Nhận dạng ổn định động hệ thống điện bằng mạng nơron

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM - PHẠM THẾ HOÀNG NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN BẰNG MẠNG NƠRON LUẬN VĂN THẠC SĨ Chuyên ngành : Kỹ thuật điện Mã số ngành: 60520202 TP HỒ CHÍ MINH, tháng 03 năm 2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM - PHẠM THẾ HOÀNG NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN BẰNG MẠNG NƠRON LUẬN VĂN THẠC SĨ Chuyên ngành : Kỹ thuật điện Mã số ngành: 60520202 CÁN BỘ HƯỚNG DẪN KHOA HỌC: PSG.TS QUYỀN HUY ÁNH TP HỒ CHÍ MINH, tháng 03 năm 2016 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM Cán hướng dẫn khoa học : PGS.TS QUYỀN HUY ÁNH Luận văn Thạc sĩ bảo vệ Trường Đại học Công nghệ TP HCM ngày 12 tháng năm 2016 Thành phần Hội đồng đánh giá Luận văn Thạc sĩ gồm: TT Họ tên TS Nguyễn Xuân Hoàng Việt PGS TS Phan Thị Thanh Bình PGS TS Võ Ngọc Điều TS Võ Viết Cường TS Huỳnh Quang Minh Chức danh Hội đồng Chủ tịch Phản biện Phản biện Ủy viên Ủy viên, Thư ký Xác nhận Chủ tịch Hội đồng đánh giá Luận sau Luận văn sửa chữa (nếu có) Chủ tịch Hội đồng đánh giá LV TS Nguyễn Xuân Hoàng Việt TRƯỜNG ĐH CÔNG NGHỆ TP HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM PHÒNG QLKH – ĐTSĐH Độc lập – Tự – Hạnh phúc TP HCM, ngày … tháng… năm 2016 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: PHẠM THẾ HOÀNG Giới tính : Nam Ngày, tháng, năm sinh: 10/09/1983 Nơi sinh : Đồng Nai Chuyên ngành: Kỹ thuật điện MSHV : 1441830008 I- Tên đề tài: NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN BẰNG MẠNG NƠRON II- Nhiệm vụ nội dung: Chương 1: Mở Đầu Chương 2: Đánh giá ổn định động hệ thống điện Chương 3: Mạng nơron nhân tạo (ANN) Chương 4: Lựa chọn biến đặc trưng Chương 5: Ứng dụng mạng nơron nhận dạng ổn định động hệ thống điện IEEE 10 máy 39 bus Chương 6: Kết luận hướng nghiên cứu phát triển III- Ngày giao nhiệm vụ : 20/08/2015 IV- Ngày hoàn thành nhiệm vụ : 02/01/2016 V- Cán hướng dẫn CÁN BỘ HƯỚNG DẪN PGS.TS QUYỀN HUY ÁNH : PGS.TS QUYỀN HUY ÁNH KHOA QUẢN LÝ CHUYÊN NGÀNH i LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Tôi xin cam đoan giúp đỡ cho việc thực Luận văn cảm ơn thông tin trích dẫn Luận văn rõ nguồn gốc Học viên thực luận văn (ký ghi rõ họ tên) PHẠM THẾ HOÀNG ii LỜI CẢM ƠN Xin cảm Trường Đại học Kỹ thuật Công nghệ thành phố Hồ Chí Minh, PGS.TS Quyền Huy Ánh, người nhiều thời gian công sức hướng dẫn hoàn thành luận văn Cảm ơn quan, bạn bè đồng nghiệp, người bạn thân, tất cả, muốn gửi lời cảm ơn đến tất thành viên gia đình tôi, cảm ơn cha, mẹ, vợ tôi, chia sẽ, giúp đỡ, động viên tạo điều kiện thuận lợi để hoàn thành nhiệm vụ học tập nghiên cứu Cảm ơn quý thầy, cô truyền đạt cho nhiều kinh nghiệm kiến thức quý báu trình học tập Cảm ơn PGS.TS Quyền Huy Ánh hướng dẫn hỗ trợ hoàn thành luận văn Học viên thực luận văn (ký ghi rõ họ tên) PHẠM THẾ HOÀNG iii TÓM TẮT Hệ thống điện đóng vai trò quan trọng việc phát triển kinh tế quốc gia Để đảm bảo chế độ vận hành bình thường hệ thống điện cần đảm bảo yêu cầu an ninh, độ tin cậy cung cấp điện, chất lượng điện yêu cầu kinh tế Tuy nhiên, hệ thống điện ngày phải đối mặt với tăng trưởng nhanh phụ tải dẫn đến qui mô ngày trở nên rộng lớn, tăng độ phức tạp thiết kế vận hành, đồng thời phải đối mặt với áp lực vận hành đầy tải, gần với giới hạn ổn định Trong vận hành hệ thống điện phải đối mặt với kích động bất thường làm cho hệ thống điện ổn định dẫn đến tan rã hệ thống Vì vậy, cần phải đánh giá nhanh trạng thái hệ thống nhanh chóng định Nhưng phương pháp phân tích truyền thống tốn nhiều thời gian giải nên số trường hợp tỏ không hiệu Vì vậy, phát nhanh cảnh báo sớm trạng thái ổn định hệ thống điện trở thành yếu tố then chốt đảm bảo an ninh hệ thống điện Mạng nơron nhân tạo kết hợp với kỹ thuật lựa chọn biến đặc trưng đề xuất để đánh giá nhanh ổn định động hệ thống điện nhằm giải vấn đề khó khăn mà phương pháp giải tích truyền thống trước hạn chế tốc độ tính toán hiệu suất Bằng trình học sở liệu, phân tích mối quan hệ phi tuyến vào thông số vận hành hệ thống điện tình trạng ổn định-không ổn định, tính toán định nhận dạng trạng thái chế độ hệ thống điện cách nhanh chóng Bằng cách sử dụng phần mềm PowerWorld, sở liệu học offline chế độ ổn định chế độ không ổn định hệ thống điện IEEE 10 máy 39 bus xây dựng thông qua mô cố ngắn mạch pha cân bus dọc đường dây truyền tải vị trí 25%, 50% 75% đường dây, với mức tải khác từ 20% đến 120% tải Trong trình mô phỏng, thuộc tính chế độ đánh giá dựa quan sát mối quan hệ góc công suất máy phát điện, đó, mẫu liệu đại diện cho trạng thái hoạt động hệ thống độ lệch công suất phát, độ lệch công suất tải, độ sụt điện áp bus, độ lệch công suất phân bố đường dây truyền tải iv Luận văn sử dụng ba phương pháp lựa chọn biến đặc trưng: Fisher, Divergence Relief để giảm số biến mô tả trạng thái hệ thống điện Mạng nơron GRNN (Generalized Regression Neural Network) MLPNN (Multilayer Perceptron Neural Network) sử dụng để đánh giá độ xác nhận dạng chế độ hệ thống điện IEEE 10 máy 39 bus Kết cho thấy mạng nơron GRNN với phương pháp chọn biến Relief cho kết độ xác nhận dạng cao thời gian huấn luyện nhanh phương pháp lại Cụ thể sau:  Độ xác nhận dạng kiểm tra GRNN MLPNN 15 biến với phương pháp Relief, Divergence Fisher Mạng Số biến Fisher Divergence Relief GRNN 15 93.4% 95.1% 95.3% MLPNN 15 91.5 % 92 % 93.1% Nơron  Thời gian huấn luyện GRNN-Relief MLPNN-Relief 189 biến 15 biến Số biến 189 15 MLPNN-RELIEF 121.8s 6s GRNN-RELIEF 1.5s 0.8 s Như vậy, việc sử dụng mạng nơron kết hợp với kỹ thuật lựa chọn biến đặc trưng phù hợp, cho phép nhận dạng nhanh ổn định động hệ thống điện với độ xác cao v ABSTRACT Electrical power system is very important role in the economic development of each country To ensure the normal operation mode, the power system must ensure the requirements of security, of reliability; the power quality and economic requirements However, electrical systems today are faced with the rapid growth of the load size leads to becoming vast, increased complexity in design and operation, while always facing full load operating pressure, very close to the stability limit In the operation, the electrical power system is faced with extraordinary agitation that makes electrical power systems can destabilize and the system leads to disintegration Therefore, the need to rapidly assess the system regimes and to give the quickly decisions But the traditional analyzed methods request the long solution time, in some cases proved ineffective Thus, rapid detection and early warning of instability state power system become a key factor to secure the security of the electrical power system The artificial neural network combined with specific variable selection techniques is proposed to rapidly assess the stable of the electrical power system to solve the problems that the traditional analyzed method of analysis in solution speed as well as the calculation of performance By learning the database, analyzing nonlinear relation between these operation parameters of the electric power system and stable-unstable regimes, can calculate and quickly give the recognition decision By using PowerWorld software, offline database off stable and unstable regimes of the power systems IEEE 10 generators 39 bus system was built through simulated incidents balance 3-phase short circuit at bus and along the transmission line in positions 25%, 50% and 75% line, with different load levels from 20% to 120% basis load During the simulation, the attribute mode is evaluated based on the observed relation between the angle of the power generator, which, in the form of data representing the operating status of the system is the deviation of output power, power deviation load, voltage drop in the bus, power deviation distribution on the transmission line vi The thesis uses three methods selected specific variables: Fisher, Divergence and Relief methods to reduce the number of variables describing the state of the electrical power system GRNN neural network (Generalized Regression Neural Network) and MLPNN (Multilayer Perceptron Neural Network) are used to assess the recognition accuracy of the modes of electrical power system IEEE 10 generators 39 bus system The results showed that neural network GRNN with variable selection methods result Relief recognition accuracy higher and faster time to train the remaining methods Specifically:  Correct classification of GRNN and MLPNN at 15 features with methods: Relief, Divergence and Fisher Network Number of features Fisher Divergence Relief GRNN 15 93.4% 95.1% 95.3% MLPNN 15 91.5 % 92 % 93.1%  Training time of GRNN-Relief and MLPNN-Relief at 189 and 15 features Number of features 189 15 MLPNN-RELIEF 121.8s 6s GRNN-RELIEF 1.5s 0.8 s So the usage of the neural network combined with feature selection techniques which can to quickly recognize the dynamic stability of power system with high accuracy 66 100 0.85 100.0 94.7 150 0.85 100.0 93.7 189 1.49 100.0 93.6 ảng 5.5: Đánh giá độ xác nhận dang theo phương pháp GRNNDivergence Huấn luyện Số biến Thời gian (s) % Kiểm tra % 15 0.84 99.6 95.1 20 0.84 99.8 94.8 25 0.85 99.9 96.1 30 0.84 99.9 94.6 35 0.84 100.0 94.7 40 0.84 100.0 94.7 45 0.84 100.0 94.6 50 0.84 100.0 95.1 55 0.84 100.0 95.0 60 0.84 100.0 94.8 70 0.85 100.0 95.1 80 0.84 100.0 95.3 90 0.85 100.0 95.2 100 0.84 100.0 94.7 150 0.85 100.0 93.9 189 1.51 100.0 93.6 ảng 5.6: Đánh giá độ xác nhận dang theo phương pháp GRNN-Fisher Huấn luyện Số biến Thời gian (s) 15 0.84 % 99.7 Kiểm tra % 93.4 67 20 0.84 99.8 93.6 25 0.84 99.9 94.1 30 0.84 99.9 94.2 35 0.84 100.0 94.2 40 0.84 100.0 94.0 45 0.84 100.0 94.1 50 0.84 100.0 93.5 55 0.84 100.0 93.5 60 0.84 100.0 93.6 70 0.84 100.0 93.8 80 0.84 100.0 94.1 90 0.84 100.0 94.8 100 0.84 100.0 94.9 150 0.84 100.0 94.1 189 1.69 100.0 93.6 ảng 5.7: Đánh giá độ xác nhận dang theo phương pháp MLPNN-Relief Huấn luyện Số biến Thời gian (s) % Kiểm tra % 15 5.61 94.9 93.1 20 6.60 95.6 93.4 25 6.96 96.3 94.8 30 8.30 96.9 94.0 35 10.54 96.8 94.3 40 11.05 97.0 94.9 45 15.46 97.6 95.5 50 14.97 98.0 95.3 55 16.50 97.9 95.6 60 16.62 97.5 95.4 70 24.71 98.0 95.8 80 26.37 97.8 94.6 68 90 58.54 97.8 94.7 100 32.30 97.9 95.3 150 89.71 98.3 95.8 189 121.73 97.2 94.4 ảng 5.8: Đánh giá độ xác nhận dang theophương pháp MLPNNDivergence Huấn luyện Số biến Thời gian Kiểm tra % (s) % 15 7.47 94.2 92.0 20 8.26 94.2 92.7 25 7.64 94.7 93.2 30 9.21 96.4 94.1 35 11.19 95.7 94.3 40 11.20 96.6 95.0 45 14.48 97.1 95.0 50 16.01 97.2 94.7 55 19.97 97.9 95.1 60 18.39 97.7 95.5 70 22.19 97.5 95.5 80 28.37 97.5 96.1 90 35.81 97.3 93.7 100 44.68 97.0 94.4 150 77.96 97.9 94.4 189 123.10 98.0 95.2 ảng 5.9: Đánh giá độ xác nhận dang theo phương pháp MLPNN-Fisher Huấn luyện Số biến Thời gian % (s) 15 5.25 Kiểm tra % 93.6 92.0 69 20 7.08 93.9 92.4 25 7.90 93.6 92.7 30 9.27 94.4 92.5 35 8.72 94.2 92.2 40 11.92 95.6 93.2 45 11.72 95.3 92.7 50 14.07 96.5 93.5 55 16.07 96.8 94.0 60 17.05 96.3 94.0 70 19.36 96.4 93.9 80 26.57 97.1 94.5 90 29.21 97.7 94.8 100 37.63 97.9 95.1 150 81.25 98.0 94.9 189 133.32 97.3 94.4 5.11 Kết luận chương Chương trình bày trình tự xây dựng mô hình ANN nhận dạng ổn định động hệ thống điện IEEE 10 máy 39 bus Sau phần giới thiệu tổng quan sơ đồ hệ thống điện IEEE 10 máy 39 bus, luận văn trình bày chi tiết bước thực xây dựng mô hình ANN, phân tích đánh giá kết thực nghiệm So sánhviệc áp dụng giải thuật Relief phương pháp chọn biến sử dụng hai hàm khoảng cách Fisher Divergence để lựa chọn biến đặc trưng chẩn đoán nhanh ổn định động hệ thống điện Kết kiểm tra sơ đồ hệ thống điện IEEE 10máy 39 bus với hai nhận dạng GRNN MLPNN với số biến đặc trưng, nhận dạng GRNN với phương pháp chọn biến Relief cho kết độ xác nhận dạng kiểm tra cao thời gian huấn luyện nhanh phương pháp chọn biến lại Cụ thể, GRNN-Relief với số biến 15 biến giảm đến 12.6 lần, độ xác nhận dạng nâng cao 1.7%, thời gian huấn luyện giảm 81.2 lần Điều cho thấy kỹ thuật lựa chọn biến đặc trưng phát huy tác dụng giúp nâng cao độ xác nhận dạng, rút ngắn thời gian huấn luyện 70 CHƯƠNG KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN 6.1 Kết luận Các kết nghiên cứu đạt luận văn sau,: - Phân tích tổng quan lĩnh vực nghiên cứu, kết nghiên cứu công bố trước Qua đó, phân tích, nhận định đề xuất hướng áp dụng mô hình nhận dạng sử dụng ANN chẩn đoán nhanh ổn định động hệ thống điện - Nghiên cứu lý thuyết ổn định hệ thống điện, đề xuất trình tự tạo tập mẫu ổn định tập mẫu không ổn định, phân tích phương pháp đánh giá ổn định Luận văn xây dựng tập mẫu học hệ thống IEEE 10 máy 39 bus thông qua mô offline phần mềm PowerWorld, xét cố ngắn mạch pha cân bus dọc đường dây truyền tải vị trí 25%, 50% 75% đường dây, với mức tải khác từ 20% đến 120% tải - Đề xuất áp dụng ba phương pháp lựa chọn biến đặc trưng: Fisher, Divergence Relief để đánh giá xếp hạng biến đặc trưng - Đề xuất áp dụng mô hình ANN loại MLPNN GRNN để nhận dạng ổn định động hệ thống điện - Kiểm chứng hiệu phương pháp lựa chọn biến đặc trưng mô hình ANN đề xuất nhận dạng ổn định động hệ thống điện chuẩn IEEE 10 máy 39 bus Kết nghiên cứu cho thấy: nhận dạng chế độ ổn định không ổn định có độ xác cao (khoảng 98%) Trong đó, nhận dạng GRNN với phương pháp chọn biến Relief cho kết độ xác nhận dạng kiểm tra cao thời gian huấn luyện nhanh phương pháp lại 6.2 Hướng nghiên cứu phát triển - Xây dựng ANN có khả tự học tự cập nhật liệu chế độ vận hành hệ thống điện đánh giá ổn định động hệ thống điện 71 TÀI LIỆU THAM KHẢO TIẾNG VIỆT Nguyễn Hoàng Việt Phan Thị Thanh Bình, Ngắn mạch Ổn định hệ thống điện, Nhà xuất Đại học Quốc gia Tp.Hồ Chí Minh, 2013, 370 trang Lã Văn Út, Phân tích Điều khiển Ổn định hệ thống điện, Nhà xuất Khoa học Kỹ thuật, 2000, 210 trang Quyền Huy Ánh, Vận hành tối ưu hệ thống điện, Đại học Sư phạm Kỹ thuật Tp.Hồ Chí Minh, 2012, 146 trang Quyền Huy Ánh, Mô hình hóa Mô hệ thống điện, Đại học Sư Phạm Kỹ thuật Tp.Hồ Chí Minh, 2013, 172 trang Trần Hữu Phụng, Đánh giá ổn định động hệ thống điện dùng mạng nơron nhân tạo, Đại học Sư Phạm Kỹ thuật Tp.Hồ Chí Minh, 2014, 91trang Đinh Văn Nhượng, Một số ứng dụng mạng nơron xây dựng mô hình nhận dạng dự báo, Nhà xuất Khoa học Kỹ thuật, 2013, 131 trang Phạm Hữu Đức Dục, Mạng nơron ứng dụng điều khiển tự động, Nhà xuất Khoa học Kỹ thuật, 2009, 292 trang Bùi Công Cường Nguyễn Doãn Phước, Hệ mờ Mạng nơron ứng dụng, Nhà xuất Khoa học Kỹ thuật, 2006, 199 trang TIẾNG NƯỚC NGOÀI J.Duncan Glover, Mulukutla S.Sarma, and Thomas J.Overbye, Power System Analysis and Design, Fifth Edition, pp.579-634 10 Prabha Kundur, Power System Stability and Control, New York: McGraw Hill, 1994, pp.17-39 11 Mania Pavella, Damien Ernst, Daniel Ruiz-Vega, Transient Stability of Power Systems, A Unified Approach to Assessment and Control,pp.1-32 12 Rui Zhang, Yan Xu, Zhao Yang Dong and David J Hill, Feature Selection For Intelligent Stability Assessment of Power Systems, 2012 IEEE, pp.1-7 13 Rui Zhang, Yan Xu, Zhao Yang Dong, Ke Meng, Zhao Xu, Intelligent Systems for Power System Dynamic Security Assessment: Review and Classification, 2011 IEEE, pp.134-139 72 14 Yan Xu, Zhao Yang Dong, JunHuaZhao, A Reliable Intelligent System for RealTime Dynamic Security Assessment of Power Systems, IEEE Transactions On Power Systems, Vol 27, No 3, August 2012, pp.1253-1263 15 S Kalyani, K.S Swarup,Pattern analysis and classification for security evaluation in power networks, Electrical Power and Energy Systems 44, 2013, pp.547-560 16 Robipolikar, Pattern Recognition, Rowan University Glassboro, New Jersey, John Wiley, 2006, pp.3-17 17 Andrew R.Webb and Keith D.Copsey, Introduction to Statistical Pattern Recognition, Third Edition, John Wiley, 2011, pp.1-5 18 K.Shanti Swarup, Artificial neural network using pattern recognition for security assessment and analysis, Neurocomputing 71, 2008, pp.983-998 19 Kalyani and K.Shanti Swarup, Study of neural network models for security assessment in power systems, Volume 1, Issue 2, November 2009, pp.104-117 20 D Rama Krishna, K.V.S.Ramachandra Murthy, and G Govinda Rao, Application of Artificial Neural Networks in Determining Critical Clearing Time in Transient Stability Studies, 2008 IEEE, pp.1-6 21 Reza Ebrahimpour and Easa Kazemi Abharian, An Improved Method in Transient Stability Assessment of a Power System Using Committee Neural Networks, VOL.9 No.1, January 2009, pp.119-124 22 P.K.Olulope, K.A.Folly, S.Chowdhury, S.P.Chowdhury, Transient stability Assessment using Artificial Neural Network Considering Fault Location, November 30-December 2, 2010, pp.67-72 23 P.K.Olulope, K.A.Folly, S.P.Chowdhury, S.Chowdhury, Prediction of Critical Clearing Time using Artificial Neural Network, 2011 IEEE, pp.1-5 24 K.Niazi, C.Arora, and S.Surana, Power system security evaluation using ann: feature selection using divergence, Electric Power Systems Research, vol 69, Feb 2004, pp.161-167 25 A.Karami, S.Z.Esmaili, Transient stability assessment of power systems described with detailed models using neural networks, Electrical Power and Energy Systems 45, 2013, pp.279-292 73 26 Noor Izzri Abdul Wahab, Azah Mohamed, Aini Hussain, Fast transient stability assessment of large power system using probabilistic neural network with feature reduction techniques, Expert Systems with Applications 38, 2011, pp.11112-11119 27 A.Karami, Power system transient stability margin estimation using neural networks, Electrical Power and Energy Systems 33, 2011, pp.983-991 28 Ahmed M.A.Haidara, M.W.Mustafab, Faisal A.F Ibrahimc, Ibrahim A Ahmed, Transient stability evaluation of electrical power system using generalized regression neural networks, Applied Soft Computing 11, 2011, pp.3558-3570 29 Irrine Budi Sulistiawati, Muhammad Abdillah, Adi Soeprijanto, Neural Network Based Transient Stability Model to Analyze The Security of Java-Bali 500 kV Power System, 2011 IEEE, pp.1-6 30 M.R.Aghamohammadi, F.Mahdavizadeh, R.Bagheri, Power System Dynamic Security Classification Using Kohenen Neural Networks, 2009 IEEE, pp.1-7 31 Ayman Hoballah, István Erlich, Transient Stability Assessment using ANN Considering Power System Topology Changes, 2009 IEEE, pp.1-6 32 Reza Ebrahimpour, Easa Kazemi Abharian, An Improved Method in Transient Stability Assessment of a Power System Using Committee Neural Networks, IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.1, January 2009, pp.1-6 33 D.Rama Krishna, K.V.S.Ramachandra Murthy, and G.Govinda Rao, Application of Artificial Neural Networks in Determining Critical Clearing Time in Transient Stability Studies, 2008 IEEE, pp.1-6 34 C.A.Jensen and M.A.El-Sharkawi, Power system security assessment using neural networks: feature selection using Fisher discrimination, IEEE Trans Power Systems, vol 16, Nov 2001, pp.757-763 35 I S Isa, Z Saad, S Omar, M K Osman, K A Ahmad, H A Mat Sakim,Suitable MLP Network Activation Functions for Breast Cancer and Thyroid Disease Detection, 2010 IEEE, pp.39-44 74 36 Hussain Hassan Al Marhoon, A Practical Method for Power Systems Transient Stability and Security, B.S University of New Orleans, 2008, pp.56-60 37 Taylor, Computational methods of feature selection, Edited by Huan Liu, Horoshi Motoda, 2008, pp.169-176 38 Yuxuan Sun, Xiaojun Lou, Bisai Bao, A Novel Relief Feature Selection Algorithm Based on Mean-Variance Model, 2011, pp.3921-3929 39 K Kira and L Rendell, A practical approach to feature selection, In D Sleeman and P Edwards, editors, Int Conf on Machine Learning, Aberdeen, Scotland, Morgan Kaufmann, 1992, page 249-256 40 Marko Robnik-Sikonja, Igor Kononenko, Theoretical and Empirical Analysis of ReliefF and RReliefF, Machine Learning Journal, 2003, pp.2-6 41 Matlab R2011b, Neural Network Toolboox User’s Guide PHỤ LỤC ảng 2.1: Thông số mô hình máy phát điện đồng GENPWTwoAxis Unit No H 500.0 0.006 0.008 0.02 0.019 7.0 0.7 30.3 0.0697 0.170 0.0295 0.282 6.56 1.5 35.8 0.0531 0.0876 0.2495 0.237 5.7 1.5 28.6 0.0436 0.166 0.262 0.258 5.69 1.5 26.0 0.132 0.166 0.67 0.62 5.4 0.44 34.8 0.05 0.0814 0.254 0.241 7.3 0.4 26.4 0.049 0.186 0.295 0.292 5.66 1.5 24.3 0.057 0.0911 0.290 0.280 6.7 0.41 34.5 0.057 0.0587 0.2106 0.205 4.79 1.96 10 42.0 0.031 0.008 0.1 0.069 10.2 0.0 ảng 2.2: Thông số thiết bị điều khiển kích từ IEEE1 ( ) Bus 39 0.06 -1 38 6.2 0.05 37 0.06 36 0.06 35 40 0.02 34 0.02 33 40 0.02 32 0.02 31 40 30 40 ( ) -0.0485 0.25 0.04 0.75 0.08 1.1 0.26 -1 -0.633 0.405 0.057 0.5 0.75 0.66 1.1 0.88 -1 -0.0198 0.5 0.08 0.75 0.13 1.1 0.34 -1 -0.525 0.5 0.08 0.75 0.08 1.1 0.314 10 -10 0.785 0.03 0.75 0.67 1.1 0.91 -1 -0.0419 0.471 0.0754 1.246 0.75 0.064 1.1 0.251 6.5 -6.5 0.73 0.03 0.75 0.53 1.1 0.74 -1 -0.047 0.528 0.0845 1.26 0.75 0.072 1.1 0.282 0.02 10.5 -10.5 1.4 0.03 0.75 0.62 1.1 0.85 0.02 10 -10 0.785 0.03 0.75 0.67 1.1 0.91 ảng 2.3: Thông số thiết bị điều chỉnh tần số TGOV1 Bus 30 0.05 0.4 1.5 31 0.05 0.4 -0.05 1.5 32 0.05 0.4 -0.05 1.5 33 0.05 0.4 -0.05 1.5 34 0.05 0.4 -0.05 1.5 35 0.05 0.4 -0.05 1.5 36 0.05 0.4 -0.05 1.5 37 0.05 0.4 -0.05 1.5 38 0.05 0.4 1.2 -0.05 1.5 39 0.1 0.8 1.5 -0.05 1.5 ảng 2.4: Công suất định mức, công suất Pmax, Pmin máy phát, điện áp đầu cực máy phát, công suất định mức tải Bus Type Voltage [pu] Load MW Generator MVar MW MVar PQ - 0.00 0.00 0.00 0.00 PQ - 0.00 0.00 0.00 0.00 PQ - 322.00 2.40 0.00 0.00 PQ - 500.00 184.00 0.00 0.00 PQ - 0.00 0.00 0.00 0.00 PQ - 0.00 0.00 0.00 0.00 PQ - 233.80 84.00 0.00 0.00 PQ - 522.00 176.00 0.00 0.00 PQ - 0.00 0.00 0.00 0.00 10 PQ - 0.00 0.00 0.00 0.00 11 PQ - 0.00 0.00 0.00 0.00 12 PQ - 7.50 88.00 0.00 0.00 13 PQ - 0.00 0.00 0.00 0.00 14 PQ - 0.00 0.00 0.00 0.00 15 PQ - 320.00 153.00 0.00 0.00 16 PQ - 329.00 32.30 0.00 0.00 17 PQ - 0.00 0.00 0.00 0.00 18 PQ - 158.00 30.00 0.00 0.00 19 PQ - 0.00 0.00 0.00 0.00 20 PQ - 628.00 103.00 0.00 0.00 21 PQ - 274.00 115.00 0.00 0.00 22 PQ - 0.00 0.00 0.00 0.00 23 PQ - 247.50 84.60 0.00 0.00 24 PQ - 308.60 -92.00 0.00 0.00 25 PQ - 224.00 47.20 0.00 0.00 26 PQ - 139.00 17.00 0.00 0.00 27 PQ - 281.00 75.50 0.00 0.00 28 PQ - 206.00 27.60 0.00 0.00 29 PQ 283.50 26.90 0.00 0.00 30 PV 0.00 0.00 250.00 1.0475 - Min Max MW MW 0.00 350.00 Unit No Gen10 31 PV 0.9820 9.20 4.60 32 PV 0.9831 0.00 0.00 33 PV 0.9972 0.00 34 PV 1.0123 35 PV 36 - - 0.00 1150.00 Gen2 650.00 - 0.00 750.00 Gen3 0.00 632.00 - 0.00 732.00 Gen4 0.00 0.00 508.00 - 0.00 608.00 Gen5 1.0493 0.00 0.00 650.00 - 0.00 750.00 Gen6 PV 1.0635 0.00 0.00 560.00 - 0.00 660.00 Gen7 37 PV 1.0278 0.00 0.00 540.00 - 0.00 640.00 Gen8 38 PV 1.0265 0.00 0.00 830.00 - 0.00 930.00 Gen9 39 PV 1.0300 1104.0 250.0 1000.00 - 0.00 1100.00 Gen1 ảng 2.5: Thông số điện trở RT, điện kháng XT thông số cài đặt đầu phân áp máy biến áp Line Data Transformer Tap From Bus To Bus Magnitude Angle 12 11 0.0016 0.0435 1.0060 0.0000 12 13 0.0016 0.0435 1.0060 0.0000 31 0.0000 0.0250 1.0700 0.0000 10 32 0.0000 0.0200 1.0700 0.0000 19 33 0.0007 0.0142 1.0700 0.0000 20 34 0.0009 0.0180 1.0090 0.0000 22 35 0.0000 0.0143 1.0250 0.0000 23 36 0.0005 0.0272 1.0000 0.0000 25 37 0.0006 0.0232 1.0250 0.0000 30 0.0000 0.0181 1.0250 0.0000 29 38 0.0008 0.0156 1.0250 0.0000 19 20 0.0007 0.0138 1.0600 0.0000 ảng 2.6: Thông số điện trở, điện kháng dung dẫn đường dây From To Branch Bus Bus Device Type R X B Line 0.0035 0.0411 0.6987 39 Line 0.0010 0.0250 0.7500 Line 0.0013 0.0151 0.2572 25 Line 0.0070 0.0086 0.1460 30 Transformer 0.0000 0.0181 0.0000 18 Line 0.0011 0.0133 0.2138 Line 0.0013 0.0213 0.2214 14 Line 0.0008 0.0129 0.1382 Line 0.0008 0.0128 0.1342 Line 0.0008 0.0112 0.1476 Line 0.0002 0.0026 0.0434 11 Line 0.0007 0.0082 0.1389 Line 0.0006 0.0092 0.1130 Line 0.0004 0.0046 0.0780 Line 0.0023 0.0363 0.3804 39 Line 0.0010 0.0250 1.2000 10 32 Transformer 0.0000 0.0200 0.0000 10 13 Line 0.0004 0.0043 0.0729 10 11 Line 0.0004 0.0043 0.0729 12 13 Transformer 0.0016 0.0435 0.0000 12 11 Transformer 0.0016 0.0435 0.0000 13 14 Line 0.0009 0.0101 0.1723 14 15 Line 0.0018 0.0217 0.3660 15 16 Line 0.0009 0.0094 0.1710 16 24 Line 0.0003 0.0059 0.0680 16 21 Line 0.0008 0.0135 0.2548 16 19 Line 0.0016 0.0195 0.3040 16 17 Line 0.0007 0.0089 0.1342 17 27 Line 0.0013 0.0173 0.3216 17 18 Line 0.0007 0.0082 0.1319 19 33 Transformer 0.0007 0.0142 0.0000 19 20 Transformer 0.0007 0.0138 0.0000 20 34 Transformer 0.0009 0.0180 0.0000 21 22 Line 0.0008 0.0140 0.2565 22 35 Transformer 0.0000 0.0143 0.0000 22 23 Line 0.0006 0.0096 0.1846 23 36 Transformer 0.0005 0.0272 0.0000 23 24 Line 0.0022 0.0350 0.3610 25 37 Transformer 0.0006 0.0232 0.0000 25 26 Line 0.0032 0.0323 0.5130 26 29 Line 0.0057 0.0625 1.0290 26 28 Line 0.0043 0.0474 0.7802 26 27 Line 0.0014 0.0147 0.2396 28 29 Line 0.0014 0.0151 0.2490 29 38 Transformer 0.0008 0.0156 0.0000 31 Transformer 0.0000 0.0250 0.0000 ảng 2.7: Thông số xác lập góp chạy phân bố công suất tối ưu 100% tải Bus PU Volt Volt (kV) Angle Load Load Gen Gen (Deg) MW Mvar MW Mvar 1.04717 1.047 -14.43 0.00 0.00 1.05799 1.058 -8.57 0.00 0.00 1.05413 1.054 -10.96 322.00 2.40 1.05505 1.055 -11.34 500.00 184.00 1.06868 1.069 -10.32 0.00 0.00 1.06949 1.069 -9.57 0.00 0.00 1.05580 1.056 -11.95 233.80 84.00 1.05309 1.053 -12.62 522.00 176.00 1.05000 1.050 -15.83 0.00 0.00 10 1.05708 1.057 -6.87 0.00 0.00 11 1.05994 1.060 -7.80 0.00 0.00 12 1.04503 1.045 -7.75 7.50 88.00 13 1.05462 1.055 -7.60 0.00 0.00 14 1.05203 1.052 -9.31 0.00 0.00 15 1.03755 1.038 -9.51 320.00 153.00 16 1.04560 1.046 -8.06 329.00 32.30 17 1.04957 1.050 -9.71 0.00 0.00 18 1.05004 1.050 -10.60 158.00 30.00 19 1.05471 1.055 -2.40 0.00 0.00 20 0.99311 0.993 -2.59 628.00 103.00 21 1.04095 1.041 -5.55 274.00 115.00 22 1.05424 1.054 -1.00 0.00 0.00 23 1.04884 1.049 -0.84 247.50 84.60 24 1.04952 1.050 -7.85 308.60 -92.00 25 1.06469 1.065 -7.13 224.00 47.20 26 1.06438 1.064 -9.99 139.00 17.00 27 1.05221 1.052 -10.99 281.00 75.50 28 1.06031 1.060 -9.29 206.00 27.60 29 1.05800 1.058 -7.45 283.50 26.90 30 1.04750 1.048 -5.21 0.00 0.00 350.00 98.88 31 0.98200 0.982 -1.59 9.20 4.60 690.00 401.20 32 0.98310 0.983 2.02 0.00 0.00 750.00 34.53 33 0.99720 0.997 2.42 0.00 0.00 585.60 76.32 34 1.01230 1.012 3.64 0.00 0.00 608.00 159.97 35 1.04930 1.049 3.56 0.00 0.00 600.00 176.30 36 1.06350 1.064 8.39 0.00 0.00 660.00 98.35 37 1.02780 1.028 0.87 0.00 0.00 640.00 -20.14 38 1.02650 1.026 -2.37 0.00 0.00 599.53 -41.50 39 1.03000 1.030 -18.05 1104.00 250.00 660.00 22.97 [...]... Hình 2.1: Phân loại ổn định hệ thống điện Đánh giá ổn định động thường được xem như đánh giá ổn định quá độ [18] Đánh giá ổn định động là nhằm để xác định hệ thống điện có thể chịu được những kích động ngẫu nhiên mà không làm mất sự ổn định Đánh giá ổn định động có tầm quan trọng to lớn để vận hành an toàn và đáng tin cậy hệ thống điện Luận văn đề cập đến đánh giá ổn định động hệ thống điện dựa trên biến... phút đó là từ thời điểm hệ thống ổn định một cách tạm thời đến thời điểm hệ thống đạt được trạng thái ổn định [18] Như vậy, đánh giá ổn định động của hệ thống điện là một trong những nhiệm vụ quan trọng nhất trong quá trình thiết kế và vận hành hệ thống điện Trong Hình 2.1 [11] ổn định hệ thống điện được phân loại thành: ổn định góc rotor, ổn định tần số và ổn định điện áp Ổn định góc rotor là khả năng... hành hệ thống điện ổn định Đánh giá ổn định hệ thống điện được phân thành ba loại: ổn định tĩnh, ổn định quá độ và ổn định động [9,18] Ổn định tĩnh là khả năng của hệ thống sau những kích động nhỏ (nhiễu nhỏ) phục hồi được chế độ ban đầu [1] Đánh giá ổn định tĩnh đề cập đến ổn định trạng thái tĩnh của hệ thống trong giới hạn quá tải của các đường dây truyền tải hoặc vi phạm những giới hạn của điện. .. đặc trưng mô tả trạng thái hệ thống điện; - Nghiên cứu, xây dựng mạng nơron đánh giá trạng thái ổn định hệ thống điện; - Đánh giá hiệu quả nhận dạng trạng thái ổn định hệ thống điện chuẩn IEEE 10 máy 39 bus  Phạm vi nghiên cứu Lựa chọn biến đặc trưng và nhận dạng ổn định động hệ thống điện bằng mạng nơron 2 CHƯƠNG 1 TỔNG QUAN 1.1 Tổng quan về lĩnh vực nghiên cứu Trong quá trình công nghiệp hóa, hiện... trình điều khiển hệ thống điện nhanh đảm bảo hệ thống điện hoạt động bền vững thỏa mãn các chỉ tiêu kinh tế-kỹ thuật  Mục đích - Nhận dạng ổn định động hệ thống điện bằng mạng nơron  Đối tượng - Nghiên cứu và xây dựng tập học, tập kiểm tra đánh giá ổn định động hệ thống điện sử dụng phần mềm Matlab, PowerWorld; - Nghiên cứu các phương pháp lựa chọn biến đặc trưng mô tả trạng thái hệ thống điện; - Nghiên... Tiêu chuẩn dừng 52 CHƯƠNG 5 ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10 MÁY 39 BUS 53 ix 5.1 Mô tả hệ thống điện IEEE 10 máy 39 bus (New England) 53 5.2 Trình tự đánh giá ổn định động hệ thống điện sử dụng mạng nơron 54 5.3 Tạo cơ sở dữ liệu ổn định động 55 5.4 Xây dựng tập mẫu học .56 5.5 Xác định biến đầu vào và biến đầu ra 56 5.6... độ hệ thống điện với độ chính xác chấp nhận được 1.2 Nhiệm vụ của luận văn - Nghiên cứu và xây dựng tập học, tập kiểm tra đánh giá ổn định động hệ thống điện sử dụng phần mềm Matlab, PowerWorld; - Nghiên cứu các phương pháp lựa chọn biến đặc trưng mô tả trạng thái hệ thống điện; - Nghiên cứu, xây dựng mạng nơron đánh giá trạng thái ổn định hệ thống điện; - Đánh giá hiệu quả nhận dạng trạng thái ổn định. .. khi có dao động nhỏ, ổn định điện áp còn có thể được phân chia thành các vấn đề nhỏ hơn là ngắn hạn và dài hạn Trong [10,21,32] ổn định góc rotor đề cập đến khả năng của các máy phát điện đồng bộ có mối liên kết với nhau để vẫn duy trì tính đồng bộ sau khi chịu một kích động lớn Ổn định hệ thống điện Ổn định góc rotor Ổn định tín hiệu nhỏ Ổn định tần số Ổn định quá độ Ngắn hạn Dài hạn Ổn định điện áp... cái do các kích động trong hệ thống Đánh giá ổn định quá độ là một tập con của độ ổn định quá độ của hệ thống điện Nếu một kích động khốc liệt xảy ra trong hệ thống điện, tất cả các thành phần, đặc biệt là các máy phát điện bị ảnh hưởng nghiêm trọng Ổn định quá độ đối phó với kích động thoáng qua trong một hoặc hai giây trong khi ổn định động đối phó với một hoạt động dài hạn của hệ thống trong vài... có thể dẫn đến tan rã hệ thống Ổn định hệ thống điện đề cập đến quá trình dao động điện từ do những tác động gây nên Ổn định động hệ thống điện đề cập đến khả năng của hệ thống máy phát kiểm soát hoạt động của tuabin-thiết bị điều tốc, hệ thống kích từ sau những tác động lớn để vẫn duy trì được sự đồng bộ [9] Ổn định góc rotor đề cập đến khả năng của các máy phát điện đồng bộ có mối liên kết với nhau