Nghiên cứu ứng dụng lý thuyết mạng nơron để xác định vị trí sự cố trên đường dây tải điện

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP LÊ KIỀU LINH NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT MẠNG NƠRON ĐỂ XÁC ĐỊNH VỊ TRÍ SỰ CỐ TRÊN ĐƯỜNG DÂY TẢI ĐIỆN LUẬN VĂN THẠC SĨ KHOA HỌC KỸ THUẬT ĐIỆN Thái Nguyên - Năm 2020 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP LÊ KIỀU LINH NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT MẠNG NƠRON ĐỂ XÁC ĐỊNH VỊ TRÍ SỰ CỐ TRÊN ĐƯỜNG DÂY TẢI ĐIỆN CHUYÊN NGÀNH: KỸ THUẬT ĐIỆN MÃ SỐ: 8.52.02.01 LUẬN VĂN THẠC SĨ KHOA HỌC KỸ THUẬT ĐIỆN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS ĐỖ TRUNG HẢI Thái Nguyên - Năm 2020 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ H tên tác gi lu Lê Ki u Linh Nghiên c u ng d ng lý thuy t m tài lu v trí s c ng dây t Chuyên ngành: K thu nh n n Mã s : : 8.52.02.01 Tác gi , Cán b gi ng d n khoa h c H a ch a, b sung lu ng ch m lu nh pH n tác ng ngày 04/10/2020 v i n i dung sau: - S a sai sót v thu t ng , l i t , format, in n - S a l i k t lu t lu n chung c a lu h - B sung thêm danh m c hình v , b ng bi u 20 Cán hướng dẫn Tác giả luận văn TS Đỗ Trung Hải Lê Kiều Linh CHỦ TỊCH HỘI ĐỒNG PGS.TS Nguyễn Hữu Công i LỜI CAM ĐOAN u c a riêng tôi, s li u, k t qu nêu lu c cơng trình nghiên c u c a riêng tơi, lu khơng gi ng hồn tồn b t c lu Ngoài tài li u tham kh ph ng, th i gian th c hi is c trích d n, s li u k t qu mô ng d n c a Ti n s Trung H i Tác giả luận văn Lê Kiều Linh ii MỤC LỤC LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT vi DANH MỤC CÁC BẢNG vii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ viii MỞ ĐẦU 1 Tính c p thi t M u .1 Nhi m v nghiên c u ng ph m vi nghiên c u u N i dung lu .2 CHƯƠNG TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP ĐỊNH VỊ SỰ CỐ TRÊN ĐƯỜNG DÂY TRUYỀN TẢI ĐIỆN tv .3 1.2 M t s nh v trí s c a tr ng m t phía)[11,12] .3 i ti n .7 ng t hai phía [13,14] pháp nh v s c d a nguyên lý sóng lan truy n t m s c .9 nh v s c d a nguyên lý sóng lan truy n t u ng dây 10 1.3 K t lu 10 CHƯƠNG NGHIÊN CỨU Q TRÌNH TRUYỀN SĨNG TRÊN ĐƯỜNG DÂY TẢI ĐIỆN 11 ng dây truy n t n [2,4] 11 iii 2.2 Nguyên lý lan truy ng dây [4,6] .13 2.2.1 T ng tr sóng ZC 13 2.2.2 H s truy n sóng .14 2.2.3 V n t c truy n sóng v 14 nt ng dây t 2.3.1 Sóng lan truy n khơng s c [3,4] 15 ng dây khơng có s c v i t i cu ng dây thu n tr 17 2.3.2 Sóng lan truy ng dây khơng có s c v i t i cu ng dây d ng (R nt L): 17 2.3.3 Sóng lan truy ng dây khơng có s c v i t i cu ng dây d ng (R|| L): 18 2.3.4 Sóng lan truy ng dây khơng có s c v i t i cu ng dây d ng (R ||C): 19 2.3.5 Sóng lan truy n ng dây khơng có s c v i t i cu ng dây d ng (R nt C): 20 nt 2.5 K t lu ng dây t m s c 20 21 CHƯƠNG ỨNG DỤNG LÝ THUYẾT MẠNG NƠRON ĐỂ XÁC ĐỊNH VỊ TRÍ SỰ CỐ TRÊN ĐƯỜNG DÂY TRUYỀN TẢI ĐIỆN .22 3.1 Phân tích ph b ng Wavelet [1,9] 22 3.1.1 Thu t toán Wavelet phân tích sóng ph n h i 24 3.1.2 Các y u t th ng t xác c nh m sóng ph n h i 27 3.2 M ng d hi u ch nh th m sóng ph n h i [1,10] 27 3.2.1 Quy t c suy lu n m ng TSK .27 3.2.2 Mơ hình m TSK 29 3.2.3 Thu t toán h c c a m TSK 31 3.2.4 Kh i t o m c .35 3.2.5 Thu t toán phân c m tr m .35 3.2.6 M 3.3 K t lu hi u ch nh th m sóng ph n h i 37 39 iv CHƯƠNG CÁC KẾT QUẢ TÍNH TỐN VÀ MƠ PHỎNG 40 4.1 Ph n m m Matlab-Simulink mô ph ng h th n [8] .40 n Sources 40 n hi n th Sinks .42 n SimPowerSystems .42 n ngu n 43 n Elements 44 4.2 Mô ph ng sóng lan truy nh v n t c truy n sóng .47 4.2.1 Mơ hình mơ ph ng 47 4.2.2 K t qu mô ph ng .49 4.3 Mơ ph ng sóng lan truy ng dây ng dây có s c 51 4.3.1 Mơ hình mơ ph ng 51 4.3.2 K t qu mô ph ng m t s lo i s c khác 51 4.3.2.1 Ng n m ch pha 51 4.3.2.2 Ng n m ch pha ch t 53 4.3.2.3 Ng n m ch pha ch t 54 4.4 K t qu hi u ch nh sai s v trí s c b ng m 4.5 K t lu .56 60 KẾT LUẬN 61 TÀI LIỆU THAM KHẢO 62 PHỤ LỤC 1: CHƯƠNG TRÌNH HUẤN LUYỆN MẠNG NEURON 64 PHỤ LỤC 2: CHƯƠNG TRÌNH KIỂM TRA MẠNG NƠRON 75 v DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT Ý nghĩa Ký hiệu R0 n tr m L0 n c m m H0 n dung m G0 n d n m Vref Vinc V Sóng tín hi u Lfault Rf chi /km ng dây chi H/km ng dây chi F/km ng dây S/km V n áp m t chi Vinc (sóng t i) V n t c truy ng dây truy n t n Chi n V Km/s A ng dây km Chi u dài t ms c km n tr s c IF ZL ng dây n áp ph n h i Sóng tín hi I l chi Đơn vị ns c T ng tr c A ng dây h s khúc x h s ph n x vi DANH MỤC CÁC BẢNG B ng 1: K t qu nh v trí s c ng n m ch pha ch t 53 B ng 2: K t qu nh v trí s c ng n m ch pha ch t 54 B ng 3: K t qu nh v trí s c ng n m ch pha ch t 56 B ng 4: K t qu nh v trí s c ng n m ch pha ch t 59 sau s d ng m B ng 5: K t qu sau ch y qua m B ng 6: K t qu sau s d ng m hi u ch nh sai s 59 nh v trí s c ng n m ch pha ch t 60 hi u ch nh sai s .60 nh v trí s c ng n m ch pha ch t 60 hi u ch nh sai s 60 vii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ minh h a s c ng dây truy n t i s d n Hình 1.2 Minh h a n m t pha hai ngu n nguyên lý c Hình 1.4 thay th c ng dây b s c v i hai ngu n c p ng dây s c Hình 1.5 S lan truy n ph n x c ng dây 10 ng dây truy n t i hình PI m t pha 11 Hình 2.2 Mơ hình m ng dây truy n t i hình PI ba pha 12 Hình 2.3 Mơ hình Peters gi i tốn truy n sóng 16 a m ch có t i thu n tr 17 Hình 2.5 Mơ hình a m ch có t i R n i ti p L .17 a m ch có t i thu n R song song L 18 a m ch R song song C 19 a m ch R n i ti p C 20 Hình 3.1 M t s Hình 3.2 C n 24 c liên ti p phân tích m t tín hi u thành thành ph n chi ti t x p x 25 Hình 3.3 M TSK 30 Hình 3.4 Thu t tốn h c m ng TSK .33 Hình 3.5 D ng dây s c pha 38 Hình 3.6 Hình nh phóng to tín hi ng dây hình bên 38 Hình 3.7 Minh h a v vi c trích 20 m u giá tr t c th i xung quanh th làm d li m to .38 n kh i ngu n .40 n kh i hi n th .42 n công c mô ph ng SimPowerSystems 43 n kh i ngu n SimPowerSystems .43 n Elements SimPowerSystems 44 t thông s ng dây thông s d i 45 t thông s cho máy c t pha 45 t thông s cho c ng k t n i 46 viii TÀI LIỆU THAM KHẢO Karl Zimmerman and David Costello, "Impedance-Based Fault Location Experience ", Rural Electric Power Conference, 2006 IEEE N G Paulter ( 2001), "An assessment on the accuracy of time-domain reflectometry for measuring the characteristic impedance of transmission line", IEEE Trans Instrum Meas., vol 50, pp 1381 1388, 2001 M Kezunovic and B Perunicic (1996), "A utomated transmission line fault analysisusing synchronized sampling at two ends", IEEE Trans Power Syst , vol 11, no 1, pp 441 447 Minambres J Zamora I, Mazon A, Alvarez-Isasi R, Lazaro J (1996), "Fault location on two-terminal transmission lines based on voltages", IEE Proceedings: Generation, Transmission and distribution, 143(1) M Ohmiya H Yamada, Y Ogawa, K Itoh (1991), "Super resolution techniques for time-domain measurements with a network analyzer", IEEE Trans Antennas Propag., vol 39, pp 177 183, 1991 Takagi (1982), "Development of a new fault locator using the one-terminal voltage and current data", IEEE Trans.Power App Syst , vol PAS-101, no 8, pp 2892 2898 Nghiên c u ng d d ng s c ng n m i nh n ng dây truy n t n , lu n án ti thu t, i h c K thu t Công nghi p Tr n Bách (2004), n H th n t p & 2, NXB Khoa h c K thu t, Hà N i L i Kh c Lãi (2009), 10 Tr n Ho i Linh (2011), s c ng n m lý thuy t m ch t p i h c Thái Nguyên ng d ng Wavelet daubecchies ph t hi n th ng dây d i H i ngh to n qu c v m u n v T ng h a (VCCA) 11 Th Công ngh nh v s c n, s 62 T p chí Khoa h c Cơng ngh 12 Tr nh Long B o v c c h th n NXB Khoa h c v K thu t n Anh, Tr Ph i h p m ng ng tr dây t Trang 66314 Nguy nh v trí s c ng n m , H i ngh toàn qu c v u n T ng ng hoá VCCA-2013, ng , Lê Khánh Lu n, "Lý thuy t Xác su t Th i h c Qu c gia TPHCM 15 Nguy n Phùng Quang (2003), "Matlab & Simulink", NXB Khoa h c v K thu t, 2003 16 Nguy n Bình Thành (1978), " k thu N i 63 n 1,2 PHỤ LỤC CHƯƠNG TRÌNH HUẤN LUYỆN MẠNG NEURON [num,txt,raw]=xlsread('dulieuhuanluyen.xlsx','Sheet2','a2:i240'); N = size (num,1); time_steps_equal=0:1e-7:5e-3; Input=[]; Output=[]; for i=1:N load(txt{i,6}, txt{i,6}); s=sprintf('signal = %s;', txt{i,6}) eval(s); load(txt{i,7}, txt{i,7}); s=sprintf('time_steps = %s;', txt{i,7}) eval(s); signal2 = transpose(interp1 (time_steps, signal, time_steps_equal)); load(txt{i,8}, txt{i,8}); s=sprintf('time_org = %s', txt{i,8}); eval(s) load(txt{i,9}, txt{i,9}); s=sprintf('time_est = %s', txt{i,9}); eval(s) deltaStep =10; tmp=signal(time_org-deltaStep)-signal([time_est time_est+deltaStep time_est+2*deltaStep time_est+3*deltaStep time_est+4*deltaStep]); tmp=transpose(tmp) dt=diff(tmp) Input=[Input; tmp(1) dt(1:end)] Output = [Output; time_est-time_org] end; % chuong trinh chinh 64 Xall = all_data(:, 1:20)/100; Dall = all_data(:,23); Nall = size(Xall,1); testid = 1:4:Nall; learnid = setdiff(1:Nall, testid); Xlearn = Xall(learnid,:); Dlearn = Dall(learnid); Xtest = Xall(testid,:); Dtest = Dall(testid); [C,A,U,D]=gk_one_c_3(Xlearn,60); load Running_Result2_30centers C_all A B_all Xikma_all PP res_learn=tsk_test3(Xlearn,Dlearn,C_all(:,:,end),A,B_all(:,end),Xikma_all(:,end),PP); disp('Learning error') mean(abs((res_learn(:,2)-res_learn(:,3)))) max(abs((res_learn(:,2)-res_learn(:,3)))) res_test=tsk_test3(Xtest,Dtest,C_all(:,:,end),A,B_all(:,end),Xikma_all(:,end),PP); disp('Testing error') mean(abs((res_test(:,2)-res_test(:,3)))) max(abs((res_test(:,2)-res_test(:,3)))) figure(1) plot(res_learn(:,1),res_learn(:,2),'b',res_learn(:,1),res_learn(:,3),'r') xlabel('Learning sample') legend('Destination','TSK Output') figure(2) plot(res_learn(:,1),10*abs(res_learn(:,2)-res_learn(:,3))) xlabel('Learning sample') ylabel('Error (micro second)') figure(3) plot(res_test(:,1),res_test(:,2),'b',res_test(:,1),res_test(:,3),'r') xlabel('Testing sample') 65 legend('Destination','TSK Output') figure(4) plot(res_test(:,1),10*abs(res_test(:,2)-res_test(:,3))) xlabel('Testing sample') ylabel('Error (micro second)') function [Call,Ball,Xall,Eall,PP]=tsk_pro3(X,D,C,A,para1,para2) %global TSK_NetPresent TSK_CancelLearn; TSK_CancelLearn=0; %memory reservation in one step onelen=100; indonelen=1; %number of data P=size(X,1); %size of input vectors N=size(X,2); %number of rules M=size(C,1); %number of output K=size(D,2); Call=zeros(M,N,onelen); Call(:,:,1)=C; %radio vectors 66 Xikma=3*ones(M,1); tmpd=zeros(1,M); numneighbour=3; for i=1:M x=C(i,:); SI=A(:,:,i); for k=1:M tmpd(k)=sqrt(abs((x-C(k,:))*SI*(x-C(k,:))')); end; [y,j]=sort(tmpd); numneighbour=min(numneighbour,M); Xikma(i)=sum(y(2:numneighbour+1))/numneighbour/2; %y(1)==0 - d(ci,ci) tmpd % pause end; %keyboard Xall=zeros(M,onelen); Xall(:,1)=Xikma*5; %scale vectors B=ones(M,1); Ball=zeros(M,onelen); Ball(:,1)=B; % tall=zeros(1,onelen); epsall=zeros(1,onelen); % W=zeros(M,1); % 67 %Wmean=zeros(M,1); %linear function paras PP=zeros(M,N+1,K); PP=rand(M,N+1,K); %TSK rule values F=zeros(K,M); %output value for one entry Y=zeros(1,K); %matrix for SVD AA=zeros(P,M*(N+1)); %learning coefficients Eta=para1(1); IncEta=para1(2); DecEta=para1(3); ErrorAccepted=para1(4); stop=0; Eall=zeros(1,onelen); ind=1; %distance matrix from a vector to all centers dXC=zeros(M,1); % forwarding signal for SVD for i=1:P x=X(i,:); for k=1:M 68 SI=A(:,:,k); dXC(k)=sqrt(abs((x-C(k,:))*SI*(x-C(k,:))')); W(k)=1/(1+(dXC(k)/Xikma(k))^(2*B(k))); % WP(k)=prod(W(k,:)); end; % % Wmean=W/sum(W); for k=1:M AA(i,(1+(k-1)*(N+1)):(k*(N+1)))=Wmean(k).*[x,1]; for k=1:M AA(i,(1+(k-1)*(N+1)):(k*(N+1)))=W(k).*[x,1]; end; end; %Learning linear parameters %temp=AA\D; mtol=svds(AA,1)*1e-3 temp=pinv(AA,mtol)*D; for k=1:K tmp=temp(:,k); for j=1:M PF(j,:)=tmp((1+(j-1)*(N+1)):(j*(N+1)))'; end; PP(:,:,k)=PF; end; EE=AA*temp-D; %EE=D; oldEE=EE; oldSSE=sum(sum(EE.^2)) while((ind=1e-10) C=C+Eta*DEC; B=B+Eta*DEB; Xikma=Xikma+Eta*DEX; Eta=Eta*DecEta; if Eta