Luận văn Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện (Phần 1)

Nội dung text: Luận văn Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện (Phần 1)

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ THANH AN NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DẠNG ỔN ÐỊNH HỆ THỐNG ÐIỆN NGÀNH: KỸ THUẬT ÐIỆN – 60520202 S K C0 0 4 7 6 8 Tp. Hồ Chí Minh, tháng 3/2016
2. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ THANH AN NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN – 60520202 Tp. Hồ Chí Minh, tháng 03 năm 2016
3. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần tài liệu tham khảo. Tp.Hồ Chí Minh, ngày 21 tháng 03 năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang i
4. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CẢM TẠ Trước tiên, tôi xin gửi lời cảm ơn chân thành đến PGS.TS Quyền Huy Ánh, người đã tạo mọi điều kiện, động viên và hướng dẫn tôi hoàn thành luận văn này. Bên cạnh đó, tôi cũng muốn gửi lời cảm ơn đến NCS Nguyễn Ngọc Âu, người đã hỗ trợ tôi rất nhiều trong suốt quá trình thực hiện luận án. Cảm ơn cơ quan, bạn bè, đồng nghiệp, và trên tất cả, tôi muốn gửi lời cảm ơn đến tất cả các thành viên trong gia đình của tôi, cảm ơn cha, mẹ, đã cùng chia sẻ, động viên và tạo mọi điều kiện thuận lợi để tôi hoàn thành nhiệm vụ học tập và nghiên cứu. Xin chân thành cảm ơn quý thầy, cô đã truyền đạt cho tôi nhiều kinh nghiệm và kiến thức quý báu trong quá trình học tập và nghiên cứu. Xin cảm ơn PGS.TS Quyền Huy Ánh, NCS Nguyễn Ngọc Âu đã hướng dẫn và hỗ trợ tôi hoàn thành luận văn. Tp.Hồ Chí Minh, ngày 21 tháng 3 năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang ii
5. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh TÓM TẮT LUẬN VĂN Cùng với sự phát triển kinh tế xã hội, hệ thống điện phát triển rất nhanh về quy mô, có tính phi tuyến cao và thường có các dao động công suất lớn khi xuất hiện ngắn mạch. Điều này dẫn đến việc đánh giá ổn định động dựa trên các phương pháp phân tích truyền thống tốn nhiều thời gian giải nên gây chậm trễ trong việc ra quyết định. Vì vậy, việc phát hiện nhanh và cảnh báo sớm mất ổn định hệ thống điện giúp điều độ viên và hệ thống điều khiển ra quyết định kịp thời trở thành yếu tố then chốt đảm bảo vận hành hệ thống điện ổn định. Để giải quyết những vấn đề khó khăn trên, đề tài này tập trung nghiên cứu phương pháp nhận dạng nhanh ổn định động hệ thống điện có độ chính xác cao dựa trên kỹ thuật mạng nơron nhân tạo kết hợp với kỹ thuật xử lý dữ liệu. Đối với hệ thống điện nhiều máy, quy mô của bộ dữ liệu ổn định động rất lớn, gây tốn chi phí huấn luyện của các hệ thống thông minh. Do đó, cần trích xuất tập dữ liệu đủ gọn nhưng vẫn mang tính đại diện cho hệ thống giúp huấn luyện nhanh và chính xác ổn định động hệ thống điện. Kỹ thuật xử lý dữ liệu được áp dụng trong luận văn là kỹ thuật phân cụm dữ liệu và kỹ thuật lựa chọn biến đặc trưng. Kỹ thuật phân cụm dữ liệu áp dụng hai phương pháp phổ biến là Kmeans và Fuzzy Cmeans. Ba phương pháp lựa chọn biến đặc trưng được áp dụng là Fisher, Divergence, Relief. Hai bộ nhận dạng được sử dụng để đánh giá độ chính xác nhận dạng là maṇ g nơron GRNN (Generalized Regression Neural Network) và MLPNN (Multilayer Perceptron Neural Network). Kết quả kiểm tra trên sơ đồ IEEE 10-máy 39-bus, cho thấy bộ nhận dạng GRNN với phương pháp chọn biến Relief, áp dụng cho bộ mẫu phân cụm Kmeans (1100 mẫu) ở quá trình huấn luyện, cho kết quả độ chính xác nhận dạng mẫu kiểm tra đạt 97,25%, tăng 1% so với bộ nhận dạng không phân cụm ban đầu (3200 mẫu). Kết quả ứng dụng mạng sau huấn luyện cũng thể hiện sự vượt trội về thời gian đối với phương pháp mô phỏng theo miền thời gian. HVTH: Võ Thanh An Trang iii
6. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ABSTRACT Along with the socio-economic development, the power systems grow rapidly in size with high nonlinearity and often have large power swings when short circuits occur. Thus, leads to the dynamic stability assessment based on the traditional analysis methods take a lot of time, which causes delays in decision making. Therefore, the fast assessment and an early warning system of the instability of power system helps dispatcher and control systems to take decisions in time became a key factor to ensure the stability in power system operation. To solve the above problems, this thesis focused on studying the fast prediction method of dynamic stability of power system based on the artificial neural network technique combined with data processing techniques. For electrical system, the size of stability data set is very great stability, causing costly training intelligent systems. Therefore, the data need to extract not only compact but also representative for electrical system to help training quickly and accurately. Data processing techniques to be applied in the thesis are data clustering technique and feature selection technique. Data clustering technique is applied two common algorithm: Kmeans and Fuzzy Cmeans. Three feature selection techniques are applied as Fisher, Divergence, Relief. Two models of recognition is used to assess the recognition accuracy that is GRNN (Generalized Regression Neural Network) and MLPNN (Multilayer Perceptron Neural Network). Test results on IEEE 10-generator 39-bus system showed that the model of recognition GRNN with Relief-based feature selection method, applied to the Kmeans clustering data set (1100 samples) in the training process, the results of correct classification rate reached 97.25%, up 1% compared with the no clustering recognizer (3200 samples). Result application after training network also shows the superiority of time for time domain simulation method. HVTH: Võ Thanh An Trang iv
7. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh MỤC LỤC Trang tựa TRANG Quyết định giao đề tài Lý lịch cá nhân Lời cam đoan i Lời cảm tạ ii Tóm tắt luận văn iii Mục lục v Danh sách các chữ viết tắt ix Danh sách các hình x Danh sách các bảng xii Chƣơng 1. TỔNG QUAN 1 1.1. Tổng quan về lĩnh vực nghiên cứu 1 1.2. Tính cấp thiết của đề tài 4 1.3. Mục tiêu và nhiệm vụ của luận văn 5 1.4. Phạm vi nghiên cứu 6 1.5. Phương pháp nghiên cứu 6 1.6. Ý nghĩa khoa học và giá trị thực tiễn của luận văn 6 Chƣơng 2. ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN 7 2.1. Ổn định hệ thống điện 7 2.2. Phân loại ổn định hệ thống điện 7 2.2.1. Ổn định góc quay rotor 8 2.2.2. Ổn định điện áp 9 2.2.3. Ổn định tĩnh 9 2.3. Phương trình dao động của máy phát 12 2.4. Mô hình đơn giản hóa máy phát và hệ thống tương đương 14 2.5. Ổn định hệ nhiều máy 16 2.6. Đánh giá ổn định hệ thống điện 19 HVTH: Võ Thanh An Trang v
8. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 2.6.1. Quy trình mô phỏng lấy mẫu trong PowerWorld 20 2.6.2. Mô tả quá trình lấy mẫu 26 2.7. Kết luận chương 2 26 Chƣơng 3. LỰA CHỌN BIẾN ĐẶC TRƢNG 27 3.1. Tổng quan 27 3.2. Lựa chọn biến đặc trưng 27 3.2.1. Khái niệm 27 3.2.2. Các phương pháp tiếp cận 28 3.3. Quy trình lựa chọn biến đặc trưng 30 3.3.1. Lựa chọn biến đặc trưng ban đầu 30 3.3.2. Tìm kiếm biến đặc trưng ứng viên 31 3.3.3. Đánh giá biến đặc trưng ứng viên 31 3.3.3.1. Hàm khoảng cách Fisher 31 3.3.3.2. Hàm khoảng cách Divergence 32 3.3.3.3. Giải thuật Relief 32 3.3.4. Tiêu chuẩn dừng 34 3.4. Kết luận chương 3 34 Chƣơng 4. PHÂN CỤM DỮ LIỆU 35 4.1. Tổng quan 35 4.1.1. Giới thiệu về phân cụm dữ liệu 35 4.1.2. Định nghĩa về phân cụm dữ liệu 35 4.2. Các phương pháp phân cụm dữ liệu 35 4.2.1. Phương pháp phân cụm dữ liệu Kmeans 35 4.2.1.1. Khái niệm 35 4.2.1.2. Các bước cơ bản của thuật toán Kmeans 37 4.2.1.3. Hàm Kmeans trong phần mềm Matlab 38 4.2.2. Phương pháp phân cụm dữ liệu Fuzzy Cmeans 38 4.2.2.1. Khái niệm 38 4.2.2.2. Hàm mục tiêu của thuật toán Fuzzy Cmeans 39 HVTH: Võ Thanh An Trang vi
9. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 4.2.2.3. Các bước cơ bản của thuật toán Fuzzy Cmeans 41 4.2.2.4. Hàm Fuzzy Cmeans trong phần mềm Matlab 42 4.3. Quy trình rút gọn dữ liệu 43 4.4. Kết luận chương 4 45 Chƣơng 5. MẠNG NƠRON VÀ MÔ HÌNH NHẬN DẠNG 46 5.1. Giới thiệu về mạng nơron 46 5.1.1. Mô hình nơron sinh học 46 5.1.2. Mô hình nơron nhân tạo 47 5.1.3. Hàm chuyển đổi 49 5.1.4. Phân loại mô hình cấu trúc mạng nơron 50 5.2. Mạng Perceptron nhiều lớp 50 5.3. Mạng hàm truyền xuyên tâm 52 5.3.1. Mạng hồi quy tổng quát 53 5.3.2. Mạng nơron xác suất 55 5.4. Luật đầu ra của bộ phân loại 57 5.5. Huấn luyện và đánh giá mô hình nhận dạng 58 5.6. Nhận dạng và phương pháp tiếp cận 59 5.7. Các giai đoạn trong một mô hình nhận dạng 59 5.8. Mô hình nhận dạng 60 5.9. Kết luận chương 5 61 Chƣơng 6. ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10-MÁY 39-BUS 62 6.1. Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England 62 6.2. Mô hình mạng nơron nhận dạng ổn định động hệ thống điện 63 6.3. Tạo cơ sở dữ liệu ổn định động 65 6.4. Xây dựng tập mẫu học 66 6.5. Biến đầu vào và biến đầu ra 66 6.6. Chuẩn hóa dữ liệu 66 6.7. Phân chia dữ liệu 66 HVTH: Võ Thanh An Trang vii
10. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 6.8. Lựa chọn biến đặc trưng và mô hình mạng nơron 67 6.8.1. Đánh giá chọn biến đặc trưng 67 6.8.1.1. Giới thiệu 67 6.8.1.2. Các bước thực hiện 67 6.8.1.3. Kết quả 68 6.8.1.4. Nhận xét 70 6.8.2. Lựa chọn biến và mô hình mạng nơron 70 6.8.2.1. Giới thiệu 70 6.8.2.2. Các bước thực hiện 70 6.8.2.3. Kết quả huấn luyện nhận dạng ANN 72 6.8.2.4. Nhận xét 75 6.9. Thu gọn mẫu 75 6.9.1. Giới thiệu 75 6.9.2. Các bước thực hiện thu gọn mẫu 76 6.9.3. Kết quả đánh giá độ chính xác 77 6.9.4. Chọn tập mẫu phân cụm 79 6.10. Ứng dụng mạng sau huấn luyện 80 6.11. Kết luận chương 6 81 Chƣơng 7. KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN 83 7.1. Kết luận 83 7.2. Hướng nghiên cứu phát triển 84 TÀI LIỆU THAM KHẢO 85 PHỤ LỤC 91 HVTH: Võ Thanh An Trang viii
11. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CHỮ VIẾT TẮT/KÝ HIỆU KHOA HỌC ANN (Artificial Neural Network) BPLNN (Backpropagation Learning Neural Network) CCT (Critical Clearing Time) CNN (Committee Neural Network) FCT (Fault Clearing Time) GRNN (Generalized Regression Neural Network) HTĐ (Hệ thống điện) IEEE (Institute of Electrical and Electronics Engnineers) MLFNN (Multilayer Feedforward Neural Network) MLPNN (Multilayer Perceptron Neural Network) PNN (Probabilistic Neural Network) RBFN (Radial Basis Function Network) HVTH: Võ Thanh An Trang ix
12. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Ổn định góc quay rotor dưới các chế độ quá độ HTĐ khác nhau. 9 Hình 2.2: Sơ đồ phasor đơn giản của một máy phát, bỏ qua trở kháng 10 Hình 2.3: Đường cong góc công suất quá độ với độ dốc K1. 14 Hình 2.4: Máy phát kết nối với thanh cái vô hạn và sơ đồ phasor 14 Hình 2.5: Mô hình đơn giản hóa máy điện đồng bộ 15 Hình 2.6: Máy phát điện đồng bộ kết nối với một hệ thống tương đương 16 Hình 2.7: Hệ thống điện N nút dùng cho các nghiên cứu ổn định quá độ 17 Hình 2.8: Quy trình mô phỏng lấy mẫu ổn định hệ thống điện 22 Hình 2.9: Quy trình cài đặt các thông số, mô hình chuẩn và kích hoạt hệ thống tự điều chỉnh của hệ thống điện IEEE 39-bus 23 Hình 2.10: Quy trình chạy phân bố công suất tối ưu 24 Hình 2.11: Quy trình mô phỏng ổn định quá độ và lấy mẫu 25 Hình 3.1: Quy trình lựa chọn biến đặc trưng 30 Hình 3.2: Mô tả giải thuật Relief 33 Hình 4.1: Sử dụng Kmeans để phân 2 cụm trong một bộ dữ liệu 36 Hình 4.2: Quy trình phân cụm dữ liệu. 43 Hình 4.3: Phương pháp kết hợp tuần tự để chọn số tâm cụm dữ liệu. 45 Hình 5.1: Mô hình nơron sinh học 47 Hình 5.2: Mô hình nơron nhân tạo 48 Hình 5.3: Mô hình nơron với ký hiệu rút gọn 48 Hình 5.4: Hàm chuyển đổi log-sigmoid 49 Hình 5.5: Hàm chuyển đổi tan-sigmoid 49 Hình 5.6: Hàm chuyển đổi linear 50 Hình 5.7: Hàm chuyển đổi radial basis 50 Hình 5.8: Mạng Perceptron nhiều lớp 51 Hình 5.9: Mạng hàm truyền xuyên tâm 52 HVTH: Võ Thanh An Trang x
13. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Hình 5.10: Mạng hồi quy tổng quát 54 Hình 5.11: Mạng nơron xác suất 55 Hình 5.12: Mô hình nhận dạng 61 Hình 6.1: Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England 63 Hình 6.2: Mô hình mạng nơron nhận dạng ổn định động hệ thống điện 64 Hình 6.3: Xếp hạng biến theo khoảng cách Fisher 68 Hình 6.4: Xếp hạng biến theo khoảng cách Divergence 69 Hình 6.5: Xếp hạng biến theo trọng số Relief 69 Hình 6.6: So sánh độ chính xác nhận dạng của GRNN. 73 Hình 6.7: So sánh độ chính xác nhận dạng của MLPNN 73 Hình 6.8: So sánh kết quả huấn luyêṇ nhận dạng kiểm tra của MLPNN và GRNN với bộ ban đầu 3200 mẫu với 15 biến đặc trưng đầu vào. 74 Hình 6.9: Phương pháp kết hợp tuần tự để chọn số tâm cụm dữ liệu. 77 Hình 6.10: Kết quả huấn luyêṇ nhận dạng kiểm tra của GRNN với c ác bộ mẫu đã phân cụm Kmeans 78 Hình 6.11: Kết quả mô phỏng theo miền thời gian ngắn mạch 3 pha trên đường dây 17-27 của HTĐ IEEE 10-máy 39-bus với sự hỗ trợ phần mềm PowerWorld 81 HVTH: Võ Thanh An Trang xi
14. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CÁC BẢNG BẢNG TRANG Bảng 6.1: Các thông số cài đặt mặc định của mô hình ANN với thuật toán Levenberg-Marquardt trong Matlab. 71 Bảng 6.2: So sánh độ chính xác nhận dạng kiểm tra của GRNN và MLPNN tại 15 biến với phương pháp Relief, Divergence và Fisher. 74 Bảng 6.3: So sánh đô ̣chính xác nhâṇ daṇ g kiểm tra của GRNN -Relief taị 15 biến và 104 biến, với bộ mẫu ban đầu 3200 mẫu. 74 Bảng 6.4: So sánh thời gian huấn luyêṇ của MLPNN -Relief và GRNN-Relief taị 15 biến và 104 biến, với bộ mẫu ban đầu 3200 mẫu. 74 Bảng 6.5: Số lượng mẫu ổn định động sau khi đã phân cụm. 76 Bảng 6.6: So sánh đô ̣chính xác nhâṇ daṇ g của MLPNN và GRNN taị bộ mẫu ban đầu Data(2400,800) và bộ mẫu phân cụm Kmeans và Fuzzy Data(800,300). 78 Bảng 6.7: So sánh thời gian huấn luyêṇ của MLPNN và GRNN taị bộ mẫu ban đầu Data(2400,800) và bộ mẫu Kmeans và Fuzzy Cmeans Data(800,300). 79 Bảng 2.1: Thông số mô hình máy phát điện đồng bộ GENPWTwoAxis 91 Bảng 2.2: Thông số thiết bị điều khiển kích từ IEEE1 91 Bảng 2.3: Thông số thiết bị điều chỉnh tần số TGOV1 91 Bảng 2.4: Công suất định mức, công suất Pmax, Pmin máy phát, điện áp đầu cực máy phát, công suất định mức tải 92 Bảng 2.5: Thông số điện trở RT, điện kháng XT và thông số cài đặt đầu phân áp trên các máy biến áp 93 Bảng 2.6: Thông số điện trở, điện kháng và dung dẫn đường dây 93 Bảng 2.7: Thông số xác lập trên các thanh góp khi chạy phân bố công suất tối ưu ở 100% tải 94 HVTH: Võ Thanh An Trang xii
15. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh CHƢƠNG 1 TỔNG QUAN 1.1. Tổng quan về lĩnh vực nghiên cứu Hệ thống điện đang ngày càng phát triển mạnh mẽ cả về quy mô và độ phức tạp, đồng thời những khó khăn trong vận hành hệ thống do sự phát triển không tương xứng giữa nhu cầu phụ tải, hệ thống truyền tải và nguồn năng lượng. Vì vậy, hệ thống điện đối mặt nguy cơ vận hành gần với biên ổn định, các sự cố bất thường như ngắn mạch đường dây, ngắt máy phát, có thể xảy ra gây mất ổn định hệ thống điện. Các nhiễu loạn này làm gián đoạn liên tục cung cấp điện, gây tổn thất cho nền kinh tế, ảnh hưởng đến hệ thống điện và mang nguy cơ sụp đổ hệ thống điện. Do vậy, cần phát hiện nhanh và cảnh báo sớm mất ổn định hệ thống điện giúp hệ thống điều khiển ra quyết định kịp thời, đảm bảo vận hành hệ thống điện ổn định. Ổn định hệ thống điện đề cập đến quá trình dao động điện từ trên hệ thống điện do những kích động gây nên. Ổn định động là khả năng của hệ thống sau những kích động lớn phục hồi trạng thái ban đầu hoặc gần với trạng thái ban đầu nhờ hệ thống máy phát vẫn duy trì được sự đồng bộ [1,9]. Do đó, để tăng sự an toàn và giảm thiệt hại có thể xảy ra, một hệ thống đánh giá nhanh và chính xác ổn định hệ thống điện yêu cầu phải được phát triển dựa trên phân tích ổn định của hệ thống, để thực hiện cảnh báo sớm và vận hành an toàn hệ thống điện. Việc đánh giá ổn định hệ thống điện sau kích động lớn đã có nhiều phương pháp được nghiên cứu áp dụng. Một số phương pháp thường được sử dụng để đánh giá ổn định quá độ là phương pháp mô phỏng miền thời gian, phương pháp ổn định trực tiếp và phương pháp hàm năng lượng [23,24,25,56]. Phương pháp mô phỏng miền thời gian được thực hiện đánh giá ổn định qua việc giải các phương trình không gian trạng thái của các hệ thống điện, do đó cho kết quả chính xác nhưng tốn nhiều thời gian và không kiểm tra được biên ổn định của hệ thống [10,23,56]. Phương pháp trực tiếp cho câu trả lời chính xác về ổn định quá độ hệ thống điện, nhưng gặp khó khăn trong tính toán và mất nhiều thời gian giải [20,22,56]. Phương HVTH: Võ Thanh An Trang 1
16. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh pháp hàm năng lượng xác định ổn định quá độ mà không cần giải các phương trình không gian trạng thái khác của hệ thống điện, cho biết thời gian cắt ổn định động nhưng khá phức tạp và tốn nhiều thời gian [22,23,29,56]. Với sự phức tạp và thời gian giải kéo dài, các phương pháp phân tích truyền thống gây nên chậm trễ trong việc ra quyết định. Do yêu cầu rất khắc khe về thời gian tính toán, tính toán nhanh nhưng phải chính xác đã xuất hiện nhu cầu nghiên cứu và ứng dụng phương pháp khác hiệu quả hơn. Một trong số các phương pháp hiệu quả đó là phương pháp nhận dạng mẫu. Phương pháp nhận dạng mẫu (Pattern Recognition) áp dụng đánh giá ổn định động hệ thống điện bỏ qua giải tích và thay thế bằng cách học quan hệ mẫu đầu vào và đầu ra [20], đối với các tiếp cận theo hướng này thì bộ phân loại được huấn luyện offline và kiểm tra online. Trong [13,14,16,21] tác giả đề xuất các giai đoạn khai triển của mô hình nhận dạng thông minh đánh giá ổn định hệ thống điện. Trong [22,31], tác giả chọn tín hiệu đầu vào là các biến đặc trưng chế độ xác lập tiền sự cố để chẩn đoán ổn định quá độ qua chỉ số thời gian cắt tới hạn CCT (Critical Clearing Time), là thời gian cắt sự cố dài nhất cho phép để hệ thống vẫn giữ ổn định ứng với góc công suất cắt chuẩn. Tuy nhiên, khi kích thước của hệ thống điện tăng, số lượng các thông số phân loại trở nên rất lớn và có thể khiến giảm độ tin cậy và đòi hỏi một tập huấn luyện lớn. Việc tìm mối liên hệ giữa các biến đặc trưng chế độ xác lập tiền sự cố và độ ổn định cũng là một thách thức. Có hai loại biến đặc trưng, chúng được phân loại thành biến đặc trưng trước sự cố và biến đặc trưng sau sự cố. Trong đó, biến đặc trưng trước sự cố thường là thông số xác lập [13,14,15]. Với những biến đặc trưng trước sự cố, an ninh hệ thống điện có thể được đánh giá trước khi sự cố xảy ra, nếu trạng thái vận hành hiện tại được hiển thị không ổn định, những người vận hành có thể chuẩn bị điều khiển phòng ngừa để dịch chuyển điểm vận hành hệ thống vào các vùng an toàn để tránh nguy cơ mất ổn định. Điều này có thể đảm bảo hệ thống điện vận hành ở trạng thái phòng ngừa, chặn trước những sự kiện ngẫu nhiên, nhưng nó sẽ phải chịu chi phí tốn kém do sự thay đổi trạng thái vận hành hệ thống, chẳng hạn kế hoạch tái phát HVTH: Võ Thanh An Trang 2
17. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh điện. Ngược lại, những biến đặc trưng sau sự cố được sử dụng như là ngõ vào của đánh giá ổn định động, chỉ có thể được thực hiện sau khi một kích động thực sự xảy ra, và nếu sự ổn định được phát hiện bị mất trong thời gian ngắn, những điều khiển phục hồi nên được kích hoạt ngay lập tức, như là ngắt máy phát và/hoặc sa thải phụ tải. Đây là biện pháp đối phó, không mất chi phí nếu những kích động không thực sự xảy ra, nhưng vẫn dẫn đến sự hao phí kinh tế to lớn nếu được thực hiện, chẳng hạn việc loại bỏ các máy phát điện và/hoặc các bus tải là không thể tránh khỏi. Bên cạnh đó, việc sử dụng những biến đặc trưng sau sự cố đòi hỏi một khoảng thời gian đáp ứng nhất định để chẩn đoán sự ổn định [13,14]. Thời gian tới hạn này có thể là quá dài cho những người vận hành thực hiện những hành động khắc phục kịp thời để dừng quá trình mất ổn định quá độ. Mạng nơron nhân tạo (Artificial Neural Network – ANN) cho thấy nhiều hứa hẹn về khả năng của chúng, để dự đoán nhanh chóng và chính xác ổn định động của hệ thống điện, với việc huấn luyện từ một nhóm nhỏ các biến hệ thống. Một trong những yếu tố quan trọng trong việc áp dụng ANN là sử dụng kỹ thuật xử lý dữ liệu, việc lựa chọn và trích xuất biến và mẫu đặc trưng giúp cho hệ thống lựa chọn những dữ liệu đặc trưng tốt nhất có khả năng phân biệt cao nhất [20], qua đó giúp hệ thống xử lý dữ liệu một cách nhanh chóng và độ chính xác chấp nhận. Trong [20] trình bày ANN sử dụng phương pháp nhận dạng mẫu để đánh giá an ninh. Trong [27,29] ứng dụng MLPNN (Multilayer Perceptron Neural Network) để ước lượng biên ổn định quá độ hệ thống điện. Trong [23] CNN (Committee Neural Network), [28] PNN (Probabilistic Neural Network) đã được sử dụng để đánh giá ổn định quá độ qua góc rotor tương đối máy phát. KNN (Kohenen Neural Network) [32], GRNN (Generalized Regression Neural Network) [30], MLFNN (Multilayer Feedforward Neural Network) [24,25,33], BPLNN (Backpropagation Learning Neural Network) [31,22] đánh giá ổn định hệ thống điện qua chỉ số CCT (Critical Clearing Time). Trong các nghiên cứu theo hướng nhận dạng, ANN nhận dạng ổn định động hệ thống điện, việc nhận dạng dựa vào bộ dữ liệu ổn định động trước sự cố thường dùng trong đánh giá an ninh. Với các dữ liệu sau sự cố, ổn định động có thể được HVTH: Võ Thanh An Trang 3
18. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh chẩn đoán khi sự cố ngẫu nhiên xảy ra. Do vậy, thông qua kỹ thuật xử lý dữ liệu, cần thiết phát triển mô hình nhận dạng có khả năng thực hiện nhận dạng ổn định động hệ thống điện thỏa mãn độ chính xác và nâng cao độ tin cậy. Hơn nữa, đối với hệ thống điện nhiều máy, kích thước bộ dữ liệu ổn định động rất lớn. Quy mô lớn của bộ dữ liệu gây tốn chi phí huấn luyện của các hệ thống thông minh. Do đó, cần trích xuất tập dữ liệu đủ gọn nhưng vẫn mang tính đại diện cho hệ thống, giúp huấn luyện chính xác ổn định động hệ thống điện [34,46]. Trong đó, kỹ thuật xử lý dữ liệu bao gồm kỹ thuật lựa chọn biến đặc trưng và kỹ thuật phân cụm dữ liệu. Lựa chọn biến đặc trưng để loại bỏ những biến không thích hợp hoặc những biến thừa, làm giảm số biến đầu vào. Phân cụm dữ liệu giúp phân cụm các mẫu thành một nhóm các mẫu tương tự nhau hoặc gần nhau, nhằm giảm số mẫu dữ liệu đầu vào. 1.2. Tính cấp thiết của đề tài Các phương pháp phân tích hệ thống điện truyền thống tốn nhiều thời gian giải nên gây chậm trễ trong việc ra quyết định, ngoài ra tính phi tuyến của hệ thống điện cũng có một trở ngại trong việc chẩn đoán nhanh ổn định động của hệ thống. Do đó, ANN được khuyến nghị như là một phương pháp thay thế để giải quyết những vấn đề khó khăn mà những phương pháp truyền thống không giải quyết được về tốc độ tính toán cũng như hiệu suất [32]. Bằng quá trình học cơ sở dữ liệu, phân tích mối quan hệ phi tuyến vào ra giữa những thông số vận hành hệ thống điện và tình trạng ổn định , có thể tính toán và ra quyết định nhanh chóng [13]. Đây là đặc điểm quan trọng, đặc trưng của ANN. Tuy nhiên, kích thước lớn của bộ dữ liệu ổn định động gây tốn chi phí huấn luyện đối với ANN. Do đó, để ANN làm viêc̣ nhanh và hiêụ quả thì cần trích xuất tập dữ liệu đủ gọn nhưng vẫn mang tính đại diện cho hệ thống, giúp huấn luyện nhanh và chính xác ổn định động hệ thống điện. Điều này các công trình đã công bố còn là hạn chế, cho nên đòi hỏi phải có kỹ thuật xử lý dữ liệu mới hiệu quả, giúp giải quyết yêu cầu nhận dạng và chẩn đoán nhanh ổn định hệ thống điện, sớm cảnh HVTH: Võ Thanh An Trang 4
19. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh báo trường hợp mất ổn định, giúp hệ thống điều khiển kích hoạt khẩn cấp đưa hệ thống điện về trạng thái ổn định. Kết hợp với các kỹ thuật xử lý dữ liệu, ANN có những đặc điểm nổi bật so với những phương pháp đánh giá ổn định khác bao gồm: tốc độ đánh giá ổn định thời gian thực, yêu cầu dữ liệu ít hơn, khả năng khái quát hóa mạnh mẽ và khả năng mở rộng [13]. Do đó, phương pháp ANN được nhiều nhà khoa học quan tâm nghiên cứu và ứng dụng nhiều trong những năm gần đây. Hơn nữa, ANN với những kỹ thuật xử lý dữ liệu cung cấp kết quả nhanh và chính xác để thực hiện hành động cần thiết trong trường hợp có bất kỳ sự cố ngẫu nhiên xảy ra [24]. Đề tài tập trung nghiên cứu mô hình nhận dạng dùng ANN chẩn đoán nhanh ổn định động hệ thống điện. Các giai đoạn xây dựng mô hình nhận dạng dùng ANN chẩn đoán nhanh ổn định động hệ thống điện bao gồm các bước như sau: 1. Xây dựng cơ sở dữ liệu ổn định động, trong đó bộ cơ sở dữ liệu đáng tin cậy bao trùm một phạm vi toàn diện của các trạng thái vận hành của hệ thống điện. 2. Chuẩn hóa dữ liệu, trong đó kiểm tra xử lý và đưa dữ liệu ban đầu về dạng chuẩn quy định trước. 3. Xử lý dữ liệu, trong đó bao gồm phân cụm dữ liệu và lựa chọn biến đặc trưng, nhằm trích xuất tập dữ liệu đủ gọn nhưng vẫn mang tính đại diện cho hệ thống điện. 4. Huấn luyện mạng, trong đó nắm bắt mối quan hệ giữa ngõ vào và ngõ ra với các thuật toán học để xây dựng mô hình nhận dạng dùng ANN. 5. Đánh giá mô hình, trong đó đánh giá sự thực hiện, độ chính xác, độ tin cậy của mô hình nhận dạng dùng ANN được xây dựng. 1.3. Mục tiêu và nhiệm vụ của luận văn 1.3.1. Mục tiêu của luận văn - Xây dựng mô hình nhận dạng chẩn đoán nhanh ổn định động hệ thống điện với độ chính xác nhận dạng cao. HVTH: Võ Thanh An Trang 5
20. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 1.3.2. Nhiệm vụ của luận văn - Nghiên cứu và xây dựng mô hình nhận dạng ổn định động hệ thống điện dựa trên cơ sở áp dụng mạng nơron có độ chính xác nhận dạng cao (>95%). - Tạo cơ sở dữ liệu đánh giá ổn định động hệ thống điện với sự hỗ trợ của PowerWorld. - Xây dựng các chương trình chọn mẫu và thông số đặc trưng trong môi trường Matlab. - Đánh giá hiệu quả nhận dạng của mô hình mạng nơron đề xuất được xây dựng trên hệ thống điện IEEE 10-máy 39-bus. 1.4. Phạm vi nghiên cứu - Nghiên cứu lý thuyết ổn định hệ thống điện, lý thuyết mạng nơron, - Nghiên cứu quy trình xử lý dữ liệu, rút gọn biến trên cơ sở áp dụng các thuật toán Fisher, Divergence, Relief và rút gọn mẫu trên cơ sở áp dụng thuật toán Kmeans, Fuzzy Cmeans. - Nghiên cứu quy trình xây dựng mô hình nhận dạng ổn định động hệ thống điện dựa trên cơ sở mạng nơron. - Đánh giá hiệu quả mạng nơron đề xuất trên hệ thống điện chuẩn IEEE 10- máy 39-bus. 1.5. Phƣơng pháp nghiên cứu - Phương pháp tham khảo tài liệu liên quan đến luận văn. - Phương pháp mô hình hóa mô phỏng. - Phương pháp phân tích và tổng hợp. 1.6. Ý nghĩa khoa học và giá trị thực tiễn của luận văn - Kết quả nghiên cứu có thể được sử dụng làm tài liệu tham khảo cho học viên cao học ngành kỹ thuật điện trong nghiên cứu bài toán nhận dạng ổn định động hệ thống điện. - Mô hình nhận dạng ANN được xây dựng có thể sử dụng để trợ giúp trong huấn luyện các điều độ viên ra quyết định trong những tình huống khẩn cấp, sớm đưa hệ thống điện về trạng thái ổn định. HVTH: Võ Thanh An Trang 6
21. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh CHƢƠNG 2 ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN 2.1. Ổn định hệ thống điện Hệ thống điện là tập hợp các phần tử phát, dẫn, phân phối có mối quan hệ tương tác lẫn nhau rất phức tạp. Một hệ thống điện có bản chất phi tuyến cao và mang tính động, liên tục trải qua các nhiễu loạn. Theo quan điểm ổn định, nhiễu loạn có thể được chia thành hai loại chính là: các nhiễu loạn ngẫu nhiên và các nhiễu loạn do phụ tải. Các nhiễu loạn ngẫu nhiên xảy ra do sét, ngắn mạch, hư hỏng cách điện và rơ le hoạt động không chính xác, được gọi là các nhiễu loạn lớn hoặc nhiễu loạn sự kiện. Nhiễu loạn phụ tải do các thay đổi ngẫu nhiên trong nhu cầu phụ tải [56]. Trong quá trình vận hành, hệ thống liên tục trải qua các nhiễu loạn gây tổn hại đến ổn định hệ thống điện và nếu hệ thống không đảm bảo được tính ổn định khi có tác động của những nhiễu này, có thể dẫn đến sụp đổ hệ thống điện. Ổn định hệ thống điện là khả năng trở lại vận hành bình thường hoặc ổn định sau khi chịu tác động nhiễu. Đây là điều kiện thiết yếu để hệ thống có thể tồn tại và vận hành. Như ở chế độ xác lập chẳng hạn, để tồn tại phải có sự cân bằng công suất trong hệ thống và đồng thời phải duy trì được độ lệch nhỏ của các thông số dưới những kích động ngẫu nhiên nhỏ, hoặc do tác động của những thao tác đóng cắt, hệ thống điện cần phải chuyển từ chế độ xác lập này sang chế độ xác lập mới [1]. 2.2. Phân loại ổn định hệ thống điện Việc phân loại ổn định hệ thống điện cần phải xem xét nhiều yếu tố như: độ lớn của nhiễu loạn, mô hình hóa chính xác và phân tích nhiễu loạn đặc trưng, thời gian nhiễu loạn tồn tại, thông số hệ thống ảnh hưởng nhiều nhất [56]. Ổn định hệ thống điện được phân loại thành các loại sau: ổn định góc quay rotor, ổn định điện áp và ổn định tĩnh. HVTH: Võ Thanh An Trang 7
22. S K L 0 0 2 1 5 4