Chọn mẫu và thông số điển hình trong đánh giá ổn định động hệ thống điện

Ông đã chứng minh được rằng sử dụng tiêu chuẩn dấu dương của số hạng tự do phương trình đặc trưng của hệ phương trình vi phân quá trình quá độ có thể phát hiện được hầu hết các trường hợ

LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRỌNG

CHỌN MẪU VÀ THÔNG SỐ ĐIỂN HÌNH

TRONG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN

NGÀNH: KỸ THUẬT ĐIỆN – 60520202

Tp Hồ Chí Minh, tháng 10/2015

S K C0 0 4 7 1 4

CHỌN MẪU VÀ THÔNG SỐ ĐIỂN HÌNH TRONG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN

HVTH: Nguyễn Văn Trọng trang 1

hạ thấp để cung cấp trực tiếp cho các phụ tải Đây cũng là phần có nhiều nút và có chiều dài lưới lớn nhất trong HTĐ với nhiều loại phụ tải khác nhau Để đảm bảo cho HTĐ vận hành ở chế độ bình thường thì HTĐ cần thoả mãn các điều kiện về ổn định, tin cậy, đảm bảo chất lượng điện năng và yêu cầu về kinh tế Tuy nhiên, HTĐ không chỉ ở Việt Nam mà còn ở nhiều nước phát triển trên thế giới đang phải đối mặt với nhiều khó khăn thách thức:

+ Thứ nhất là sự tăng trưởng quá nhanh của phụ tải, đặc biệt là các nước đang phát triển như Việt Nam, tỉ lệ tăng trưởng phụ tải khoảng 15-20% mỗi năm đang đặt

ra thách thức lớn cho ngành điện phải đáp ứng kịp thời nhu cầu của phụ tải

+ Thứ hai là sự cạn kiệt tài nguyên thiên nhiên như than đá, dầu mỏ, khí đốt và nguồn nước làm cho việc phát triển các loại nhà máy phát điện mới ngày càng bị giới hạn Việt Nam và các nước trên thế giới đều nhận thức rằng chúng ta đang phải đối mặt với sự cạn kiệt năng lượng sơ cấp và giá nhiên liệu ngày càng tăng trên bình diện quốc tế Năng lượng thủy điện là nguồn năng lượng giá rẻ, kinh tế và an toàn nhất cũng đang dần cạn kiệt vì đã được phát hiện và khai thác gần hết Việc ứng dụng công nghệ hạt nhân trong sản xuất điện đã phổ biến ở nhiều nước trên thế giới nhưng ở nước ta vẫn còn là nguồn năng lượng mới lạ do vấn đề về công nghệ, sự lo

HVTH: Nguyễn Văn Trọng trang 2

ngại về an toàn, nguồn cung cấp nhiên liệu, vốn đầu tư lớn và đặc biệt là vấn đề môi trường khi sự cố xảy ra

+ Thứ ba là sự xuất hiện và sử dụng ngày càng nhiều các nguồn năng lượng tái tạo như nguồn năng lượng gió, năng lượng mặt trời các nguồn năng lượng phân tán này cũng góp phần giảm thiểu gánh nặng cho ngành điện, đáp ứng một phần nhu cầu phụ tải đang gia tăng, làm giảm tổn thất, tiết kiệm chi phí trong truyền tải và phân phối điện Cùng với sự xuất hiện của các thiết bị điện tử công suất cả ở phần truyền tải và phân phối điện đã làm thay đổi căn bản khái niệm về HTĐ truyền thống, làm khó khăn hơn trong quản lý, vận hành, giám sát và điều khiển HTĐ Việc đảm bảo chất lượng điện năng, tính liên tục cung cấp điện đang là thách thức lớn đặt ra với ngành điện

Một số sự cố lớn gần đây ở Việt Nam và trên thế giới đã gây ra những hậu quả

to lớn về kinh tế và nguy cơ rã lưới toàn bộ hệ thống do mất ổn định HTĐ càng trở nên hiện hữu Trong khi việc đánh giá ổn định động cho những HTĐ phức tạp thực

sự là một vấn đề khó khăn, đặc biệt khi xét hệ thống vận hành trong thời gian thực

Do đó, vấn đề nghiên cứu ổn định động HTĐ đang là nhiệm vụ cấp thiết

1.1.2 Hướng nghiên cứu về ổn định hệ thống điện

Đầu thế kỷ 20, nhà bác học người Mỹ R Park khởi đầu cho việc nghiên cứu

ổn định HTĐ dựa trên cơ sở thiết lập hệ phương trình vi phân quá trình quá độ điện

cơ của các máy điện đồng bộ trong hệ tọa độ quay Đồng thời với Park, một loạt các công trình được công bố độc lập của nhà bác học người Nga A.A Goriev trong những năm 1930 – 1935 về mô hình quá trình quá độ trong các máy điện quay đã làm phát triển lý thuyết nghiên cứu ổn định của HTĐ thêm một bước, sau này hệ phương trình đó được gọi tên là Park – Goriev Mô hình quá trình quá độ của HTĐ trong hệ tọa độ quay đã làm đơn giản đáng kể hệ phương trình vi phân mô tả trạng thái quá độ của HTĐ Dựa trên cơ sở đó, các phương pháp toán về ổn định hệ thống

đã được nghiên cứu áp dụng cho HTĐ [5]

Trước tiên, đó là phương pháp dựa trên khái niệm cân bằng năng lượng hay

HVTH: Nguyễn Văn Trọng trang 3

còn gọi là tiêu chuẩn năng lượng Đây là phương pháp khá đơn giản, cho kết quả đúng và áp dụng dễ dàng trong nhiều trường hợp Tuy nhiên, các phương pháp khác sau đó đã chỉ ra rằng, khái niệm ổn định theo ý nghĩa cân bằng năng lượng là không đầy đủ, chỉ phát hiện được các hiện tượng mất ổn định do dao động quán tính Hơn nữa, phương pháp cân bằng năng lượng không có cơ sở chặt chẽ và khó áp dụng đối với HTĐ phức tạp như ngày nay [5]

Một phương pháp khác được nhắc đến là phương pháp dao động bé của A M Lyapunov Chính Goriev trong các công trình của mình đã chỉ ra các cách nghiên cứu ổn định HTĐ theo Lyapunov từ HTĐ đơn giản đến phức tạp Ông đã chứng minh được rằng sử dụng tiêu chuẩn dấu dương của số hạng tự do phương trình đặc trưng của hệ phương trình vi phân quá trình quá độ có thể phát hiện được hầu hết các trường hợp mất ổn định HTĐ, còn gọi là tiêu chuẩn ổn định phi chu kỳ Dựa trên tiêu chuẩn này những cách tính toán phân tích ổn định cho HTĐ phức tạp dạng chung đã được xây dựng và vẫn được áp dụng phổ biến hiện nay trong các chương trình phân tích HTĐ [5]

Phương pháp mô phỏng theo miền thời gian cũng cho kết quả chính xác để đánh giá ổn định quá độ HTĐ nhưng không cho biết biên ổn định của hệ thống, tốn nhiều thời gian do phải giải hệ phương trình vi phân phi tuyến sau sự cố [9,14], cho nên không phù hợp trong đánh giá trực tuyến Phương pháp này cũng không cung cấp thông tin mức độ ổn định hoặc không ổn định

Phương pháp số cho câu trả lời chính xác về ổn định quá độ HTĐ, nhưng gặp khó khăn trong giải phương trình vi phân bậc 2 và mất nhiều thời gian giải [24] Như vậy, các phương pháp truyền thống tốn rất nhiều thời gian tính toán, không phù hợp đánh giá ổn định trong thời gian thực, với yêu cầu rất khắc khe về thời gian tính toán, tính nhanh nhưng phải chính xác đã xuất hiện nhu cầu ứng dụng phương pháp khác hiệu quả hơn

Kỹ thuật nhận dạng mẫu áp dụng đánh giá ổn định động HTĐ bỏ qua giải tích

và thay thế bằng cách học quan hệ mẫu đầu vào và đầu ra, cách tiếp cận theo hướng này [14,15] thì bộ phân loại được huấn luyện off-line và kiểm tra on-line Một số

HVTH: Nguyễn Văn Trọng trang 4

tác giả chọn tín hiệu đầu vào là các biến đặc trưng chế độ xác lập tiền sự cố để chuẩn đoán sự cố qua chỉ số thời gian cắt tới hạn (CCT – Critical Clearing Time) [18,19] Tuy nhiên, việc tìm mối liên hệ giữa các biến đặc trưng trạng thái xác lập

và cấp ổn định vẫn còn là nhiệm vụ khó khăn Hệ thống nhận dạng mẫu tìm kiếm, lọc những mẫu thông tin đặc trưng quan trọng làm mẫu dữ liệu đầu vào, việc trích xuất giảm biến đặc trưng giúp cho hệ thống xử lý dữ liệu một cách nhanh chóng và nâng cao độ chính xác

Mạng nơ-ron nhân tạo (ANN – Artificial Neural Network) là một trong các phương pháp tiếp cận đánh giá ổn định HTĐ đang thu hút được nhiều sự quan tâm của các nhà nghiên cứu do khả năng học hỏi nhanh chóng quan hệ phi tuyến vào/ ra [23,24] Đã có nhiều ứng dụng MLPNN (Multilayer Perceptron Neural Network) để ước lượng biên ổn định quá độ HTĐ

Trong chuẩn đoán ổn định động có thể chia thành hai giai đoạn Một là chuẩn đoán dựa vào biến đặc trưng tiền sự cố ở trạng thái xác lập gồm công suất máy phát, công suất đường dây, điện áp bus, chuẩn đoán này mang tính dự phòng ngăn chặn tích cực sớm [16,17] Hai là, chuẩn đoán ổn định động dựa vào biến đặc trưng sau

sự cố như chỉ số mức độ nghiêm trọng, góc , quỹ đạo điện áp, trong chuẩn đoán này cho biết trạng thái ổn định sắp tới của HTĐ do sự cố gây ra

Trong đánh giá ổn định động được chia làm hai loại chính là chuẩn đoán và đánh giá Chuẩn đoán ổn định động thường tập trung vào chỉ số CCT của hệ thống đối với sự cố, CCT là thời gian cắt sự cố dài nhất cho phép để hệ thống vẫn giữ ổn định ứng với góc công suất cắt chuẩn [18,23] và ba giai đoạn sự cố mà HTĐ trải qua: trước sự cố, đang sự cố và sau sự cố Trong đánh giá ổn định động, không cần quan tâm CCT mà cần quan sát quá trình quá độ xảy ra khi gặp sự cố, câu hỏi mấu chốt trong đánh giá ổn định động là sau dao động quá độ kết quả là HTĐ ổn định hay không ổn định [19] và bài toán chuẩn đoán ổn định quá độ thường xem xét quá trình trước sự cố và sau sự cố, chuẩn đoán ổn định qua xác định góc đồng bộ và thời gian từ lúc dao động đầu tiên

Do kích cỡ HTĐ ngày càng lớn về quy mô, phức tạp về cấu trúc, nếu giải bằng

HVTH: Nguyễn Văn Trọng trang 5

các phương pháp truyền thống sẽ mất nhiều thời gian và gây sự chậm trễ trong việc

ra quyết định nên rất cần giải pháp đánh giá nhanh và tin cậy Hệ thống nhận dạng kết hợp phương pháp ANN, có ưu điểm lớn là khả năng tính toán song song, nhanh

và chính xác cao Để hệ thống nhận dạng ANN có hiệu suất cao thì các biến đặc trưng đầu vào phải được chọn hiệu quả, các biến đặc trưng này lại gia tăng theo kích cỡ HTĐ, nên cần phải tìm giải pháp trích xuất giảm biến đặc trưng, phân loại nhóm dữ liệu biến đặc trưng giúp cho hệ thống nhận dạng ANN xử lý dữ liệu một cách nhanh chóng và nâng cao độ chính xác.Điều này các công trình đã công bố còn

là hạn chế, cho nên đòi hỏi phải có cách mới phân loại mẫu hiệu quả, giúp giải quyết bài toán chuẩn đoán nhanh ổn định HTĐ và cảnh báo sớm trường hợp không

ổn định

ANN là một công cụ tính toán hiệu suất cao được lựa chọn để đánh giá ổn định động HTĐ Hiệu suất của ANN ứng dụng để đánh giá ổn định động HTĐ yêu cầu quá trình huấn luyện ANN có thể bao trùm toàn bộ những kịch bản vận hành hệ thống mà không ảnh hưởng đến cấu trúc hệ thống hoặc mức công suất phụ tải Vì vậy, quá trình lựa chọn những biến đặc trưng phù hợp là yêu cầu để xây dựng một công cụ tối ưu để đánh giá chính xác ổn định động HTĐ

So sánh với những phương pháp đánh giá ổn định khác, những đặc điểm nổi bật của ANN gồm: tốc độ đánh giá ổn định theo thời gian thực, yêu cầu ít dữ liệu

hơn, khả năng tổng hợp và mở rộng cao hơn

Điển hình sự phát triển của hệ thống nhận dạng gồm những bước sau:

- Tạo cơ sở dữ liệu

- Thiết lập các mẫu dữ liệu ngõ vào/ngõ ra

- Trích xuất tri thức (bao gồm mối quan hệ giữa mẫu dữ liệu ngõ vào và ngõ

ra cùng thuật toán học)

- So sánh, đánh giá hiệu suất của ANN

Các nghiên cứu gần đây chủ yếu tập trung vào bước thứ ba trong khi ít quan tâm đến bước lựa chọn biến đặc trưng ngõ vào, thực tế là bước rất quan trọng ảnh hưởng đến hiệu suất của ANN Nó không chỉ quyết định đến thời gian tính toán

HVTH: Nguyễn Văn Trọng trang 6

trong quá trình mô phỏng off-line mà còn tác động rất lớn đến độ chính xác

Lựa chọn biến đặc trưng rất quan trọng trong bước xây dựng hệ thống nhận dạng đánh giá ổn định động HTĐ dùng mạng nơ-ron Các công trình nghiên cứu gần đây chưa thực sự hiệu quả và có hệ thống về vấn đề lựa chọn biến đặc trưng cho đánh giá ổn định HTĐ Do đó sự cần thiết giới thiệu, bổ sung thêm một số phương pháp mới để làm phong phú thêm những phương pháp lựa chọn biến đặc trưng Mục tiêu của luận văn nhằm bổ sung những điểm cần thiết trên

1.2 Mục tiêu của đề tài

 Tạo mẫu và lựa chọn thông số điển hình cho HTĐ, và dựa trên cơ sở mạng nơ-ron truyền thẳng nhiều lớp để nhận dạng nhanh trạng thái ổn định động HTĐ

1.3 Nhiệm vụ của đề tài và giới hạn đề tài

1.3.1 Nhiệm vụ của đề tài

 Nghiên cứu lý thuyết mạng nơ-ron, nhận dạng và ổn định HTĐ;

 Tạo mẫu và lựa chọn thông số điển hình trong đánh giá ổn định động HTĐ;

 Ứng dụng phần mềm Matlab, PowerWorld nhằm tạo cơ sở dữ liệu và xây dựng mô hình mô phỏng để nhận dạng ổn định động HTĐ;

 Đánh giá hiệu quả của phương pháp nhận dạng đề xuất

1.3.2 Giới hạn đề tài

 Thử nghiệm phương pháp nhận dạng ổn định động HTĐ điển hình (hệ thống IEEE 30bus, 6 máy phát) với các dạng sự cố xảy ra

1.4 Phương pháp nghiên cứu

 Nghiên cứu tài liệu;

 Mô hình hóa và mô phỏng;

 Mạng nơ-ron;

 Phân tích, tổng hợp

HVTH: Nguyễn Văn Trọng trang 7

 Một nơ-ron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV);

 Chỉ có một đầu ra duy nhất của một nơ-ron được nối với các đầu vào khác nhau của nơ-ron khác Điều kiện để nơ-ron được kích hoạt hay không kích hoạt chỉ phụ thuộc những đầu vào hiện thời của chính nó Thông thường một nơ-ron có 3 phần như Hình 2.1:

Hình 2.1: Mô hình nơ-ron nhân tạo

Trên mỗi đầu vào của nơ-ron có gắn một trọng số để liên kết giữa nơ-ron thứ i

và ron thứ j Các trọng số này tương tự như các tế bào cảm giác của mạng ron sinh học

W

* im

W

⅀

Hệ động học tuyến tính

Hàm động học phi tuyến ặ)

HVTH: Nguyễn Văn Trọng trang 8

Với Vi(t) là tổng trọng của nơ-ron thứ i; yj(t) là các đầu ra của nơ-ron thứ j và

uk(t) là các đầu vào từ bên ngoài tương ứng với các trọng số Wij và W*ik; θi là hằng

số, gọi là ngưỡng của nơ-ron thứ i

2.1.2 Cấu trúc mạng nơ-ron nhân tạo

Bộ não con người có khoảng 1011

÷1012 nơ-ron Mỗi nơ-ron có thể liên kết với

104 nơ-ron khác thông qua các khớp nối (dendrite) Các nơ-ron nhận tín hiệu điện từ các khớp nối và sau khi tổng hợp của các tín hiệu này vượt quá một ngưỡng cho phép thì nơ-ron sẽ kích hoạt một tín hiệu điện ở ngõ ra để truyền tới trục nơ-ron (axon) và dẫn đến các nơ-ron khác

Hình 2.2: Cấu trúc 1 nơ-ron sinh học

Hình 2.3: Sự liên kết của nơ-ron

Mạng nơ-ron nhân tạo cũng hoạt động dựa theo cách thức của bộ não con

Khớp nối

Mối nối

Tín hiệu ra từ các trục nơ-ron khác Trục nơ-ron

Thân nơ-ron

HVTH: Nguyễn Văn Trọng trang 9

người nhưng ở cấp độ đơn giản hơn Nó là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người gồm vô số các nơ-ron liên kết với nhau (Hình 2.3) Hai đặc tính cơ bản của mạng nơ-ron là:

 Quá trình tính toán được tiến hành song song và phân tán trên nhiều nơ-ron gần như đồng thời

 Tính toán thực chất là quá trình học, chứ không phải theo sơ đồ định sẵn từ trước

2.1.3 Mô hình toán của mạng nơ-ron nhân tạo

Mạng nơ-ron nhân tạo gồm 3 thuộc tính: trọng số kết nối, ngưỡng phân cực và hàm kích hoạt

Hình 2.4: Mô hình toán của 1 nơ-ron nhân tạo

Ta đặt X [ ,x x1 2, ,x n]Tlà cường độ của vector ngõ vào

Ngõ ra của mạng được tính theo công thức:

+ Ngưỡng phân cực (ký hiệu θ) là giá trị biên độ độ lệch, nó ảnh hưởng đến

sự kích hoạt ngõ ra của nơ-ron theo công thức:

T

+ Hàm kích hoạt: xử lý thông tin tín hiệu đầu vào và tín hiệu đầu ra

Hàm tổng (u): dùng để kết hợp và xử lý các thông tin ở đầu vào

HVTH: Nguyễn Văn Trọng trang 10

 Hàm tuyến tính (linear fuction)

Thông thường, hàm tổng được sử dụng nhiều nhất là hàm tuyến tính

Hàm kích hoạt để xử lý tín hiệu ngõ ra với một số kiểu hàm thông dụng:

HVTH: Nguyễn Văn Trọng trang 11

+ Hàm tuyến tính (linear fuction):

Với λ là hệ số dạng của hàm sigmoid

Hàm này đặc biệt thuận lợi khi sử dụng cho các mạng đƣợc huấn luyện bởi thuật toán lan truyền ngƣợc (backpropagation) vì dễ lấy đạo hàm, do đó có thể giảm

o

HVTH: Nguyễn Văn Trọng trang 12

đáng kể tính toán trong quá trình huấn luyện Hàm này được ứng dụng cho các

chương trình ứng dụng mà các đầu ra mong muốn rơi vào khoảng [0,1]

-1 f(u)

1

0.7

0.3 0.5 f(u)

HVTH: Nguyễn Văn Trọng trang 13

2.1.4 Phân loại mạng nơ-ron

Nelson và Illingworth (1991) đã đưa ra một số loại cấu trúc của mạng nơ-ron Nơ-ron được vẽ là các vòng tròn xem như một tế bào thần kinh, chúng có các mối liên hệ đến các nơ-ron khác nhờ các trọng số, lập thành các ma trận trọng số tương ứng, mỗi một nơ-ron có thể phối hợp với các nơ-ron khác tạo thành một lớp các trọng số Mạng một lớp truyền thẳng (Single- Layer Feedforward Network) Hình 2.11

Hình 2.11: Mạng nơ-ron truyền thẳng một lớp

Có thể nối vài lớp nơ-ron với nhau tạo thành mạng nhiều lớp truyền thẳng (Multi- Layer Feedforward Network) Hình 2.12

Hình 2.12: Mạng nơ-ron truyền thẳng nhiều lớp

Hai loại mạng nơ-ron một lớp và nhiều lớp được gọi là truyền thẳng nếu đầu

ra của mỗi nơ-ron được nối với các đầu vào của các nơ-ron thuộc lớp trước đó Mạng nơ-ron phản hồi là mạng có đầu ra của mỗi nơ-ron được quay trở lại nối với đầu vào của các nơ-ron cùng lớp như Hình 2.13 Mạng nơ-ron phản hồi có thể thực hiện đóng vòng được gọi là mạng nơ-ron hồi quy (Recurrent Network) Hình 2.14