Nhận dạng ổn định hệ thống điện dùng bộ phân lớp SVM

Bài viết giới thiệu bộ phân lớp SVM (Suport Vector Machine) và đề nghị áp dụng SVM vào đánh giá ổn định HTĐ. Nghiên cứu được kiểm tra trên sơ đồ IEEE 39-bus. Bài viết đã so sánh độ chính xác nhận dạng ổn định HTĐ của SVM và mạng nơ-rôn MLP (Multilayer Perceptron Neural Network). Kết quả cho thấy bộ phân lớp SVM đạt độ chính xác nhận dạng cao hơn bộ phân lớp MLP.

Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN DÙNG BỘ PHÂN LỚP SVM POWER SYSTEM STABILITY RECOGNITION USING SVM CLASSIFIER Nguyễn Ngọc Âu, Trương Văn Hiền, Phù Thị Ngọc Hiếu Trường Đại học Sư phạm Kỹ thuật TP.HCM, Việt Nam Ngày soạn nhận 3/10/2019, ngày phản biện đánh giá 30/10/2019, ngày chấp nhận đăng 9/12/2019 TÓM TẮT Đầu tư phát triển hạ tầng hệ thống điện (HTĐ) không theo kịp độ tăng trưởng phụ tải HTĐ bị áp lực vận hành chế độ cận giới hạn biên ổn định Cho nên HTĐ dễ bị tổn thương gặp cố Mất ổn định hệ thống điện phát sớm hội điều khiển đưa hệ thống điện trạng thái ổn định khả thi Các phương pháp truyền thống tốn nhiều thời gian phân tích ổn định độ HTĐ nên khơng thích hợp làm việc trực tuyến Nhận dạng phương pháp hứa hẹn áp dụng đánh giá ổn định HTĐ trực tuyến Bài báo giới thiệu phân lớp SVM (Suport Vector Machine) đề nghị áp dụng SVM vào đánh giá ổn định HTĐ Nghiên cứu kiểm tra sơ đồ IEEE 39-bus Bài báo so sánh độ xác nhận dạng ổn định HTĐ SVM mạng nơ-rôn MLP (Multilayer Perceptron Neural Network) Kết cho thấy phân lớp SVM đạt độ xác nhận dạng cao phân lớp MLP Từ khóa: nhận dạng; phân lớp; ổn định hệ thống điện; suport vector machine; mạng nơ-rôn ABSTRACT Investment in developing power system infrastructure cannot keep up with the growth of load The power system must operate under stressful condition, and operating point of power system is close to its stability limit Therefore, the power system is more vulnerable to incidents A instability of the power system needs to be detected early Since then, opportunity drives the power system into re-stability state easier Conventional methods are highly time-consuming for transient stability analysis of power system So, the methods are unsuitable for on-line application Pattern recognition is a promising method for on-line power system stability evaluation The paper introduces a Suport Vector Machine (SVM) classifier and suggests applying SVM classifier to assessment of power system stability The study is implemented on IEEE 39-bus power system network The accuracy recognition of SVM classifier is compared with that of MLP (Multilayer Perceptron Neural Network) classifier The results showed that the SVM classifier achieved higher accuracy recognition than the MLP classifer Keywords: recognition; classification; power system stability; suport vector machine; neural network Trong năm gần đây, phương pháp nhận dạng áp dụng phương Hệ thống điện (HTĐ) đại bị áp lực vận hành gần với giới hạn biên ổn định, pháp thay thế để giải quyết vấn đề khó HTĐ dễ bị ổn định gặp cố khăn mà phương pháp phân tích truyền thống không giải quyết tốc độ HTĐ có tính phi tuyến cao, để phân tích ổn định độ HTĐ phương pháp truyền tính tốn [1] Bằng q trình học sở thống tốn nhiều thời gian giải Vì vậy, phát liệu vào thông số vận hành sớm ổn định HTĐ trở thành yếu tố HTĐ, trạng thái ổn định HTĐ tính tốn cách nhanh chóng [2], [3] Ma trận then chốt đảm bảo vận hành HTĐ ổn định GIỚI THIỆU Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh sở liệu ổn định HTĐ bao gồm biến mẫu Hình 1, x biến đầu vào gồm n biến, N mẫu Biến đầu y có N mẫu gán nhãn nhị phân  x11 x  21    xN x12 x22 xN x1n  x2 n    xNN  Bộ phân lớp MLP SVM 3.1 MLP Cấu trúc MLP bản Hình gồm có lớp ngõ vào, hay nhiều lớp ẩn lớp ngõ Input layer Hidden layer Output layer x1 x2 Output Input Hình Ma trận sở liệu xn Bài toán đánh giá ổn định HTĐ toán phi tún phức tạp Nhiều cơng trình cơng bố áp dụng mạng nơ-rôn để thiết kế phân lớp đánh giá ổn định HTĐ [2]–[4].Tuy nhiên, áp dụng mạng nơ-rôn gặp phải vấn đề khó khăn huấn luyện dễ bị rơi vào cực trị địa phương Để giải toán phân lớp phi tuyến cao, phân lớp SVM lựa chọn hứa hẹn cho đánh giá ổn định HTĐ Bài báo đề nghị áp dụng phân lớp SVM vào đánh giá ổn định HTĐ Bài báo so sánh độ xác nhận dạng ổn định HTĐ SVM mạng nơ-rôn MLP Kết quả cho thấy phân lớp SVM đạt độ xác nhận dạng cao phân lớp MLP Số lớp ẩn thay đổi q trình huấn luyện tùy thuộc liệu tốn Các nút ngõ có giá trị thay đổi phụ thuộc vào lớp ngõ mục tiêu Huấn luyện phổ biến học có giám sát với giải thuật lan truyền ngược Có nhiều giải thuật huấn luyện, thuật tốn Levenberg-Marquardt có hiệu suất cao tốc độ hội tụ nhanh [7] Thông số mạng ban đầu ngẫu nhiên, trình huấn luyện dừng số vịng lặp đạt giá trị tối đa cài đặt, sai số đạt mức cho phép sai số không tăng LỰA CHỌN BIẾN ĐẶC TRƯNG 3.2 SVM Trong giai đoạn thiết kế mơ hình đánh giá ổn định HTĐ dùng phương pháp nhận dạng, lựa chọn biến hay giảm biến có lợi ích việc giảm khơng gian liệu, giúp giảm dung lượng lưu trữ nhớ Quy trình lựa chọn biến giới thiệu [5], [6], trình bày Hình Thuật tốn nhận dạng SVM thực phân lớp mẫu dựa phương pháp tiếp cận lý thuyết học thống kê Vanipk Chervonenkis đề nghị [8] SVM nhằm cực tiểu hóa độ phân lớp sai với đối tượng liệu thơng qua cực đại hóa biên siêu phẳng phân cách liệu Ý tưởng bản SVM xây dựng siêu phẳng mặt phẳng quyết định Mặt phẳng tách biệt lớp dương (+1) lớp âm (-1) với biên lớn Xét tập liệu huấn luyện T  {xi , yi }iN1 , đó, xi vectơ Start Lựa chọn biến đặc trưng ban đầu Tìm kiếm biến đặc trưng ứng viên Đánh giá biến đặc trưng ứng viên no Tiêu chuẩn dừng yes Output Hình Quy trình lựa chọn biến Hình Mạng MLP liệu đầu vào kích thước n biến N mẫu, yi {+1,-1} nhãn lớp mẫu xi Các SVM thực thi cho tốn phân lớp có hai lớp minh họa Hình Siêu phẳng tối ưu phân tách mẫu dương mẫu âm hai lớp với độ tách biệt cực đại Độ tách biệt biên xác định khoảng cách mẫu dương mẫu âm gần mặt siêu phẳng Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Trong đó, w trọng số mặt siêu phẳng C hệ số phạt định nghĩa giá trị ràng buộc (.) hàm ánh xạ, b hệ số ngưỡng, i biến nới lỏng, i0 x1 Lớp yi=-1 Lớp yi=+1 Các vec-tơ hỗ trợ Biên tối ưu 3.3 Đánh giá mơ hình nhận dạng Phần trăm độ xác nhận dạng mơ hình tính theo phương trình (7) Mặt siêu phẳng tối ưu x2 Hình Sơ đồ thuật tốn SVM CR%  Mặt siêu phẳng không gian mẫu có phương trình (1): g(x)= wT.x+b=0 (1) Mục đích huấn luyện tìm siêu phẳng tách biệt liệu huấn luyện tốt Mặt siêu phẳng tách rời mẫu âm dương thỏa điều kiện (2) (3) w xi+ b0, nếu yi=+1 (2) wT.xi+ b0, nếu yi= -1 (3) T Siêu phẳng tối ưu phương trình (1) siêu phẳng tách tập liệu học với biên cực đại Nó xác định hướng w/|w| mà khoảng cách từ hình chiếu vector học lớp lớn Khoảng cách từ điểm đến siêu phẳng tính theo phương trình (4), với biên z R 100 D (7) Trong đó: R số mẫu đúng tập mẫu, D tổng số mẫu tập mẫu ÁP DỤNG NHẬN DẠNG ỔN ĐỊNH ĐỘNG HTĐ IEEE 10 MÁY 39-BUS 4.1 Sơ đồ IEEE 10 máy 39-bus HTĐ IEEE 39-bus gồm có 39 bus, 10 bus máy phát, 12 máy biến áp, 10 máy phát, 34 đường dây truyền tải 19 tải 10 máy phát kết nối từ bus 30 đến bus 39, bus 39 coi bus Slack, bus gọi bus PV, 29 bus lại gọi bus PQ, có cấp điện áp 345kV 20kV Hệ thống cho Hình w g ( x) (4) w Với điểm xi tương ứng thuộc nhãn lớp yi, cần xác định tập thông số (w, b) siêu phẳng theo (5) Min (w)  w w (5) Hình HTĐ IEEE 39-bus yi (wT x i  b)  4.2 Tạo sở liệu Trong trường hợp liệu toán phức tạp bị chồng lấn, nhiễu, khó tách biệt tốn (5) trở thành tốn (6) Có hai dạng biến cho chế độ hệ thống điện biến chứa liệu chế độ xác lập chế độ cố Biến chế độ xác lập hay tiền cố thơng tin giúp hệ thống nhận dạng biết tình trạng ổn định xảy để phát tín hiệu đến hệ thống điều khiển ngăn chặn trước, giúp hệ thống điều khiển quyết định đưa hệ thống điện vào vùng vận hành an toàn, phòng cố xảy gây ổn định Min w  (w,  )  yi (w T  (x i )  b)   i i  N  w  C i i 1 (6) Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh hệ thống điện, mặc dù thực tế cố khơng xảy Hẳn nhiên, việc điều khiển phải chịu chi phí tổn thất cho việc điều chỉnh lại lịch trình phát máy phát điện Đặc trưng cho chế độ tiền cố điểm vận hành hệ thống điện gồm điện áp tại bus, công suất máy phát điện, dòng công suất nhánh, công suất tải,…Biến chế độ động hay chế độ cố thơng tin cho biết tình trạng ổn định xảy để phát tín hiệu đến hệ thống điều khiển khẩn cấp lệnh điều khiển phải thi hành để đưa hệ thống trở trạng thái ổn định, cứu hệ thống điện khỏi nguy tan rã Đặc trưng chế độ cố gồm độ lệch điện áp tại bus, độ lệch công suất phát, độ lệch công suất nhánh, độ lệch công suất tải,… Trong thực tế phân tích ổn định hệ thống điện độ sụt điện áp độ thay đổi công suất tác dụng chứa thông tin cao liên quan trực tiếp đến trạng thái ổn định hệ thống điện Đây biến có chứa thơng tin cao lựa chọn làm biến đầu vào cho nhận dạng Biến đầu đại diện cho điều kiện ổn định động hệ thống điện gán nhãn biến nhị phân cho lớp ổn định lớp không ổn định Phần mềm Powerworld tính tốn mẫu cơng suất phát tương ứng nhờ cơng cụ tính tốn phân bố cơng suất tối ưu OPF Thực mô off-line để thu thập liệu cho đánh giá ổn định động HTĐ, nghiên cứu xét hệ thống điện chế độ vận hành đầy đủ máy phát đường dây truyền tải, mức tải 100% tải bản, thời gian cắt ngắn mạch cài đặt 50ms Bài báo xem xét cố ngắn mạch ba pha, pha chạm đất, hai pha tại tất cả góp dọc đường dây truyền tải với khoảng cách 5% chiều dài đường dây Biến đầu vào là: x{∆Vbus, ∆Pload, ∆Pflow} Tổng số biến đầu vào 104(39+19+46), biến đầu Tổng số mẫu 310 mẫu, có 158 mẫu ổn định 152 mẫu không ổn định 4.3 Biến đầu vào biến đầu Để chọn tập biến, báo tác giả đề xuất áp dụng phương pháp xếp hạng với hàm mục tiêu chọn biến F (Fisher) [5] phương pháp tìm kiếm tiến lùi (SFFS) với hàm mục tiêu SM (Scatter-Matrice) [9] Đây hai phương pháp áp dụng chọn biến công bố báo [5], [6] Để tiến hành chọn biến, tập liệu chia ngẫu nhiên làm 10 tập có kích cỡ Mỗi lần huấn luyện với chín tập tập cịn lại làm tập kiểm tra Kết quả huấn luyện kiểm tra tính tốn trung bình cho 10 lần thực Bài báo áp dụng nhận dạng K-Nearest Neighbor (1-NN, K=1) để thực đánh giá độ chính xác chọn tập biến nhờ vào tính đơn giản Độ chính xác kiểm tra chọn biến theo phương pháp xếp hạng SFFS 93,5% 95,8% tương ứng với số biến 15 14 biến Kết quả số biến chọn 14 biến theo phương pháp SFFS Kết quả chọn biến sử dụng để xây dựng mơ hình nhận dạng hay phân lớp phần trình bày tiếp sau 4.4 Xây dựng mơ hình mạng phân lớp Phân chia liệu: Tập liệu xây dựng mơ hình có 310 mẫu với 14 biến đầu vào, biến ngõ Tập mẫu huấn luyện có 230 mẫu, 118 mẫu ổn định 112 mẫu không ổn định Tập mẫu kiểm tra có 80 mẫu, có 40 mẫu ổn định 40 mẫu không ổn định Trong báo sử dụng công cụ nhận dạng hỗ trợ phần mềm Matlab Xây dựng mô hình mạng MLP: 10 MSE Train Validation Test Best Goal -2 10 -4 10 10 20 30 Epochs Hình Đặc tuyến hội tụ huấn luyện mạng MLP Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 15 0.9 0.95 10 K 0.9 0.95 0.9 0.9 0.9 0.95 0.95 0.9 -5 0.95 0.95 0.9875 0.987 5 0.9 0 0.95 0.95 0.95 0.95 0.95 0.95 0.95 0.95 0.95 0.9 0.95 0.95 0.9 C 10 15 Hình Đồ thị cặp thơng số (C, K) đường mức độ xác kiểm tra Hình Hệ số tương quan Cấu hình thơng số mạng nơ-rôn perceptron gồm lớp: lớp vào, lớp ẩn lớp Giải thuật cập nhật trọng số bias chọn Levenberg-Marquardt nhờ tính toán nhanh Số chu kỳ huấn luyện 1000, sai số huấn luyện cài đặt 1e-3, thông số khác mặc định Cấu trúc mạng sử dụng hàm kích hoạt purelin, hàm ẩn logsig với số nơ-rơn Nh ẩn 10, lớp có nơ-rơn Mạng có 14 biến đầu vào biến y{1,0} Kết quả huấn luyện mạng trình bày Hình Trong Hình số chu trình huấn luyện 32 Hệ số tương quan đầu mạng đích trình bày Hình Xây dựng mơ hình phân lớp SVM: SVM hỗ trợ phần mềm Matlab [7], hàm nhân với hàm bán kính sở (RBF Kernel) chọn để xây dựng mơ hình SVM Xây dựng mơ hình phân lớp SVM công cụ hỗ trợ phần mềm Matlab thơng qua việc tìm kiếm thơng số C thông số Kernel (K) tốt cho phân lớp đạt kết quả nhận dạng cao Trong báo tác giải đề nghị phương pháp chia lưới để tìm kiếm cặp thơng số (C, K) Trong xây dựng mơ hình SVM, giá trị kinh nghiệm C K từ 2-15 đến 215 lựa chọn Trong đó, bước khoảng cách lưới đề nghị 0,1 Như vậy, lưới chia lưới vng, có 301 điểm chia cho cạnh lưới, hay tổng cộng có 90601 điểm lưới tìm kiếm Kết quả đường đồng mức hay đồng giá trị độ xác kiểm tra trình bày Hình Giá trị cặp thông số (C, K) chọn kết quả đánh giá trình bày Bảng Bảng Kết xây dựng phân lớp Nh (C, K) MLP 10 SVM ((8,8),(6,6)) Huấn luyện (%) Kiểm tra (%) 96,95 95,00 98,62 98,75 4.5 Bàn luận Hình 7, hệ số tương quan tổng thể đầu phân lớp MLP với đích 0,94696 Kết quả cho thấy kết quả đầu phân lớp MLP với đích có tính tương quan cao Kết quả độ xác kiểm tra phân lớp MLP 95%, kết quả chấp nhận toán đánh giá ổn định HTĐ [3]–[5] Bảng kết quả độ xác kiểm tra phân lớp SVM đạt đến 98,75% Như vậy, SVM cho độ xác kiểm tra cao 3,75% so với MLP KẾT LUẬN Bài báo đề nghị áp dụng phân lớp SVM để nhận dạng ổn định động HTĐ cố ngắn mạch gây so sánh kết quả với phân lớp MLP Kết quả kiểm tra cho thấy, phân lớp SVM đạt độ xác cao MLP Việc nâng cao độ xác nhận dạng giúp tăng hội can thiệp sớm HTĐ gặp cố gây ổn định, giúp giảm bớt rủi ro điện lưới xảy Kết quả nhận dạng với độ xác cao, khẳng định SVM thích hợp để khuyến nghị áp dụng xây dựng phân lớp đánh giá ổn định động HTĐ 6 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] R Zhang, Y Xu, Z Y Dong, K Meng, and Z Xu, “Intelligent systems for power system dynamic security assessment: Review and classification,” 2011 4th Int Conf Electr Util Deregul Restruct Power Technol., pp 134–139, 2011 S Kalyani and K S Swarup, “Pattern analysis and classification for security evaluation in power networks,” Int J Electr Power Energy Syst., vol 44, no 1, pp 547–560, 2013 A Karami and S Z Esmaili, “Transient stability assessment of power systems described with detailed models using neural networks,” Int J Electr Power Energy Syst., vol 45, no 1, pp 279–292, 2013 A M A Haidar, M W Mustafa, F A F Ibrahim, and I A Ahmed, “Transient stability evaluation of electrical power system using generalized regression neural networks,” Appl Soft Comput J., vol 11, no 4, pp 3558–3570, 2011 Z Y Dong, Z Rui, and Y Xu,“Feature selection for intelligent stability assessment of power systems,” IEEE Power and Energy Society General Meeting, pp 1–7, 2012 N.N.Au, Q.H.Anh, and P.T.T.Binh, “Feature Subset Selection in Dynamic Stability Assessment Power System Using Artificial Neural Networks,” Sci Technol Dev Vol.18, No.K3, 2015 M H Beale, M T Hagan, and H B Demuth, “Neural Network Toolbox TM User ’ s Guide R 2014 a,” 2014 C Cortes and V Vapnik, “Support-Vector Networks,” Proc Mach Learn., vol 20, pp 273–297, 1995 A R Webb and K D Copsey, ''Statistical Pattern Recognition'', Third Edition, A John Wiley & Sons Inc Publication, 2011 Tác giả chịu trách nhiệm viết: Nguyễn Ngọc Âu Trường Đại học Sư phạm Kỹ thuật TP.HCM Email: aunn@hcmute.edu.vn ... giá ổn định HTĐ Bài báo đề nghị áp dụng phân lớp SVM vào đánh giá ổn định HTĐ Bài báo so sánh độ xác nhận dạng ổn định HTĐ SVM mạng nơ-rôn MLP Kết quả cho thấy phân lớp SVM đạt độ xác nhận. .. cao lựa chọn làm biến đầu vào cho nhận dạng Biến đầu đại diện cho điều kiện ổn định động hệ thống điện gán nhãn biến nhị phân cho lớp ổn định lớp không ổn định Phần mềm Powerworld tính tốn... tải,… Trong thực tế phân tích ổn định hệ thống điện độ sụt điện áp độ thay đổi công suất tác dụng chứa thông tin cao liên quan trực tiếp đến trạng thái ổn định hệ thống điện Đây biến có chứa