưng mới x (không nằm trong S),

nhiệm vụ là phân bố x tới các nhóm, và nhận

dạng nó như là một phần tử của một trong số

các nhóm trên.

Các nghiên cứu ứng dụng wavelet

trong hệ thông điện đã tạo ra các thay đổi cực

kỳ to lớn trong các sơ đồ giám sát, điều khiển

và bảo vệ hệ thông điện. Tất cả các nghiên

cứu thành công gần đây đã cho thấy tính đa

năng của công cụ wavelet đặc biệt là các yêu

cầu cục bộ trong mặt phẳng thời gian - tần số

(hay không gian - tần số). Cùng với sự xuất

hiện của nguyên lý phân tích đa phân, công cụ

wavelet đã trở nên thiết thực hơn trong các

ứng dụng.

Một phương pháp cổ điển được đề

nghị là tìm khoảng cách từ x đến tới các “ láng

giềng” gần nhất với các ‘láng giềng’ k, sao

cho

d_m= d(x, x^(q(m))) = || x-x^(q(m))||

là khoảng cách ứng với m = 1 … k. Theo hình

4.6 thì vector x sẽ thuộc phân nhóm 1 vì nó

gần 4 vector ở phân nhóm 1 nhiều hơn 3

vector ở phân nhóm 3.

Khả năng linh động của bộ nhận dạng

(có thế thay đổi thời gian nhận dạng phù hợp

với yêu cầu, độ ưu tiên cho các loại ngắn

mạch chạm đất, không chạm đất, một phay

hay nhiều pha,...) cho thây sự dễ dàng trong

việc sử dụng và độ tinh cậy cao.

Có thể dựa vào các hệ số wavelet tính

độ lệch các góc pha giữ 2 trạng thái bình

thường và sự cố để xác định vị trí xảy ra sự

cố.

Tóm lại, công cụ wavelet mang tính

mới mẻ và rất mạnh mẽ đã được chứng minh

qua các nghiên cứu. Nó đòi hỏi sự đầu tư

nghiên cứu và so sánh với các giải pháp hiện

hữu nhiều hơn để có thể đi đến các kết luận và

Hình 5. Phân bố một vector đặc trưng mới

tới các phân nhóm hiện hữu

3. KẾT LUẬN

ứng

dụng

thực

tiễn.

TÀI LIỆU THAM KHẢO

Y.Gu,M.Bollen, “Time Frequency and Time Scale Domain Analysis of Voltage

Disturbances,” IEEE Transactions on Power Delivery, Vol 15, No 4, October 2000, pp

12791284.

Gaing, Z.-L. (2004). Wavelet-based neural network for power disturbance recognition and

classification, IEEE Transaction on Power Delivery, Vol. 9, No.4, (October 2004), pp. (1560-

568), ISSN 0885-8977.

Ming Zhang. "DSP-FPGA based real-time power quality disturbances classifier". Transmission

and Distribution Conference and Exposition, 2010 IEEE PES

Haykin S., Neural Networks, IEEE Press, New York, 1994.

Tác giả chịu trách nhiệm bài viết:

Họ tên: Nguyễn Văn Khánh

Đơn vị: Công ty cổ phần SEATECCO – Chi nhánh TP.HCM

Điện thoại: 0963780786

Email: [email protected]

BÀI BÁO KHOA HỌC

THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ

Bài báo khoa học của học viên

có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn

Bảnquyềntác phẩm đã được bảo hộ bởiLuậtxuất bảnvà LuậtSở hữu trí tuệ Việt Nam. Nghiêm

cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và

Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN!

Thực hiện theo MTCL & KHTHMTCL Năm học 2018-2019 của Thư viện Trường Đại học

Sư phạm Kỹ thuật Tp. Hồ Chí Minh.