ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINHTRƯỜNG ĐẠI HỌC BÁCH KHOA
KHOA ĐIỆN – ĐIỆN TỬBỘ MÔN HỆ THỐNG ĐIỆN
BẢO VỆ LUẬN VĂN TỐT NGHIỆP
ƯỚC LƯỢNG TRẠNG THÁI LƯỚI ĐIỆNPOWER SYSTEM STATE ESTIMATION
GVHD : GVC.ThS Đặng Tuấn KhanhSVTH : Phạm Huỳnh Chí Bảo
Trang 21 GIỚI THIỆU BÀI TOÁN ƯỚC LƯỢNG TRẠNG THÁI LƯỚI ĐIỆN2 ƯỚC LƯỢNG TRẠNG THÁI BẰNG PHƯƠNG PHÁP BÌNH
PHƯƠNG CỰC TIỂU CÓ TRỌNG SỐ
3 ƯỚC LƯỢNG TRẠNG THÁI BẰNG TRÍ TUỆ NHÂN TẠO4 KẾT LUẬN VÀ KIẾN NGHỊ
Trang 3GIỚI THIỆU BÀI TOÁN ƯỚC LƯỢNG TRẠNG THÁI
LƯỢNG TRẠNG THÁI LƯỚI ĐIỆNPHẦN 1
Trang 4Tại sao có lại có bài toán ước lượng trạng thái lưới điện ?
•Lưới điện phát triển mạnh, lưới trở nên phức tạp
•Cần thông số trạng thái của lưới để đánh giá lưới có đang vận hành tốt hay không
Trang 5•Cấu trúc lưới
•Thông số đo: điện áp, công suất nút, công suất nhánh,… và phương sai
• Giá trị của điện áp (Ui) • Góc pha (i)
Mô hình toán
Thông số đã biếtThông số cần tìm
1 – GIỚI THIỆU BÀI TOÁN ƯỚC LƯỢNG TRẠNG THÁI LƯỚI ĐIỆN
Trang 6GIỚI THIỆU BÀI TOÁN ƯỚC LƯỢNG TRẠNG THÁI LƯỚI ĐIỆN
ƯỚC LƯỢNG BẰNG PHƯƠNG PHÁP BÌNH PHƯƠNG TỐI THIỂU CÓ
TRỌNG SỐ
Trang 72 –ƯỚC LƯỢNG BẰNG PHƯƠNG PHÁP BÌNH PHƯƠNG TỐI THIỂU CÓ TRỌNG SỐ
Trang 8Phương pháp Newton-Raphson.
•Khởi tạo các giá trị ban đầu ,
•Tính toán sai lệch
•Tính ma trận Jacobian •Tính Gain Matrix
•Tính toán bước lặp •Cập nhật: ,
•Nếu đủ nhỏ thì ngừng, Ngược lại tiếp tục vòng lặp
Trang 9Lưới IEEE 9 nút với vị trí 21 phép đo được đánh dấu như hình:
2 – ƯỚC LƯỢNG BẰNG PHƯƠNG PHÁP BÌNH PHƯƠNG TỐI THIỂU CÓ TRỌNG SỐ
Hình 2.1 Lưới IEEE 9 nút có đánh dấu phép đo
Trang 10Kết quả áp dụng với lưới IEEE 9 nút
Vị tríGiá trị chuẩnWLS Sai số %
bằng WLS với giá trị chuẩn IEEE9 nútHình 2.2 Đồ thị so sánh điện áp ước lượng
trạng thái bằng WLS với giá trị chuẩn IEEE9
Trang 11Kết quả áp dụng với lưới IEEE 9 nút
2 – ƯỚC LƯỢNG BẰNG PHƯƠNG PHÁP BÌNH PHƯƠNG TỐI THIỂU CÓ TRỌNG SỐ
Bảng 2.2 So sánh giá trị góc pha ước lượng trạng thái bằng WLS với giá trị chuẩn IEEE9 nút
Hình 2.3 Đồ thị so sánh góc pha ước lượng trạng thái bằng WLS với giá trị chuẩn IEEE9
Vị tríGiá trị
Sai số %Thanh cái 10.0000.0000.000
Trang 13Kết quả áp dụng với lưới IEEE 14 nút
2 – ƯỚC LƯỢNG BẰNG PHƯƠNG PHÁP BÌNH PHƯƠNG TỐI THIỂU CÓ TRỌNG SỐ
Hình 2.5 Đồ thị so sánh điện áp ước lượng trạng thái bằng WLS với giá trị chuẩn IEEE14
Vị tríGiá trị
chuẩnWLSSai số %Thanh cái 1 1.060 1.060 0.000
Trang 14Hình 2.6 Đồ thị so sánh góc pha ước lượng
Trang 16GIỚI THIỆU BÀI TOÁN ƯỚC LƯỢNG TRẠNG THÁI LƯỚI ĐIỆN
ƯỚC LƯỢNG BẰNG TRÍ TUỆ NHÂN TẠO
Trang 173 – ƯỚC LƯỢNG BẰNG TRÍ TUỆ NHÂN TẠO
Phương pháp trí tuệ nhân tạo được sử dụng là multi-layer perceptron
Multi-layer perceptron là: Thuộc loại học máy có giám sát (supervising learning) Mạng thần kinh nhân tạo truyền thẳng (feed forward neural network)
Hình 3.1 Mạng thần kinh nhân tạo truyền thẳng
Trang 18Dựa vào dữ liệu x và y đã có (tính chất của học có giám sát) ta cập nhật các giá trị wi và a sao cho đầu ra được như mong muốn
Hình 3.2 Một node perceptron cơ bản
Trang 193 – ƯỚC LƯỢNG BẰNG TRÍ TUỆ NHÂN TẠO
Hàm mất mát
Trong đó:
là vectơ giá trị dự báo.
y là vectơ giá trị quan sát được.
là chính quy hóa L2 (giá tri này hổ trợ tránh tình trạng overfitting).
Số layer và số node
Không có công thức cụ thể về số layer, số node cho bài toán machine learning Layer và node phụ thuộc vào số dữ liệu có được và độ phức tạp mô hình.
Trang 20Ý tưởng áp dụng:
Ptải, QtảiPhân bố công suất
Phép đo trên lưới và điện
áp,góc pha
Multi layer perceptron90% Training
10% Test
Đánh giá kết quả:
Với:
Trang 213 – ƯỚC LƯỢNG BẰNG TRÍ TUỆ NHÂN TẠO
Trang 233 – ƯỚC LƯỢNG BẰNG TRÍ TUỆ NHÂN TẠO
Lưới IEEE 14 nút với 10000 điểm dữ liệu, số lớp ẩn là 3 với số node ở từng lớp lần lượt là 40,80,40
Trang 25Đánh giá :
Qua hai trường hợp áp dụng trên lưới IEEE 9 nút và IEEE 14 nút thì ta thấy kết quả cho ra có độ chính xác cao (trung bình trên 97%)
Phương pháp áp dụng dễ dàng không cần cấu trúc lưới nhưng cần nhiều dữ liệu
3 – ƯỚC LƯỢNG BẰNG TRÍ TUỆ NHÂN TẠO
Trang 26GIỚI THIỆU BÀI TOÁN ƯỚC LƯỢNG TRẠNG THÁI
Trang 274 – KẾT LUẬN VÀ KIẾN NGHỊ
Kết luận
Cả 2 phương pháp đều đã áp dụng tính toán cho ra kết quả độ chính xác cao với các ưu nhược điểm riêng Có khả năng vụ phục trong việc ước lượng trạng thái ở lưới truyền tải.
Kiến nghị
Mở rộng nghiên cứu tìm hiểu xem phương pháp mạng trí tuệ nhân tạo nào thích hợp và tối ưu nhất hoặc tìm ra cách tối ưu trong việc chọn số lớp và số node cho multi layer perceptron.
Đối với phương pháp bình phương cực tiểu có trọng số thì mô hình hóa chi tiết hơn áp dụng được vào lưới phân phối từ đó có cơ sở đối chiếu với phương pháp khác.
Trang 28[1] A Abur and A.Gomez-Exposito, Power System State Estimation: Theory and Implementation, 2014
[2] L Wang, Q Zhou, and S Jin, "Physics-guided Deep Learning for Power System State Estimation," in Journal of Modern Power Systems and Clean Energy, vol 8, no 4, SGEPRI, July 2020, pp 607 - 615.
[3] M Meriem, C Bouchra, B Abdelaziz et al., "Study of State Estimation Using Weighted-Least Squares Method (WLS)," Marrakech & Bengrir, Morocco, 2016
[4] A Primadianto and C Lu, "A Review on Distribution System State Estimation," IEEE Transactions on Power Systems, vol 32, no 5, pp 3875 - 3883, Sept 2017
[5] N H Tuân, Sách Deep Learning cơ bản, 2020 [6] V H Tiệp, Machine Learning cơ bản, 2020
[7] T T Sơn, Đ T Huyền and K T T Hoa, "Power System State Estimation by Weighted Least Square Method," Tạp chí Khoa học và Công nghệ năng lượng, vol 15, no ISSN: 1859 - 4557, 2/2018
[8] R D Zimmerman, C E Murillo-Sanchez, and R J Thomas, "MATPOWER: Steady-State Operations, Planning and Analysis Tools for Power Systems Research and Education," IEEE Transactions on Power Systems, vol 26, no 1, pp 12-19, Feb 2011
[9] Pedregosa et al., "Scikit-learn: Machine Learning in Python," Journal of Machine Learning Research, vol 12, pp 2825-2830, 2011
Trang 29CẢM ƠN
SỰ LẮNG NGHE CỦA HỘI ĐỒNG