Nhận dạng sự cố trên lưới điện phân phối dựa trên trí tuệ nhân tạo

Bài viết Nhận dạng sự cố trên lưới điện phân phối dựa trên trí tuệ nhân tạo đề xuất phương pháp nhận dạng sự cố ngắn mạch trên lưới điện phân phối dựa trên một số thuật toán trí tuệ nhân tạo. 4 dạng sự cố ngắn mạch bao gồm ngắn mạch 3 pha, ngắn mạch 2 pha, ngắn mạch 2 pha chạm đất và ngắn mạch 1 pha được tạo ra tại các điểm trên lưới điện IEEE 15 nút, mô phỏng trên Matlab.

32 Nguyễn Quốc Minh, Lê Thị Minh Châu NHẬN DẠNG SỰ CỐ TRÊN LƯỚI ĐIỆN PHÂN PHỐI DỰA TRÊN TRÍ TUỆ NHÂN TẠO FAULTS RECOGNITION IN POWER DISTRIBUTION SYSTEMS USING ARTIFICIAL INTELLIGENCE Nguyễn Quốc Minh, Lê Thị Minh Châu Viện Điện, Trường Đại học Bách khoa Hà Nội; minh.nguyenquoc@hust.edu.vn Tóm tắt - Nghiên cứu đề xuất phương pháp nhận dạng cố ngắn mạch lưới điện phân phối dựa số thuật tốn trí tuệ nhân tạo dạng cố ngắn mạch bao gồm ngắn mạch pha, ngắn mạch pha, ngắn mạch pha chạm đất ngắn mạch pha tạo điểm lưới điện IEEE 15 nút, mô Matlab Dòng điện điện áp pha đầu nguồn xảy ngắn mạch gán nhãn làm liệu đầu vào, dạng ngắn mạch tương ứng gán nhãn làm liệu đầu Trong số 8000 điểm cố tạo ra, 70% liệu sử dụng để huấn luyện 30% liệu sử dụng để kiểm tra Kết nhận dạng cho thấy, thuật toán deep learning nhận dạng cố lưới điện phân phối với độ xác lên đến 95% Abstract - In this paper, we will present a novel method to classify the short-circuit (SC) faults in power distribution systems using artificial intelligence Four different types of SC fault including 3-phase, phase-ground (LG), phase-phase (LL) and phase-phaseground (LLG) are randomly created in the IEEE 15 bus system using Matlab Simulink The voltages and currents at the substation are captured to feed into the input layer, while the corresponding faults type are labeled in the output layer of the artificial intelligence models 8000 data points are generated and randomly split into training and testing sets The results show that, deep learning algorithms can classify the short-circuit in the power distribution network with the accuracy of 95% Từ khóa - lưới điện phân phối; nhận dạng cố; trí tuệ nhân tạo Key words - power distribution systems; fault recognition; Artificial Intelligence (AI) Giới thiệu Hiện nay, với tăng trưởng kinh tế xã hội, hệ thống điện giới nói chung Việt Nam nói riêng ngày phát triển quy mô chất lượng Trong trình sản xuất, truyền tải phân phối, cố vấn đề thường trực xảy Theo thống kê, thiệt hại kinh tế điện toàn cầu năm lớn [1] Bộ lượng Hoa kỳ ước tính thiệt hại điện trung bình năm quốc gia lên tới 150 tỉ USD Trong số đó, có vài cố điện diện rộng điển hình gây tác động lớn đến quốc gia, hay phần lãnh thổ quốc gia Sự cố điện diện rộng lớn xảy khu vực đông bắc Mỹ vào ngày 14/08/2003 ảnh hưởng tới 50 triệu người, 63GW công suất phụ tải bị cắt, tương đương với 11% tổng công suất phụ tải toàn hệ thống Sự cố làm 400 đường dây truyền tải 531 tổ máy 261 nhà máy điện bị ngắt khỏi hệ thống Nguyên nhân tìm thấy đường dây 345kV bị ngắn mạch chạm Một cố điện diện rộng khác xảy Italy vào ngày 28/09/2003, nguyên nhân ban đầu tìm thấy hồ quang điện đường dây liên lạc Italy Thụy Sĩ, chạm Các recloser đóng lại đường dây liên lạc góc lệch pha bên vượt ngưỡng cho phép Chỉ vòng vài giây sau cố, tần số Italy đồng so với toàn Châu Âu, thiếu hụt công suất Điều dẫn tới đường dây liên lạc Italy Pháp, Italty Áo bị ngắt rơ le khoảng cách tác động Hệ đường dây liên lạc Italy Slovenia bị ngắt tải Chỉ sau vài phút, toàn hệ thống điện Italy bị sụp đổ với 6,4GW công suất phụ tải bị cắt Có nhiều nguyên nhân gây cố hệ thống điện hư hỏng nhà máy điện, trạm biến áp, cố đường truyền tải phân phối, cố phụ tải điện… Hình Sự cố điện diện rộng khu vực đơng bắc Mỹ vào năm 2003 Trong đó, theo thống kê suất cố đường dây phân phối cao nhất, với dạng cố điển ngắn mạch, đứt dây, chạm đất, sét đánh Việc phát loại trừ cố lưới điện phân phối hệ thống bảo vệ bao gồm cầu chì tự rơi, máy cắt có trang bị tự động đóng lại, dao cách ly tự động, phận thị cố rơ le dòng Quá trình nhận dạng, phát hiện, cách ly cố khỏi hệ thống nhanh tốt, giúp khôi phục lại chế độ làm việc bình thường hệ thống điện, giảm thiệt hại kinh tế nâng cao độ tin cậy cung cấp điện cho phụ tải Việc nhận dạng định vị cố lưới điện phân phối phương pháp truyền thống tương đối phức tạp, địi hịi phải có mơ hình vật lý đầy đủ hệ thống thông số đường dây, thơng số máy biến áp, tình trạng nối đất trạm Bên cạnh số liệu đo từ máy biến dòng điện, máy biến điện áp đưa vào rơ le thường có sai số vấn đề bão hịa, sóng hài cố chạm đất qua vật thể trung gian Do đó, kết nhận dạng định vị cố từ rơ le bảo vệ thường có độ xác độ tin cậy hạn chế ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 18, NO 9, 2020 Những nghiên cứu gần rằng, việc ứng dụng trí tuệ nhân tạo (Artificial Intelligence, AI) tốn phân tích nhận dạng cố hệ thống điện đạt độ xác cao mà khơng cần mơ hình vật lý hệ thống [2-7] Bài báo tập trung giới thiệu số thuật tốn trí tuệ nhân tạo ứng dụng thuật toán vào toán nhận dạng cố lưới điện phân phối Một số thuật toán nhận dạng ứng dụng AI Trong khoa học máy tính, AI hay cịn gọi trí thơng minh nhân tạo trí thơng minh thể máy móc, khác với trí thơng minh người Lĩnh vực nghiên cứu AI đời vào năm 1956 Vào thời điểm ban đầu, hệ thống máy tính chưa tạo lượng liệu lớn (big data), chương trình máy tính khơng có đủ lượng liệu để đưa dự đoán kết với độ xác cao Trong 20 năm trở lại đây, AI có phát triển mạnh mẽ Sự phát triển đến từ yếu tố chính: Tiến nghiên cứu thuật tốn, gia tăng tốc độ tính tốn máy tính đặc biệt bùng nổ liệu lớn (big data) Nếu trước đây, hệ thống máy tính thường khơng đưa kết dự đốn xác liệu bị hạn chế theo thống kê đến năm 2020, hệ thống máy tính lưu trữ lượng liệu đến 44 nghìn tỷ Gigabyte Cùng với lượng dự liệu khổng lồ, hệ thống máy tính với tốc độ siêu mạnh trang bị thuật tốn phức tạp, xử lý lượng liệu cực lớn Chỉ tính riêng năm 2018, ngành công nghiệp AI tăng trưởng 70% so với năm 2017, tương đương với 200 tỷ USD Đặc điểm bật AI học hỏi, tư suy nghĩ giống người Hơn nữa, AI có khả xử lý dự liệu quy mô lớn với tốc độ nhanh nhiều so với não người Học máy (machine learing, ML) lĩnh vực AI, đời vào năm 1980s Nó cho phép máy tính có khả tự học hỏi dựa liệu đưa vào mà khơng cần phải lập trình cụ thể Các thuật toán học máy thiết kế theo cách tự học cải thiện theo thời gian tiếp xúc với liệu mới, hay nói cách khác hiệu suất hệ thống thực nhiệm vụ cải thiện đáng kể sau thực nhiệm vụ nhiều lần Nội dung học máy áp dụng thuật tốn lên liệu có sẵn, học hỏi từ đưa định nhận dạng, phân loại dự đốn liệu Để ML thể đưa định mong muốn từ tập liệu đầu vào cần trình huấn luyện sử dụng liệu huấn luyện Một tập liệu huấn luyện bao gồm nhiều mẫu huấn luyện Mỗi mẫu huấn luyện thể mối liên hệ đầu vào đầu từ liệu sẵn có ML học từ mối liên hệ đó, từ đưa định dự đốn kết đầu có liệu đầu vào Một ví dụ ML mà ta sử dụng hàng ngày, cơng cụ tìm kiếm google Khi tìm kiếm chủ đề google, trả nhiều kết tìm kiếm Nếu người đọc bỏ nhiều thời gian để đọc kết tìm kiếm google ghi nhận kết tìm kiếm phù hợp với từ khóa người đọc quan tâm, ngược lại kết tìm kiếm người đọc tìm đến google ghi nhận kết tìm kiếm khơng phù hợp với từ khóa người đọc quan tâm đến vấn đề Từ 33 đó, google tự điều chỉnh kết phù hợp lần tìm kiếm sau Ngồi việc tự học, AI cịn có khả học sâu (deep learning, DL) cố gắng tư phức tạp giống não người DL lĩnh vực ML, sử dụng mạng nơ ron nhân tạo để phân tích liệu thuật tốn mơ theo hệ thần kinh người thực việc học hỏi từ lượng lớn liệu cung cấp từ vấn đề cụ thể DL thực nhiệm vụ lặp lại nhiều lần, sau lần tự chỉnh lại mơ hình để cải thiện kết DL giúp cho hệ thống máy tính thực công việc phức tạp phân loại nghìn vật thể khác tập ảnh, nhận dạng giọng nói chữ viết, dịch ngơn ngữ, thị giác máy tính v.v… Số lượng thuật toán AI tương đối lớn, tùy thuộc vào toán cụ thể Bài báo tập trung giới thiệu số thuật tốn AI ứng dụng toán nhận dạng cố lưới điện phân phối 2.1 Mạng nơ ron nhân tạo (Artificial neural network) Hình Cấu trúc mạng nơ ron nhân tạo Mạng nơ ron nhân tạo thuật toán DL sử dụng phổ biến lớp toán dự báo nhận dạng Cấu trúc mạng nơ ron nhân tạo lấy ý tưởng từ cấu trúc hệ thần kinh người, bao gồm loại lớp (layer) khác [2]: - Lớp liệu đầu vào (input layer), bao gồm nơ ron để đọc liệu đầu vào Cấu trúc liệu đầu vào phức tạp số nơ ron lớp liệu đầu vào nhiều - Lớp kết đầu (output layer), bao gồm nơ ron hiển thị kết nhận dạng dự báo đầu ra, tương ứng với liệu đầu vào - Các lớp ẩn (hidden layers), thực tính tốn tốn học dựa tương quan liệu đầu vào liệu đầu Mỗi kết nối nơ-ron thể trọng số (weight) Các trọng số thể mức độ quan trọng kết nối nơ ron Mỗi nơ ron liên kết với nơ ron lớp trước thơng qua trọng số, cho kết thơng qua hàm kích hoạt (activation function) Có hàm kích hoạt dùng phổ biến hàm sigmoid hàm rectified linear unit (reLU) Các trọng số ban đầu lựa chọn ngẫu nhiên, sau bước lặp, giá trị chúng cập nhật cho sai số kết dự đoán kết thực tế giảm dần 34 Nguyễn Quốc Minh, Lê Thị Minh Châu 2.3 Vec tơ hỗ trợ (Support vector machine) (a) (b) Hình Hàm kích hoạt mạng nơ ron nhân tạo: (a) sigmoid, (b) rectified linear unit Phương pháp phổ biến để cập nhật giá trị trọng số phương pháp lan truyền ngược (back propagation), theo gradient tính từ lớp cuối đến lớp Lớp cuối tính trước trực tiếp ảnh hưởng đến kết dự đốn đầu Hình mô tả cấu trúc mạng nơ ron ứng dụng toán nhận dạng cố lưới điện phân phối Theo mơ hình này, lớp đầu vào bao gồm nơ ron chứa liệu giá trị dòng điện điện áp pha Lớp đầu bao gồm nơ ron, đại diện cho dạng cố ngắn mạch Hình Thuật tốn vec tơ hỗ trợ Vec tơ hỗ trợ (support vector machine, SVM) thuật toán dùng toán phân loại liệu thành nhóm riêng biệt Trong thuật toán này, liệu thể đồ thị n chiều (n số đặc trưng liệu) Sau đó, thuật tốn tìm đường biên để phân chia liệu thành nhóm riêng Ưu điểm SVM có khả bỏ qua điểm liệu ngoại lệ để tìm đường phân chia tối ưu 2.4 Hồi quy (Regression) Hình Cấu trúc mạng nơ ron cho toán nhận dạng cố lưới điện phân phối 2.2 Cây định (Decision tree) (a) (b) Hình Mơ hình hồi quy tuyến tính (a) hồi quy logistic (b) Hình Cấu trúc định Thuật toán định thuật toán sử dụng phổ biến toán dự báo nhận dạng Việc xây dựng mơ hình định liệu huấn luyện việc xác định câu hỏi thứ tự chúng Ưu điểm thuật tốn định làm việc với đặc trưng rời rạc không theo thứ tự Một mạnh có thuật tốn định thường khơng u cầu phải chuẩn hóa liệu đầu vào giống mạng nơ ron Thuật tốn hồi quy nhóm thuật tốn ML Bản chất thuật toán hồi quy phương pháp thống kê cho phép xác định mối liên hệ biến phụ thuộc (dữ liệu đầu ra) nhóm tập hợp biến độc lập (dữ liệu đầu vào) Dạng hồi quy đơn giản hồi quy tuyến tính, theo mối liên hệ biến đầu vào đầu có dạng tuyến tính Hồi quy tuyến tính phù hợp với toán dự báo đơn giản Hồi quy logistic dạng hồi quy dự đoán giá trị liệu dạng rời rạc Điểm khác biệt lớn hồi quy logistic với hồi quy tuyến tính kết dự đốn đầu hồi quy tuyến tính giá trị số, cịn kết dự đốn đầu hồi quy logistic giá trị xác suất để phân loại đối tượng nghiên cứu Kết nhận dạng lưới điện IEEE 15 nút Trong phần ta tiến hành nhận dạng cố lưới điện IEEE 15 nút thuật toán AI giới thiệu Sơ đồ thông số lưới điện IEEE 15 nút thể Hình Bảng Lưới điện IEEE mô Matlab Simulink để tạo liệu phục vụ cho toán nhận dạng cố Khối tạo cố Matlab (Hình 9) cho phép tạo dạng cố: Ngắn mạch pha N(3), pha N(2), pha chạm đất N(1,1) pha N(1) ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 18, NO 9, 2020 Hình Mơ hình lưới điện IEEE 15 nút Hình Khối tạo cố Matlab Simulink Bảng Thông số nút nhánh lưới IEEE 15 nút Đường dây Nút Phụ tải 35 8000 điểm cố tạo ngẫu nhiên trục lưới (nhánh 1-2-3-4-5) Với điểm cố, giá trị dòng điện điện áp pha đầu nguồn lưu làm giá trị đầu vào, dạng cố gán nhãn làm giá trị đầu Trong số 8000 điểm liệu cố, 5600 điểm (tương ứng với 70% liệu) sử dụng để huấn luyện mô hình nhận dạng, cịn 2400 điểm (tương ứng với 30% liệu) sử dụng để kiểm tra độ xác của mơ hình nhận dạng Mẫu liệu dùng để đưa vào mơ hình nhận dạng cố thể Bảng Các mô hình AI lập trình thư viện TensorFlow phát triển Google Để phân tích kết nhận dạng thuật toán, ta sử dụng ma trận hợp (confusion matrix) Trong ma trận này, trục tung kết dạng ngắn mạch thực tế, trục hoành kết dạng ngắn mạch dự đốn Các phần tử nằm đường chéo ma trận thể số dự đốn đúng, cịn phần tử nằm ngồi đường chéo thể số dự đoán sai Tổng số dự đoán 2400 Đối với mạng nơ ron nhân tạo (Hình 10), có 23 trường hợp ngắn mạch pha bị nhận dạng sai thành ngắn mạch pha chạm đất, đạt độ xác 99,04% Thuật tốn vec tơ hỗ trợ (Hình 11) có 59 trường hợp ngắn mạch pha chạm đất bị nhận dạng sai thành ngắn mạch pha, đạt độ xác 97,54% Thuật tốn định (Hình 12) thể ưu điểm mạnh toán nhận dạng rời rạc, với độ xác đạt 100% Kết so sánh độ xác thuật toán nhận dạng cố lưới điện phân phối dựa AI thể Hình 13 Có thể nhận thấy thuật tốn hồi quy tuyến tính có độ xác tương đối thấp (cỡ 60%) Điều giải thích tính chất phi tuyến toán, thuật toán hồi quy tuyến tính phù hợp với tốn dự báo phân loại Các thuật toán khác cho kết nhân dạng với độ xác cao (>95%) Bảng Mẫu liệu dùng để nhận dạng cố Từ Đến R (ohm) X (ohm) S kVA) cosɵ Ia Ib Ic Ua Ub Uc Sự cố 1,35309 1,32349 63 0,7 0,906 0,906 0,906 0,610 0,610 0,610 N(3) 1,17024 1,14464 100 0,7 2,014 0 0,175 0,98 0,98 N(1) 1,974 1,974 0,962 0,18 0,18 N(1,1) 0,84111 0,82271 200 0,7 2,127 2,127 2,127 0,086 0,086 0,086 N(3) 1,52348 1,02760 63 0,7 0,659 0,659 0,768 0,768 N(2) 2,01317 1,35790 100 0,7 0,526 0,526 0,993 0,784 0,784 N(1,1) 0,524 0,524 0,524 0,774 0,774 0,774 N(3) 10 1,68671 1,13770 63 0,7 0,515 0,515 0,816 0,816 N(2) 2,55727 1,72490 200 0,7 1,08820 0,73400 200 0,7 1,25143 0,84410 100 0,7 11 1,79553 1,21110 200 0,7 11 12 2,44845 1,65150 100 0,7 12 13 2,01317 1,35790 63 0,7 14 2,23081 1,50470 100 0,7 15 1,19702 0.80740 200 0,7 Hình 10 Ma trận hợp thuật tốn mạng nơ ron nhân tạo 36 Nguyễn Quốc Minh, Lê Thị Minh Châu Kết luận Nội dung nghiên cứu tập trung vào việc ứng dụng số thuật tốn trí tuệ nhân tạo vào toán nhận dạng cố lưới điện phân phối Kết nghiên cứu thuật tốn trí tuệ nhân tạo có khả nhận dạng phân loại cố lưới điện phân phối với độ xác đạt đến 95% Tuy nhiên, thuật toán áp dụng số liệu mô phỏng, với giả thiết bỏ qua sai số BU, BI Nghiên cứu tiến hành liệu thật từ ghi cố hệ thống rơ le bảo vệ Hình 11 Ma trận hợp thuật toán vec tơ hỗ trợ TÀI LIỆU THAM KHẢO Hình 12 Ma trận hợp thuật tốn định Hình 13 So sánh độ xác thuật tốn nhận dạng cố [1] N C Chakraborty, A Banerji and S K Biswas, "Survey on major blackouts analysis and prevention methodologies", Michael Faraday IET International Summit, Kolkata, 2015, pp 297-302 [2] Y Wang, M Liu and Z Bao, "Deep learning neural network for power system fault diagnosis", 2016 35th Chinese Control Conference (CCC), Chengdu, 2016, pp 6678-6683 [3] S Wang, H Chen, B Pu, H Zhang, S Jin and X Liu, "Analysis of Network Loss Energy Measurement Based on Machine Learning", 2018 IEEE International Conference on Information and Automation (ICIA), Wuyishan, China, 2018, pp 1113-1117 [4] J H Arteaga, F Hancharou, F Thams and S Chatzivasileiadis, "Deep Learning for Power System Security Assessment", 2019 IEEE Milan PowerTech, Milan, Italy, 2019 [5] M Guo, N Yang and W Chen, "Deep-Learning-Based Fault Classification Using Hilbert–Huang Transform and Convolutional Neural Network in Power Distribution Systems", IEEE Sensors Journal, vol 19, no 16, pp 6905-6913, 15 Aug.15, 2019 [6] K Chen, J Hu, Y Zhang, Z Yu and J He, "Fault Location in Power Distribution Systems via Deep Graph Convolutional Networks", IEEE Journal on Selected Areas in Communications, vol 38, no 1, pp 119-131, Jan 2020 [7] L Zhu, D J Hill and C Lu, "Hierarchical Deep Learning Machine for Power System Online Transient Stability Prediction", in IEEE Transactions on Power Systems, vol 35, no 3, pp 2399-2411, May 2020 (BBT nhận bài: 14/7/2020, hoàn tất thủ tục phản biện: 31/8/2020) ... tốn trí tuệ nhân tạo ứng dụng thuật toán vào toán nhận dạng cố lưới điện phân phối Một số thuật toán nhận dạng ứng dụng AI Trong khoa học máy tính, AI hay cịn gọi trí thơng minh nhân tạo trí thơng... tốn nhận dạng cố lưới điện phân phối 2.1 Mạng nơ ron nhân tạo (Artificial neural network) Hình Cấu trúc mạng nơ ron nhân tạo Mạng nơ ron nhân tạo thuật toán DL sử dụng phổ biến lớp toán dự báo nhận. .. nghiên cứu Kết nhận dạng lưới điện IEEE 15 nút Trong phần ta tiến hành nhận dạng cố lưới điện IEEE 15 nút thuật tốn AI giới thiệu Sơ đồ thơng số lưới điện IEEE 15 nút thể Hình Bảng Lưới điện IEEE