Luận văn thạc sĩ Kỹ thuật điện: Đánh giá trạng thái lưới điện sử dụng trí tuệ nhân tạo

GIỚI THIỆU

Tính cấp thiết của đề tài

Trong những năm gần đây, với các chính sách khuyến khích năng lượng tái tạo (NLTT) của Chính phủ, nguồn năng lượng tái tạo có sự phát triển mạnh mẽ tại Việt Nam với những con số ấn tượng Theo số liệu của Tập đoàn Điện lực Việt Nam, tính đến hết năm 2022, tổng công suất đặt các nguồn NLTT đạt 20.670 MW, chiếm 27% tổng công suất đặt toàn hệ thống (76.620 MW); sản lượng điện từ nguồn năng lượng tái tạo đã đạt 31,508 tỷ kWh, chiếm 12,27% tổng sản lượng điện sản xuất toàn hệ thống Cụ thể về điện gió, Việt Nam có 70 dự án điện gió (ĐG) (công suất 3.987 MW) đã vận hành thương mại, sản lượng điện sản xuất năm 2022 đạt 3,34 tỷ kWh, chiếm 1,3% tổng sản lượng điện sản xuất toàn hệ thống Với điện mặt trời (ĐMT), riêng sản lượng điện từ các nguồn ĐMT trong năm 2022 chiếm khoảng 10,8% tổng sản lượng điện sản xuất toàn hệ thống Tổng công suất lắp đặt điện sinh khối và rác là 321 MW đến tháng 10/2022 Đặc biệt, các dự án ĐMT, điện gió chủ yếu tập trung ở miền Nam và Nam Trung bộ - khu vực có phụ tải chiếm khoảng 50% cả nước Vì vậy, phát triển NLTT sẽ góp phần giảm thiếu hụt điện tại miền Nam, tăng cường an ninh cung ứng điện và giảm căng thẳng trong vận hành hệ thống điện

Tuy nhiên, bên cạnh những mặt tích cực, NLTT cũng gây không ít khó khăn trong việc điều hành hệ thống điện Có thể thấy, với đặc điểm thay đổi năng lực phát điện (công suất) nhanh, không kiểm soát, điều khiển được, điện mặt trời và điện gió sẽ gây ra dao động đáng kể tới hệ thống điện mỗi khi bức xạ mặt trời, gió biến thiên, hoặc ngừng Nếu các nguồn điện khác không được đầu tư thêm để thay thế tại các thời điểm đó, hoặc các nguồn điện hiện có không được điều chỉnh tăng (hay giảm) công suất kịp thời để bù - trừ trong khi có ĐG và ĐMT tham gia, hệ thống điện sẽ mất cân bằng nguồn cấp và phụ tải tiêu thụ Khi đó điện áp và tần số hệ thống điện sẽ trượt ra ngoài chỉ số định mức cho phép và các hệ thống bảo vệ kỹ thuật sẽ tác động, hậu quả nặng nề là có thể rã lưới, mất điện trên diện rộng

Cùng với đó, chính sách ủng hộ và khuyến khích phát triển các nguồn năng lượng tái tạo như điện mặt trời, điện gió khiến nhiều nguồn năng lượng tái tạo nhỏ lẻ xuất hiện và kết nối vào hệ thống lưới điện phân phối Những điều này ảnh hưởng trực tiếp đến trạng thái của lưới điện phân phối dẫn đến sự mất ổn định lớn, khó kiểm soát và vận hành cho hệ thống điện phân phối Mà trạng thái của lưới điện được đặc trưng bởi cường độ điện áp và góc pha tại mỗi nút [1]

Hệ thống lưới điện phân phối hiện nay chưa được quan tâm đúng mức so với hệ thống điện truyền tải và có mật độ khá lớn Số lượng nút là nhiều và cần một lượng tài chính rất cao nếu muốn lắp đặt đầy đủ các máy móc để đo thông số tại các nút phụ tải, chưa kể đến, do sự phức tạp và các đặc điểm đặc biệt như mạng hình tia, tải không cân bằng, thiết bị đo hỏng và tỷ lệ X/R thấp, các kỹ thuật áp dụng cho lưới truyền tải không thể được sử dụng trực tiếp trên lưới phân phối [2] Với mục đích nâng cao độ ổn định và độ tin cậy trong vận hành lưới điện phân phối, bài toán Ước tính trạng thái lưới điện phân phối được ra đời như một giải pháp đáng chú ý cho ngành điện ngày nay

Tuy nhiên bài toán ước tính trạng thái hệ thống điện phụ thuộc nhiều vào khả năng quan sát của hệ thống Khả năng quan sát là khả năng giải bài toán ước tính trạng thái để đưa ra kết quả chính xác về trạng thái (điện áp, góc pha) [3] và phụ thuộc rất lớn vào số lượng và chất lượng của thiết bị đo đếm trên hệ thống điện Đối với hệ thống lưới điện phân phối hiện nay có số lượng thiết bị đo điếm rất ít nên hệ thống không có khả năng quan sát được vì vậy phương pháp WLS sẽ không thể áp dụng được đối với một lưới phân phối rộng lớn [4] Đã có nhiều thuật toán được nghiên cứu về ước tính trạng thái lưới điện đã được thực hiện cho đến nay như: thuật toán Gaussian Mixture Model (GMM) [5], phương pháp Data-Riven [6] hay các phương pháp trí tuệ nhân tạo như: Tăng cường ước tính trạng thái hệ thống phân phối sử dụng Pruned Physics-Aware Neural Networks [7] được áp dụng Để giải quyết các vấn đề trên, lưới điện cần được giám sát liên tục để duy trì hoạt động bình thường và đảm bảo an ninh Cần có các biến trạng thái mô tả hoàn toàn được các tình trạng của lưới và bộ đánh giá cần được sử dụng để đánh giá các biến trạng thái để cung cấp cho Trung tâm Điều độ phương tiện để điều khiển và vận hành một cách tối ưu hệ thống điện Do đó đề tài được thực hiện để góp phần vào việc thiết lập đánh giá trạng thái hệ thống điện phục vụ cho các điều độ viên trong việc vận hành an toàn, ổn định và kinh tế.

Vấn đề sẽ được nghiên cứu

Lưới điện được xây dựng và thiết kế để đáp ứng các biến động và nhu cầu tăng trưởng phụ tải dự kiến có thể trở nên phức tạp và khó kiểm soát hơn do sự bùng nổ nguồn NLTT trong thời gian gần đây Trạng thái vận hành của hệ thống điện được đặc trưng bằng các thông số trạng thái như: biên độ điện áp, góc pha điện áp, công suất tác dụng nút, công suất phản kháng nút, dòng công suất tác dụng trên đường dây, dòng công suất phản kháng trên đường dây, dòng điện trên đường dây, cấu trúc của hệ thống Những thông số này không độc lập với nhau mà liên quan với nhau trong qua hệ phương trình trạng thái Khi biết được một số thông trạng thái nhất định ta sẽ xác định được các thông số còn lại

Trạng thái lưới điện được xác định thông qua các thiết bị điện tử thông minh (IEDs) Đặc biệt, các thiết bị đo lường thường được đặt giới hạn ở trạm biến áp hoặc được lắp đặt ở số lượng ít ở các nút trong lưới điện phân phối Đó là thực tế hiện nay trong lưới điện phân phối Việt Nam, và vấn đề kinh tế chính là rào cản lớn nên không thể lắp đặt các thiết bị đo lường trong tất cả vị trí đo vì số lượng điểm đo tăng theo cấp số nhân từ trạm biến áp đến khách hàng tiêu thụ điện Xét đến yếu tố kỹ thuật, việc lắp đặt số lượng rất lớn thiết bị bộc lộ rất nhiều hạn chế Không thể đảm bảo rằng dữ liệu thu thập được đo cùng lúc do giới hạn băng thông, đường truyền và các vấn đề đồng bộ hóa dữ liệu thông qua các kênh truyền tin Hơn nữa, độ trễ khác nhau giữa các thiết bị thông minh, như đồng bộ hóa các phép đo của số lượng lớn của thiết bị là quá đắt đỏ Trung tâm điều khiển phải xử lý lượng dữ liệu khổng lồ, điều này cũng phát sinh chi phí để nâng cấp hạ tầng viễn thông Hơn nữa hiện tượng mất dữ liệu vẫn xảy ra do tắt nguồn thiết bị đột xuất, lỗi giao tiếp giữa các thiết bị, lỗi đo lường

Do đó, nghiên cứu đánh giá trạng thái hệ thống điện đã được nghiên cứu phát triển Mục tiêu của bài toán đánh giá trạng thái hệ thống điện dựa trên cơ sở dữ liệu các thông số về cấu trúc và các thông số trạng thái đo được để ước lượng các thông số trạng thái cơ bản của hệ thống bao gồm: môđun của điện áp Ui, góc pha điện áp θi tại tất cả các nút [8] Khi có tất cả các thông số cơ bản này ta có thể tính toán được các thông số còn lại, đánh giá sự chuẩn xác của dữ liệu đo, của cấu trúc và đánh giá được trạng thái của hệ thống là an toàn hay không.

Đối tượng và phạm vi nghiên cứu

Thuật toán phổ biến sử dụng trong bài toán đánh giá trạng thái là bình phương cực tiểu có trọng số (WLS), kết hợp với các tính toán trào lưu công suất để xác định các phần tử không nhìn thấy và loại bỏ các sai số Phương pháp này được sử dụng dựa trên các giả thiết sai số phép đo trên hệ thống độc lập nhau và tuân theo hàm phân phối chuẩn Phương pháp bình phương cực tiểu có trọng số có đặc điểm là sử dụng quy luật chiếu dữ liệu xấu dựa trên phần dư có trọng số (weighted residuals) hoặc phần dư được chuẩn hóa (normailized residuals)

Theo dòng chảy của cuộc cách mạng 4.0, trí tuệ nhân tạo ngày càng được phổ biến và ứng dụng rộng rãi trong mọi lĩnh vực của cuộc sống, mặc dù được John McCarthy – nhà khoa học máy tính người Mỹ đề cập lần đầu tiên vào những năm

1950 nhưng đến ngày nay thuật ngữ trí tuệ nhân tạo mới thực sự được biết đến rộng rãi và được các “ông lớn” của làng công nghệ chạy đua phát triển [9] AI là công nghệ sử dụng đến kỹ thuật số có khả năng thực hiện những nhiệm vụ mà bình thường phải cần tới trí thông minh của con người, được xem là phổ biến nhất Đặc trưng của công nghệ AI là năng lực “tự học” của máy tính, do đó có thể tự phán đoán, phân tích trước các dữ liệu mới mà không cần sự hỗ trợ của con người, đồng thời có khả năng xử lý dữ liệu với số lượng rất lớn và tốc độ cao Trí tuệ nhân tạo có khả năng tự thích nghi, tự học và tự phát triển, tự đưa ra các lập luận để giải quyết vấn đề, có thể giao tiếp như người…tất cả là do AI được cài một cơ sở dữ liệu lớn, được lập trình trên cơ sở dữ liệu đó và tái lập trình trên cơ sở dữ liệu mới sinh ra Trong lĩnh vực hệ thống điện, trí tuệ nhân tạo là một phương pháp có rất nhiều ưu điểm và được sử dụng rộng rãi để giải quyết các bài toán về dự đoán, ước tính, tìm kiếm, [10] [11] Nhưng lại có một khuyết điểm là tập dữ liệu huấn luyện là rất lớn Đối với bài toán đánh giá trạng thái lưới điện sử dụng AI phải cần thu thập rất nhiều dữ liệu từ quá khứ thông qua các thiết bị đo thực tế trên lưới điện (bao gồm giá trị đo điện áp, công suất tại các nút và nhánh, ) trong quá trình vận hành lưới điện

Chính những phân tích trên, đề tài tập trung nghiên cứu các thuật toán nhân tạo để áp dụng vào bài toán đánh giá trạng thái vận hành lưới điện Từ đó có đánh giá ưu điểm, nhược điểm sử dụng trí tuệ nhân tạo trong bài toán đánh giá trạng thái lưới điện.

Phương pháp thực hiện

Trong quá trình thực hiện đề tài, sử dụng dữ liệu lưới điện IEEE 14 nút, IEEE

30 nút và IEEE 57 nút Từ đó thực hiện:

- Xây dựng các mô hình toán để áp dụng các thuật toán trí tuệ nhân tạo cho bài toán đánh giá trạng thái (xác định điện áp và góc pha tại mỗi nút của lưới điện IEEE);

- Đánh giá kết quả thu được so sánh với kết quả của bài toán trào lưu công suất;

- Đưa ra đề xuất, cải tiến để có thể áp dụng trong lưới điện Việt Nam hiện nay.

Ý nghĩa thực tiễn và ý nghĩa khoa học của luận văn

Quy mô hệ thống điện Việt Nam hiện nay đã vươn lên đứng đầu khu vực ASEAN Cùng với tỷ trọng cao của nguồn NLTT trong cơ cấu nguồn đặt ra thách thức rất lớn cho công tác vận hành lưới điện Chính vì vậy đánh giá trạng thái lưới điện nhờ sự hỗ trợ của khoa học máy tính, nổi trội hơn cả là trí tuệ nhân tạo có đóng góp đáng kể việc đánh giá trạng thái hệ thống điện sẽ cung cấp cơ sở cho ra quyết định và giám sát theo thời gian thực Từ đó dữ liệu được sử dụng để thực hiện các bài toán phân tích lưới điện thời gian thực như:

- Tự động điều khiển và tự động hệ thống điện

- Điều khiển tự động việc phát cũng như tần số tải đảm bảo kinh tế

- Tối ưu điều khiển công suất phát giữa các vùng

- Vận hành tối ưu và kinh tế hệ thống máy phát

- Ra quyết định vận hành hiệu quả cải thiện chất lượng cung cấp điện.

Cấu trúc của luận văn

Chương 2: Tổng quan về đánh giá trạng thái lưới điện

Chương 3: Tổng quan về mạng nơ ron nhân tạo

Chương 4: Thiết lập mô hình và đánh giá trạng thái lưới điện

Chương 5: Kết quả đánh giá trạng thái lưới điện

Chương 6: Kết luận và hướng phát triển.

TỔNG QUAN VỀ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN

Giới thiệu

Đánh giá trạng thái là một thủ tục có thể được sử dụng để có được đánh giá về trạng thái mạng bằng cách xử lý tập hợp các phép đo có sẵn Trạng thái của một mạng thường được định nghĩa là cường độ và góc điện áp tại mỗi nút Các thông số khác trong mạng như dòng điện và dòng điện có thể được tính toán từ trạng thái lưới điện Thông tin do đánh giá trạng thái cung cấp được sử dụng để đánh giá an ninh mạng, để phân tích các tình huống bất ngờ và đưa ra quyết định về các hành động kiểm soát cần thiết Khái niệm áp dụng ước lượng trạng thái cho hệ thống điện được phát triển vào khoảng năm 1970 Kể từ đó đánh giá trạng thái đã trở thành một nhiệm vụ thường xuyên trong các hệ thống điện Theo thời gian, một số lượng lớn các thiết bị đo dự phòng đã được cài đặt trên khắp các hệ thống điện Kết quả là, thường có thể đánh giá trạng thái của hệ thống điện với độ chính xác cao Tuy nhiên, trong hệ thống điện, số lượng phép đo theo thời gian thực khả dụng thường rất hạn chế so với các mạng truyền tải Do đó, các phép đo giả, là các phép đo trước của tải và máy phát tại các nút cụ thể, thường được sử dụng làm phép đo bổ sung Điều này gây khó khăn cho việc thực hiện phương pháp đánh giá trạng thái truyền thống trong các mạng lưới phân phối

Trước khi đánh giá trạng thái có thể được thực hiện, phải được xác định xem có thể thu được đánh giá duy nhất về trạng thái mạng từ tập hợp các phép đo có sẵn hay không Điều này được thực hiện bởi phân tích khả năng quan sát Để tính toán trạng thái của mạng, cần ít nhất một số phép đo độc lập tuyến tính, nhưng thực sự nhiều hơn số lượng phần tử trong vectơ trạng thái

Ngày nay, hệ thống điện là một trong những cơ sở hạ tầng quan trọng nhất đóng một vai trò quan trọng trong sự phát triển của một quốc gia Đánh giá trạng thái vận hành lưới điện là một phần thiết yếu của hệ thống phân tích bảo mật trong các trung tâm điều độ Do đó, đánh giá trạng thái lưới điện đã được đưa vào hệ thống quản lý lưới điện (EMS) Mặc dù chức năng chính của bộ đánh giá trạng thái là cung cấp dự đoán tốt nhất về trạng thái của hệ thống điện, EMS có chức năng tham gia vào hầu hết các ứng dụng năng lượng trong các trung tâm điều khiển xa Hình 2.1 minh họa sự phối hợp giữa các ứng dụng khác nhau của EMS tại các trung tâm điều khiển Như vậy, EMS đã thay thế hiệu quả các chức năng của trung tâm điều khiển hệ thống điện truyền thống để đảm bảo vận hành kinh tế và đánh giá tính bảo mật của hệ thống trong trường hợp lỗi thiết bị và mất tín hiệu đường truyền, nó được hiển thị dưới dạng một hệ thống con của việc thu thập dữ liệu và đánh giá trạng thái (khối bên dưới trong Hình 2.1)

Hình 2.1 cho thấy đánh giá trạng thái là yếu tố vận hành chính của các hoạt động giám sát và điều khiển khác (không chỉ ra quyết định vận hành bình thường/khẩn cấp) Các ứng dụng điện được kết nối với nhau được hiển thị trong Hình 2.1 sẽ được thừa hưởng từ các ứng dụng công nghệ trong các thiết bị đo lường và cảm biến (chẳng hạn như PMU) Tuy nhiên, như đã thể hiện trong Hình 2.1, EMS bao gồm công cụ đánh giá trạng thái lưới điện thông thường đó là dựa trên hệ thống SCADA

Hình 2.1 Sơ đồ khối hệ thống EMS

Tại sao phải đánh giá trạng thái hệ thống điện

Điều cần thiết là phải đánh giá trạng thái vận hành của của hệ lưới điện trước khi trung tâm điều khiển đưa ra quyết định điều chỉnh lưới điện Tuy nhiên, trước khi có công cụ đánh giá trạng thái lưới điện, trung tâm điều khiển xa chịu trách nhiệm cho hầu hết các chức năng điều khiển theo thời gian thực cho hệ thống Thực tế các tình huống vận hành mà các trung tâm điều khiển phải đối mặt đôi khi bất ngờ và không được đưa vào các trường hợp tính toán từ trước Các nhân viên vận hành thường dựa vào kết quả của bài toán trào lưu công suất Tuy nhiên, trong thực tế, các phép đo từ xa không thể đáp ứng các yêu cầu chủ yếu do các lý do sau:

- Đầu vào của các chương trình tính toán trào công suất thông thường được giới hạn bởi công suất tác dụng và phản kháng tại nút tải (P L vàQ L ) và Công suất phát P G và biên độ điện áp V tại nút điện áp Nếu chỉ một trong các phép đo bị thiếu, bài toán trào lưu công suất sẽ không giải quyết được Trong thực tế, các phép đo có sẵn là không bị hạn chế đối với các yêu cầu của nghiên cứu trào lưu công suất

- Trong trạng thái vận hành bình thường của hệ thống điện, số lượng phép đo nhiều hơn số lượng các biến trạng thái chưa biết Việc triển khai các thiết bị đo lường trong hệ thống điện không bị hạn chế đối với các yêu cầu của nghiên cứu trào lưu công suất như có thể có nhiều thiết bị đo tại một số nút trong hệ thống, mặt khác, không có hoặc chỉ vài thiết bị đo trên nút khác Các đại lượng đo bổ sung bao gồm dòng công suất tác dụng và phản kháng trên đường dây Trong bài toán trào lưu công suất, các phép đo dòng công suất trên đường dây là không cần thiết Ngược lại, trong bài toán đánh giá trạng thái lưới điện, các phéo đo không cần thiết trong bài toán trào lưu công suất sẽ giúp nâng cao khả năng quan sát và độ tin cậy của bài toán đánh giá trạng thái lưới điện

- Sự sai số các phép đo có thể dẫn đến kết quả trào lưu công suất không chính xác

- Mặt khác, việc lắp đặt các thiết bị đo thời gian thực tại tất cả các nút của hệ thống để đo tất cả các đại lượng điện là không khả thi về mặt kinh tế cũng như kỹ thuật, cần thiết cho hoạt động vận hành và điều khiển hệ thống điện

- Những hạn chế trên thúc đẩy các nhà nghiên cứu phát triển một ứng dụng hiệu quả và ít chọn lọc hơn trong việc xử lý phép đo có sẵn của hệ thống điện Vì vậy, đánh giá trạng thái hệ thống điện đã được phát triển để sử dụng tập hợp các phép đo có sẵn để đánh giá trạng thái hệ thống càng chính xác càng tốt Khi một phép đo được thiết lập trong một hệ thống điện là đủ để cung cấp một giải pháp đặc biệt cho vấn đề đánh giá trạng thái, sau đó hệ thống được tuyên bố là có thể quan sát được.

Thiết bị đo và hệ thống đo lường

Ngoài việc hoàn thành một hệ thống năng lượng có thể quan sát được và đánh giá trạng thái có thể giải quyết được, cấu hình của bộ phép đo là rất quan trọng đối với độ chính xác của các biến trạng thái, tính ổn định và tốc độ hội tụ của công cụ đánh giá trạng thái Đánh giá trạng thái thông thường thu thập các phép đo thời gian thực từ xa để phản ánh đúng tình trạng của hệ thống điện Tuy nhiên, để duy trì khả năng quan sát đầy đủ, có sự dự phòng, bộ đánh giá trạng thái có thể được trang bị các đại lượng không đo được (các phép đo phi thời gian thực) bao gồm:

Hình 2.2 Phép đo kết hợp với hệ thống RTU-SCADA

- Các phép đo ảo dựa trên các ràng buộc mạng của lưới điện Các nút thụ động không tiêu thụ công suất và cũng không phát điện là ví dụ về loại phép đo phi thời gian thực này Việc tiêu thụ năng lương bằng không là các phép đo có độ chính xác cao và thậm chí có thể được sử dụng dưới dạng không có sai số đo Do đó, các trọng số được gán cho các phép đo đó là rất cao Tuy nhiên, điều này có thể làm sai lệch việc xác định các yếu tố quan trọng phép đo và xử lý dự liệu xấu

- Phép đo giả là loại phép đo thay thế thứ hai được sử dụng trong đánh giá trạng thái Các phép đo giả dựa trên dữ liệu lịch sử như tải dự báo và phát điện theo lịch trình Do đó, các yếu tố trọng số của các phép đo giả là thấp nhất trong số các bộ phép đo Tuy nhiên, các phép đo giả là cần thiết trong các trường hợp không thể quan sát được trong hệ thống do thiếu các phép đo thời gian thực

- Cần có hệ thống thông tin liên lạc để kết nối trung tâm điều khiển với thiết bị đo khác nhau trong hệ thống điện Hệ thống SCADA đóng vai trò chính, cho đến nay, trong việc thu thập các phép đo thông qua các thiết bị đầu cuối từ xa (RTU) và truyền chúng đến các trung tâm điều khiển Tuy nhiên, các thiết bị điện tử thông minh (IED) được kết nối trực tiếp với trung tâm điều khiển mà không cần sử dụng RTU Những IED này là thiết bị dựa trên bộ vi xử lý có chức năng cảm biến và đo lường thông minh Hình 2.2 minh họa cấu trúc của hệ thống đo lường hỗ trợ đánh giá trạng thái hệ thống điện

Các phép đo thời gian thực được sử dụng để đánh giá trạng thái hệ thống điện có thể được được phân thành hai loại chính dựa trên các công nghệ đo lường: các phép đo của hệ thống SCADA và các phép đo lường đồng bộ pha PMU Các công tơ thông thường kết nối với hệ thống SCADA thông qua RTU tại trạm biến áp, trong khi đó, các PMU được kết nối với EMS thông qua GPS

Các phép đo thời gian thực được gọi là phép đo thông thường, được cung cấp bởi các công tơ chứ không phải các PMU Các phép đo thông thường bao gồm phép đo công suất tác dụng/phản kháng, dòng công suất tác dụng/phản kháng trên đường dây, phép đo biên độ điện áp và biên độ dòng điện các phép đo, vị trí nấc điều áp của máy biến áp Do đó, toàn bộ danh sách các phép đo có thể được sử dụng để đánh giá trạng thái hệ thống điện bao gồm phép đo thời gian thực thông thường, phép đo lường đồng bộ pha, phép đo không ảo và phép đo giả Đánh giá trạng thái hiện đại dựa vào các PMU do khả năng đo lường của chúng bao gồm cả biên độ điện áp, góc pha và dòng điện của tất cả các nhánh sự cố với tốc độ tương đối cao (khoảng một phần triệu giây) và đủ độ chính xác Tính năng quan trọng của tham chiếu thời gian chính xác cao được cung cấp bởi Hệ thống định vị toàn cầu (GPS) Hình 2.3 cho thấy các phép đo được đồng bộ hóa của các trạm biến áp khác nhau đến một tham chiếu chung với một đồng hồ chung (đồng hồ toàn cầu) Thay vì RTU, các phép đo pha đồng bộ được thu thập tại trạm biến áp sử dụng bộ tập trung dữ liệu Tuy nhiên, mức tương đối cao chi phí của các PMU hạn chế việc triển khai rộng rãi

Hình 2.30 Đồng bộ giữa các trạm biến áp sử dụng PMUs và GPS

Phương trình đánh giá trạng thái hệ thống điện

Hoạt động đánh giá trạng thái hệ thống điện bao gồm các bước tiền xử lý và hậu xử lý Bước tiền xử lý đánh giá trạng thái là chuẩn bị phép đo từ xa và phép đo không từ xa và mô hình thực của mạng điện Quá trình hậu xử lý đánh giá trạng thái bao gồm việc đánh giá độ chính xác của vectơ trạng thái, phân tích dữ liệu xấu và kiểm tra lại khả năng quan sát của hệ thống

Trong nội dung hồi quy phi tuyến tính, nếu có 𝑚 quan sát tạo thành (𝑚 × 1) vectơ quan sát/đo lường, y chứa nhiễu hoặc vectơ sai số 𝑒, đánh giá trạng thái được thực hiện để tìm ra mối quan hệ tương quan giữa tập phi tuyến của phép đo và các biến trạng thái cần thiết

( ) , 1, 2, , ( ) i i y = f x +e i= m mn (2.1) trong đó x là vectơ phản hồi đánh giá và f x( )là một hàm phi tuyến có liên quan các quan sát với các biến trạng thái chưa biết Tuy nhiên, hồi quy cuối cùng giải pháp sử dụng các phương trình bình thường được đưa ra là: ˆ ( T ) T x= F F F y (2.2) trong đó ˆx là phản hồi đánh giá (ẩn số hoặc biến trạng thái)

Tương tự như vậy, nếu các vectơ dữ liệu sau đây có sẵn cho một hệ thống điện

𝑒 là (𝑚 × 1) vectơ sai số trong đó n=2N−1 vectơ trạng thái bao gồm các biên độ điện áp V (phản hồi của nút tham chiếu) và tất cả các góc pha  Sau đó, các biến trạng thái có thể được được đánh giá bằng phương trình đo lường sau:

(2.3) trong đó h x i ( ) là một hàm phi tuyến liên quan giữa vectơ trạng thái x với phép đo thứ i

Phương trình trên có thể được viết lại cho lần đo thứ i như sau: i i ( ) i z =h x +e (2.4) trong đó các sai số được giả định là không tương quan và phân phối bình thường

Do đó, (2.1) có thể được viết lại để biểu thị phần dư đo lường như sau: j i i ( ) r = −z h x (2.5)

Sau đó, hàm mục tiêu dựa trên việc giảm thiểu sự khác biệt giữa vectơ trạng thái và các giá trị đo được, tức là thu được phần dư tối thiểu Vì mục đích này, tổng bình phương có trọng số của phần dư nên được thực hiện ch toàn bộ phép đo m Do đó, ước lượng trạng thái ˆx được định nghĩa là giá trị của x nhỏ nhất:

Trong đó R − 1 là nghịch đảo của phương sai đo lường ( 2 ) cũng là đại diện bởi các trọng số được gán cho mỗi phép đo Các yếu tố trọng số cao là liên quan đến các phép đo chính xác của phương sai nhỏ và trọng số thấp là được chỉ định cho các phép đo có độ chính xác thấp Do đó, các giá trị của đường chéo các phần tử đã cho là:

Kết luận

Chương 2 đã trình bày tổng quan về đánh giá trạng thái hệ thống điện, cũng như cách thức hệ thống SCADA/EMS thu thập dữ liệu phục vụ đánh giá trạng thái, công tác vận hành hệ thống điện Các phần tiếp theo của Luận văn sẽ tìm hiểu tiếp cận các mạng nơ-ron nhân tạo áp dụng vào bài toán đánh giá trạng thái nhằm khắc phục những hạn chế của các thiết bị đó, sai số phép đo đã trình bày trong Chương 2.

TỔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO

Giới thiệu về mạng nơ ron nhân tạo

3.1.1 Mạng nơ ron nhân tạo

Theo các nhà nghiên cứu sinh học, hệ thống thần kinh của con người bao gồm khoảng 1011 tế bào thần kinh, thường gọi là các nơ ron Mỗi tế bào nơ ron gồm ba phần: − Thân nơ ron với nhân bên trong (gọi là soma), là nơi tiếp nhận hay phát ra các xung động thần kinh − Một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) để đưa tín hiệu tới nhân nơ ron

Các dây thần kinh vào tạo thành một lưới dày đặc xung quanh thân nơ ron, chiếm diện tích khoảng 0,25 mm 2 − Đầu dây thần kinh ra (gọi là sợi trục axon) phân nhánh dạng hình cây, có thể dài từ một cm đến hàng mét Chúng nối với các dây thần kinh vào hoặc trực tiếp với nhân tế bào của các nơ ron khác thông qua các khớp nối (gọi là synapse) Có hai loại khớp nối, khớp nối kích thích (excitatory) sẽ cho tín hiệu qua nó để tới nơ ron còn khớp nối ức chế (inhibitory) có tác dụng làm cản tín hiệu tới nơ ron Người ta ước tính mỗi nơ ron trong bộ não của con người có khoảng 104 khớp nối Chức năng cơ bản của các tế bào nơ ron là liên kết với nhau để tạo nên hệ thống thần kinh điều khiển hoạt động của cơ thể sống Các tế bào nơ ron truyền tín hiệu cho nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện và được tạo ra từ các quá trình phản ứng hoá học phức tạp Tại nhân tế bào, khi điện thế của tín hiệu vào đạt tới một ngưỡng nào đó thì nó sẽ tạo ra một xung điện dẫn tới trục dây thần kinh ra Xung này truyền theo trục ra tới các nhánh rẽ và tiếp tục truyền tới các nơ ron khác

Hình 3.1 Cấu tạo của tế bào nơ ron sinh học

Mạng nơ ron nhân tạo, Artificial Neural Network (ANN) gọi tắt là mạng nơ ron, neural network, là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơ ron sinh học Nó được tạo lên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay nơ ron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như một thể thống nhất để giải quyết một vấn đề cụ thể nào đó

Một mạng nơ ron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu, ) thông qua một quá trình học từ tập các mẫu huấn luyện

Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơ ron

Một nơ ron là một đơn vị xử lý thông tin và là thành phần cơ bản của một mạng nơ ron Cấu trúc của một nơ ron được mô tả như Hình 3.2, gồm 5 thành phần gồm:

− Tập các đầu vào: Là các tín hiệu vào của nơ ron, các tín hiệu này thường được đưa vào dưới dạng một vec-tơ m chiều

− Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số (gọi là trọng số liên kết – Synaptic weight) Trọng số liên kết giữa tín hiệu vào thứ j với nơ ron k thường được kí hiệu là wjk Thông thường, các trọng số này được khởi tạo một cách ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng

− Bộ tổng (Summing function): Thường dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó

− Ngưỡng (còn gọi là một độ lệch - bias): Ngưỡng này thường được đưa vào như một thành phần của hàm truyền

− Hàm truyền (Transfer function) – còn gọi là Hàm kích hoạt (Activation function): Hàm này được dùng để giới hạn phạm vi đầu ra của mỗi nơ ron

Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho Thông thường, phạm vi đầu ra của mỗi nơ ron được giới hạn trong đoạn [0,1] hoặc [-1, 1] Các hàm truyền rất đa dạng có thể là các hàm tuyến tính hoặc phi tuyến Việc lựa chọn hàm truyền nào là tuỳ thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng

Hình 3.2 Mô hình của nơ ron nhân tạo

Nơ ron tính tổng các đầu vào của nó( , )x x 1 2 x n , gia trọng nó bằng các trọng số

(w , w w ) n , so sánh với ngưỡng b Nếu tổng này vượt qua thì hàm kích hoạt f sẽ tạo ra đầu ra của nó Kết quả sau khi được chuyển đổi là đầu ra của các nơ ron

= − (3.1) Đầu ra của nơ ron sẽ là: k ( ) k y = f v (3.2)

3.1.2 Các phương pháp học của mạng nơ ron nhân tạo

Theo phương thức học, các thuật toán học máy thường được chia làm 4 nhóm: Supervised learning (Học có giám sát), Unsupervised learning (Học không có giám sát), Semi-supervised learning (Học bán giám sát) và Reinforcement learning (Học củng cố) Có một số cách phân nhóm không có Semi-supervised learning hoặc Reinforcement learning

3.1.2.1 Học có giám sát (Supervised learning)

Học có giám sát là thuật toán dự đoán đầu ra của một dữ liệu mới dựa trên các cặp (input, outcome) đã biết từ trước Cặp dữ liệu này còn được gọi là (data, label), tức (dữ liệu, nhãn) Supervised learning là nhóm phổ biến nhất trong các thuật toán học máy

Một cách toán học, Supervised learning là khi chúng ra có một tập hợp biến đầu vào X = x x 1, 2, ,x N  và một tập hợp nhãn tương ứng Y = y y 1, 2, ,y N , trong đó x i , y i là các vector Các cặp dữ liệu biết trước ( x y i , i ) X Y được gọi là tập training data (dữ liệu huấn luyện) Từ tập training data này, chúng ta cần tạo ra một hàm số ánh xạ mỗi phần tử từ tập X sang một phần tử (xấp xỉ) tương ứng của tập Y :

Mục đích là xấp xỉ hàm số f thật tốt để khi có một dữ liệu x mới, có thể tính được nhãn tương ứng của nó y = f x ( )

Nhóm thuật toán học có giám sát gồm các bài toán chính sau:

- Phân loại (classification): Các nhãn của dữ liệu đầu vào được chia thành các nhóm hữu hạn

- Hồi quy (regression): Nhãn là một giá trị thực cụ thể Chẳng hạn như dự báo phụ tải điện ở một địa phương cụ thể

3.1.2.2 Học không có giám sát (Unsupervised learning)

Trong thuật toán này không biết trước được đầu ra hay nhãn của tập dữ liệu đầu vào, chỉ dựa vào cấu trúc của dữ liệu để thực hiện công việc như: phân nhóm (clustering) hoặc giảm số chiều của dữ liệu (dimension reduction) để thuận tiện trong việc lưu trữ và tính toán

Học không giám sát là khi chỉ có dữ liệu đầu vào X mà không biết nhãn Y tương ứng

3.1.2.3 Học bán giám sát (Semi-supervised learning)

Các bài toán khi có một lượng lớn dữ liệu X nhưng chỉ có một phần được gán nhãn được gọi là học bán giám sát Những bài toán thuộc nhóm này nằm giữa 2 nhóm trên

3.1.2.4 Học củng cố (Reinforcement learning)

Reinforcement learning là các bài toán giúp cho một hệ thống tự động xác định hành vi dựa trên hoàn cảnh để đạt được lợi ích cao nhất (maximizing the performance) Hiện tại, Reinforcement learning chủ yếu được áp dụng vào Lý thuyết Trò Chơi (Game Theory), các thuật toán cần xác định nước đi tiếp theo để đạt được điểm số cao nhất

3.1.3 Cấu trúc của mạng nơ ron nhân tạo

Một mạng nơ-ron nhân tạo thường tổ chức các nơ-ron thành từng lớp và mỗi lớp chịu trách nhiệm cho một công việc cụ thể

Mạng nơ-ron nhân tạo thường có 3 lớp: lớp nhập hay lớp đầu vào, lớp ẩn và lớp xuất

❖ Lớp nhập (input layer) cung cấp cho mạng các số liệu cần thiết Số lượng nơ- ron trong lớp nhập tương ứng với số lượng thông số đầu vào được cung cấp cho mạng và các thông số đầu vào này được giả thiết ở dạng vector

Mạng nơ-ron truyền thẳng (Feed-forward Neural Network - FNN)

Ban đầu, các perceptron được sử dụng làm bộ phân loại nhi phân, tức là để phân loại các nhãn nhi phân (0 hoặc 1) Nhưng, nếu không có hàm kích hoạt phi tuyến tính nào được áp dụng cho tích số chấm của các tính nang và trọng số, thì nó chỉ đơn giản là một công cụ hồi quy tuyến tính

Nếu hàm tuyến tính là ( )f x =x và N là số đối tượng thì y= i N = 0 x w i i hoặc sử dụng ký hiệu vectơ y=xw Đối với hồi quy bội, sử dụng phương trình dưới đây với hàm mất mát sai số trung bình bình phương để tối ưu hóa các tham số 

Trong đó N là số lượng đối tượng, X là vectơ đặc trưng và W là vectơ trọng số

Trong đó  0 còn được gọi là hệ số lệch (bias coefficient) trong mạng thần kinh nhân tạo

3.2.2 Mạng nơ-ron nhiều lớp truyền thẳng (Multilayer perceptron - MLP)

Một bài toán thực tế thường phức tạp, không tuyến tính, có nhiều đầu vào và ngõ ra Việc sử dụng 1 perceptron để giải quyết bài toán là không khả thi, vì thế cần dùng mạng nơ-ron nhân tạo cụ thể ở đây mỗi node trong mạng là 1 perceptron Mạng nơ-ron nhiều lớp truyền thẳng chính là mạng nơ-ron nhân tạo cần sử dụng Sau đó dùng tập dữ liệu để huấn luyện mạng MLP với hàm kích hoạt ngõ ra của lớp ẩn là hàm Relu, phương pháp giải là Stochastic Gradient Descent Hàm ReLU có dạng: ( ) max(0, ) f x = x

Hình 3.10 Mạng nơ-ron MLP

Mạng nơ-ron hồi quy

3.3.1 Mạng nơ-ron hồi quy (RNN - Recurrent Neural Network) Ý tưởng chính của RNN là sử dụng chuỗi các thông tin Trong các mạng nơ-ron truyền thống tất cả các đầu vào và cả đầu ra là độc lập với nhau Tức là chúng không liên kết thành chuỗi với nhau Nhưng các mô hình này không phù hợp trong rất nhiều bài toán Ví dụ, nếu muốn đoán từ tiếp theo có thể xuất hiện trong một câu thì ta cũng cần biết các từ trước đó xuất hiện lần lượt thế nào RNN được gọi là hồi quy bởi lẽ chúng thực hiện cùng một tác vụ cho tất cả các phần tử của một chuỗi với đầu ra phụ thuộc vào cả các phép tính trước đó Nói cách khác, RNN có khả nang nhớ các thông tin được tính toán trước đó Trên lý thuyết, RNN có thể sử dụng được thông tin của một van bản rất dài, tuy nhiên thực tế thì nó chỉ có thể nhớ được một vài bước trước đó (ta cùng bàn cụ thể vấn đề này sau) Về cơ bản một mạng RNN có dạng như sau:

Hình 3.11 Mạng nơ-ron hồi quy RNN

Mô hình trên mô tả phép triển khai nội dung của một RNN Triển khai ở đây có thể hiểu đơn giản là ta vẽ ra một mạng nơ-ron chuỗi tuần tự

- x t là đầu vào tại bước t

- s t là trạng thái ẩn tại bước t Nó chính là bộ nhớ của mạng s t được tính toán dựa trên cả các trạng thái ẩn phía trước và đầu vào tại bước đó: s t = f Ux( t +Ws t − 1 ) Hàm f thường là một hàm phi tuyến tính như tanghyperbolic(tanh) hay ReLU Để làm phép toán cho phần tử ẩn đầu tiên ta cần khởi tạo thêm s t − 1 , thường giá tri khởi tạo được gắn bằng 0

• o t là đầu ra tại bước t

3.3.2 Mạng bộ nhớ dài - ngắn (Long Short-Term Memory- LSTM)

Mạng bộ nhớ dài-ngắn, thường được gọi là LSTM - là một dạng đặc biệt của RNN, nó có khả năng học được các phụ thuộc xa LSTM được giới thiệu bởi Hochreiter & Schmidhuber (1997), và sau đó đã được cải tiến và phổ biến bởi rất nhiều người trong ngành Chúng hoạt động cực kì hiệu quả trên nhiều bài toán khác nhau nên dần đã trở nên phổ biến như hiện nay

Mọi mạng hồi quy đều có dạng là một chuỗi các mô-đun lặp đi lặp lại của mạng nơ-ron Với mạng RNN chuẩn, các mô-dun này có cấu trúc rất đơn giản, thường là một tầng tanh:

Hình 3.12 Mô-đun lặp lại trong RNN tiêu chuẩn chứa một lớp duy nhất

LSTM cũng có kiến trúc dạng chuỗi như vậy, nhưng các mô-đun trong nó có cấu trúc khác với mạng RNN chuẩn Thay vì chỉ có một tầng mạng nơ-ron, chúng có tới 4 tầng tương tác với nhau một cách rất đặc biệt

Hình 3.13 Mô-đun lặp lại trong LSTM chứa bốn lớp tương tác

❖ Ý tưởng cốt lõi của LSTM:

Chìa khóa của LSTM là trạng thái tế bào (cell state) - chính đường chạy thông ngang phía trên của sơ đồ hình vẽ

Trạng thái tế bào là một dạng giống như băng truyền Nó chạy xuyên suốt tất cả các mắt xích (các nút mạng) và chỉ tương tác tuyến tính đôi chút Vì vậy mà các thông tin có thể dễ dàng truyền đi thông suốt mà không sợ bị thay đổi

LSTM có khả năng bỏ đi hoặc thêm vào các thông tin cần thiết cho trạng thái tế báo, chúng được điều chỉnh cẩn thận bởi các nhóm được gọi là cổng (gate)

Các cổng là nơi sàng lọc thông tin đi qua nó, chúng được kết hợp bởi một tầng mạng sigmoid và một phép nhân

Tầng sigmoid sẽ cho đầu ra là một số trong khoảng   0,1 mô tả có bao nhiêu thông tin có thể được thông qua Khi đầu ra là 0, hì có nghĩa là không cho thông tin nào qua cả, còn khi là 1 thì có nghĩa là cho tất cả các thông tin đi qua nó

Một LSTM gồm có 3 cổng như vậy để duy trì và điều hành trạng thái của tế bào

Bước đầu tiên của LSTM là quyết định xem thông tin nào cần bỏ đi từ trạng thái tế bào Quyết định này được đưa ra bởi tầng sigmoid - gọi là “tầng cổng quên” (forget gate layer) Nó sẽ lấy đầu vào là h t − 1 và x t rồi đưa ra kết quả là một số trong khoảng

  0,1 cho mỗi số trong trạng thái tế bào c t − 1 Đầu ra là 1 thể hiện rằng nó giữ toàn bộ thông tin lại, còn 0 chỉ rằng toàn bộ thông tin sẽ bị bỏ đi

Bước tiếp theo là quyết định xem thông tin mới nào ta sẽ lưu vào trạng thái tế bào Việc này gồm 2 phần Đầu tiên là sử dụng một tầng sigmoid được gọi là “tầng cổng vào” (input gate layer) để quyết định giá trị nào ta sẽ cập nhập Tiếp theo là một tầng tanh tạo ra một véc-tơ cho giá trị mới c t nhằm thêm vào cho trạng thái Trong bước tiếp theo, ta sẽ kết hợp 2 giá trị đó lại để tạo ra một cập nhập cho trạng thái

Giờ là lúc cập nhập trạng thái tế bào cũ c t − 1 thành trạng thái mới c t Ở các bước trước đó đã quyết định những việc cần làm, nên giờ ta chỉ cần thực hiện là xong

Ta sẽ nhân trạng thái cũ với f t để bỏ đi những thông tin ta quyết định quên lúc trước Sau đó cộng thêm i c t  t Trạng thái mơi thu được này phụ thuộc vào việc ta quyết định cập nhập mỗi giá trị trạng thái ra sao

Cuối cùng, ta cần quyết định xem ta muốn đầu ra là gì Giá trị đầu ra sẽ dựa vào trạng thái tế bào, nhưng sẽ được tiếp tục sàng lọc Đầu tiên, ta chạy một tầng sigmoid để quyết định phần nào của trạng thái tế bào ta muốn xuất ra Sau đó, ta đưa nó trạng thái tế bảo qua một hàm tanh để co giá trị nó về khoảng  − 1,1  và nhân nó với đầu ra của cổng sigmoid để được giá trị đầu ra ta mong muốn.

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN)

Các mạng MLP chỉ được xây dựng đề nhận dữ liệu đầu vào dưới dạng vector Đối với một số loại dữ liệu, đặc biệt là dữ liệu ở dạng hình ảnh, mạng MLP tỏ ra không hiệu quả để đáp ứng xử lý tốt Để áp dụng MLP cho việc xử lý các dữ liệu ở dạng hình ảnh, chúng ta cần phải chuyển đổi được hình ảnh về dưới dạng vector Điều này thường gây ra sự mất mát nhiều thông tin trong dữ liệu gốc ban đầu Mạng nơ- ron tích chập (Convolutional Neural Networks - CNN) được giới thiệu bởi LeCun đã lược bỏ công việc trích xuất các đặc trưng một cách thủ công Mạng CNN là một kiến trúc mạng nơ-ron học sâu đặc biệt được thiết kế để xử lý dữ liệu hình ảnh và video, có khả năng học và trích xuất đặc trưng từ ảnh

Mạng CNN được có kiến trúc được cấu tạo bởi một số loại layer bao gồm:

Hình 3.14 Mô hình mạng CNN cơ bản

Convolutional layer thực hiện phép tích chập giữa ảnh đầu vào và các bộ lọc để tìm ra các đặc trưng của hình ảnh Tiếp sau đó pooling layer làm giảm kích thước của đều ra của convolutional layer để giảm độ phức tạp tính toán và ngăn chặn hiện tượng mô hình quá khớp (overfitting) Cuối cùng fully connected layer kết hợp các đặc trưng đã được trích xuất bởi convolutional layer và pooling layer để phân loại hình ảnh hoặc thực hiện các nhiệm vụ liên quan đến xử lý hình ảnh và video

Mạng CNN là một loại mạng nơ-ron học sâu được sử dụng rộng rãi trong các ứng dụng liên quan đến xử lý hình ảnh và video, bao gồm nhận dạng hình ảnh, phân loại hình ảnh, xử lý video và nhận dạng khuôn mặt

❖ Phép tích chập (Convolution operation) Để đào sâu và hiểu rõ hơn về mạng nơ-ron tích chập, chúng ta cần lướt qua một chút về các kiến thức toán học có liên quan đến phép tích chập Chúng ta có thể hình dung một cách đơn giản rằng ý nghĩa của phép tích chập giống như một hoạt động trộn thông tin lại với nhau Phép tích chập được ứng dụng tương đối rộng rãi trong nhiều ngành khoa học và kỹ thuật khác nhau

Trong toán học, phép tích chập giữa hai hàm ƒ và g sẽ tạo ra một hàm thứ ba biểu diễn sự biến đổi của của một hàm đối với hàm còn lại Xét hai hàm ƒ và g, phép tích chập giữa hai hàm này được định nghĩa như sau:

2 kernel columns rows y x input kernel input x a y b x y

Chúng ta xem xét trong không gian một chiều, phép tích chập giữa hai hàm ƒ và g được mô tả bởi phương trình sau:

( * )( ) ( ) ( ) t f g x = f t g x+t (3.22) Đối với dữ liệu đầu vào 2 chiều như hình ảnh, chúng ta có hai đầu vào cho phép tích chập, Đầu vào thứ nhất là một hình ảnh 2D, đầu vào còn lại được gọi là kernel hoặc mask hoạt động giống như bộ lọc (filter) cho hình ảnh 2D đầu vào và tạo ra một hình ảnh khác cho đầu ra Chúng ta xem xét cụ thể một 2D-convolution sau:

❖ Lớp tích chập (Convolutional Layer)

Lớp tích chập là một trong những thành phần quan trọng của mạng CNN Nó có chức năng thực hiện phép tính tích chập trên đầu vào và trích xuất các đặc trưng từ dữ liệu đó Lớp tích chập nhận đầu vào là một tensor 3D hoặc 2D, sau đó áp dụng một bộ lọc tích chập (còn gọi là kernel hoặc filter) trên toàn bộ ảnh

Bộ lọc này có thể được coi như một ma trận số thực kích thước nhỏ, có thể dịch chuyển trên toàn bộ ảnh để tạo ra các bản đồ đặc trưng Khi thực hiện phép tính tích chập, các phần tử của bộ lọc nhân với các giá trị tương ứng của ảnh, và kết quả của phép nhãn này được tổng hợp lại thành một giá trị duy nhất, được gọi là giá trị đầu ra của phép tính tích chập tại vị trí tương ứng trên bản đồ đặc trưng

Sau khi tính toán các giá trị đầu ra của phép tính tích chập cho toàn bộ ảnh, chúng ta thu được một tập hợp các bản đồ đặc trưng, mỗi bản đồ đặc trưng đại diện cho một đặc trưng cụ thể của ảnh Các feature map này được truyền vào một hàm kích hoạt như ReLU để giúp tăng tính phi tuyến của mô hình và giảm thiểu độ lệch (bias)

Lớp tích chập thường được sử dụng nhiều lần trong một mạng CNN để trích xuất các đặc trưng phức tạp và trừu tượng hơn Ngoài ra, các lớp tích chập còn có thể được kết hợp với các lớp khác như lớp tổng hợp (pooling layer) để giảm kích thước của đầu vào và giúp mô hình hoạt động nhanh hơn

❖ Lớp tổng hợp (Pooling Layer)

Chức năng chung của lớp tổng hợp là giảm kích thước không gian của đặc trưng với mục đích chính là giảm số lượng tham số và khối lượng tính toán trong mạng, tăng tính tổng quát và hạn chế hiện tượng quá khớp Lớp tổng hợp hoạt động trên từng bản đồ đặc trưng độc lập với nhau Cơ chế hoạt động của lớp tổng hợp là chia nhỏ đầu vào thành các khối non-overlapping và áp dụng một hàm tóm tắt trên mỗi khối để giảm kích thước đầu ra Trong lớp tổng hợp, chúng ta có thể sử dụng nhiều loại tổng hợp, trong đó Max Pooling và Average Pooling là hai loại phổ biến nhất

Kỹ thuật max pooling lấy giá trị lớn nhất từ mỗi vùng trượt của bản đồ đặc trưng và giữ lại gá trị này Cụ thể, max pooling chia bản đồ đặc trưng thành các ô không giao nhau, mỗi ô có kích thước cố định (thường là 2x2 hoặc 3x3) Sau đó thì max pooling chọn giá trị lớn nhất trong mỗi ô và đưa ra đầu ra Max Pooling giúp giữ lại đặc trưng quan trọng nhất của feature map và giảm số lượng tham số và tính toán trong mô hình

Kỹ thuật average pooling lấy giá trị trung bình từ mỗi vùng trượt của feature map và giữ lại giá trị này Cụ thể, average pooling chia feature map thành các ô không giao nhau, mỗi ô có kích thước cố định (thường là 2x2 hoặc 3x3) Sau đó thì average pooling tính trung bình các giá trị trong mỗi ô và đưa ra đầu ra Average pooling giúp giảm sự ảnh hưởng của nhiễu và giúp chúng ta thu được các thông tin trung bình từ feature map

Cả max pooling và average pooling đều giúp giảm kích thước của bản đồ đặc trưng và tăng tốc độ tính toán của mô hình, giúp cho quá trình huấn luyện và dự đoán trên dữ liệu lớn trở nên hiệu quả hơn

Tuy nhiên thì max pooling thường được ưu tiên sử dụng hơn trong các ứng dụng thực tế vì nó giúp giữ lại các đặc trưng quan trọng của bản đồ đặc trưng hơn Ví dụ cụ thể nếu ta có đầu vào là một ma trận kích thước 6x6, một max pooling với kernel size là 2x2 sẽ chia ma trận thành các khối 2x2 và lấy giá trị lớn nhất trong mỗi khối để tạo ra đầu ra kích thước 3x3 Max pooling có thể được sử dụng sau một lớp tích chập để giảm kích thước đầu ra, tăng tốc độ tính toán và hạn chế hiện tượng quá khớp

Chúng ta có thể thấy lớp tổng hợp đóng các vai trò then chốt sau trong một mạng CNN:

Kết luận

Chương 3 đã trình bày các kiến thức tổng quan về các mạng nơ ron nhân tạo Trong các chương kế tiếp sẽ xây dựng mô hình áp dụng trí tuệ nhân tạo để đánh giá trạng thái lưới điện.

GIỚI THIỆU CƠ SỞ DỮ LIỆU VÀ XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN

Dữ liệu huấn luyện

Dưới sự phát triển của công nghệ phần cứng máy tính ngày càng hiện đại, học máy là phương pháp mới có nhiều đặc điểm ưu việt và được ứng dụng rộng rãi Nhưng lại có một số khuyết điểm là dữ liệu cần cho quá trình huấn luyện và đánh giá mô các mô hình máy học phải là tập dữ liệu lớn, số lượng dữ liệu càng lớn thì mô hình cho độ tin cậy càng cao Vì vậy cần có tập dữ liệu lớn cho phương pháp này

Trong thực tế vận hành hệ thống điện, khi nhu cầu phụ tải thay đổi thì các giá trị đo của thiết bị đo cũng thay đổi Hiện nay, do tính bảo mật nên việc thu thập dữ liệu lớn, kéo dài trong khoảng thời gian dài bao gồm các giá trị đo, các thông số vận hành lưới điện thực tế rắt là khó khăn Để thực hiện Luận văn này, tác giả sử dụng lưới IEEE 14 nút, IEEE 30 nút, IEEE 57 nút để phục vụ nghiên cứu Tác giả đề xuất phương pháp thay đổi phụ tải trong các lưới IEEE, sau đó thực hiện tính toán trào lưu công suất, ghi nhận các phép đo về biên độ điện áp, công suất tác dụng và công suất phản kháng tại mỗi nút, dòng công suất tác dụng và phản kháng trên mỗi nhánh tại các vị trí được chọn trên lưới để làm tập dữ liệu đầu vào, ghi nhận các giá trị điện áp và góc pha tại tất cả các nút để làm tập dữ liệu đầu ra phục vụ quá trình huấn luyện và đánh giá các mô hình máy học Sơ đồ khối biểu diễn ý tưởng:

Hình 4.1 Lưu đồ biểu diễn ý tưởng tạo dữ liệu

Lưu đồ về tạo những giá trị tương đối đơn giản Dữ liệu phụ tải có nhiều cách thay đổi, ta có thể tạo bằng cách tạo ngẫu nhiên trong khoảng giá trị, hoặc gán các giá trị tải cho các giá trị tải thật theo thời gian (cách này đòi hỏi dữ liệu thật lớn hơn) Các bước thực hiện tạo dữ liệu:

Bước 1: Nhập các thông số lưới điện IEEE sử dụng thư viện Pypower

Bước 2: Chọn các thông số như số lượng dữ liệu n, khởi tạo bộ đếm dữ liệu i 0

Bước 3: Thay đổi các công suất phụ tải ở lần thứ i

Bước 4: Tính toán trào lưu công suất tương ứng với giá trị tải ở lần thứ i Bước 5: Lưu các kết quả biên độ điện áp, giá trị góc pha, dòng công suất tại tất cả các nút và nhánh

Bước 6: Tăng số bộ đếm i = i + 1, nếu 1 < n thì quay lại bước 3 Ngươc lại thì dừng chương trình, thu được tập dữ liệu đầu vào để huấn luyện và đánh giá mô hình máy học

4.1.1 Dữ liệu lưới điện IEEE 14 nút

Lưới điện IEEE 14 nút bao gồm 14 nút và 20 đường dây Tổng CSTD và CSPK của phụ tải là P load %9MW và Q load s.5MVAr tương ứng Tổng tổn thất CSTD

 và tổng tổn thất CSPK  Q loss T.54MVAr Điện áp của các nút nằm trong phạm vi 1.01 p.u – 1.09 p.u Công suất cơ bản của lưới điện IEEE 14 nút được chọn là 100MVA

Dữ liệu lưới điện IEEE 14 nút được sử dụng cho đầu vào của thuật toán gồm 31 phép đo Trong đó có 1 phép đo điện áp, 14 phép đo công suất tại nút (7 phép đo công suất tác dụng P, 7 phép đo công suất phản kháng Q) và 16 phép đo dòng công suất trên nhánh (với 8 phép đo dòng công suất tác dụng P và 8 phép đo dòng công suất phản kháng Q)

Sơ đồ vị trí các phép đo được lấy của lưới IEEE 14 nút được đánh dấu ở hình dưới

Hình 4.2 Hình ảnh vị trí và các phép đo trên lưới IEEE 14 nút

Lưới điện IEEE 30 nút bao gồm 30 nút và 41 đường dây Tổng CSTD và CSPK của phụ tải là P load 9.2MW và Q load 7.2MVAr tương ứng Tổng tổn thất CSTD loss 2.44

 và tổng tổn thất CSPK  Q loss =8.99MVAr Điện áp của các nút nằm trong phạm vi 0.961 p.u – 1.00 p.u Công suất cơ bản của lưới điện IEEE 30 nút được chọn là 100MVA

Dữ liệu lưới điện IEEE 30 nút được sử dụng cho đầu vào của thuật toán gồm 59 phép đo Trong đó có 1 phép đo điện áp, 30 phép đo công suất tại nút (15 phép đo công suất tác dụng P, 15 phép đo công suất phản kháng Q) và 28 phép đo dòng công suất trên nhánh (với 14 phép đo dòng công suất tác dụng P và 14 phép đo dòng công suất phản kháng Q)

Lưới điện IEEE 57 nút bao gồm 57 nút và 80 đường dây Tổng CSTD và CSPK của phụ tải là P load 50.8MW và Q load 36.4MVAr tương ứng Tổng tổn thất CSTD

 và tổng tổn thất CSPK  Q loss 1.67MVAr Điện áp của các nút nằm trong phạm vi 0.936 p.u – 1.06 p.u Công suất cơ bản của lưới điện IEEE

57 nút được chọn là 100MVA

Dữ liệu lưới điện IEEE 57 nút được sử dụng cho đầu vào của thuật toán gồm

118 phép đo Trong đó có 8 phép đo điện áp, 50 phép đo công suất tại nút (25 phép đo công suất tác dụng P, 25 phép đo công suất phản kháng Q) và 60 phép đo dòng công suất trên nhánh (với 30 phép đo dòng công suất tác dụng P và 30 phép đo dòng công suất phản kháng Q)

Xây dựng mô hình huấn luyện

Các nghiên cứu và thực nghiệm đã chứng tỏ việc tiếp cận các bài toán đánh giá trạng thái hệ thông điện bằng cách sử dụng mạng nơ ron nhân tạo sẽ đảm bảo độ chính xác cao Tuy nhiên, để đạt được mục tiêu trên, cần phải nghiên cứu và huấn luyện để lựa chọn cấu trúc mạng tối ưu với các thông số như số lớp ẩn, số nơ-ron lớp ẩn, thuật toán… Bài toán dự đánh giá trạng thái lưới điện là một bài toán phức tạp cả về số lượng dữ liệu đưa vào cũng như độ chính xác dữ liệu cần dự báo

Trong khuôn khổ luận văn, tác giả sử Sử dụng thư viện có sẵn Scikit-learn để phân chia dữ liệu và huấn luyện model Trong tập dữ liệu được đưa vào để huấn luyện thì mỗi điểm dữ liệu (data point) là 1 hàng ngang của bộ dữ liệu đo Tập dữ liệu được chia làm 2 phần, phần huấn luyện chiếm 80% và phần kiểm tra chiếm 20% Sau đó dùng thuật toán có sẵn MLP, LSTM, CNN để huấn luyện cho model

Hình 4.5 Lưu đồ giải thuật huấn luyện và đánh giá các mô hình máy học dùng thuật toán MLP, LSTM, CNN

Các bước thực hiện giải thuật huấn luyện và đánh giá các mô hình học máy:

Bước 1: Thu thập, xử lý dữ liệu và lựa chọn các biến đầu vào Đối với bài toàn đánh giá trạng thái lưới điện, dữ liệu đầu vào bao gồm: giá trị các phép đo điện áp, phép đo công suất tại mỗi nút và trên nhánh Tập dữ liệu đầu ra là các giá trị biên độ điện áo và góc pha tại mỗi nút Tập dữ liệu đầu vào và đầu ra đã tạo được bằng cách giả lập các phép đo trên các lưới điện IEEE 14 nút, IEEE 30 nút, IEEE 57 nút như đã trình bày ở mục trên

Bước 2: Phân chia tập dữ liệu Để huấn luyện mạng, cần phải phân chia dữ liệu thành các tập huấn luyện và tập kiểm tra

Tập huấn luyện là một tập dữ liệu có kích thước lớn, được sử dụng để huấn luyện mô hình Các thuật toán học máy sẽ học các mô hình từ tập huấn luyện này Việc học sẽ khác nhau tùy thuộc vào thuật toán và mô hình sử dụng Các điểm trong tập huấn luyện được sử dụng để tìm ra hàm số hay đường phù hợp nhất mô tả quan hệ giữa đầu vào và đầu ra của tập dữ liệu huấn luyện bằng cách sử dụng một số phương pháp tối ưu hóa Trong thực tế, tập dữ liệu huấn luyện thường bao gồm các cặp vectơ đầu vào và vectơ đầu ra tương ứng, trong đó vectơ đầu ra thường được gọi là nhãn

Mục tiêu của huấn luyện mô mình máy học là tạo ra những mô hình có khả năng tổng quát hóa để dự đoán tốt trên cả dữ liệu nằm ngoài tập huấn luyện Do đó, để biết một thuật toán hay mô hình có tốt hay không thì sau khi được huấn luyện, mô hình cần được đánh giá hiệu quả thông qua bộ dữ liệu kiểm tra Bộ dữ liệu này được sử dụng để tính độ chính xác hoặc sai số của mô hình dự đoán đã được huấn luyện Nhãn thực của mọi điểm trong tập hợp dữ liệu kiểm tra này được biết, nhưng sẽ tạm thời xem như không được biết và đưa 80% giá trị đầu vào của tập vào mô hình dự đoán để nhận kết quả dự đoán đầu ra Sau đó, có thể nhìn vào các nhãn thực và so sánh nó với kết quả dự đoán của các đầu vào tương ứng này và xem liệu mô hình có dự đoán đúng hay không?

Bước 3: Xác định cấu trúc mạng Để xây dựng mạng nơ ron hoàn chỉnh, cần xác định các thông số sau:

− Thuật toán huấn luyện mạng (Solver): có rất nhiều thuật toán để huấn luyện như thuật toán sgdm (Stochastic Gradient Descent with Momentum – SGDM): Thuật toán giảm độ dốc ngẫu nhiên với động lượng; thuật toán rmsprop (Root Mean Square Propagation – RMSProp): Thuật toán lan truyền căn bậc hai; thuật toán adam (bắt nguồn từ Adaptive Moment estimation – ước tính moment thích ứng): Một thuật toán để tối ưu hóa dựa trên gradient bậc nhất của các hàm mục tiêu ngẫu nhiên và dựa trên các ước tính thích ứng về các moment bậc thấp hơn

Trong khuôn khổ luận văn này, tác giả lựa chọn thuật toán adam

− Số lớp của mạng nơ ron: tùy vào thuật toán được chọn mà có số lớp, cấu trúc phù hợp

− Số nơ rơn lớp ẩn (hay còn được gọi là kích ẩn), được chỉ định dưới dạng số nguyên dương Số lượng nơ ron lớp ẩn tương ứng với lượng thông tin được nhớ giữa các bước thời gian (trạng thái ẩn) Trạng thái ẩn có thể chứa thông tin từ tất cả các bước thời gian trước đó, bất kể độ dài của chuỗi Nếu số lượng nơ ron lớp ẩn quá lớn, thì lớp có thể quá phù hợp (over-fit) với dữ liệu đào tạo Giá trị này có thể thay đổi từ vài chục đến vài nghìn

− Tỷ lệ loại bỏ (Dropout probability): Một lớp dropout đặt ngẫu nhiên các yếu tố đầu vào bằng 0 với một xác suất nhất định Xác suất loại bỏ các phần tử đầu vào, được chỉ định dưới dạng một số vô hướng trong phạm vi 0–1 Khi chúng ta sử dụng fullyConnectedLayer, các neural sẽ phụ thuộc “mạnh” lẫn nhau trong suốt quá trình huấn luyện, do đó việc sử dụng dropoutLayer dùng tránh dẫn đến bị over-fitting tập dữ liệu

− Kích thước các khối nhỏ (minibatch size): Trong thuật toán GD tiêu chuẩn, độ dốc (đạo hàm) của hàm tổn thất ∇E(θ) được đánh giá bằng cách sử dụng toàn bộ tập dữ liệu huấn luyện và thuật toán GD tiêu chuẩn sử dụng toàn bộ tập dữ liệu cùng một lúc Ngược lại, tại mỗi lần lặp, thuật toán giảm độ dốc ngẫu nhiên (Stochastic Gradient Descent – SGD) đánh giá độ dốc và cập nhật các tham số bằng cách sử dụng một tập hợp con của dữ liệu huấn luyện Một tập hợp con, được gọi là một mini-batch, được sử dụng ở mỗi lần lặp (iteration)

− Tỷ lệ học khởi tạo của mô hình: Tốc độ học là một siêu tham số sử dụng trong việc huấn luyện các mạng nơ ron Giá trị của nó là một số dương, thường nằm trong khoảng giữa 0 và 1 Tốc độ học kiểm soát tốc độ mô hình thay đổi các trọng số để phù hợp với bài toán

− Các thông số khác như: số kỷ nguyên (epoch) huấn luyện tối đa; kích thước đầu ra của lớp fullyConnected; chu kỳ giảm tỷ lệ học của mô hình (số epoch); hệ số giảm tỷ lệ học của mô hình; hiển thị thông tin quá trình đào tạo trong cửa sổ lệnh; số vòng lặp điều kiện để dừng huấn luyện

Kiến trúc mạng cụ thể cho từng thuật toán MLP, LSTM, CNN sẽ được trình bày ở chương kế tiếp

Bước 4: Huấn luyện mạng và đánh giá mô hình

Huấn luyện mạng học các dữ liệu bằng cách lần lượt đưa các mẫu vào cùng với những giá trị mong muốn

Mục tiêu của việc huấn luyện mạng là tìm ra bộ trọng số sao cho đạt được giá trị nhỏ nhất toàn cục của hàm lỗi Một câu hỏi đặt ra là khi nào ngừng việc huấn luyện Thông thường có hai cách

- Cách thứ nhất là ngừng huấn luyện khi không có tiến triển nào của hàm lỗi nữa với dữ liệu trên một số tập của tham số mạng Thực chất biện pháp này là xác định được khả năng đạt cực tiểu toàn cục lớn nhất

- Cách thứ hai là cần thực hiện xem xét khả năng tổng quát hóa bằng cách sau mỗi chu kỳ nào đó, thực hiện kiểm tra tổng quát hóa của mạng và sau đó quay lại quá trình huấn luyện

Một phương pháp khác đó là thực hiện việc vẽ đồ thị để theo dõi trạng thái lỗi của mạng, từ đó có thể quan sát được vùng mà mạng có trạng thái không thay đổi đối với dữ liệu đầu vào hay vùng hội tụ chậm Việc theo dõi được trạng thái của mạng với tập huấn luyện và khả năng tổng quát hóa để có thể ngừng khi cần là quan trọng, cần phải cập nhật đồ thị sau mỗi chu kỳ để có thể theo dõi được các tham số huấn luyện mạng Đối với luận văn này, việc huấn luyện mạng sẽ dừng lại khi thỏa một trong các điều kiện sau:

− Đã đạt số kỷ nguyên để huấn luyện tối đa;

Về tiêu chuẩn đánh giá mô hình

Kết luận

Chương 4 đã trình bày chi tiết về cách tạo dữ liệu để đưa vào huấn luyện các mô hình máy học trên lưới điện IEEE 14 nút, IEEE 30 nút, IEEE 57 nút Các tập dữ liệu được tạo ra bằng cách thay đổi thông số phụ tải sẽ tạo ra tập dữ liệu đủ lớn, tuy nhiên cấu trúc lưới điện không thay đổi như lưới điện thực tế do đó dữ liệu không đủ phức tạp

Chương 4 tác giả cũng đã trình bày cách xây dựng mô hình huấn luyện mô hình đánh giá trạng thái sử dụng các thuật toán MLP, LSTM, CNN Đồng thời cũng đưa ra các tiêu chí để đánh giá mô hình có hiệu quả hay không Tùy vào độ phức tạp của lưới điện cũng như tập dữ liệu mà có cấu trúc thuật toán khác nhau

Tiếp theo chương 5, tác giả sẽ đi sâu nghiên cứu kiến trúc lớp mạng phù hợp ứng với mỗi lưới điện IEEE và lựa chọn các thông số cho mô hình huấn luyện.

KẾT QUẢ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN

Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 14 nút

5.1.1 Mô hình mạng MLP Đối với lưới điện IEEE 14 nút, Thư viện Keras được sử dụng để xây dựng mô hình MLP kiến trúc chi tiết gồm dữ liệu đầu vào và 2 tầng ẩn Tầng ẩn đầu tiên có 80 nơ ron sử dụng hàm kích hoạt là ReLU Tầng ẩn thứ 2 có 28 nơ ron, sử dụng hàm kích hoạt là ReLU Do không có quy định chuẩn nào về việc chọn số tầng ẩn, mô hình được thiết kế bắt đầu với 1 tầng ẩn và chạy thử nghiệm để tìm ra số tầng ẩn phù hợp Kết quả thích hợp nhất ở 2 tầng ẩn Để đảm bảo mô hình không xảy ra hiện tượng quá khớp, kỹ thuật dừng sớm được sử dụng khi huấn luyện Kỹ thuật này sử dụng một hàm gọi lại (callback) sau khi xem xét 5 kỳ huấn luyện (epochs) Trong 5 epochs liên tiếp, nếu độ sai số loss và val_loss không biến động (theo chiều hướng giảm dần) quá 0.01 thì mô hình sẽ dừng việc huấn luyện Nếu hiện tượng quá khớp không xảy ra thì quá trình huấn luyện sẽ chạy tối đa 100 kỳ huấn luyện Ngoài ra, kỹ thuật này cũng giúp giảm đáng kể thời gian huấn luyện của mô hình

Hình 5.1 Kiến trúc mạng MLP dùng cho lưới IEEE 14 nút

Hình 5.2 Đồ thị so sánh giá trị biên độ điện áp giữa giá trị dự báo (MLP) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.3 Đồ thị sai số biên độ điện áp giữa giá trị dự báo (MLP) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.4 Đồ thị so sánh giá trị góc pha giữa giá trị dự báo (MLP) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.5 Đồ thị sai số giá trị góc pha giữa giá trị dự báo (MLP) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Trên lưới điện IEEE 14 nút, thuật toán MLP cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ chênh lệch nhỏ, cụ thể biên độ điện áp có sai số 0.15% tại nút số 19 và giá trị góc pha sai số lớn nhất 11.8% tại nút số 7

Mô hình LSTM được xây dựng với sự hỗ trợ của thư viện Keras Kiến trúc mạng LSTM gồm có dữ liệu đầu vào (Input data) là tập giá trị các phép đo, tầng LSTM (LSTM layer) có 31 nút (node) và một tầng ẩn (Dense layer) có 28 nút cho kết quả của dự báo như mô tả trong Hình 5.6

Hình 5.6 Kiến trúc mạng LSTM dùng cho lưới IEEE 14 nút

Hình 5.7 Đồ thị so sánh giá trị biên độ điện áp giữa giá trị dự báo (LSTM) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.8 Đồ thị sai số biên độ điện áp giữa giá trị dự báo (LSTM) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.9 Đồ thị so sánh giá trị góc pha giữa giá trị dự báo (LSTM) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.10 Đồ thị sai số giá trị góc pha giữa giá trị dự báo (LSTM) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Trên lưới điện IEEE 14 nút, thuật toán LSTM cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ sai lệch nhỏ, cụ thể biên độ điện áp có sai số 0.07% tại nút số 10 và giá trị góc pha sai số lớn nhất 2.5% tại nút số 3

Mô hình CNN được xây dựng với sự hỗ trợ của thư viện Keras Kiến trúc mạng CNN được sử dụng cho lưới điện IEEE 14 nút để so sánh bao gồm tuần tự của: hai lớp tích chập 1-D với kernel kích thước Kernel là 3, 64 bộ lọc và hàm kích hoạt ReLU; một lớp tổng hợp tối đa 1-D với kích thước nhóm là 3; một tích chập 1-D với 64 bộ lọc và kích thước Kernel là 3, hàm kích hoạt ReLu; một tuyến tính (Dense) với số node là 28

Hình 5.11 Kiến trúc mạng CNN dùng cho lưới IEEE 14 nút

Hình 5.12 Đồ thị so sánh giá trị biên độ điện áp giữa giá trị dự báo (CNN) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.13 Đồ thị sai số biên độ điện áp giữa giá trị dự báo (CNN) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.14 Đồ thị so sánh giá trị góc pha giữa giá trị dự báo (CNN) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Hình 5.15 Đồ thị sai số giá trị góc pha giữa giá trị dự báo (CNN) và giá trị trào lưu công suất (PF) trên lưới IEEE 14 nút

Trên lưới điện IEEE 14 nút, thuật toán CNN cho kết quả rất khả quan, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ sai lệch nhỏ, cụ thể biên độ điện áp có sai số 0.13% tại nút số 3 và giá trị góc pha sai số lớn nhất 1.3% tại nút số 2.

5.2.1 Mô hình mạng MLP Đối với lưới điện IEEE 30 nút, Thư viện Keras được sử dụng để xây dựng mô hình MLP kiến trúc chi tiết gồm dữ liệu đầu vào và 3 tầng ẩn Tầng ẩn đầu tiên có 80 node sử dụng hàm kích hoạt là ReLU (rectified linear unit) Tầng ẩn thứ 2 có 40 node, sử dụng hàm kích hoạt là ReLU Tầng ẩn thứ 3 có 60 node, sử dụng hàm kích hoạt là ReLU Do không có quy định chuẩn nào về việc chọn số tầng ẩn, mô hình được thiết kế bắt đầu với 1 tầng ẩn và chạy thử nghiệm để tìm ra số tầng ẩn phù hợp Kết quả thích hợp nhất ở 3 tầng ẩn Để đảm bảo mô hình không học vẹt (overfiting), kỹ thuật early stopping được sử dụng khi huấn luyện Kỹ thuật này sử dụng một hàm gọi lại (callback) sau khi xem xét 5 kỳ huấn luyện (epochs) Trong 5 epochs liên tiếp, nếu độ lỗi loss và val_loss không biến động (theo chiều hướng giảm dần) quá 0.01 thì mô hình sẽ dừng việc huấn luyện Nếu overfitting không xảy ra thì quá trình huấn luyện sẽ chạy tối đa 100 epoch Ngoài ra, kỹ thuật này cũng giúp giảm đáng kể thời gian huấn luyện của mô hình

Trên lưới điện IEEE 30 nút, thuật toán MLP cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ chênh lệch nhỏ, cụ thể biên độ điện áp có sai số 0.15% tại nút số 19 và giá trị góc pha sai số lớn nhất 11.8% tại nút số 7

Mô hình LSTM được xây dựng với sự hỗ trợ của thư viện Keras Kiến trúc mạng LSTM gồm có dữ liệu đầu vào (Input data) là tập giá trị các phép đo, tầng LSTM (LSTM layer) có 59 nút (node) và một tầng ẩn (Dense layer) có 60 nút cho kết quả của dự báo như mô tả trong Hình 5.21

Hình 5.21 Kiến trúc mạng LSTM dùng cho lưới IEEE 30 nút

Hình 5.22 Đồ thị so sánh giá trị biên độ điện áp giữa giá trị dự báo (LSTM) và giá trị trào lưu công suất (PF) trên lưới IEEE 30 nút

Trên lưới điện IEEE 30 nút, thuật toán LSTM cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ sai lệch nhỏ, cụ thể biên độ điện áp có sai số 0.05% tại nút số 26 và giá trị góc pha sai số lớn nhất 3.2% tại nút số 7

Mô hình CNN được xây dựng với sự hỗ trợ của thư viện Keras Kiến trúc mạng CNN được sử dụng cho lưới điện IEEE 30 nút để so sánh bao gồm tuần tự của: hai lớp tích chập 1-D với kernel kích thước Kernel là 3, 128 bộ lọc và hàm kích hoạt ReLU; một lớp tổng hợp tối đa 1-D với kích thước nhóm là 3; một tích chập 1-D với

128 bộ lọc và kích thước Kernel là 3, hàm kích hoạt ReLu; một tuyến tính (Dense) với số nơ ron là 60

Trên lưới điện IEEE 30 nút, thuật toán CNN cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ sai lệch nhỏ, cụ thể biên độ điện áp có sai số 0.08% tại nút số 19 và giá trị góc pha sai số lớn nhất 4.9% tại nút số

5.3.1 Mô hình mạng MLP Đối với lưới điện IEEE 57 nút, Thư viện Keras được sử dụng để xây dựng mô hình MLP kiến trúc chi tiết gồm dữ liệu đầu vào và 4 tầng ẩn Tầng ẩn đầu tiên có 80 nơ ron sử dụng hàm kích hoạt là ReLU (rectified linear unit) Tầng ẩn thứ 2 có 40 nơ ron, sử dụng hàm kích hoạt là ReLU Tầng ẩn thứ 3 có 40 nơ ron, sử dụng hàm kích hoạt là ReLU Tầng ẩn thứ 4 có 114 nơ ron, sử dụng hàm kích hoạt là ReLU Do không có quy định chuẩn nào về việc chọn số tầng ẩn, mô hình được thiết kế bắt đầu với 1 tầng ẩn và chạy thử nghiệm để tìm ra số tầng ẩn phù hợp Kết quả thích hợp nhất ở 4 tầng ẩn Để đảm bảo mô hình tránh hiện tượng quá khớp, kỹ thuật dừng sớm được sử dụng khi huấn luyện Kỹ thuật này sử dụng một hàm gọi lại (callback) sau khi xem xét 5 kỳ huấn luyện (epochs) Trong 5 epochs liên tiếp, nếu độ lỗi loss và val_loss không biến động (theo chiều hướng giảm dần) quá 0.01 thì mô hình sẽ dừng việc huấn luyện Nếu hiện tượng quá khớp không xảy ra thì quá trình huấn luyện sẽ chạy tối đa 100 epoch Ngoài ra, kỹ thuật này cũng giúp giảm đáng kể thời gian huấn luyện của mô hình

Trên lưới điện IEEE 57 nút, thuật toán MLP cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ sai lệch nhỏ ở tất cả các nút, cụ thể biên độ điện áp có sai số 0.5% tại nút số 53 và giá trị góc pha sai số lớn nhất 3.2% tại nút số 6

Mô hình LSTM được xây dựng với sự hỗ trợ của thư viện Keras Kiến trúc mạng LSTM gồm có dữ liệu đầu vào (Input data) là tập giá trị các phép đo, tầng LSTM (LSTM layer) có 118 nút (node), một tầng ẩn (Dense layer) có 228 nút, một tầng ẩn (Dense layer) có 114 nút cho kết quả của dự báo như mô tả trong Hình 5.6

Hình 5.36 Kiến trúc mạng LSTM dùng cho lưới IEEE57

Hình 5.37 Đồ thị so sánh giá trị biên độ điện áp giữa giá trị dự báo (LSTM) và giá trị trào lưu công suất (PF) trên lưới IEEE 57nút

Trên lưới điện IEEE 57 nút, thuật toán LSTM cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ sai lệch nhỏ ở tất cả các nút, cụ thể biên độ điện áp có sai số 0.09% tại nút số 34 và giá trị góc pha sai số lớn nhất tại nút số 56 (do giá trị góc pha dự báo và giá trị thực xấp xỉ bằng 0 nên tính sai số lớn)

Mô hình CNN được xây dựng với sự hỗ trợ của thư viện Keras Kiến trúc mạng CNN được sử dụng cho lưới điện IEEE 57 nút để so sánh bao gồm tuần tự của: hai lớp tích chập 1-D với kernel kích thước Kernel là 3, 64 bộ lọc và hàm kích hoạt ReLU; một lớp tổng hợp tối đa 1-D với kích thước nhóm là 3; một tích chập 1-D với 64 bộ lọc và kích thước Kernel là 3, hàm kích hoạt ReLu; một tuyến tính (Dense) với số nơ ron là 28

Trên lưới điện IEEE 57 nút, thuật toán CNN cho kết quả tốt, giữa giá trị dự báo và giá trị thực tính toán bằng trào lưu công suất có độ sai lệch nhỏ ở tất cả các nút, cụ thể biên độ điện áp có sai số 0.175% tại nút số 31 và giá trị góc pha sai số lớn nhất tại nút số 56 (do giá trị góc pha dự báo và giá trị thực xấp xỉ bằng 0 nên tính sai số lớn).

Tổng hợp đánh giá kết quả

5.4.1 Trên lưới điện IEEE 14 nút

Hình 5.46 Đồ thị giá trị biên độ điện áp giữa học máy (MLP, LSTM, CNN) và trào lưu công suất (PF) trên lưới điện IEEE 14 nút

Hình 5.47 Đồ thị góc pha giữa giữa học máy (MLP, LSTM, CNN) và trào lưu công suất (PF) trên lưới điện IEEE 14 nút

Hình 5.48 Chỉ số RMSE và MAE của biên độ điện áp của các mô hình học máy

(MLP, LSTM, CNN) trên lưới điện IEEE 14 nút

Hình 5.49 Chỉ số RMSE và MAE của góc pha của các mô hình học máy (MLP,

LSTM, CNN) trên lưới điện IEEE 14 nút

Trên tập dữ liệu của lưới điện IEEE 14 nút (gồm có 4000 dữ liệu: 3200 dữ liệu để huấn luyện và 800 điểm dữ liệu để đánh giá kiểm tra) cho thấy mô hình CNN đạt hiệu quả tốt với độ lỗi RMSE trên giá trị biên độ điện áp là 0.00046 và MAE là 0.00037, tương ứng giá trị góc pha là 0.05708 và 0.04213 Trong khi đó, mô hình huấn luyện MLP cho kết quả kém nhất với độ lỗi RMSE trên giá trị biên độ điện áp là 0.00106 và MAE là 0.00086, tương ứng giá trị góc pha là 0.3608 và 0.29415

Hình 5.50 Đồ thị giá trị biên độ điện áp giữa học máy (MLP, LSTM, CNN) và trào lưu công suất (PF) trên lưới điện IEEE30

LSTM, CNN) trên lưới điện IEEE 30 nút

Trên tập dữ liệu của lưới điện IEEE 30 nút (gồm có 5000 dữ liệu: 4000 dữ liệu để huấn luyện và 1000 điểm dữ liệu để đánh giá kiểm tra mô hình) cho thấy mô hình LSTM đạt hiệu quả tốt với độ lỗi RMSE trên giá trị biên độ điện áp là 0.00044 và MAE là 0.00035, tương ứng giá trị góc pha là 0.07701 và 0.06125 Trong khi đó, mô hình huấn luyện MLP cho kết quả kém nhất với độ lỗi RMSE trên giá trị biên độ điện áp là 0.00193 và MAE là 0.00158, độ lỗi giá trị góc pha RMSE là 0.38391 và MAE là 0.31397

Hình 5.54 Đồ thị giá trị biên độ điện áp giữa học máy (MLP, LSTM, CNN) và trào lưu công suất (PF) trên lưới điện IEEE 57 nút

LSTM, CNN) trên lưới điện IEEE 57nút

Trên tập dữ liệu của lưới điện IEEE 57 nút (gồm có 8000 dữ liệu: 6400 dữ liệu để huấn luyện và 1600 điểm dữ liệu để đánh giá kiểm tra) cho thấy mô hình CNN đạt hiệu quả tốt tốt nhất với độ lỗi RMSE trên giá trị biên độ điện áp là 0.00095 và MAE là 0.00076, ở giá trị góc pha với RMSE là 0.2071 và MAE là 0.16444 Trong khi đó, mô hình huấn luyện MLP cho kết quả kém nhất với độ lỗi RMSE trên giá trị biên độ điện áp là 0.00345 và MAE là 0.0028, độ lỗi giá trị góc pha RMSE là 0.91181 và MAE là 0.74225.

Kết luận

Chương 5 đã trình bày chi tiết các kiến trúc mô hình máy học (MLP, LSTM, CNN) cho bài toán đánh giá trạng thái hệ thống điện Tác giả đã thực hiện đánh giá kết quả trên lưới điện IEEE 14 nút, IEEE 30 nút, IEEE 57 nút cho kết quả tốt, trong đó mô hình sử dụng LSTM, CNN nổi trội hơn MLP về các chỉ số đánh giá mô hình là RMSE và MAE Tuy nhiên các thông số của mô hình bao gồm số lớp ẩn, số nơ ron, hàm kích hoạt cũng ảnh hưởng rất lớn đến kết quả đánh giá mô hình.

Luận văn thạc sĩ Kỹ thuật điện: Đánh giá trạng thái lưới điện sử dụng trí tuệ nhân tạo

GIỚI THIỆU

Tính cấp thiết của đề tài

Vấn đề sẽ được nghiên cứu

Đối tượng và phạm vi nghiên cứu

Phương pháp thực hiện

Ý nghĩa thực tiễn và ý nghĩa khoa học của luận văn

Cấu trúc của luận văn

TỔNG QUAN VỀ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN

Giới thiệu

Tại sao phải đánh giá trạng thái hệ thống điện

Thiết bị đo và hệ thống đo lường

Phương trình đánh giá trạng thái hệ thống điện

Kết luận

TỔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO

Giới thiệu về mạng nơ ron nhân tạo

Mạng nơ-ron truyền thẳng (Feed-forward Neural Network - FNN)

Mạng nơ-ron hồi quy

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN)

Kết luận

GIỚI THIỆU CƠ SỞ DỮ LIỆU VÀ XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN

Dữ liệu huấn luyện

Xây dựng mô hình huấn luyện

Kết luận

KẾT QUẢ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN

Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 14 nút

Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 30 nút

Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 57 nút

Tổng hợp đánh giá kết quả

Kết luận