document_13__8219

Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Bài nghiên cứu Open Access Full Text Article Phương pháp phân tích ngắn mạch cải tiến dựa vào việc xác định ngưỡng dao động điện áp nút lưới điện phân phối có tích hợp nguồn phân tán Bùi Minh Dương1 , Lê Duy Phúc2,3,* , Đồn Ngọc Minh2 , Nguyễn Thanh Phương3 TĨM TẮT Use your smartphone to scan this QR code and download this article Bộ môn Điện Kỹ thuật máy tính, Khoa Kỹ thuật, Trường Đại học Việt Đức, Bình Dương Việc tích hợp nguồn điện phân tán (DG-Distributed Generators) vào lưới điện phân phối (LĐPP) ảnh hưởng đến hoạt động tin cậy tính ổn định hệ thống bảo vệ Tùy thuộc vào loại nguồn DG, vị trí lắp đặt trạng thái vận hành, dòng điện ngắn mạch LĐPP thay đổi giá trị đáng kể làm ảnh hưởng đến hoạt động đắn thiết bị bảo vệ (TBBV) khác Các phương pháp phân tích ngắn mạch truyền thống chưa xem xét đến xuất đặc tính vận hành nguồn điện DG, thay đổi hướng công suất điện áp nút LĐPP Do đó, việc cải tiến phương pháp phân tích ngắn mạch truyền thống cần thiết, để xác định dòng điện cố LĐPP cách nhanh chóng, xác tự động Từ đó, nghiên cứu giới thiệu phương pháp phân tích ngắn mạch dựa vào việc xác định ngưỡng dao động điện áp nút thông qua việc xác định khoảng tin cậy công suất phụ tải (Load Power Confidence Interval – LPCI) Cụ thể, ngưỡng dao động phụ tải sở để tính tốn ngưỡng dao động điện áp nút khoảng giá trị dịng điện ngắn mạch LĐPP có nguồn DG Nhờ vào việc sử dụng công cụ LPCI phát triển công cụ E-terra Distribution, kết mô đạt chứng minh hiệu phương pháp phân tích ngắn mạch cải tiến dựa việc xác định ngưỡng dao động điện áp nút LĐPP có xem xét đến loại, vị trí lắp đặt trạng thái vận hành nguồn DG Từ khoá: Nguồn điện phân tán, lưới điện phân phối, điện áp nút, dự báo phụ tải, phân tích ngắn mạch Tổng Cơng ty Điện lực Tp.HCM, Hồ Chí Minh Viện Kỹ thuật, Trường Đại học Cơng nghệ Tp.HCM, Hồ Chí Minh Liên hệ Lê Duy Phúc, Tổng Cơng ty Điện lực Tp.HCM, Hồ Chí Minh Viện Kỹ thuật, Trường Đại học Công nghệ Tp.HCM, Hồ Chí Minh Email: phucld@hcmpc.com.vn Lịch sử • Ngày nhận: 12-9-2020 • Ngày chấp nhận: 29-3-2021 • Ngày đăng: 16-4-2021 DOI : 10.32508/stdjet.v4i2.766 Bản quyền © ĐHQG Tp.HCM Đây báo công bố mở phát hành theo điều khoản the Creative Commons Attribution 4.0 International license GIỚI THIỆU Sự tích hợp nguồn điện phân tán (DGDistributed Generators) vào lưới điện phân phối (LĐPP) ảnh hưởng đến độ tin cậy tính ổn định hệ thống bảo vệ Khi mức độ thâm nhập nguồn điện DG vào LĐPP đạt đến mức độ định việc kiểm sốt giá trị điện áp nút dòng điện ngắn mạch trở nên khó khăn hơn, hoạt động không liên tục nguồn DG (chẳng hạn nguồn phát điện sử dụng lượng mặt trời lượng gió) gây tượng dao động điện áp nút làm thay đổi đáng kể giá trị dịng điện cố lưới Khơng thế, nguồn DG lắp đặt nhiều vị trí khác LĐPP với trạng thái vận hành thay đổi làm ảnh hưởng đáng kể đến giá trị hướng dòng điện ngắn mạch Điều làm giảm độ tin cậy hệ thống bảo vệ LĐPP cấu trúc lưới điện thay đổi Theo đó, tính phối hợp hoạt động thiết bị bảo vệ (TBBV) khơng cịn đảm bảo dẫn đến vấn đề nghiêm trọng tác động nhầm, tác động vượt cấp, tác động đồng thời Chính vậy, việc xác định ngưỡng dao động điện áp nút LĐPP cần thiết nhằm hỗ trợ hiệu cho việc phân tích trào lưu cơng suất phân tích ngắn mạch Các tác giả tập trung vào việc phát triển phương pháp xác định ngưỡng dao động phụ tải để làm sở xác định ngưỡng dòng điện nhánh trước xác định ngưỡng điện áp nút, nhằm cải tiến lại phương pháp phân tích ngắn mạch truyền thống để áp dụng hiệu cho LĐPP có tích hợp nguồn điện phân tán khác Nguồn phát điện phân tán có hai đặc tính vận hành peer-to-peer (P2P) plug-and-play (P&P), theo nghiên cứu Nikkhajoei H et al (20062007) 1,2 Đặc tính vận hành P2P thể nguồn DG kết nối liên tục ngắt kết nối với lưới tùy vào thời điểm vận hành; đó, đặc tính P&P cho thấy nguồn DG bố trí vị trí LĐPP mà không làm ảnh hưởng đến trạng thái hoạt động hệ thống Lưu ý rằng, đặc tính P2P ảnh hưởng đến giá trị độ lớn dòng điện ngắn mạch dẫn đến tượng Trích dẫn báo này: Dương B M, Phúc L D, Minh D N, Phương N T Phương pháp phân tích ngắn mạch cải tiến dựa vào việc xác định ngưỡng dao động điện áp nút lưới điện phân phối có tích hợp nguồn phân tán Sci Tech Dev J - Eng Tech.; 4(2):806-834 806 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 mù bảo vệ tác động đồng thời TBBV dòng theo tác giả Firouz Y et al (2014) Nguồn điện chứa phần tử quay (RBDG-Rotating-based Distributed Generator), chẳng hạn máy phát điện diesel, tạo dịng điện ngắn mạch đủ lớn, TBBV q dịng kích hoạt tác động để bảo vệ LĐPP Mặt khác, nguồn điện giao tiếp với lưới chuyển đổi cơng suất (IBDG-Inverter-based Distributed Generator) tích hợp thêm chức vượt qua điện áp thấp (LVRT-Low Voltage Ride Through) hạn dòng điện ngắn mạch (FCL-Fault Current Limiter) để làm giảm ảnh hưởng dòng điện ngắn mạch lên giao tiếp điện tử công suất đến hệ thống bảo vệ hữu LĐPP truyền thống Theo đó, dòng điện ngắn mạch nguồn IBDG bơm vào LĐPP thường có giá trị biên độ nhỏ gây khó khăn định cho TBBV việc phân biệt tượng tải cố ngắn mạch, theo Sortomme E., Bui D.M et al (2008, 2017) 4,5 Nghiên cứu tác giả Bui D.M (2017) đề cập đến phương pháp tính tốn ngắn mạch đơn giản tự động phục vụ cho hệ thống bảo vệ microgrid (MG) chế độ vận hành nối lưới Cụ thể, tác giả đề xuất phương trình tính tốn để xác định giá trị dịng điện ngắn mạch góp từ nguồn IBDG RBDG cách hiệu nhanh chóng Tuy nhiên, giá trị điện áp phục vụ việc phân tích ngắn mạch tác giả giả định với giá trị điện áp danh định, vốn phù hợp với MG hoạt động cấp điện áp hạ áp Trong đó, dao động nguồn DG khác loại phụ tải LĐPP dẫn đến thay đổi biên độ dao động giá trị điện áp nút Nghiên cứu Ou T.C (2012) trình bày phương pháp phân tích ngắn mạch cho dạng cố bất đối xứng dựa hai ma trận thể tính chất kết nối lưới điện MG, nhằm xác định trực tiếp dòng điện ngắn mạch chạy nhánh điện áp cố nút, có xem xét đến diện nguồn điện DG hai chế độ vận hành nối lưới độc lập Nghiên cứu Wang Q et al (2015) tập trung vào việc phân tích dịng ngắn mạch nguồn IBDG chế độ điều khiển vượt qua ngưỡng điện áp thấp-LVRT vận hành nối lưới Nghiên cứu Mathur A et al (2017) đề cập đến việc mơ hình hóa LĐPP có tích hợp nguồn IBDG mơ hình ZIP hoạt động cấp nguồn cho hai loại phụ tải điện gồm tải không đổi tải phụ thuộc vào điện áp Bên cạnh đó, nghiên cứu Tu V.D., Boutsika T N et al (2008, 2013) 9,10 phân tích động học nguồn IBDG trình xảy cố nhằm đề xuất mơ hình phân tích ngắn mạch tự thích nghi dựa kỹ thuật tính 807 tốn Newton-Raphson tìm giá trị tính tốn ngắn mạch cho LĐPP có tích hợp nguồn IBDG Có thể thấy rằng, để phân tích ngắn mạch LĐPP có tích hợp nguồn DG khác nhau, việc xem xét đến đặc tính vận hành phụ tải phần tử nguồn cần thiết nhằm cải thiện độ xác kết phân tích ngắn mạch truyền thống Dòng điện ngắn mạch tổng TBBV dịng ghi nhận LĐPP có tích hợp nguồn DG bao gồm hai thành phần là: i) dòng điện ngắn mạch xuất phát từ nguồn phát điện truyền thống ii) dòng điện tham gia vào cố sinh từ nguồn DG khác Hơn nữa, phân tích ngắn mạch hiệu quả, nhanh tự động, dòng điện ngắn mạch tham gia vào cố diện nguồn DG cần tính tốn ứng với nhiều dạng cố khác nhau, ví dụ cố pha chạm đất, hai pha chạm đất, pha chạm pha cố ba pha) cho vị trí cụ thể LĐPP Việc tính tốn giá trị dịng điện ngắn mạch cho LĐPP có tích hợp nguồn DG thực dựa vào i) ma trận dòng điện nhánh (branch currents matrix); ii) ma trận điện áp nút (bus voltages matrix) iii) ma trận tổng dẫn (admittance matrix) Cụ thể, ma trận dòng điện ngắn mạch tương ứng với dạng cố xác định cách nhân ma trận tổng dẫn với ma trận điện áp nút Trong ma trận tổng dẫn nút suy từ ma trận tổng trở ứng với mơ hình đường dây, mơ hình máy biến áp mơ hình phụ tải, giá trị điện áp nút giả sử với giá trị danh định thơng qua kết phân tích trào lưu công suất theo chu kỳ định trước dựa vào ngưỡng dao động điện áp nút xác định báo Thật vậy, trình tính tốn trào lưu cơng suất phục vụ cho việc xác định ngưỡng dao động điện áp nút dòng điện ngắn mạch quan sát TBBV dòng LĐPP Trong nghiên cứu này, tác giả trước tiên giới thiệu phương pháp xác định ngưỡng dao động phụ tải (gọi tắt phương pháp LPCI), sau xác định ngưỡng dao động dòng điện nhánh (branch currents) tuyến dây xuất phát từ trạm biến áp LĐPP có tích hợp nguồn DG Lưu ý rằng, để tăng cường tính ổn định điện áp nút có chứa nguồn DG, hệ thống lưu trữ lượng đề nghị sử dụng Tiếp theo, thông qua việc phân tích trào lưu cơng suất, ngưỡng dao động điện áp nút tính tốn trước xác định ngưỡng dao động dịng điện ngắn mạch tương ứng với dạng cố Trong nghiên cứu này, liệu phụ tải khứ tuyến dây đầu nguồn thực tế tác giả sử dụng để kiểm chứng hiệu phương pháp Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 LPCI phương pháp phân tích ngắn mạch cải tiến Mặt khác, hệ số ảnh hưởng dòng điện ngắn mạch ứng với cấu trúc LĐPP có tích hợp DG tính tốn lưu trữ hệ thống quản lý thời gian thực (Real-time Manangement System – RTMS) LĐPP thay đổi cấu trúc có thay đổi số lượng nguồn lưới/DG LĐPP Bố cục báo tổ chức sau: Phần Giới thiệu trình bày tổng quan nghiên cứu trước cần thiết vấn đề nghiên cứu cải tiến lại phương pháp phân tích ngắn mạch truyền thống để áp dụng hiệu cho LĐPP có tích hợp nguồn điện phân tán khác Phần Phương pháp phân tích ngắn mạch cải tiến cho lđpp có tích hợp nguồn DG miêu tả chi tiết phương pháp LPCI để xác định ngưỡng dao động phụ tải, dòng điện nhánh, điện áp tuyến dây đầu nguồn trước đề cập đến việc cải tiến phương pháp phân tích ngắn mạch dành cho LĐPP có tích hợp nguồn DG khác Trong Phần Kết mô thảo luận phương pháp phân tích ngắn mạch đề xuất, tác giả trình bày cụ thể kết mơ dựa vào phương pháp phân tích ngắn mạch cải tiến đề xuất Cuối cùng, thảo luận, nhận định kết luận tác giả trình bày Phần Kết luận PHƯƠNG PHÁP PHÂN TÍCH NGẮN MẠCH CẢI TIẾN CHO LĐPP CĨ TÍCH HỢP CÁC NGUỒN DG Trong phần này, nhóm tác giả trình bày phương pháp xác định ngưỡng dao động điện áp nút dựa ngưỡng dao động phụ tải Sau đó, khoảng tin cậy điện áp nút sử dụng cho việc phân tích ngắn mạch cải tiến cho LĐPP có tích hợp nguồn DG Tổng dòng điện ngắn mạch quan sát thiết bị bảo vệ LĐPP bao gồm i) giá trị dịng điện ngắn mạch đóng góp từ nguồn lưới, Inm_li , ii) giá trị dòng điện ngắn mạch từ nguồn DG khác nhau, Inm_DG , đến TBBV trình bày tổng quan phương pháp phân tích ngắn mạch cải tiến cho LĐPP có tích hợp DG Xác định ngưỡng dao động tin cậy phụ tải LĐPP có tích hợp nguồn DG Để xác định đắn khoảng tin cậy phụ tải LĐPP có tích hợp nguồn DG, tác giả đề xuất phương pháp loại bỏ liệu nhiễu cho biết Phần Phương pháp loại bỏ liệu nhiễu để xác định ngưỡng dao động phụ tải tuyến dây Sau đó, tác giả sử dụng mơ hình dự báo SVM, LSTMRNN ANN để tìm khoảng tin cậy phụ tải, trình bày Phần Các mơ hình SVM, LSTM-RNN ANN sử dụng để xác định ngưỡng dao động phụ tải Việc sử dụng ba mơ hình dự báo để đảm bảo tất liệu phụ tải dự báo đắn tương ứng với mơ hình dự báo khác Tùy thuộc vào đặc điểm phụ tải, ba mơ hình SVM, LSTM-RNN ANN áp dụng thích hợp nhằm đạt kết dự báo tối ưu Phương pháp loại bỏ liệu nhiễu để xác định ngưỡng dao động phụ tải tuyến dây Theo nghiên cứu Duong Minh Bui Phuc Duy Le et al (2020) 11–13 , liệu phụ tải thu thập hệ thống quản lý thời gian thực (RTMS-Real-time Management System) có độ xác cao, chứa nhiều liệu gây nhiễu ngẫu nhiên nguyên nhân gồm: i) đặc tính vận hành ngẫu nhiên phụ tải, ii) dao động nguồn lưới nguồn DG, iii) LĐPP xảy điện cố; iv) kế hoạch bảo trì định kỳ; v) đóng/cắt tụ bù; vi) đường truyền kết nối không ổn định Do đó, độ tin cậy liệu phụ tải thường khó đạt mức độ tin cậy cao 100% Để giải vấn đề này, phương pháp loại bỏ liệu gây nhiễu tác giả phát triển độ tin cậy phù hợp liệu phụ tải, sau kiểm tra nhiều mức độ tin cậy khác Cụ thể hơn, phương pháp dựa kết tính tốn MAPE có sai số nhỏ dựa ba mơ hình dự báo ANN, LSTM-RNN SVM, trình bày cơng thức (1) để tìm mức độ tin cậy phù hợp với liệu phân tích Việc sử dụng mơ hình dự báo ANN, LSTM SVM để kiểm tra xem mơ hình dự báo dựa vào chuỗi liệu theo thời gian (time-series based forecasting model) mơ hình dự báo dựa vào học máy (machine learning based forecasting model) phù hợp để xác định khoảng tin cậy phụ tải lưới điện phân phối Cơng thức tính tốn số MAPE thể sau: MAPE (At , Ft ) = N At − Ft ∑ N t=1 At (1) Trong đó, At giá trị phụ tải thực tế LĐPP thời điểm t, Ft giá trị phụ tải dự báo thời điểm t thu từ việc áp dụng ba mô hình dự báo ANN, LSTM-RNN SVM khác nhau, N tổng số liệu lấy mẫu để tính tốn MAPE Độ tin cậy liệu phụ tải giả định lớn 90% liệu thu thập từ hệ thống SCADA hầu hết có độ xác tương đối cao Theo đó, dãy giá trị mức độ tin cậy thiết lập thành mười ba 808 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Hình 1: Sơ đồ tổng quan cho biết phương pháp phân tích ngắn mạch cải tiến LĐPP có tích hợp nguồn DG mức độ khác nhau, khoảng từ 90% đến 99%, 4,5-sigma (~ 99,73%), 5,5-sigma (~ 99,9937%) 6sigma (~ 99,99966%) Việc lựa chọn mức độ tin cậy hiệu liệu phụ tải dựa kết MAPE thấp ba mơ hình dự báo ANN, LSTM-RNN SVM Giải thuật phương pháp lọc liệu phụ tải nhóm tác giả phát triển thể Hình 2, bao gồm bước sau: • Bước – Nhập liệu phụ tải khứ nút có TBBV tiến hành quan sát độ lệch liệu để xác định nguồn liệu gây nhiễu; • Bước – Tính tốn hàm mật độ xác suất (PDFProbability Density Function) liệu phụ tải kiểm tra tính tương đồng dạng trực quan hàm phân phối chuẩn; • Bước – Nếu liệu phụ tải có dạng trực quan hàm phân phối chuẩn tiếp tục tìm kiếm mức độ tin cậy phù hợp thông qua ba mô hình dự báo ANN, LSTM-RNN SVM, sau lựa chọn mức độ tin cậy cho kết tính tốn sai số MAPE thấp nhất; • Bước – Ngược lại, liệu phụ tải chưa có dạng trực quan hàm phân phối chuẩn 809 áp dụng phương pháp so lệch (diferencing method) để loại bỏ tính xu hướng liệu phụ tải, cách xây dựng chuỗi so lệch liệu phụ tải sở ngày tiếp theo, tính tốn lại mật độ phân bố xác suất; • Bước – Lựa chọn độ tin cậy tốt liệu đầu vào thông qua kết sai số MAPE thấp từ ba mơ hình ANN, LSTM-RNN SVM khác nhau; • Bước – Chạy ba mơ hình dự báo phụ tải điện sử dụng ANN, LSTM-RNN SVM từ liệu phụ tải điện lọc dựa số độ tin cậy tốt lựa chọn Bước 5; • Bước – Chọn kết dự báo phụ tải điện có giá trị MAPE thấp xác định khoảng giá trị [Pload _min , Pload _max ] nút có thiết bị bảo vệ LĐPP Các giá trị phụ tải tối đa giá trị phụ tải tối thiểu ứng với nút LĐPP xác định sau: Pload_max = µP + √Zn σP Pload_min = µP − √Zn σP Trong đó, hệ số Z xác định từ bảng phân phối chuẩn tương ứng với mức độ tin cậy tốt nhất; µ P giá trị trung bình phụ tải điện từ kết dự báo; n Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 số lượng liệu quan sát σ P độ lệch chuẩn liệu phụ tải phân tích Dựa khoảng giá trị tin cậy [Pload _min , Pload _max ] nút có TBBV xác định, tác giả tiếp tục xác định khoảng tin cậy dòng điện phụ tải [Iload _min , Iload _max ] ứng với nút nhằm phục vụ cho việc phân tích ngắn mạch trình bày Phần 2.3  P   Iload_min = load_min Vnom (2) Pload_max  I  load_max = Vnom Trong đó, Vnom giá trị điện áp nút danh định LĐPP Các mơ hình SVM, LSTM-RNN ANN sử dụng để xác định ngưỡng dao động phụ tải Trong nghiên cứu này, tác giả tập trung sử dụng ba mơ hình dự báo, gồm ANN (Artificial Neural Networks), SVM (Support Vector Machine) mơ hình LSTM-RNN (Long Short-Term Memory – Recurrent Neural Network) để phát triển phương pháp xác định LPCI, nhằm phục vụ cho việc phân tích ngắn mạch cải tiến LĐPP có tích hợp nguồn DG Theo đó, sở lý thuyết mơ hình dự báo nêu đề cập mục Mơ hình dự báo SVM Bắt đầu với liệu dùng cho huấn luyện {(x1 ,y1 ), (x2 ,y2 ), , (xn ,yn )} ⊂ Rn xR với xn vectơ đầu vào, yn nhãn phân lớp điểm liệu xn n số lượng mẫu liệu huấn luyện Để quản lý rủi ro xác định giá trị sai số thực nghiệm tối thiểu, phương pháp SVM sử dụng cấu trúc SRM (Structured Reduction Management) mô tả công thức (4), theo nghiên cứu Zhang M.-G (2005) 14 f (x) = ⟨ω , ϕ (x)⟩ + b R = C.Remp + ||ω ||2 C n ∑ L (yi , f (x)) + ||ω ||2 n i=1 { |y − f (x)| − ε L (yi , f (x)) = = (3) (4) (5) Trong công thức (3), ω trọng số xử lý độ mịn, ⟨,⟩ đại diện cho mối quan ω ϕ (x), b tham số độ lệch ϕ (x) khơng gian đặc tính đa chiều, phi tuyến ánh xạ từ không gian đầu vào x Hàm rủi ro biểu diễn công thức (4) giá trị rủi ro thực nghiệm định nghĩa thuật ngữ Remp hàm suy hao Vapnik, Y Bengio et al (2013) 15 Công thức (5) sử dụng để ước lượng giá trị rủi ro thực nghiệm L dựa mức sai số cho phép ε Hằng số C xác định dựa vào việc ước lượng độ phức tạp độ phẳng hàm rủi ro Theo đó, số C xem hệ số tham chiếu để thể mối liên hệ giá trị rủi ro thực nghiệm giá trị ước lượng lý thuyết Cả số C mức sai số cho phép ε tham số tùy biến theo kinh nghiệm Dựa vào công thức (4) cơng thức (5), ta biến đổi công thức (3) thành: ( ) ( ) f (x) = ∑ni=1 − a∗i K xi , x j + b (6) Trong đó, K(xi ,x j ) hàm kernel xác định tích vơ hướng ⟨ϕ (xi ), ϕ (x j )⟩ hai vectơ không gian đặc tính đa chiều ϕ (xi ) ϕ (x j ) Việc sử dụng hàm kernel nhằm mục đích xử lý hiệu chiều vùng khơng gian đặc tính đa chiều ϕ (x) Trong hàm kernel phát triển nhiều cơng trình nghiên cứu trước đây, hàm RBF (Radial Basic Function) sử dụng rộng rãi khả xử lý hiệu liệu ngõ vào/ngõ có mối quan hệ phi tuyến, W.-C Hong (2009) 16 Do đó, nghiên cứu sử dụng hàm kernel RBF mơ hình dự báo SVM, thể công thức (7) Cần lưu ý rằng, tham số δ hàm kernel RBF xác định cấu trúc không gian đặc tính đa chiều ϕ (x) ( ) ( ) − xi − x j (7) K xi , x j = exp 2δ Mơ hình dự báo LSTM-RNN Kỹ thuật dự báo sử dụng mơ hình LSTM-RNN kỹ thuật sử dụng phổ biến lĩnh vực dự báo phụ tải nay, R Dobbe, Y Bengio et al (1994, 2020) 17,18 Phương pháp dự báo thực cách xếp chồng nhiều lớp mạng nơ-ron dựa việc tối ưu hóa ngẫu nhiên Khả huấn luyện hiệu suất mơ hình LSTM-RNN cải thiện cách thay đổi số lớp mạng nơ-ron với mức độ tổng quát hóa khác Những mạng nơ-ron hồi quy (Recurrent Neural Network RNN) khác với mạng nơ-ron truyền thẳng thông thường (Feedforward Neural Network - FNN) hình thành theo trình tự tương quan lớp mạng nơ-ron trạng thái với thông tin ngõ lớp mạng nơ-ron trước Tuy nhiên, việc sử dụng mạng nơ-ron RNN gặp số khó khăn việc huấn luyện cho yếu tố tác động dài hạn tượng suy giảm bùng phát hệ số mang tính xu hướng Chính vậy, mơ hình LSTM sử dụng để khắc phục khó khăn Tại 810 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 2: Giải thuật xác định LPCI dòng điện phụ tải tuyến dây LĐPP có tích hợp nguồn DG nghiên cứu này, tác giả sử dụng mơ hình LSTMRNN xây dựng nhiều hàm kernel nhằm quản lý tốt yếu tố tác động dài hạn, hoạt động song song lưu trữ thông tin thời điểm ngắn hạn dài hạn Hình Hình thể mạng RNN cấu trúc tế bào LSTM mạng RNN Để huấn luyện mạng nơ-ron cho mơ hình dự báo LSTM-RNN với lớp đơn giản, ta cần phải mô tả tham số ngõ lớp mạng nơ-ron ẩn ht ⊂ Rn Đó vectơ n-chiều đồng thời trạng thái ngăn nhớ ct Thông thường, giá trị ban đầu tham số chọn mức không (ht =0 ct =0) Ba hàm sigmoid khối LSTM-RNN có phạm vi ngõ từ đến 1, nhằm định tín hiệu lựa chọn đến ngõ Quá trình lặp lại cho bước Tất trọng số độ lệch huấn luyện với hàm mục tiêu giảm thiểu độ lệch ngõ khối LSTM mẫu huấn luyện thực tế Xử lý cách tuần tự, thông tin bước thời gian lưu trữ trì để tham khảo ngõ mơ hình LSTM-RNN bước thời gian Mơ hình dự báo ANN Cấu trúc mơ hình ANN, cịn gọi mạng nơ-ron có kết nối đầy đủ, thể Hình 5, bao gồm: i) lớp liệu đầu vào có kích thước phù hợp đến liệu phụ tải điện, ii) hai lớp ẩn với 100 điểm nơ-ron cho lớp, iii) lớp liệu đầu có kích thước tương ứng với lớp 811 liệu đầu vào Theo cấu trúc mô hình ANN, vector ngõ kết đạt dựa mơ hình đầu vào (input patterns) với giá trị mục tiêu (targeted values) mơ hình mạng Một cách tổng qt, trọng số mạng wi j liên kết cặp nút mạng cập nhật theo sai khác giá trị ngõ tạo với giá trị ngõ mục tiêu, nhằm mục đích làm giảm sai số kết ngõ Sai số ngõ tính theo số sai số tuyệt đối trung bình (MAE-Mean Absolute Error), phương trình (8): MAE (yt , yt ) = N ∑ |yt − yt | N t=1 (8) Trong đó, yt giá trị thực tế thời gian t, yt giá trị dự báo thời gian t, N tổng số điểm lấy mẫu tính tốn số MAE Các lỗi lớp đầu truyền ngược lại qua tất lớp ẩn đến lớp đầu vào cách lấy đạo hàm trọng số dựa trạng thái nơ-ron chúng hàm tổn thất, Iason-Ioannis C., A Elvers, M.T.Hagan, J.P.S Catalão et al (1994, 2011, 2018-2019) 19–22 Hàm kích hoạt (activation function) sử dụng sau lớp hàm ReLU (Rectifier Linear Unit) dành cho lớp ẩn hàm PL (Pure Linear) dành cho lớp ngõ ra, cho biết phương trình (9) (10) R (z′ ) = max(0, z′ ) (9) P (z) = z (10) Trong đó, z liệu ngõ vào có trọng số lớp ngõ ra; P(z) hàm transfer PL lớp ngõ ra; z’ Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 3: Mạng RNN mơ hình tương đương Hình 4: Cấu trúc tế bào LSTM mạng RNN liệu ngõ vào có trọng số lớp ẩn; R(z’) hàm truyền ReLU lớp ẩn mạng nơron Ở lớp mạng, đáp ứng nơron nhân tạo thực hàm kích hoạt tổng trọng số (weights) độ sai lệch (bias) Xem xét hai lớp mạng liên tục [k – 1, k], đáp ứng ngõ nơron tính tốn (11) ( ) y j = g j ∑ni=1 wi j ui + b j , i ∈ [0, m] ; j ∈ [0, n] (11) Trong đó, m số lượng nơron nhân tạo lớp thứ (k-1); n số lượng nơron nhân tạo lớp thứ (k); y j ngõ nơron thứ (j)từ hàm kích hoạt; wi j trọng số cho liên kết nơ ron thứ (i) lớp thứ (k-1) nơron thứ (j) lớp thứ (k); b j độ sai lệch nơron thứ (j) lớp thứ (k); gi ui giá trị hàm kích hoạt ReLU PL Căn vào véctơ liệu đầu vào, sai số ngõ mơ hình ANN, E[t], giai đoạn huấn luyện vòng lặp t tính bởi: E [t] = N(L) ∑ (Od (g) − Oa (g) [t])2 g=1 (12) Trong đó, Od (g) giá trị ngõ mong muốn (the desired output value); Oa (g) giá trị ngõ từ mơ hình ANN (the resulting output value) vịng lặp t 812 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 5: Cấu trúc mơ hình ANN tính từ phương trình (11); g = 1, , N(L) miêu tả số lượng nút ngõ Khi E[t] khơng, mơ hình ANN tạo giá trị ngõ xác với giá trị mong đợi Hơn nữa, E[t] hiểu hàm trọng số độ sai lệch, ký hiệu E(w,b)[t] Để tối thiểu hóa sai số, giảm gra-đi-ăng (gradient descent) sử dụng giải thuật truyền ngược (backpropagation algorithm) Một vòng lặp giảm gra-đi-ăng cập nhật thông số wi j b j sau: ∂ E (w, b) [t] ∂ wi j [t] ∂ E (w, b) [t] b j [t + 1] = b j [t] − η ∂ b j [t] wi j [t + 1] = wi j [t] − η (13) (14) Trong đó, η tỷ lệ học (learning rate) mơ hình ANN Phương pháp xác định ngưỡng dao động điện áp dựa ngưỡng dao động phụ tải Sau ngưỡng dao động giá trị dòng điện phụ tải tuyến dây xác định, chúng 813 sử dụng để tính tốn ngưỡng dao động điện áp nút LĐPP phương pháp phân tích trào lưu cơng suất dựa việc bơm dịng điện vào nút (current injection based power flow analysis), ALSTOM Grid Inc., J.H Teng, T.-H Chen et al (1991, 1994, 2003, 2014) 23–26 Tiếp đó, ngưỡng dao động điện áp nút sử dụng để phân tích dịng điện ngắn mạch quan sát TBBV LĐPP có tích hợp nguồn DG Phương pháp phân tích dịng cơng suất dựa hai ma trận gồm: i) ma trận dòng điện nhánh (BCbranch currents matrix); ii) ma trận điện áp nút (BV-bus voltages matrix) Xem xét bus i LĐPP, công suất đẩy vào bus i sau: Si = (Pi + jQi ) ) ( ) ( = PG,i − PL,i + j QG,i − QL,i , i = N (15) Trong đó, PG,i and QG,i cơng suất tác dụng công suất phản kháng nguồn phát nút PL,i QL,i công suất tác dụng công suất phản kháng tải nút i Một LĐPP giả định có N nút Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Dịng điện tương đương bơm vào nút i vòng lặp thứ k phương pháp phân tích dịng cơng suất tính công thức (16): ( ) ( k) Pi + jQi imag ( k ) k real Ii = Ii Vi + jIi Vi = (16) Vik áp nút danh định LĐPP; PDG_d QDG_d công suất tác dụng phản kháng nguồn DG thứ d; Vi điện áp nút i LĐPP Phương trình (17) viết dạng tổng quan phương trình (18) bên dưới: [BC] = [C] [I] Trong đó, Vik Iik điện áp nút dòng điện tương đương bơm vào nút i vòng lặp thứ imag k Iireal Ii thành phần thực thành phần ảo dòng điện tương đương bơm vào nút i, hàm theo điện áp Vik Xem xét LĐPP đơn giản có tích hợp nguồn DG Hình Việc bơm cơng suất vào nút chuyển thành việc bơm dịng điện tương đương vào nút thông qua công thức (16) Mối quan hệ ma trận dòng điện nhánh [BC] ma trận điện áp nút [BV ] thu từ định luật Kirchhoff Ma trận dòng điện nhánh [BC] xây dựng dựa dòng điện tương đương bơm vào nút, cho biết phương trình (17)       I1 1 1 B1 B  0 1 1 I    2  2        (17) B3  = 0 1 0 = I3        B4  0 0 0 I4  I5 0 0 B5 Trong đó,        B5 = I6 B4 = I5 ; B3 = I4 + B4 = I4 + I5    B2 = I3 + B3 + B5 = I3 + I4 + I5 + I6    B1 = I2 + I3 + I4 + I5 + I6  I = I  load6 − IDG2      I5 = Iload5 − IDG1 ; I4 = Iload4    I = I  load3   I2 = Iload2 { } Pload_l_max Iload_1 ∈ Pload_l_min ; l = Nload Vnom ; Vnom ( ) PDG_d + jQDG_d ∗ IDG_d = ; d = NG Vi B1 , B2 , B3 , B4 , B5 dòng điện nhánh LĐPP; I2 , I3 , I4 , I5 , I6 dòng điện tương đương bơm vào nút; Iload_i dòng điện tải thứ l nút LĐPP, l = Nload ; Nload tổng số tải lưới điện; IDG_d dòng điện nguồn DG thứ d bơm vào nút LĐPP, d = NDG ; NDG tổng số nguồn DG tích hợp lưới điện Pload_l_min Pload_l_max biên độ dao động tin cậy phụ tải xác định từ việc dự báo phụ tải trình bày Phần Xác định ngưỡng dao động tin cậy phụ tải LĐPP có tích hợp nguồn DG; Vnom giá trị điện (18) Trong đó, [C] ma trận tam giác (an upper triangular matrix) với giá trị số Mối quan hệ ma trận dòng điện nhánh [BC] ma trận điện áp nút [BV ] hiển thị phương trình (19):        B1 V1 V2 Z12 0 0 V  V  Z   0       12 Z23  B2         0  B3  V1  − V4  = Z12 Z23 Z34        V1  V5  Z12 Z23 Z34 Z45  B4  Z12 Z23 0 Z36 B5 V1 V6 Trong đó,  V2 = V1 − B1 Z12       V3 = V2 − B2 Z23 V4 = V3 − B3 Z34 ;       V j = Vi − Bi Zi j  B1 Z12 = V1 −V2      B Z + B1 Z12 = V1 −V3 23  B1 Z12 + B2 Z23 + B3 Z34 = V1 −V4       Bi Zi j = Vi −V j Vi điện áp nút i; V j điện áp nút j; Zi j tổng trở đường dây nút i nút j Phương trình (19) viết dạng tổng quan phương trình (20) bên dưới: [△V ] = [Z] [BC] (20) Trong đó, [△V ] (hoặc gọi [BV ]) ma trận độ sụt giảm điện áp từ nút i đến nút j LĐPP; [Z] ma trận tổng trở tam giác (an lower triangular matrix) Kết luận lại, dựa vào mơ hình dự báo phụ tải điện phương pháp xác định LPCI phân tích phần Xác định ngưỡng dao động tin cậy phụ tải LĐPP có tích hợp nguồn DG, khoảng tin cậy phụ tải điện thứ l, [Pload_l_min , Pload_l_max ], xác định; từ đó, khoảng tin cậy dòng điện phụ tải thứ l, [lload_l_min , lload_l_max ] xác định tương ứng Tiếp theo, khoảng giá trị tin cậy dòng điện tương đương bơm vào nút thứ i, [Ii_min , Ii_max ] xác định nhanh chóng Sau đó, ma trận dòng điện nhánh [BCmin ] [BCmax ], chi tiết [BCmin ] = [B1_min B2_min Bi_min ]T 814 (19) Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 6: Sơ đồ LĐPP đơn giản có tích hợp nguồn DG [BCmax ] = [B1_max B2_max Bi_max ]T , tính tốn dựa vào phương trình (18) Cuối cùng, ma trận điện áp nút [△Vmin ] [△Vmax ] xác định nhờ vào phương trình (20) Vì vậy, khoảng giá trị tin cậy điện áp nút thứ i LĐPP, Vi_min ,Vi_max , tính tốn hiệu thích hợp nghiên cứu này, cụ thể, [V1 ] − [Bi_min ] = [Vi_max ] [V1 ] − [Bi_max ] = [Vi_min ] Lưu ý rằng, V1 giá trị điện áp danh định nút (slack bus) lưới điện phân phối Giải thuật tính tốn ma trận [C] [Z] Giải thuật xây dựng ma trận [C] phương trình (18) phát triển sau: • Bước 1: Đối với LĐPP có m nhánh n nút, kích thước ma trận [C] m × (n − 1); tức m hàng n - cột • Bước 2: Nếu nhánh (hoặc phân đoạn), Bk , nút i nút j, chép cột nút thứ i ma trận [C] đến cột nút thứ j điền +1 đến vị trí hàng k cột j Chú ý, ma trận [C] không xem xét nút số (slack bus) lưới • Bước 3: Lặp lại bước tất nhánh bao gồm ma trận [C] Tiếp theo, giải thuật xây dựng ma trận [Z] phương trình (20) phát triển sau: • Bước 1: Đối với LĐPP có m nhánh n nút, kích thước ma trận [Z] (n − 1) × m; tức (n − 1) hàng m cột • Bước 2: Nếu nhánh (hoặc phân đoạn), Bk , nút i nút j, chép hàng nút thứ i ma trận [Z] đến hàng nút thứ j điền tổng trở đường dây Zi j đến vị trí hàng j cột k Chú ý, ma trận [Z] không xem xét nút số (slack bus) lưới điện phân phối 815 • Bước 3: Lặp lại bước tất nhánh bao gồm ma trận tổng trở [Z] Việc tính tốn ma trận [C] [Z] mở rộng đến phân đoạn gồm nhiều pha Chẳng hạn, phân đoạn từ nút i đến nút j phân đoạn pha a, b c, dịng điện nhánh Bi véctơ ]T [ x 1, Bi = Bi,a Bi,b Bi,c , cộng (+1) ma trận [C] ma trận đơn vị x Tương tự, phân đoạn từ nút i đến nút j phân đoạn pha a, b c, Zi j ma trận [Z] ma trận tổng trở x 3, cho biết phương trình (21) tham khảo Hình  Zaa Z  ba [Z]abcn =  Zca Zna Zab Zbb Zcb Znb Áp dụng phương pháp thành:  Zaa−n  [Z]abc = Zba−n Zca−n Zac Zbc Zcc Znc  Zan Zbn    Zcn  Znn (21a) Kron 27 , phương trình (21a) Zab−n Zbb−n Zcb−n  Zac−n  Zbc−n  Zcc−n (21b) Từ Hình 7, mối quan hệ điện áp nút dòng điện nhánh cho biết phương trình (21c)        Zaa−n Zab−n Zac−n IAa VA Va        Zba−n Zbb−n Zbc−n  IBb  = VB  − Vb  (21c) Zca−n Zcb−n Zcc−n ICc VC Vc Phương pháp giải tốn dịng cơng suất Kết hợp phương trình (18) (20), ma trận [△V ] viết lại sau: [△V ] = [Z] [C] [I] = [PF] [I] (22)