Sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha
SA THẢI PHỤ TẢI TRONG HỆ THỐNG ĐIỆN
DỰA TRÊN KHOẢNG CÁCH PHA
LOAD SHEDDING IN THE POWER SYSTEM
BY ELECTRICAL PHASE DISTANCE
Nguyễn Công Anh Vũ
Trường Đại học SPKT – TP. HCM
TÓM TẮT
Luận văn nghiên cứu và đề xuất phương pháp sa thải phụ tải trên cơ sở phối hợp mạng nơ-ron
lan truyền ngược nhằm xác định máy phát bị sự cố và sự cần thiết sa thải phụ tải và mạng nơ-ron
hồi quy nhằm đưa ra chiến lược điều khiển theo khoảng cách pha để duy trì hệ thống điện ổn
định tần số khi xảy ra sự cố mất máy phát trong hệ thống điện. Việc ưu tiên sa thải phụ tải tại các
nút được sắp xếp theo khoảng cách pha tăng dần giữa máy phát bị sự cố với các nút tải.
Kết quả mô phỏng thử nghiệm trên mô hình hệ thống điện chuẩn IEEE 39 bus 10 máy phát, cho
thấy tổng lượng công suất sa thải giảm 45.6%, thời gian phục hồi nhanh hơn 55% so với phương
pháp sa thải bằng relay dưới tần số truyền thống. Điều này đã chứng minh hiệu quả của phương
pháp sa thải phụ tải đề xuất.
Từ khóa: Mạng nơ-ron lan truyền ngược; mạng nơ-ron hồi quy; khoảng cách pha; ổn định tần số
thống đện; sự cố mất máy phát.
ABSTRACT
The thesis researches and proposes the method of load shedding based on the coordination
between Backward Propagation Neural Network to identify the generator outage, the need for
load shedding and the Generalized Regression Neural Network to propose control strategy
according to electrical phase distance to maintain the power system frequency when the
generator outage occurs in the power system. Priority load shedding at buses are arranged by
increasing electrical phase distance between the generator outage and the load buses.
The simulated experiment results of the IEEE 39 bus 10 generators system showed the 45.6%
total amount of load shedding was reduced, the recovery time was faster 55% than traditional
load shedding method using under frequency load shedding relay. This has shown the
effectiveness of the load shedding proposed method.
Key words: Backward Propagation Neural Network; Generalized Regression Neural Network;
Electrical Phase Distance; Maintain the power system frequency; The generator outage.
tổn thất về kinh tế. Vì vậy, cần có những
nghiên cứu chuyên sâu để tìm ra các giải pháp
tối ưu hơn về mặt kỹ thuật lẫn kinh tế.
1. Tổng quan:
1.1 Tính cấp thiết của đề tài:
Trong thời kì hội nhập hiện nay nền kinh tế
nước ta đang ngày càng phát triển, kéo theo
nhu cầu sử dụng điện năng và chất lượng điện
năng ngày càng được quan tâm. Yêu cầu đòi
hỏi của khách hàng ngày càng cao không
những phải cung cấp liên tục trong phạm vi
cho phép mà còn phải đáp ứng đủ công suất.
Do vậy, cần phải đảm bảo duy trì ổn định hệ
thống điện trong công tác vận hành, chống sự
cố lan rộng trong hệ thống.
1.2 Các nghiên cứu trong và ngoài nước
Giải pháp sa thải phụ tải được coi như là
một giải pháp cuối cùng trong các trường hợp
khẩn cấp trên thế giới cũng như trong nước ta
hiện nay nhằm đưa giá trị tần số về giới hạn
cho phép. Hiện nay, đang có các công trình
nghiên cứu giải pháp sa thải phụ tải với nhiều
ý tưởng khác nhau.
Các phương án điều khiển chống sự cố
trong hệ thống điện hiện tại còn một số hạn
chế, tốn nhiều thời gian ra quyết định dẫn đến
1.2.1 Các nghiên cứu ở trong nước
1) Luận văn ThS Nguyễn Văn Hải, trường
Đại học Sư phạm Kỹ thuật thành phố Hồ
Chí Minh, nghiên cứu phương pháp sa
thải phụ tải nhằm duy trì ổn định động của
hệ thống điện khi xuất hiện dao động lớn
trên cơ sở kết hợp giải thuật K-means,
mạng nơ-ron và giải thuật AHP.
nhân tạo (ANN). Sa thải tải tối ưu sử dụng
quần thể mạng trí tuệ nhân tạo là kết quả
của nghiên cứu này. Trong bài báo này,
thuật toán
Bootstrap Aggregating
(Bagging) với Disjoint Partition đã được
sử dụng để tạo một quần thể ANN bởi vì
sự hội tụ nhanh và phương sai thấp.
2) Luận văn ThS Bùi Nguyễn Xuân Vũ, 3) R. Hooshmand, M. Moazzami [15], áp
trường Đại học Sư phạm Kỹ thuật thành
phố Hồ Chí Minh, nghiên cứu đề xuất
phương pháp sa thải phụ tải trên cơ sở
phối hợp mạng nơ-ron hồi quy và lý
thuyết về khoảng cách điện theo góc pha
nhằm duy trì hệ thống điện ổn định khi có
sự cố mất một phát xảy ra trong hệ thống
điện.
dụng các phương pháp thông minh để giải
quyết các vấn đề của sa thải phụ tải truyền
thống. Phương pháp này được thực hiện
bằng phương pháp sa thải phụ tải tập
trung. Một sa thải phụ tải dưới tần số thích
nghi dựa trên độ lớn ước lượng nhiễu loạn
cho việc bảo vệ hệ thống điện từ mất ổn
định động và sụp đổ tần số được đề xuất.
Hai thuật toán sa thải phụ tải dưới tần số
thích nghi tập trung để đồng thời bảo vệ
hệ thống điện chống lại sự mất ổn định tần
số cũng như mất ổn định điện áp.
3) Luận văn ThS Nguyễn Viết Toại, trường
Đại học Sư phạm kỹ thuật thành phố Hồ
Chí Minh, trình bày quy trình xây dựng hệ
thống nhận dạng để đánh giá trạng thái
không ổn định của hệ thống điện và phân 4) A.P. Ghaleh, M. Sanaye-Pasand, A.
lớp chiến lược sa thải phụ tải trên cơ sở 2
mạng nơron. Mô hình đề xuất sử dụng giải
thuật Kmeans kết hợp với giải thuật AHP
để xây dựng nhóm chiến lược sa thải phụ
tải có xét đến tầm quan trọng của phụ tải
nhằm làm giảm thiệt hại về mặt kinh tế
khi sa thải so với các phương pháp truyền
thống trước đây.
Saffarian [3], đã đề xuất một phương pháp
sa thải tải mới để tăng tính bảo mật của hệ
thống điện trong các nhiễu loạn lớn.
Phương pháp được đề xuất sử dụng tín
hiệu điện áp và tần số đo tại chỗ và không
cần bất kỳ liên kết truyền thông nào. Hiệu
quả của sơ đồ truyền thống và phương
pháp sa thải được đề xuất sử dụng các tiêu
chuẩn cắt khác nhau đã được mô phỏng
trong hai hệ thống thử nghiệm: một mạng
lớn thực sự và một hệ thống kiểm tra tiêu
chuẩn.
1.2.2 Các nghiên cứu ở nước ngoài
1) Kazem Mehrabi, Saeed Afsharnia[13], đã
nghiên cứu đề xuất một chương trình
UFLS thích ứng dựa trên các hệ thống đo
lường diện rộng (WAMS). Mâu thuẫn với
phương pháp hiện có, phương pháp đề
xuất được đặc trưng với một cách thích
ứng. Nói cách khác, giá trị tần số rơle
STPT được điều chỉnh thích ứng từng
nhiễu loạn. Hơn nữa, các hệ thống đo
lường diện rộng được đề nghị để lựa chọn
lượng yêu cầu STPT. Các nghiên cứu về
sản lượng lớn được thực hiện trên một
nghiên cứu điển hình thực tế có liên quan
đến việc đánh giá hiệu quả của cách tiếp
cận được đề xuất.
Các nghiên cứu nêu trên chưa áp dụng
việc kết hợp hai mạng neural lan truyền ngược
và hồi qui để đề ra chiến lược sa thải phụ tải
hợp lý khi xuất hiện sự cố máy phát trong hệ
thống điện.
1.3 Điểm mới của đề tài
Đề xuất phương pháp sa thải phụ tải nhằm
duy trì ổn định tần số HTĐ trên cơ sở khoảng
cách pha, và mạng nơ-ron kép cho phép xác
định vị trí, khối lượng sa thải phụ tải hợp lý,
và phục hồi ổn định hệ thống nhanh hơn các
phương pháp truyền thống.
2) Muhammad Faizan Tahir và các thành
viên trong nhóm nghiên cứu [14], nghiên
cứu thuật toán áp dụng cho việc sa thải
phụ tải tối ưu để duy trì trạng thái ổn định
của hệ thống điện. Kết quả thu được bởi
các phương pháp truyền thống tốn nhiều
thời gian hơn khi so sánh với mạng trí tuệ
2. Cơ sở lý thuyết
2.1 Mạng Nơ-ron
Mạng nơ-ron nhân tạo (Artificial Neural
Network – ANN) là mô hình xử lý thông tin
được mô phỏng dựa trên hoạt động của hệ
thống thần kinh của sinh vật, bao gồm một số
lượng lớn các nơ-ron được gắn kết với nhau để
xử lý thông tin. ANN giống như bộ não của
con người, được học hỏi kinh nghiệm (thông
qua huấn luyện), có khả năng lưu giữ những
kinh nghiệm hiểu biết (tri thức) và sử dụng
những tri thức đó cho việc dự đoán các dữ liệu
chưa biết (unseen data).
2.2 Khoảng cách pha
Khoảng cách pha được xác định theo biểu
thức sau:
Dp(i,j) =(δθi/δPi)+ (δθj/δPj)- (δθj/δPi)- (δθi/δPj)
j j
i
i
Ở đây:
;
;
;
là các thành phần
P P P P
i
j
i
i
được lấy từ ma trận J1; Ma trận [J1]-1 là ma
P
J1
trận nghịch đảo của ma trận Jacobian
2.3 Khái niệm về sa thải phụ tải
Hình 2.1.Cấu trúc một tế bào nơ-ron nhân tạo.
2.1.1 Mạng Nơ-ron lan truyền ngược
Sa thải phụ tải là biện pháp cuối cùng để
chống lại sự nhiễu loạn của hệ thống do có sự
chênh lệch giữa công suất phát và công suất
tải, cũng như do tăng tải đột ngột mà khả năng
dự trữ công suất của hệ thống không đáp ứng
đủ.
Thuật học lan truyền ngược là một trong
những phát triển quan trọng trong mạng
neural. Thuật toán này được áp dụng cho các
mạng nhiều lớp truyền thẳng (FeedForward)
gồm các phần tử xử lý với hàm kích hoạt liên
tục. Các mạng như vậy kết hợp với thuật toán
học lan truyền ngược được gọi là mạng lan
truyền.
2.3.1 Phương pháp sa thải phụ tải truyền
thống
Tần số thể hiện sự cân bằng giữa tải tiêu
thụ và nguồn cung cấp, ảnh hưởng đến chất
lượng điện năng, đặc biệt là tải công nghiệp.
Vậy nên, tần số được xem xét là thông số cài
đặt chính cho sự an toàn, ổn định và chất
lượng của hệ thống. Có khá nhiều chủng loại
rơle sa thải phụ tải dưới tần số được phát triển,
có thể kể đến các loại có sử dụng thông số
biến thiên df/dt.
Ưu điểm:
Hình 2.2. Cấu trúc mạng nơ-ron lan truyền
ngược.
Nguyên lý làm việc đơn giản, chi phí thấp,
được ứng dụng rất rộng rãi.
Việc cắt tải gần như diễn ra tức thời khi
tần số thấp.
Phát triển sa thải phụ tải dựa vào df/dt,
cho phép ứng dụng rộng hơn.
Nhược điểm:
Bất kỳ sự quá tải nào đều có cùng chiến
lược sa thải phụ tải, mức độ quá tải không
xác định số lượng và chất lượng sa thải
phụ tải. Điều đó có thể gây sa thải quá
mức hoặc sa thải thiếu.
2.1.2 Mạng Nơ-ron hồi quy
Mạng nơ-ron hồi quy (Generalized
Regression Neural Network - GRNN) tổng
quát thường được sử dụng để ước lượng chức
năng. Nó có một lớp cơ sở xuyên tâm và một
lớp tuyến tính đặc biệt.
Cấu trúc của mạng nơ-ron GRNN được
trình bày ở Hình 2.3. Nó tương tự như mạng
nơ-ron xuyên tâm cơ bản, nhưng có hai lớp.
Việc cắt tải khi tần số thấp phải phụ thuộc
vào việc cài đặt, chọn chủng loại phù hợp
với mạng điện đó.
Phụ thuộc vào người thiết kế HTĐ, vào sự
hiểu biết của người đó. Vậy nên có khả
năng có lỗi.
Không phù hợp về lâu dài, vì HTĐ có khả
năng thay đổi lớn.
2.3.2 Sa thải phụ tải thông minh (ILS)
Hình 2.3. Cấu trúc mạng nơ-ron hồi quy.
Hệ thống sa thải phụ tải hiện đại sẽ thu
Ở đây: ΔPG là công suất máy phát; ΔPL
thập dữ liệu trên diện rộng, với thời gian thực là độ thay đổi công suất tải; ΔPB là độ thay đổi
và cập nhật dữ liệu liên tục cho mô hình hệ công suất truyền trên nhánh; ΔVBus là độ thay
thống lưới điện thông qua sự trợ giúp của máy đổi điện áp của bus; ΔfBus là độ thay đổi tần số
tính và mạng máy tính. Kết hợp thuật toán của bus.
huấn luyện mạng phù hợp để hệ thống có thể
kế thừa và từng bước học hỏi, sao cho tối ưu
hóa lượng tải cần cắt, dẫn đến chỉ cắt lượng
phụ tải cần thiết được gọi là sa thải phụ tải
thông minh (ILS). Đây là phương pháp kích
hoạt các rơle dưới tần số trên một chương trình
sa thải tải thông minh thay đổi động. Các
thành phần chính của chương trình này là: Các
cơ sở tri thức, danh sách nhiễu loạn và các
công cụ tính toán ILS.
Cơ sở tri thức thông qua các thông tin
đầu vào, kết nối tới công cụ tính toán, kiểm
soát phân loại và gửi tín hiệu cắt tới các rơle
để sa thải phụ tải. Với cơ chế tự học và huấn
luyện theo tình hình diễn tiến của lưới điện, cơ
sở tri thức sẽ ngày càng hoàn thiện và đảm bảo
cắt tối ưu nhất.
Hình 3.1. Sơ đồ khối phương pháp sa thải phụ
tải đề xuất.
Ưu điểm:
Tối ưu hóa lượng phụ tải sa thải.
Cơ chế tự học và luôn theo sát tình hình
trên lưới điện, đưa ra đáp ứng nhanh và
kịp thời.
Nhược điểm:
Hệ thống có nhiều thành phần tham gia
vào, việc sa thải phụ tải sẽ trải qua nhiều
bước.
Vì có nhiều thành phần nên đòi hỏi chế độ
bảo dưỡng hợp lý, giám sát.
Có quá nhiều dữ liệu đầu vào cần được
đưa vào hệ thống.
Hình 3.2. Lưu đồ lấy mẫu khi chạy offline
3. Phương pháp sa thải phụ tải đề xuất
Chương này trình bày quá trình đưa ra
chiến lược sa thải để ổn định tần số hệ thống
dựa vào lý thuyết khoảng cách điện về pha và
xây dựng mạng nơ-ron dự đoán vị trí sự cố. Từ
đó, tạo hệ thống máy tính xử lý ra quyết định
sa thải phụ tải khi có sự cố mất máy phát một
cách nhanh chóng và hợp lý.
3.1 Khái quát phương pháp sa thải phụ tải
đề xuất
Quá trình xây dựng công cụ sa thải phụ
tải đề xuất bao gồm 2 phần:
Phần đầu (Hình 3.2): mô phỏng (chạy
offline) thu thập mẫu và tạo nơ-ron
Phần hai (Hình 3.3): đưa nơ-ron vào mô
hình lưới cụ thể (chạy online) kiểm tra.
Hình 3.4. Lưu đồ làm việc online của phương
pháp sa thải phụ tải đề xuất
thực tế, các biến được chọn cho tập dữ liệu
phải thể hiện đặc điểm hoạt động của hệ thống.
3.2 Xây dựng chiến lược sa thải đề xuất
Quá trình lấy mẫu được tiến hành qua 3
giai đoạn sau:
Giai đoạn 1: Tiến hành cài đặt thông số hệ
thống.
Giai đoạn 2: Tiến hành phân bố công suất
máy phát theo OPF.
Giai đoạn 3: Tiến hành tạo sự cố và xử lý
sự cố để thu thập mẫu.
4. Thực nghiệm phương pháp STPT đề
xuất trên sơ đồ hệ thống điện chuẩn
Chương này trình bày mô phỏng quá trình
STPTcủa hệ thống 39-Bus New England. Việc
thu thập mẫu huấn luyện và mẫu kiểm tra được
thực hiện với sự trợ giúp của phần mềm
Powerworld. Nội dung huấn luyện và kiểm tra
mạng nơ-ron thực hiện theo lưu đồ trình bày ở
Hình 4.1.
Hình 3.5 Quy trình xây dựng chiến lược sa
thải dựa trên khoảng cách pha
Quá trình xây dựng công cụ sa thải phụ
tải được tiến hành theo 5 bước:
Từ biểu thức:
Dp(i,j) = (δθi/δPi) + (δθj/δPj) - (δθj/δPi) -
(δθi/δPj)
(3.1)
Với: (δθi/δPi), (δθj/δPj), (δθj/δPi) và
(δθi/δPj) là các phần tử tương ứng hàng i, cột j
trong ma trận [J1]-1.
Bước 1: Lấy ma trận Jacobian J1
Bước 2: Nghịch đảo các phần tử trong ma trận
jacobian J1
Bước 3: Áp dụng biểu thức (3.1), tính khoảng
cách pha
Bước 4: Lọc lại ma trận để tìm quan hệ giữa
các nút chứa máy phát với các nút chứa tải
Bước 5: Xắp sếp thứ tự lặp ra thứ tự sa thải tải
với sự cố máy phát tương ứng.
3.3 Quá trình thu thập mẫu và huấn luyện
cho Nơ-ron
Hình 4.1. Lưu dồ quá trình mô phỏng lấy mẫu
và huấn luyện mạng nơ-ron.
Các bước trong việc huấn luyện mạng nơ-
ron:
4.1 Đề xuất chiến lược sa thải phụ tải
Thu thập và xử lý dữ liệu vào và dữ liệu ra
của đối tượng;
Chọn lựa cấu trúc và xây dựng ANN;
Huấn luyện ANN;
Kiểm tra độ chính xác của mô hình bằng
tập mẫu kiểm tra.
Mô hình sa thải phụ tải theo phương pháp
đề xuất được thử nghiệm trên sơ đồ IEEE 39
bus 10 máy phát trình bày ở Hình 4.2. Các
bước thực hiện xây dựng chiến lược sa thải
phụ tải như sau:
Bước 1: Lấy ma trận Jacobian J1trong ma trận
J trong phần mềm Powerworld
Trong các bước nêu trên thì bước thu thập
và xử lý dữ liệu vào và dữ liệu ra của đối
tượng là phần quan trọng nhất nó quyết định
sự thành công của ANN. Việc huấn luyện
ANN chính là nhận dạng đúng mẫu vào và đưa
ra câu trả lời phù hợp đúng với mục đính của
người huấn luyện. Để đạt được mục đích huấn
luyện mong muốn dữ liệu được lấy trong quá
trình mô phỏng huấn luyện phải bám sát với
Bước 2: Nghịch đảo ma trận Jacobian J1
Bước 3: Áp dung công thức tính khoảng cách
pha.
Bước 4: Lọc lại ma trận để tìm quan hệ giữa
các nút chứa máy phát với các nút chứa tải.
Ở đây, quy ước các cột là bus tải và các
hàng là bus máy phát, sau đó xóa các bus
không chứa tải và các bus không chứa máy
phát để ra kết quả trình bày ở Bảng 4.3.
4.2 Xây dựng mạng Nơ-ron
Trong phần mềm, Matlab quá trình tạo
mạng nơ-ron được thực hiện theo 6 bước như
sau:
Bus
30
Bus
32
Bus
33
Bus
34
Bus
35
Bus
36
Bus
37
Bus
38
Bus
39
Bus
3
0,028 0,044 0,049 0,067 0,047 0,060 0,041 0,067 0,040
0,039 0,033 0,052 0,070 0,050 0,063 0,050 0,075 0,040
0,047 0,035 0,061 0,079 0,059 0,071 0,058 0,083 0,039
0,046 0,035 0,061 0,078 0,058 0,071 0,057 0,083 0,037
0,065 0,044 0,076 0,094 0,074 0,086 0,076 0,100 0,062
0,044 0,044 0,040 0,058 0,038 0,051 0,053 0,074 0,049
0,041 0,046 0,033 0,050 0,030 0,043 0,050 0,069 0,049
0,035 0,047 0,045 0,063 0,043 0,056 0,045 0,067 0,046
0,073 0,079 0,029 0,018 0,062 0,075 0,082 0,102 0,081
0,051 0,057 0,043 0,061 0,024 0,040 0,061 0,080 0,059
0,059 0,064 0,051 0,068 0,021 0,025 0,068 0,087 0,067
0,046 0,052 0,038 0,055 0,031 0,043 0,055 0,074 0,054
0,028 0,057 0,061 0,078 0,058 0,071 0,022 0,063 0,046
0,041 0,061 0,059 0,077 0,057 0,070 0,043 0,043 0,055
0,041 0,057 0,053 0,070 0,050 0,063 0,046 0,055 0,054
0,068 0,088 0,086 0,104 0,084 0,097 0,070 0,027 0,082
0,069 0,089 0,087 0,105 0,085 0,098 0,071 0,015 0,083
0,054 0,065 0,081 0,099 0,079 0,091 0,068 0,097 0,000
Bus
4
Bus
7
Bus
8
Bus
12
Bus
15
Bus
16
Hình 4.6. Lưu đồ xây dựng mạng nơ-ron
Bus
18
Do đề tài sử dụng 2 loại mạng nơ-ron
nên quá trình xây dựng mạng nơ-ron kép sẽ
được chia làm hai giai đoạn khác nhau và quá
trình thực hiện cũng được tiến hành khác nhau
theo từng loại.
Bus
20
Bus
21
Bus
23
Bus
24
Bus
25
4.2.1. Xây dựng mạng nơ-ron hồi quy
Bus
26
Quy trình xây dựng mạng nơ-ron hồi
quy gồm 5 bước:
Bus
27
Bus
28
Bước 1: Thu thập dữ liệu thông qua việc mô
phỏng trên phần mềm Powerworld để lấy số
liệu của từng mức tải từ 60% đến 100%. Tổng
hợp kết quả mô phỏng thành tập dữ liệu đầu
vào, sau đó chia ra 85% thành tập mẫu huấn
luyện và 15% thành tập mẫu kiểm tra.
Bước 2: Tiền xử lý dữ liệu thông qua việc
chuẩn hóa các dữ liệu có đơn vị khác nhau.
Bước 3: Tạo mạng nơ-ron, và thực hiện huấn
luyện mạng nơ-ron hồi quy nên chỉ cung cấp
thông tin mẫu đầu vào và mẫu đầu ra cùng với
hằng số lan truyền (spread constant); trong
bước này cần tìm hằng số huấn luyện phù hợp
bằng phép thử.
Bước 4: Tạo mạng nơ-ron.
Bước 5: Đánh giá độ chính xác nhận dạng sau
huấn luyện.
Tập dữ liệu huấn luyện mạng nơ-ron này
là một tập dự liệu gồm 328 mẫu với thông số
đầu vào gồm 153 biến và biến đầu ra chiến
lược sa thải cần thực hiện.
Bus
29
Bus
39
Bước 5: Sắp xếp thứ tự ưu tiên sa thải phụ tải
ứng với sự cố máy phát tương ứng
Với mỗi sự cố máy phát, xây dựng bảng thứ tự
khoảng cách khác nhau giữa bus máy phát và
bus tải, từ đó định được chiến lược sa thải
Bus MP
Bus 30
Bus 32
Bus 33
Bus 34
Bus 35
Bus 36
Bus 37
Bus 38
Bus 39
Cấp
sa thải
1
Load 25
Load 3
Load 4
Load 7
Load 20
Load 16
Load 24
Load 15
Load 21
Load 18
Load 3
Load 20
Load 16
Load 24
Load 15
Load 21
Load 18
Load 3
Load 23
Load 21
Load 16
Load 24
Load 15
Load 18
Load 3
Load 23
Load 21
Load 24
Load 16
Load 15
Load 18
Load 3
Load 25
Load 3
Load 29
Load 28
Load 26
Load 27
Load 25
Load 18
Load 3
Load 39
Load 8
2
3
Load 18
Load 4
Load 8
Load 26
Load 18
Load 27
Load 4
Load 7
4
Load 3
Load 3
5
Load 16
Load 26
Load 27
Load 15
Load 24
Load 8
Load 12
Load 15
Load 16
Load 18
Load 24
Load 25
Load 27
Load 21
Load 26
Load 23
Load 39
Load 20
Load 28
Load 29
Load 4
6
Load 18
Load 25
Load 16
Load 15
Load 27
Load 24
Load 26
Load 21
Load 12
Load 23
Load 20
Load 28
Load 29
7
Load 16
Load 15
Load 24
Load 8
8
Load 23
Load 4
Load 23
Load 4
Load 4
Load 4
Load 16
Load 15
Load 24
Load 4
9
Load 27
Load 26
Load 25
Load 8
Load 27
Load 26
Load 25
Load 8
10
11
12
13
14
15
16
17
18
Load 27
Load 26
Load 25
Load 8
Load 27
Load 26
Load 25
Load 8
Load 7
Load 7
Load 21
Load 39
Load 23
Load 12
Load 28
Load 29
Load 20
Load 21
Load 39
Load 23
Load 28
Load 29
Load 12
Load 20
Load 21
Load 8
Load 7
Load 7
Load 7
Load 7
Load 20
Load 12
Load 39
Load 28
Load 29
Load 20
Load 12
Load 39
Load 28
Load 29
Load 7
Load 12
Load 39
Load 28
Load 29
Load 12
Load 39
Load 28
Load 29
Load 23
Load 39
Load 12
Load 20
Hình 4.7. Khái quát quá trình huấn luyện nơ-
Bảng 4.5. Bảng chiến lược sa thải đề xuất
ron
Quá trình xây dựng và huấn luyện mạng tìm Spread qua đó hệ số 0.01 là phù hợp với
nơ-ron hồi quy tiến hành như sau:
việc huấn luyện
Bước 1: Thu thập dữ liệu.
Bảng 4.6 Kết quả sai số toàn phương
trung bình (MSE)
Sau khi mô phỏng, thu thập dữ liệu cần cho
việc nhận dạng thành một bảng dữ liệu trình
bày ở Hình 4.8.:
Hệ số Spread
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
MSE huấn
luyện
0.0341 0.0350 0.0359 0.0363 0.0365 0.0367 0.0367 0.0368 0.0368 0.0368
MSE kiểm tra 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013 0.0013
4.3.2. Xây dựng mạng nơ-ron lan truyền
ngược
Sơ đồ khối của thuật toán lan truyền ngược và
quá trình tính toán được minh họa ở Hình 4.9:
Hình 4.8. Bảng dữ liệu sau khi mô phỏng.
Bước 2: Tiền xử lý dữ liệu
Sau khi tạo bảng dữ liệu xong tiến hành
chia thành tập input và tập target. Đồng thời
tiến hành xử lý dữ liệu input. Việc xử lý này sẽ
giúp cho việc huấn luyện nhanh hơn kết quả
học chính xác hơn.
Có nhiều cách để xử lý dữ liệu ở đây đề
tài chọn cách z-score là một cách phổ biến và
nhiều đề tài nghiên cứu khác đã sử dụng, các
giá trị trong dữ liệu sẽ được chuẩn hoá vào độ
lệch chuẩn và trung bình của giá trị đó.
Qui trình tạo mạng nơ-ron lan truyền ngược
theo các bước sau:
Bước 1: Thu thập dữ liệu thông qua mô phỏng
trên phần mềm Powerworld để lấy số liệu ứng
với từng mức tải. Tổng hợp thành một tập dữ
liệu đầu vào, sau đó chia ra 85% tập thành
huấn luyện và 15% thành tập kiểm tra.
Bước 3: Tìm hằng số lan truyền (spread
constant)
Bước này thực hiện phép thử thực hiện
nhiều lần để tìm được hằng số huấn luyện phù
hợp.
Bước 2: Tiền xử lý dữ liệu
Sau 5 lần chạy với xáo trộn mẫu ngẫu nhiên
các kết quả đều cho thấy tập mẫu đạt độ chính
xác cao với giá trị spread trong khoảng từ
0,001 đến 0,2. Chọn giá trị spread trong mạng
là 0,1.
Bước 3: Tạo mạng, thực hiện huấn luyện theo
thuật toán lan truyền ngược nên cung cấp
thông tin mẫu đầu vào và mẫu đầu ra cùng với
các thông số cài đặt thích hợp cho mạng bằng
phép thử.
Bước 4: Tạo mạng nơ-ron.
Bước 5: Đánh giá độ chính xác sau huấn
luyện.
Quá trình huấn luyện cụ thể như sau:
Bước 1: Cũng giống như mạng nơ-ron hồi
quy, bước này thu thập dữ liệu và tạo bảng dữ
liệu.
Hình 4.13. Kết quả phép thử hệ số Spread
trong huấn luyện tập dữ liệu.
Bước 2: Tiền xử lý dữ liệu giá trị input được
đưa về dạng Max-Min, ở đây đưa các giá trị
dữ liệu về đoạn [0.05,0.95] vì trong mạng nơ-
ron lan truyền ngược hàm thuật toán kích hoạt
ở lớp ẩn là dạng sigmoid. Giá trị đầu ra của
Bước 4: Tạo mạng nơ-ron trên Matlab
Bước 5: Đánh giá độ chính xác nhận dạng.
Độ chính xác được xác định bằng sai số
toàn phương trung bình (MSE) từ các lần chạy
hàm này thường trong khoảng (0,1), vì nó là Bước 4: Tạo mạng nơ-ron
một hàm tiếp cận. Sau khi chọn các thông số cài đặt phù
hợp tiến hành huấn luyện mạng.
Hình 4.15. Hàm sigmoid
Bước 3: Bước này tìm kiếm các thông số cài
đặt. Trong các thông số cài đặt ta quan tâm
đến việc lựa chọn thuật toán huấn luyện, số
lớp ẩn, và số nơ-ron lớp ẩn việc lựa chọn này
cần các chuyên gia cũng như kinh nghiệm
hoặc từ việc thử nhiều lần với các giá trị khác
nhau để tìm thông số phù hợp.
Đầu tiên là chọn thuật toán huấn luyện,
trong các bài toán nhận dạng và phân loại thì
các thuật toán hay sử dụng nhất là:
Lenvenberg-Marquardt, Bayesian, Scaled
Hình 4.17. Huấn luyện mạng nơ-ron
theo thuật toán Lenvenberg-Marquardt
Conjugate
Gradient
và
Resillient
Backpropagation. Trong đó, qua nhiều bài
tham khảo thì Lenvenberg-Marquardt có độ
hiệu quả cao nhất. Vì các mạng có hai lớp ẩn
có thể thể hiện các hàm với dáng điệu bất kỳ,
nên về mặt lý thuyết không có lý do nào cần
sử dụng nhiều hơn hai lớp ẩn. Một số nghiên
cứu đã chỉ ra rằng đối với phần lớn các bài
toán cụ thể, chỉ cần sử dụng một lớp ẩn cho
mạng là đủ. Việc sử dụng càng nhiều lớp ẩn
khiến cho việc huấn luyện trở nên chậm chạp
đi.
Bước 5: Đánh giá độ chính xác nhận dạng sau
khi huấn luyện
Kiểm tra lại độ chính xác với dữ liệu là
tập huấn luyện và tập kiểm tra, kết quả trình
bày ở Bảng 4.7.
Bảng 4.7. Kết quả nhận dạng của mạng nơ-ron
hồi quy.
Tập
Độ chính xác (%)
99,75%
Huấn luyện
Kiểm tra
Trong phần lớn các bài toán, không có
một cách để dễ dàng xác định tối ưu số nơ-ron
của một lớp mà không phải luyện mạng sử
dụng số các đơn vị trong lớp ẩn khác nhau và
dự báo lỗi tổng quát hóa của từng lựa chọn. Từ
đó, chọn được số nơ-ron phù hợp.
96,59%
5. Kết luận và hướng nghiên cứu phát
triển:
5.1 Kết luận
Luận văn nghiên cứu và đề xuất phương
pháp sa thải phụ tải trên cơ sở xác định thứ tự
ưu tiên sa thải bằng khoảng cách pha giữa máy
phát bị sự cố và các thanh góp tải, kết hợp với
mạng nơ ron kép (nơ-ron hồi quy và nơ-ron
lan truyền ngược) nhằm duy trì ổn định hệ
thống điện.
Sau khi đã mặc định chọn hai thông số
kia tiến hành phép thử với số nơ-ron lớp ẩn từ
2 đến 20 mỗi lần tăng lên 2 nơ-ron để tìm ra
giá trị tốt nhất.
Hiệu quả của phương pháp sa thải phụ tải
đề xuất được kiểm nghiệm thông qua mô
phỏng trên hệ thống chuẩn IEEE 39 bus máy
phát, tương ứng với từng trường hợp sự cố
Hình 4.16. Đồ thị phần trăm độ chính xác máy phát ở các mức tải từ 60% đến 100%.
nhận dạng và số nơ-ron lớp ẩn.
Trong quá trình mô phỏng offline này, bộ 153
thông số đầu vào (PGi, PLi, Pij, VBi, fBi)
Chọn số nơ-ron lớp ẩn phù hợp là 12.
được thu thập cho việc huấn luyện mạng nơ- [7] The different electrical distance,lagonotte
ron lan truyền ngược nhận dạng sự cố máy
phát với thuật toán Lenvenberg-Marquardt, độ
chính xác huấn luyện là 99,75%, độ chính xác
kiểm tra là 96,59% và huấn luyện mạng nơ-ron
hồi quy ra quyết định lượng công suất cần sa
thải phụ tải và vị trí cần sa thải với độ chính
xác huấn luyện là gần 100%, độ chính xác
kiểm tra là 100%.
patrick, 86022 poitier cedex france
[8] Mai Ngọc Nhẫn, Nghiên cứu sa thải phụ
tải áp dụng mạng nơ ron và thuật toán
ahp, luận văn thạc sĩ, tháng 4 năm 2017.
[9] Nghiên cứu ứng dụng mạng nơ ron thần
kinh vào dự báo lũ các sông ở Tỉnh Bình
Định Và Quảng Trị, PGS. TS. Lê Văn
Nghinh, ThS. Hoàng Thanh Tùng, KS.
Nguyễn Ngọc Hải.
Kết quả mô phỏng thử nghiệm trên mô
hình hệ thống điện chuẩn IEEE 39 bus 10 máy
phát, cho thấy khi áp dụng phương pháp sa
thải phụ tải đề xuất lượng công suất sa thải
giảm 45.6%, thời gian phục hồi nhanh hơn
55% so với phương pháp sa thải bằng relay
dưới tần số truyền thống.
[10] Nghiên cứu ứng dụng mạng nơ-ron nhân
tạo giải quyết lớp bài toán dự đoán và
phân loại, LV ThS, Phạm Hữu Lê Quốc
Phục, Đại Học Đà Nẵng.
[11]
5.2 Hướng nghiên cứu phát triển
Luận văn có thể nghiên cứu phát triển
theo các hướng sau:
[12] The Different Electrical Distance,
Lagonotte Patrick, 86022 Poitier Cedex
France
Nghiên cứu phương pháp sa thải phụ tải
thông minh khi xuất hiện sự cố trên các
đoạn lưới và trên các thanh góp tải trên cơ
sở áp dụng giải thuật GEN, giải thuật bầy
đàn, Logic mờ,…
Xây dựng tập dữ liệu học mở rộng hơn
cho đầy đủ các mức tải, kết hợp tìm cách
giảm tập mẫu huấn luyện, giảm biến nhằm
giảm thời gian huấn luyện và tiết kiệm bộ
nhớ trong điều kiện vận hành với thay đổi
liên tục của phụ tải hệ thống điện.
[13]
Kazem Mehrabi, Saeed Afsharnia,
“Toward a wide‐area load shedding
scheme: Adaptive determination of
frequency threshold and shed load
values”, School of Electrical and
Computer Engineering, University of
Tehran, Tehran, Iran.
[14] Muhammad Faizan Tahir, Hafiz Teheeb-
UI-Hassan, Kashif Mehmood, Hafiz
Ghulam Murtaza Qamar, Umair Rashid.
“Optimal Load Shedding Using an
TÀI LIỆU THAM KHẢO
[1] Phương án khôi phục hệ thống điện phân
phối thuộc quyền điều khiển trên lưới
điện khu vực an giang, 2530/pa-pcag
Ensemble
of
Artificial
Neural
Networks”, International Journal of
Electrical and Computer Engineering
Systems, Volume 7, Number 2, 2016.
[2] Danh sách các phát tuyết cài đặt hệ thống
bảo vệ tự động sa thải phụ tải theo tần số
(r81), 2718/ pcag-đd
[15] R. Hooshmand, M. Moazzami. “Optimal
design of adaptive under frequency load
shedding using artificial neural networks
in isolated power system”, International
Journal of Electrical Power & Energy
Systems,Volume 42, Issue 1, November
2012, Pages 220-228.
[3]
Power System Analysis and Design, J.
DUNCAN GLOVER, MULUKUTLA S.
SARMA and THOMAS J. OVERBYE
[4] Neural Networks and Learning Machines,
3rd Edition, Simon O. Haykin,
McMaster University, Ontario Canada
[16] A.P. Ghaleh, M. Sanaye-Pasand, A.
[5]
Hệ mờ mạng nơron và ứng dụng, Bùi
Công Cường, Nhà xuất bản Khoa học và
Kỹ thuật.
Saffarian.,“
Power
system
stability
enhancement using a new combinational load-
shedding algorithm”, Control and Intelligent
Processing Center of Excellence, School of
Electrical and Computer Engineering, College
of Engineering, University of Tehran, Iran.
[6]
Ths Nguyễn Thị Tuyết Nhung, Nghiên
cứu phương pháp xác định sự cố tiềm ẩn
trong máy biến áp phân phối, Luận văn
thạc sĩ, ĐH Sư phạm kỹ thuật TPHCM.
Tác giả chịu trách nhiệm bài viết:
Họ tên: Nguyễn Công Anh Vũ
Đơn vị: Công ty Điện lực An Giang
Điện thoại: 0963699399
Xác nhận của GV hướng dẫn
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
Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ
Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở 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.
11 trang
09/01/2024
21401
Free
Bạn đang xem tài liệu "Sa thải phụ tải trong hệ thống điện dựa trên khoảng cách pha", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- sa_thai_phu_tai_trong_he_thong_dien_dua_tren_khoang_cach_pha.pdf
