Sa thải phụ tải dựa trên nhận dạng nhanh ổn định động hệ thống điện

Chia sẻ: Bình Bình | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

28
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này đề xuất một phương pháp kiểm soát giảm tải mới dựa trên việc xác định nhanh sự mất ổn định của hệ thống điện. Thuật toán phân cụm K-mean được sử dụng để chia chế độ mất ổn định thành các cụm. Kết quả phân tích của cụm này được sử dụng làm cơ sở để kiểm soát phân loại.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Sa thải phụ tải dựa trên nhận dạng nhanh ổn định động hệ thống điện

6 Nguyễn Ngọc Âu, Lê Trọng Nghĩa, Quyền Huy Ánh, Phan Thi Thanh Bình SA THẢI PHỤ TẢI DỰA TRÊN NHẬN DẠNG NHANH ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN A LOAD SHEDDING CONTROL STRATEGY BASED ON FAST DYNAMIC STABILITY RECOGNITION OF POWER SYSTEM Nguyễn Ngọc Âu1*, Lê Trọng Nghĩa1, Quyền Huy Ánh1, Phan Thi Thanh Bình2 1 Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh; *ngocau@hcmute.edu.vn 2 Trường Đại học Bách khoa Thành phố Hồ Chí Minh Tóm tắt - Sa thải phụ tải là một trong những giải pháp quan trọng Abstract - Load shedding is one of the important measures to trong việc ngăn ngừa tan rã lưới điện. Bài báo này đề xuấ t mô hin ̀ h prevent the power system blackout. This paper proposes a new mới trong điề u khiể n sa thải phụ tải dựa trên nhận dạng nhanh trạng method of load shedding control based on the fast identification of thái ổ n đinh ̣ động hệ thố ng điện. Giải thuật K-means được áp dụng the instability of the power system. K-means clustering algorithm is để phân nhóm chế độ mấ t ổ n đinh ̣ thành các nhóm chế độ con. Kết used to divide the instability mode into clusters. The results of quả phân tích các nhóm con này được sử dụng để phân lớp điều analysis of this cluster are used as the basis for classification khiển. Chiến lược sa thải phụ tải gồ m các luật thiế t kế sẵn dựa trên control. Building load shedding strategies consist of the pre- thuật toán AHP. Khi bộ nhận dạng phát hiện hệ thố ng điện mất ổ n designed rules based on AHP algorithm. When the recognition of đinh ̣ thì ngay lập tức lệnh điề u khiể n sa thải phụ tải đượ c thi hành, the power system instability is detected, the signal of load shedding do đó thời gian ra quyế t đinh ̣ rút ngắn rất nhiều so với các phương control is triggered immediately. Therefore, the decision time is pháp truyền thống. Hiệu quả của phương pháp đề xuất đượ c kiể m greatly shortened comparing to that of the traditional methods. The tra trên sơ đồ hệ thố ng điện chuẩ n IEEE 39-bus nhằm khắc phục effectiveness of the proposed method is tested on the IEEE 39-bus những hạn chế của các phương pháp truyền thống. to overcome the limitations of the traditional methods. Từ khóa - sa thải phụ tải; nhận dạng; K-means; phân cụm dữ liệu; Key words - load shedding; recognition; K-means; data clustering; ổn định động hệ thống điện. dynamic power system stability. 1. Giới thiệu hay không ổ n đinh, ̣ bô ̣ nhâ ̣n da ̣ng thứ hai (ANN2) phân Các quá đô ̣ dao đô ̣ng lớn do sự cố gây ra mấ t ổ n đinḥ nhóm chiế n lươ ̣c sa thải phu ̣ tải gửi đế n bô ̣ điều khiển. Các cầ n phát hiê ̣n nhanh giúp đưa ra quyế t đinh ̣ điề u khiể n khẩ n chiế n lươ ̣c sa thải phu ̣ tải đươ ̣c phát triển dựa trên thuật cấ p nhằm tránh hiê ̣n tươṇ g tan rã lưới điê ̣n. Sa thải phụ tải toán AHP (Analytic Hierarchy Process) tương ứng với các được xem là một trong các những phương pháp được áp nhóm sự cố đã được xếp lớp. Dữ liệu học của ANN2 được dụng trong các tình huống khẩn cấp giúp tránh mất ổn định. xử lý nhờ giải thuật phân cu ̣m dữ liê ̣u K-means phân nhóm Các nghiên cứu sa thải phụ tải dưới tần số (UFLS) nhằm dữ liê ̣u mấ t ổ n đinḥ thành các nhóm dữ liê ̣u con (Cluster) ngăn ngừa tần số giảm sâu sau khi sự cố xảy ra [1-3]. Các và làm cơ sở xây dựng chiến lược sa thải phụ tải. Đề xuấ t relay sa thải dưới tần số được cài đặt để sa thải một lượng này kế t hơ ̣p đươ ̣c sức ma ̣nh tính toán nhanh của ANN và công suất tải cố định đã được xác định trước trong khoảng luâ ̣t sa thải phu ̣ tải thiế t kế sẵ n, giúp hê ̣ thố ng điề u khiể n ra 3 đến 5 bước khi tần số xuống dưới ngưỡng cài đặt nhằm quyế t đinḥ sớm, tránh tan rã lưới điê ̣n, thời gian phục hồi giữ ổn định hệ thống điện (HTĐ). Nhằm tăng hiệu quả sa nhanh mà phương pháp truyền thống không thể đáp ứng thải tải, một số phương pháp sa thải tải dựa trên sự suy giảm đươ ̣c. Kế t quả đươ ̣c kiể m chứng trên sơ đồ hê ̣ thố ng điê ̣n tần số (df/dt) được đề xuất áp dụng [5]. Các phương pháp chuẩ n IEEE 39-bus cho thấ y hiệu quả của phương pháp đề này chủ yếu khôi phục tần số về giá trị cho phép và ngăn xuất. ngừa rã lưới điện. Để tối ưu hóa lượng công suất sa thải 2. Phương pháp tiếp cận phụ tải, các phương pháp thông minh được đề xuất như: artificial neural networks (ANNs) [4], fuzzy logic, 2.1. Mô hin ̀ h nhận daṇ g neurofuzzy, particle swarm optimization (PSO), genetic Mô hình nhâ ̣n da ̣ng ổn định động HTĐ là mô hình quan algorithm (GA) [5]. Các công bố này tâ ̣p trung chủ yếu hệ yi = f(xi) giữa đầu vào và đầu ra, sau khi học từ cơ sở dữ hướng giải quyế t dựa trên sa thải phụ tải dưới tần số trong liệu ổn định động HTĐ D  {xi , yi }i 1 , trong đó, xi là n điều kiện chế độ vận hành xác lập của HTĐ. Tuy nhiên, do tính phức tạp của HTĐ nên trong chế độ khẩn cấp gă ̣p gánh véc-tơ đặc trưng trạng thái HTĐ với n biến đầu vào, và yi nă ̣ng tính toán, hoặc phải sa thải phụ tải thụ động sau khi là biến đầu ra tương ứng. tần số dưới ngưỡng cho phép, điều này gây chậm trễ trong 2.2. Tập biế n và mẫu ra quyết định dẫn đế n mấ t ổn định HTĐ. Véc-tơ biến đầu vào chứa thông tin đặc trưng của trạng Phương pháp nhâ ̣n da ̣ng có khả năng đánh giá nhanh, thái HTĐ. Thông số của biến sự cố chứa sự thay đổi tức thì đáp ứng yêu cầ u phân loại tra ̣ng thái không ổ n đinh ̣ hê ̣ của các thông số trạng thái ngay khi sự cố xảy ra như độ thố ng điê ̣n giúp ra quyết định điều khiển sớm. Bài báo đề thay đổi công suất các nút tải (∆Pload), độ sụt áp tại các bus xuấ t ý tưởng xây dựng chiến lược sa thải phụ tải trên cơ sở (∆Vbus), độ thay đổi công suất trên các nhánh (∆P flow). nhận dạng nhanh chế độ không ổn định HTĐ ứng dụng kỹ Véc-tơ biến đầu ra đại diện cho trạng thái của HTĐ. HTĐ thuật ANN. Khâu nhâ ̣n da ̣ng gồ m 2 bô ̣ nhâ ̣n da ̣ng: bô ̣ thứ là ổn định khi độ lệch góc rotor của bất kỳ hai máy phát nhấ t (ANN1) nhâ ̣n da ̣ng tra ̣ng thái hê ̣ thố ng điê ̣n ổ n đinḥ không quá 180°, và là không ổn định khi độ lệch góc rotor
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(120).2017, QUYỂN 2 7 của bất kỳ hai máy phát vượt quá 180°. Biến đầu ra được ni gán cho nhãn biến nhị phân là y{10,01}, lớp 1 {10} là lớp x l 1 l ổn định, lớp 2 {01} là lớp không ổn định. Các dữ liê ̣u đươ ̣c mi = (4) chuẩ n hoá trước khi huấ n luyê ̣n. ni 2.3. Lựa chọn biế n Trong đó: mi là tro ̣ng tâm của cu ̣m Ci, xl là véc-tơ phầ n Lựa chọn tập biến là chọn véc-tơ z có d biến với d < n, tử trong nhóm i, ni là số lươṇ g các véc-tơ phầ n tử trong d là đại diện cho cơ sở dữ liệu ban đầu với cỡ dữ liệu mới nhóm thứ i, ||.|| là khoảng cách Euclide. Dnew  {z i , yi }id1 và quan hệ đầu vào và đầu ra mới Giải thuật K-means được trình bày như sau: Algorithm 1. Giải thuâ ̣t Kmeans ynewi = fnew(zi). Quá trình này gồm các bước: xác định tập biến và dữ Input: X{x1, x2, …, xN} tâ ̣p mẫu ban đầ u với số biế n liệu ban đầu, chọn các tập biến, đánh giá chọn tập biến là l và số mẫu là N. K tâm ban đầ u. [6-7]. Trong bài báo này, chúng tôi giới thiê ̣u hai chuẩ n Output: C{c1, c2, …, ck} = C{cp} tâ ̣p tâm đa ̣i diê ̣n có cho ̣n biế n là chuẩ n Fisher và chuẩ n Scatter matrices. k tâm ban đầ u, p = [1, k]. Tiêu chuẩ n Fisher: Đây là phương pháp đơn giản 1. Khởi ta ̣o k tâm ban đầ u ngẫu nhiên, C{c1, c2, đươ ̣c nhiề u công trình áp du ̣ng để cho ̣n biế n đặc trưng [8]. …, ck}. Tiêu chuẩ n Fisher cho ̣n biế n như biểu thức (1), các biến có 2. Tính toán khoảng cách Euclide từ các mẫu xi giá trị F lớn hơn thì quan tro ̣ng hơn. đế n các tâm ck, d(x,c). m1  m2 2 3. Đưa các xi vào ck thoả điề u kiê ̣n công thức (3). F (1) 12   22 4. Xác đinh ̣ tâm mới dựa vào công thức (4). Trong đó: mi là giá trị trung bình của lớp Ci và 2i là 5. Lă ̣p la ̣i bước 2 đế n bước 4, giải thuâ ̣t dừng khi phương sai của lớp Ci. tâm không đổ i. Tiêu chuẩ n Scatter matrices: Theo lý thuyế t về 2.5. Thời gian delay sa thải phụ tải Scatter Matrices, độ tách biệt lớp của tập biến được đo lường Trong nghiên cứu ổn định HTĐ, thời gian sa thải phụ tải bởi hàm mục tiêu J theo biểu thức (2). Chi tiế t về Scatter tshed đóng vai trò rất quan trọng. Khoảng thời gian tshed này có Matrices được trình bày trình bày trong các tài liê ̣u [9-10]. thể dẫn đến hệ thống mất ổn định hay không. Thời gian tác 1 động của các relay sa thải phụ tải dưới tần số (UFLS) khoảng J  trace{S w S m } (2) 0,1 s [4]. Ứng dụng công nghệ tính toán thông minh, khoảng Trong đó : SW là ma trâ ̣n nhó m trong; S m là ma trâ ̣n thời gian đề xuất sa thải phụ tải hiệu quả yêu cầu nhỏ hơn 500 hiê ̣p phương sai của toàn tâ ̣p mẫu; trace là tổ ng đường ms. Trong bài báo này, khoảng thời gian sa thải tính toán là chéo của ma trâ ̣n. Trong đó, J ở biểu thức (2) là giá tri ̣ 200 ms bao gồm: đo lường thu thập dữ liệu, truyền dữ liệu đi mu ̣c tiêu giúp dẫn đường cho giải thuâ ̣t tì m kiế m tâ ̣p biế n. về, xử lý dữ liệu và tác động cắt máy cắt. Tuy khiên, để đảm Giá trị J của nhó m biế n càng biế n lớn thì nhó m biế n càng bảo biên độ an toàn trong thời gian thực, cũng như sai số cho quan tro ̣ng hơn. phép, khoảng thời gian 100 ms được tính vào [13]. Vì vậy, khi Bài báo này áp du ̣ng 2 giải thuâ ̣t cho ̣n biế n là phương mô phỏng, chúng tôi đề xuất cài đặt thời gian cắt tải là 300 ms. pháp xế p ha ̣ng biế n dựa trên chuẩ n Fisher và giải thuâ ̣t 2.6. Mô hình AHP Sequential Floating Forward Search (SFFS). Hai phương Phương pháp AHP xác định tầm quan trọng của các đơn pháp này đã đươc̣ chúng tôi giới thiê ̣u và áp du ̣ng cho vị tải trong HTĐ, thực hiện qua các bước sau [14]: công trình công bố trước đây [7], và chi tiế t giải thuâ ̣t SFFS trong [9, 12]. Bước 1: Xác định các vùng trung tâm tải (Load Center) LCi [15] và các đơn vị tải (Load Unit) Li. 2.4. Phân cụm dữ liê ̣u Bước 2: Xây dựng mô hình hệ thống phân cấp AHP K-means là giải thuâ ̣t phân cụm dữ liệu nổi tiếng mà gồm các vùng trung tâm tải và các đơn vị tải trình bày ở đa ̣i diê ̣n các cụm bởi tâm của các phầ n tử trong cu ̣m. Hình 1. Phương pháp này dựa trên độ đo khoảng cách của các đối tượng dữ liệu trong cụm. Thuật toán K-means sinh k cụm dữ liệu {C1, C2, …, Ck} từ một tập dữ liệu chứa n mẫu trong không gian d chiều {xil, i = [1,n], l = [1,d]} sao cho hà m tiêu chuẩ n đa ̣t giá tri ̣cực tiể u. K-means cần khởi tạo một tập k tâm ban đầu, và thông qua đó giải thuâ ̣t lặp lại các bước gồm gán mỗi đối tượng tới cụm gần tâm, và tính toán lại tâm của mỗi cụm trên cơ sở gán mới cho các đối tượng. Quá trình dừng khi các tâm không đổ i. Tiêu chuẩ n đô ̣ lê ̣ch bình phương, hay hàm mu ̣c tiêu DE đươc̣ đinh ̣ nghiã như sau: k n 2 D E = ∑∑ x j - m i (3) Hình 1. Mô hình phân cấp AHP gồm i =1 j các vùng trung tâm tải và các đơn vị tải
8 Nguyễn Ngọc Âu, Lê Trọng Nghĩa, Quyền Huy Ánh, Phan Thi Thanh Bình Bước 3: Xây dựng ma trận phán đoán LC và Li thể hiện Bô ̣ nhâ ̣n da ̣ng ANN2: Thực hiện phân lớp để điều tầm quan trọng giữa các trung tâm tải và các nút tải. Giá trị khiển, áp du ̣ng giải thuâ ̣t K-means để phân nhóm dữ liê ̣u của các thành phần trong ma trận phán đoán phản ánh kinh mấ t ổ n đinh ̣ thành các nhóm dữ liê ̣u con và làm cơ sở xây nghiệm tri thức của người sử dụng về tầm quan trọng mối dựng chiến lược sa thải phụ tải. K-means được áp dụng là liên hệ giữa các cặp hệ số như (5), (6). nhờ vào thuật toán đơn giản, tính toán nhanh. Đây là giải Bước 4: Xác định trọng số tầm quan trọng của các vùng thuật nổi tiếng trong áp dụng phân cụm dữ liệu. Như vậy, trung tâm tải so với nhau và trọng số tầm quan trọng của dữ liệu học của ANN2 là dữ liệu được phân cụm bởi giải các đơn vị phụ tải trong cùng một vùng phụ tải trên cơ sở thuật Kmeans. ANN2 nhận biến đầu vào khi ANN1 báo xây dựng ma trận phán đoán. “Không ổn định” và đầu ra là các chiến lược sa thải phụ tải. Ma trâ ̣n ngõ ra được tính toán theo luật số lớn.  w K1 /w K1 w K1 /w K2 ..... w K1 /w Kn  (5)   w /w w /w ..... w K2 /w Dn  LC   K2 K1 K2 K2 . . .     w Kn /w K1 w Kn /w K2 ..... w Kn /w Kn   w D1 /w D1 w D1 /w D2 ..... w D1 /w Dn    w /w w /w ..... w D2 /w Dn  Li   D2 D1 D2 D2 (6) . . .     w Dn /w D1 w Dn /w D2 ..... w Dn /w Dn  Ở đây, wDi/wDj mô tả mức quan trọng tương đối của phụ tải thứ i được so sánh với phụ tải thứ j; wKi/wKj mô tả mức quan trọng tương đối trung tâm phụ tải thứ i được so sánh với trung tâm phụ tải thứ j. Giá trị wDi/wDj; wki/wkj có thể có được theo kinh nghiệm của các chuyên gia hoặc người vận hành hệ thống thông qua sử dụng phương pháp tỷ lệ “1-9”. Bước 5: Tính toán trọng số tầm quan trọng của các đơn vị tải trong toàn hệ thống. Theo nguyên lý của AHP, các hệ số quan trọng của tải có thể được xác định thông qua việc tính toán các phán Hình 3. Quy trình xây dựng chiến lược điều khiển đoán cơ bản, phản ảnh sự so sánh và phán đoán của một Bô ̣ sa thải phu ̣ tải: gồm các chiến lược sa thải phụ tải chuỗi cặp các hệ số. Hệ số quan trọng của tải wDi đối với dựa trên thuật toán AHP để sa thải phụ tải ưu tiên theo thứ toàn hệ thống có thể đạt được từ công thức (7). tự tầm quan trọng của tải. Quy trình xây dựng nhóm chiến wij = wkj  wDi Di  Kj (7) lược điều khiển như Hình 3. Trong đó: Di  Kj nghĩa là tải Di được định vị trong tâm tải Kj. 4. Kế t quả Bước 6: Sắp xếp theo thứ tự giảm dần tầm quan trọng 4.1. Biế n và mẫu ban đầ u của từng đơn vị phụ tải để thực hiện chiến lược sa thải theo Trong phầ n này, mô hình đươ ̣c đề nghi ̣kiể m tra trên sơ mức ưu tiên. đồ IEEE 39-bus, 10 máy phát, tầ n số 60 Hz đươ ̣c trình bày 3. Mô hin ̀ h đề nghi ̣ ở Hình 4. Hình 2. Mô hình online điề u khiển sa thải phụ tải Mô hình đề nghị được trình bày như Hình 2 gồ m: Biế n đầ u vào: Tín hiê ̣u ngõ vào đươ ̣c lấ y từ các thiết bị đo lường để nhận dạng nhanh trạng thái không ổn định HTĐ khi có sự cố. Bô ̣ nhâ ̣n da ̣ng ANN1: Nhâ ̣n tín hiê ̣u từ biế n đầ u vào, Hình 4. Sơ đồ HTĐ IEEE 39-bus biế n đầ u ra cho biế t hê ̣ thố ng “Ổn đinh” ̣ hay “Không ổ n Phầ n mề m PowerWorld tính toán mẫu công suấ t phát đinh” ̣ và gử tín hiệu đến bộ sa thải phụ tải. tương ứng nhờ công cu ̣ tính toán phân bố công suấ t tố i ưu
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(120).2017, QUYỂN 2 9 OPF.Thực hiện mô phỏng off-line để thu thập dữ liệu cho 4.3. Kế t quả tính toán các nhóm chiế n lược sa thải phụ tải đánh giá ổn định động HTĐ với mức tải từ 100% tải cơ Từ kế t quả phân cu ̣m dữ liê ̣u của Bảng 1, đề xuất chiế n bản, thời gian cắt ngắn mạch cài đặt là 50 ms. Bài báo này lược sa thải phu ̣ tải cho 5 cụm dữ liệu dựa trên thuật toán AHP. xem xét các sự cố ngắn mạch ba pha, mô ̣t pha cha ̣m đấ t, Bảng 3. Các chiến lược sa thải phụ tải dựa trên AHP hai pha tại tất cả các thanh góp và dọc các đường dây truyền tải với mỗ i khoảng cách 5% chiề u dài đường dây. Biến đầu Chiến lược điều khiển Các tải sa thải vào và biến đầu ra là: x{∆Vbus, ∆Pload, ∆Pflow} và y{10,01}. LS1 L31, L12 Tổng số biến đầu vào là 104(39+19+46), 1 biến đầu ra. LS2 L31, L12, L18 Để tiế n hành cho ̣n biế n, tâ ̣p dữ liê ̣u đươ ̣c chia ngẫu LS3 L31, L12, L18, L26 nhiên làm 10 tâ ̣p con có kích cỡ bằ ng nhau. Mỗ i tâ ̣p huấ n LS4 L31, L12, L18, L26, L23, L25 luyê ̣n có 142 mẫu ổ n đinh ̣ và 137 mẫu không ổ n đinh, ̣ tâ ̣p kiể m tra có 16 mẫu ổ n đinh LS5 L31, L12, L18, L26, L23, L25, L28 ̣ và 15 mẫu không ổ n đinh. ̣ Kế t quả huấ n luyê ̣n và kiể m tra đươ ̣c tính toán trung bình cho 10 lầ n thực hiê ̣n. Bài báo áp du ̣ng bô ̣ nhâ ̣n da ̣ng K-Nearest 5. Mô phỏng thử nghiệm Neighbor (1-NN, K=1) để thực hiê ̣n đánh giá đô ̣ chính xác Dưới đây trình bày tính toán hê ̣ số tầ m quan tro ̣ng của cho ̣n tâ ̣p biế n nhờ vào tính đơn giản của nó, kế t quả đánh phu ̣ tải dựa trên thuâ ̣t toán AHP và mô phỏng minh hoa ̣ sa giá đô ̣ chính xác kiể m tra trình bày ở Hình 5. thải phu ̣ tải trên HTĐ IEEE 39-bus với sự hỗ trơ ̣ của phần mềm PowerWorld cho trường hơ ̣p sự cố ta ̣i Bus 30. 0.96 5.1. Tính toán hệ số tầm quan trọng của phụ tải dựa trên 0.95 thuật toán AHP Trong sơ đồ IEEE 39-bus, áp dụng AHP xây dựng 4 AccRate(%) 0.94 SFFS Fisher trung tâm tải, 19 đơn vị tải như Hình 4. Xây dựng ma trận 0.93 phán đoán của các trung tâm tải LCi và các tải Li trong trung 0.92 tâm tải. Các ma trận phán đoán và kết quả tính toán tầm quan trọng của tải được trình bày ở các Bảng 4 - 9. 0.91 12 13 14 15 16 17 18 19 20 Bảng 4. Ma trận phán đoán của các trung tâm tải LCi Feature (d) Hình 5. Độ chính xác kiể m tra chọn biế n LC1 LC2 LC3 LC4 Từ kế t quả Hình 5, đô ̣ chính xác kiể m tra khi cho ̣n biến LC1 1/1 4/1 2/1 5/1 theo phương pháp Fisher và SFFS là 93,5% và 95,8% LC2 1/4 1/1 1/2 2/1 tương ứng với số biế n là 15 và 14 biế n. Từ đó, số biế n đươ ̣c LC3 1/2 2/1 1/1 3/1 cho ̣n là 14 biế n theo phương pháp SFFS. LC4 1/5 1/2 1/3 1/1 Với 14 biế n đươ ̣c cho ̣n, tiế n hành huấ n luyê ̣n ANN1 Bảng 5. Ma trận phán đoán Li của các tải trong LC1 với các công cụ mạng neural được hỗ trợ bởi phần mềm Matlab. Cấ u hình và thông số ma ̣ng neural perceptron gồ m L3 L4 L18 L25 L39 3 lớp: lớp vào, lớp ẩ n và lớp ra. Giải thuật cập nhật trọng L3 1/1 1/2 3/1 2/1 1/4 số và bias là Levenberg-Marquardt đươ ̣c khuyên dùng nhờ L4 2/1 1/1 3/1 2/1 1/3 tính toán nhanh. Số chu kỳ huấ n luyê ̣n là 1.000, sai số huấ n L18 1/3 1/3 1/1 1/2 1/7 luyê ̣n 1e-5, các thông số khác mặc định. Cài đă ̣t thông số L25 1/2 1/2 2/1 1/1 1/5 và cách chia dữ liê ̣u huấ n luyê ̣n và kiể m tra là như nhau cho ANN1 và ANN2: 14 ngõ vào, sử dụng hàm kích hoạt L39 4/1 3/1 7/1 5/1 1/1 purelin, hàm ẩ n tansig với số neural ẩn bằ ng 10, lớp ra có Bảng 6. Ma trận phán đoán Li của các tải trong LC2 một neural với ANN1 và 5 neural với ANN2. L26 L27 L28 L29 4.2. Kế t quả phân nhóm dữ liê ̣u và huấn luyện L26 1/1 1/2 1/2 1/3 Thực nghiê ̣m thử sai, bài báo cho ̣n 5 chiế n lươ ̣c sa thải L27 2/1 1/1 2/1 1/1 tải tương ứng với 5 cu ̣m dữ liê ̣u mấ t ổ n đinh. ̣ Giải thuâ ̣t L28 2/1 1/2 1/1 1/2 K-means tách 152 mẫu mấ t ổ n đinh ̣ thành 5 Cluster với số mẫu như Bảng 1, kết quả huấn luyện được trình bày ở Bảng 2. L29 3/1 1/1 2/1 1/1 Bảng 1. Kế t quả phân cụm dữ liê ̣u mất ổn định Bảng 7. Ma trận phán đoán của các tải Li trong LC3 Tổ ng mẫu mấ t ổ n đinh: ̣ 152 L15 L16 L20 L21 L23 L24 1 2 3 4 5 L15 1/1 1/1 1/2 2/1 2/1 1/1 33 42 38 15 24 L16 1/1 1/1 1/2 2/1 2/1 1/1 Bảng 2. Kế t quả huấ n luyê ̣n của 2 bộ nhận dạng L20 2/1 2/1 1/1 3/1 3/1 2/1 Bô ̣ nhâ ̣n Đô ̣ chính xác Đô ̣ chính xác L21 1/2 1/2 1/3 1/1 1/1 1/2 Số biế n da ̣ng huấ n luyê ̣n (%) kiể m tra (%) L23 1/2 1/2 1/3 1/1 1/1 1/1 ANN1 97,1 95,4 L24 1/1 1/1 1/2 2/1 1/1 1/1 14 96,8 ANN2 99,6
10 Nguyễn Ngọc Âu, Lê Trọng Nghĩa, Quyền Huy Ánh, Phan Thi Thanh Bình Bảng 8. Ma trận phán đoán của các tải Li trong LC4 tải là 3,9 s sau sự cố. Khoảng thời gian này bao gồm: thời L7 L8 L12 L31 gian trễ từ lúc sự cố đến khi tần số xuống dưới ngưỡng cho phép 59,7 Hz là (3,7 s), thời gian xử lý của relay UFLS (0,1 L7 1/1 1/3 8/1 9/1 s), truyền tín hiệu và trip máy cắt (0,1 s). Kết quả mô phỏng L8 3/1 1/1 9/1 9/1 được trình bày ở Hình 7. L12 1/8 1/9 1/1 2/1 60.05 L31 1/9 1/9 1/2 1/1 60 59.95 Bảng 9. Thứ tự sắp xếp theo hệ số tầm quan trọng giảm dần của 59.9 các tải đối với hệ thống 59.85 Hz 59.8 Bus Thứ tự sắp xếp Giá trị tầm quan trọng tải 59.75 59.7 L39 1 0,256 59.65 L4 2 0,1009 59.6 59.55 L20 3 0,0827 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 Sec L3 4 0,0722 Hình 7. Tần số của hệg bthống c d e f sau khi2 sa thải theo Frequency_Bus L29 5 0,0511 phương pháp đề xuất trường hợp sự cố Bus 30 L8 6 0,0496 5.3. Bàn luận L25 7 0,0483 Hình 5, với bô ̣ nhâ ̣n da ̣ng là 1-NN, kế t quả cho ̣n biế n L27 8 0,0462 cho thấ y giải thuâ ̣t SFFS cho kế t quả kiể m tra có đô ̣ chính xác cao hơn phương pháp Fisher là 2,3% trong khi có số L15 9 0,0455 biế n ít hơn 1 biế n. Điề u này thể hiê ̣n SFFS đã mở rô ̣ng đươ ̣c L16 10 0,0455 không gian tìm kiế m và cho ̣n đươ ̣c các biế n tố t hơn, số biế n L24 11 0,0406 giảm 13,5 lầ n so với số biế n ban đầ u. L18 12 0,0291 Áp du ̣ng K-means tách nhóm mẫu không ổ n đinh ̣ ban đầ u 152 mẫu ra thành 5 nhóm tương ứng với 5 chiế n lươ ̣c L7 13 0,0278 sa thải phu ̣ tải. Đô ̣ chính xác kiể m tra để nhâ ̣n da ̣ng 5 nhóm L28 14 0,0275 này với bô ̣ nhâ ̣n da ̣ng ANN2 là 96,8%. Ở Bảng 2, kế t quả L23 15 0,0268 kiể m tra của ANN1 và ANN2 có đô ̣ chính xác tương ứng L21 16 0,0239 là 95,4% và 96,8%. Theo Hình 6 và Hình 7, việc thực thi chiến lược sa thải L26 17 0,0176 phụ tải đề xuất cho thấy HTĐ giữ đươ ̣c ổ n đinh ̣ sau sự cố L12 18 0,0051 với giá trị tần số phục hồi là 60,05 Hz. L31 19 0,0035 Như vậy, phương pháp sa thải đề xuất giúp đẩ y nhanh 5.2. Kết quả mô phỏng quá trình ra quyế t đinh ̣ sa thải phu ̣ tải. Kế t quả giữ được chất lượng tầ n số và cụ thể cho trường hợp sự cố Bus 30 Xét trường hơ ̣p sự cố là ngắn mạch tại Bus 30, các máy giúp giữ được ổn định HTĐ. cắ t sẽ mở liên kế t với Bus khi ngắ n ma ̣ch. Kết quả mô phỏng cho trường hơ ̣p sự cố này làm cho hệ thống mất ổn 6. Kết luận định khi không sa thải phu ̣ tải. Kết quả mô phỏng áp dụng Bài báo này trình bày quy trình xây dựng hệ thống nhận giải thuật truyền thống (UFLS) đề xuất cho trường hợp sự dạng để chẩn đoán trạng thái ổn định của HTĐ và phân lớp cố tại Bus 30 trình bày ở Hình 6. chiến lược sa thải phụ tải trên cơ sở ANN. Mô hình đề nghị 85 giúp rút ngắn thời gian ra quyết định sa thải phụ tải. Kết 80 quả mô phỏng cho thấy HTĐ giữ được trạng thái ổn định, 75 70 tần số của hệ thống phục hồi nhanh, chấ t lươṇ g tần số tốt 65 hơn so với phương pháp truyề n thố ng. Giải thuật Kmeans kết hợp với AHP để xây dựng nhóm Hz 60 55 chiến lược sa thải phụ tải có xét đến tầm quan trọng của phụ tải làm giảm thiệt hại về mặt kinh tế khi sa thải so với 50 45 40 các phương pháp truyền thống. 35 0 10 20 30 40 50 60 70 80 90 Sec 100 110 120 130 140 150 160 170 180 TÀI LIỆU THAM KHẢO Hình 6. Tần số của hệ thống sau khi sa thải theo b c d e f g Frequency_Bus 2 [1] Terzija, V. V., “Adaptive under frequency load shedding based on phương pháp truyền thống trường hợp sự cố Bus 30 the magnitude of the disturbance estimation”, IEEE Trans Power System., Vol. 21, No. 3, 2006, pp. 1260–1266. Áp dụng chương trình sa thải phụ tải đề xuất, với vi ̣trí [2] Giroletti M, Farina M, Scattolini R., “A hybrid frequency/power ngắ n ma ̣ch này thì chiến lược sa thải phụ tải LS4 đươ ̣c thực based method for industrial load shedding”, Electrical Power thi, với thời gian trễ là 300 ms. So sánh với phương pháp Energy System, 35, 2012, pp. 194–200. sa thải dưới tần số (UFLS) với thời gian bắt đầu sa thải phụ [3] Adly A. Girgis, Shruti Mathure, “Application of active power
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(120).2017, QUYỂN 2 11 sensitivity to frequency and voltage variations on load shedding”, for security assessment and analysis”, Neurocomputing, Vol. 71, No. Electric Power Systems Research, 2010, pp. 306-310. 4–6, 2008, pp. 983–998. [4] Hooshmand, R., and Moazzami, M., “Optimal design of adaptive [9] S.Theodoridis and K.Koutroumbas, Pattern Recognition, 2009. under frequency load shedding using artificial neural networks in [10] M. Cheriet, N. Kharma, C.L. Liu, and C. Y. Suen, Character isolated power system”, Int. J. Power Energy Syst., Vol. 42, No. 1, Recognition Systems - A Guide for Students and Practioners, 2007. 2012, pp. 220–228. [11] V. K. Madasu and B. C. Lovell, Pattern Recognition Technologies [5] J.A. Laghari, H. Mokhlis, A.H.A. Bakar, Hasmaini Mohamad, and Applications. 2008. “Application of computational intelligence techniques for load [12] A. R. Webb and K. D. Copsey, Statistical Pattern Recognition, 2011. shedding in power systems: A review”, Energy Conversion and Management, Vol. 75, 2013, pp. 130-140. [13] Tohid Sheraki, Farrokh Aminifar, Majid Sanaye-Pasand, “An anatical adaptive load shedding scheme against sevre combinational [6] R. Zhang, S. Member, Y. Xu, and Z. Y. Dong, Feature Selection For disturbances”, IEEE Transactions on Power Systems, Volume. 31, Intelligent Stability Assessment of Power Systems, 2012 IEEE Power Energy Soc. Gen. Meet., 2012, pp. 1–7. Issue. 5, 2015, pp. 4135-4143. [7] N. N. Au, Q. H. Anh, and P. T. T. Binh, “Feature subset selection in [14] T.L. Saaty., The Analytic Hierarchy Process, McGraw-Hill, New dynamic stability assessment power system using artificial neural York, 1980. networks”, Science & Technology Development Journal, VietNam [15] Moein Abedini, Majid Sanaye-Pasand, Sadegh Azizi, “Adaptive National University-Hochiminh City, ISSN 1859-0128, Vol.18, No load shedding scheme to preserve the power system stability K3, 2015. following large disturbances”, IET Generation, Transmission & [8] K. S. Swarup, “Artificial neural network using pattern recognition Distribution,Volume. 8, Issue. 12, 12/2014. (BBT nhận bài: 12/9/2017, hoàn tất thủ tục phản biện: 14/10/2017)