Đang tải... (xem toàn văn)
Bài viết giới thiệu một phương pháp phân tích ngắn mạch dựa vào việc xác định ngưỡng dao động điện áp nút thông qua việc xác định khoảng tin cậy của công suất phụ tải (Load Power Confidence Interval – LPCI). Cụ thể, ngưỡng dao động của phụ tải sẽ là cơ sở để tính toán ngưỡng dao động của điện áp tại các nút và khoảng giá trị dòng điện ngắn mạch trên LĐPP có các nguồn DG. Nhờ vào việc sử dụng công cụ LPCI được phát triển và công cụ E-terra Distribution, các kết quả mô phỏng đạt được đã chứng minh sự hiệu quả của phương pháp phân tích ngắn mạch được cải tiến dựa trên việc xác định ngưỡng dao động điện áp nút trên LĐPP có xem xét đến các loại, vị trí lắp đặt và trạng thái vận hành của những nguồn DG.
Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Bài nghiên cứu Open Access Full Text Article Phương pháp phân tích ngắn mạch cải tiến dựa vào việc xác định ngưỡng dao động điện áp nút lưới điện phân phối có tích hợp nguồn phân tán Bùi Minh Dương1 , Lê Duy Phúc2,3,* , Đồn Ngọc Minh2 , Nguyễn Thanh Phương3 TĨM TẮT Use your smartphone to scan this QR code and download this article Bộ môn Điện Kỹ thuật máy tính, Khoa Kỹ thuật, Trường Đại học Việt Đức, Bình Dương Việc tích hợp nguồn điện phân tán (DG-Distributed Generators) vào lưới điện phân phối (LĐPP) ảnh hưởng đến hoạt động tin cậy tính ổn định hệ thống bảo vệ Tùy thuộc vào loại nguồn DG, vị trí lắp đặt trạng thái vận hành, dòng điện ngắn mạch LĐPP thay đổi giá trị đáng kể làm ảnh hưởng đến hoạt động đắn thiết bị bảo vệ (TBBV) khác Các phương pháp phân tích ngắn mạch truyền thống chưa xem xét đến xuất đặc tính vận hành nguồn điện DG, thay đổi hướng công suất điện áp nút LĐPP Do đó, việc cải tiến phương pháp phân tích ngắn mạch truyền thống cần thiết, để xác định dòng điện cố LĐPP cách nhanh chóng, xác tự động Từ đó, nghiên cứu giới thiệu phương pháp phân tích ngắn mạch dựa vào việc xác định ngưỡng dao động điện áp nút thông qua việc xác định khoảng tin cậy công suất phụ tải (Load Power Confidence Interval – LPCI) Cụ thể, ngưỡng dao động phụ tải sở để tính tốn ngưỡng dao động điện áp nút khoảng giá trị dịng điện ngắn mạch LĐPP có nguồn DG Nhờ vào việc sử dụng công cụ LPCI phát triển công cụ E-terra Distribution, kết mô đạt chứng minh hiệu phương pháp phân tích ngắn mạch cải tiến dựa việc xác định ngưỡng dao động điện áp nút LĐPP có xem xét đến loại, vị trí lắp đặt trạng thái vận hành nguồn DG Từ khoá: Nguồn điện phân tán, lưới điện phân phối, điện áp nút, dự báo phụ tải, phân tích ngắn mạch Tổng Cơng ty Điện lực Tp.HCM, Hồ Chí Minh Viện Kỹ thuật, Trường Đại học Cơng nghệ Tp.HCM, Hồ Chí Minh Liên hệ Lê Duy Phúc, Tổng Cơng ty Điện lực Tp.HCM, Hồ Chí Minh Viện Kỹ thuật, Trường Đại học Công nghệ Tp.HCM, Hồ Chí Minh Email: phucld@hcmpc.com.vn Lịch sử • Ngày nhận: 12-9-2020 • Ngày chấp nhận: 29-3-2021 • Ngày đăng: 16-4-2021 DOI : 10.32508/stdjet.v4i2.766 Bản quyền © ĐHQG Tp.HCM Đây báo công bố mở phát hành theo điều khoản the Creative Commons Attribution 4.0 International license GIỚI THIỆU Sự tích hợp nguồn điện phân tán (DGDistributed Generators) vào lưới điện phân phối (LĐPP) ảnh hưởng đến độ tin cậy tính ổn định hệ thống bảo vệ Khi mức độ thâm nhập nguồn điện DG vào LĐPP đạt đến mức độ định việc kiểm sốt giá trị điện áp nút dòng điện ngắn mạch trở nên khó khăn hơn, hoạt động không liên tục nguồn DG (chẳng hạn nguồn phát điện sử dụng lượng mặt trời lượng gió) gây tượng dao động điện áp nút làm thay đổi đáng kể giá trị dịng điện cố lưới Khơng thế, nguồn DG lắp đặt nhiều vị trí khác LĐPP với trạng thái vận hành thay đổi làm ảnh hưởng đáng kể đến giá trị hướng dòng điện ngắn mạch Điều làm giảm độ tin cậy hệ thống bảo vệ LĐPP cấu trúc lưới điện thay đổi Theo đó, tính phối hợp hoạt động thiết bị bảo vệ (TBBV) khơng cịn đảm bảo dẫn đến vấn đề nghiêm trọng tác động nhầm, tác động vượt cấp, tác động đồng thời Chính vậy, việc xác định ngưỡng dao động điện áp nút LĐPP cần thiết nhằm hỗ trợ hiệu cho việc phân tích trào lưu cơng suất phân tích ngắn mạch Các tác giả tập trung vào việc phát triển phương pháp xác định ngưỡng dao động phụ tải để làm sở xác định ngưỡng dòng điện nhánh trước xác định ngưỡng điện áp nút, nhằm cải tiến lại phương pháp phân tích ngắn mạch truyền thống để áp dụng hiệu cho LĐPP có tích hợp nguồn điện phân tán khác Nguồn phát điện phân tán có hai đặc tính vận hành peer-to-peer (P2P) plug-and-play (P&P), theo nghiên cứu Nikkhajoei H et al (20062007) 1,2 Đặc tính vận hành P2P thể nguồn DG kết nối liên tục ngắt kết nối với lưới tùy vào thời điểm vận hành; đó, đặc tính P&P cho thấy nguồn DG bố trí vị trí LĐPP mà không làm ảnh hưởng đến trạng thái hoạt động hệ thống Lưu ý rằng, đặc tính P2P ảnh hưởng đến giá trị độ lớn dòng điện ngắn mạch dẫn đến tượng Trích dẫn báo này: Dương B M, Phúc L D, Minh D N, Phương N T Phương pháp phân tích ngắn mạch cải tiến dựa vào việc xác định ngưỡng dao động điện áp nút lưới điện phân phối có tích hợp nguồn phân tán Sci Tech Dev J - Eng Tech.; 4(2):806-834 806 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 mù bảo vệ tác động đồng thời TBBV dòng theo tác giả Firouz Y et al (2014) Nguồn điện chứa phần tử quay (RBDG-Rotating-based Distributed Generator), chẳng hạn máy phát điện diesel, tạo dịng điện ngắn mạch đủ lớn, TBBV q dịng kích hoạt tác động để bảo vệ LĐPP Mặt khác, nguồn điện giao tiếp với lưới chuyển đổi cơng suất (IBDG-Inverter-based Distributed Generator) tích hợp thêm chức vượt qua điện áp thấp (LVRT-Low Voltage Ride Through) hạn dòng điện ngắn mạch (FCL-Fault Current Limiter) để làm giảm ảnh hưởng dòng điện ngắn mạch lên giao tiếp điện tử công suất đến hệ thống bảo vệ hữu LĐPP truyền thống Theo đó, dòng điện ngắn mạch nguồn IBDG bơm vào LĐPP thường có giá trị biên độ nhỏ gây khó khăn định cho TBBV việc phân biệt tượng tải cố ngắn mạch, theo Sortomme E., Bui D.M et al (2008, 2017) 4,5 Nghiên cứu tác giả Bui D.M (2017) đề cập đến phương pháp tính tốn ngắn mạch đơn giản tự động phục vụ cho hệ thống bảo vệ microgrid (MG) chế độ vận hành nối lưới Cụ thể, tác giả đề xuất phương trình tính tốn để xác định giá trị dịng điện ngắn mạch góp từ nguồn IBDG RBDG cách hiệu nhanh chóng Tuy nhiên, giá trị điện áp phục vụ việc phân tích ngắn mạch tác giả giả định với giá trị điện áp danh định, vốn phù hợp với MG hoạt động cấp điện áp hạ áp Trong đó, dao động nguồn DG khác loại phụ tải LĐPP dẫn đến thay đổi biên độ dao động giá trị điện áp nút Nghiên cứu Ou T.C (2012) trình bày phương pháp phân tích ngắn mạch cho dạng cố bất đối xứng dựa hai ma trận thể tính chất kết nối lưới điện MG, nhằm xác định trực tiếp dòng điện ngắn mạch chạy nhánh điện áp cố nút, có xem xét đến diện nguồn điện DG hai chế độ vận hành nối lưới độc lập Nghiên cứu Wang Q et al (2015) tập trung vào việc phân tích dịng ngắn mạch nguồn IBDG chế độ điều khiển vượt qua ngưỡng điện áp thấp-LVRT vận hành nối lưới Nghiên cứu Mathur A et al (2017) đề cập đến việc mơ hình hóa LĐPP có tích hợp nguồn IBDG mơ hình ZIP hoạt động cấp nguồn cho hai loại phụ tải điện gồm tải không đổi tải phụ thuộc vào điện áp Bên cạnh đó, nghiên cứu Tu V.D., Boutsika T N et al (2008, 2013) 9,10 phân tích động học nguồn IBDG trình xảy cố nhằm đề xuất mơ hình phân tích ngắn mạch tự thích nghi dựa kỹ thuật tính 807 tốn Newton-Raphson tìm giá trị tính tốn ngắn mạch cho LĐPP có tích hợp nguồn IBDG Có thể thấy rằng, để phân tích ngắn mạch LĐPP có tích hợp nguồn DG khác nhau, việc xem xét đến đặc tính vận hành phụ tải phần tử nguồn cần thiết nhằm cải thiện độ xác kết phân tích ngắn mạch truyền thống Dòng điện ngắn mạch tổng TBBV dịng ghi nhận LĐPP có tích hợp nguồn DG bao gồm hai thành phần là: i) dòng điện ngắn mạch xuất phát từ nguồn phát điện truyền thống ii) dòng điện tham gia vào cố sinh từ nguồn DG khác Hơn nữa, phân tích ngắn mạch hiệu quả, nhanh tự động, dòng điện ngắn mạch tham gia vào cố diện nguồn DG cần tính tốn ứng với nhiều dạng cố khác nhau, ví dụ cố pha chạm đất, hai pha chạm đất, pha chạm pha cố ba pha) cho vị trí cụ thể LĐPP Việc tính tốn giá trị dịng điện ngắn mạch cho LĐPP có tích hợp nguồn DG thực dựa vào i) ma trận dòng điện nhánh (branch currents matrix); ii) ma trận điện áp nút (bus voltages matrix) iii) ma trận tổng dẫn (admittance matrix) Cụ thể, ma trận dòng điện ngắn mạch tương ứng với dạng cố xác định cách nhân ma trận tổng dẫn với ma trận điện áp nút Trong ma trận tổng dẫn nút suy từ ma trận tổng trở ứng với mơ hình đường dây, mơ hình máy biến áp mơ hình phụ tải, giá trị điện áp nút giả sử với giá trị danh định thơng qua kết phân tích trào lưu công suất theo chu kỳ định trước dựa vào ngưỡng dao động điện áp nút xác định báo Thật vậy, trình tính tốn trào lưu cơng suất phục vụ cho việc xác định ngưỡng dao động điện áp nút dòng điện ngắn mạch quan sát TBBV dòng LĐPP Trong nghiên cứu này, tác giả trước tiên giới thiệu phương pháp xác định ngưỡng dao động phụ tải (gọi tắt phương pháp LPCI), sau xác định ngưỡng dao động dòng điện nhánh (branch currents) tuyến dây xuất phát từ trạm biến áp LĐPP có tích hợp nguồn DG Lưu ý rằng, để tăng cường tính ổn định điện áp nút có chứa nguồn DG, hệ thống lưu trữ lượng đề nghị sử dụng Tiếp theo, thông qua việc phân tích trào lưu cơng suất, ngưỡng dao động điện áp nút tính tốn trước xác định ngưỡng dao động dịng điện ngắn mạch tương ứng với dạng cố Trong nghiên cứu này, liệu phụ tải khứ tuyến dây đầu nguồn thực tế tác giả sử dụng để kiểm chứng hiệu phương pháp Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 LPCI phương pháp phân tích ngắn mạch cải tiến Mặt khác, hệ số ảnh hưởng dòng điện ngắn mạch ứng với cấu trúc LĐPP có tích hợp DG tính tốn lưu trữ hệ thống quản lý thời gian thực (Real-time Manangement System – RTMS) LĐPP thay đổi cấu trúc có thay đổi số lượng nguồn lưới/DG LĐPP Bố cục báo tổ chức sau: Phần Giới thiệu trình bày tổng quan nghiên cứu trước cần thiết vấn đề nghiên cứu cải tiến lại phương pháp phân tích ngắn mạch truyền thống để áp dụng hiệu cho LĐPP có tích hợp nguồn điện phân tán khác Phần Phương pháp phân tích ngắn mạch cải tiến cho lđpp có tích hợp nguồn DG miêu tả chi tiết phương pháp LPCI để xác định ngưỡng dao động phụ tải, dòng điện nhánh, điện áp tuyến dây đầu nguồn trước đề cập đến việc cải tiến phương pháp phân tích ngắn mạch dành cho LĐPP có tích hợp nguồn DG khác Trong Phần Kết mô thảo luận phương pháp phân tích ngắn mạch đề xuất, tác giả trình bày cụ thể kết mơ dựa vào phương pháp phân tích ngắn mạch cải tiến đề xuất Cuối cùng, thảo luận, nhận định kết luận tác giả trình bày Phần Kết luận PHƯƠNG PHÁP PHÂN TÍCH NGẮN MẠCH CẢI TIẾN CHO LĐPP CĨ TÍCH HỢP CÁC NGUỒN DG Trong phần này, nhóm tác giả trình bày phương pháp xác định ngưỡng dao động điện áp nút dựa ngưỡng dao động phụ tải Sau đó, khoảng tin cậy điện áp nút sử dụng cho việc phân tích ngắn mạch cải tiến cho LĐPP có tích hợp nguồn DG Tổng dòng điện ngắn mạch quan sát thiết bị bảo vệ LĐPP bao gồm i) giá trị dịng điện ngắn mạch đóng góp từ nguồn lưới, Inm_li , ii) giá trị dòng điện ngắn mạch từ nguồn DG khác nhau, Inm_DG , đến TBBV trình bày tổng quan phương pháp phân tích ngắn mạch cải tiến cho LĐPP có tích hợp DG Xác định ngưỡng dao động tin cậy phụ tải LĐPP có tích hợp nguồn DG Để xác định đắn khoảng tin cậy phụ tải LĐPP có tích hợp nguồn DG, tác giả đề xuất phương pháp loại bỏ liệu nhiễu cho biết Phần Phương pháp loại bỏ liệu nhiễu để xác định ngưỡng dao động phụ tải tuyến dây Sau đó, tác giả sử dụng mơ hình dự báo SVM, LSTMRNN ANN để tìm khoảng tin cậy phụ tải, trình bày Phần Các mơ hình SVM, LSTM-RNN ANN sử dụng để xác định ngưỡng dao động phụ tải Việc sử dụng ba mơ hình dự báo để đảm bảo tất liệu phụ tải dự báo đắn tương ứng với mơ hình dự báo khác Tùy thuộc vào đặc điểm phụ tải, ba mơ hình SVM, LSTM-RNN ANN áp dụng thích hợp nhằm đạt kết dự báo tối ưu Phương pháp loại bỏ liệu nhiễu để xác định ngưỡng dao động phụ tải tuyến dây Theo nghiên cứu Duong Minh Bui Phuc Duy Le et al (2020) 11–13 , liệu phụ tải thu thập hệ thống quản lý thời gian thực (RTMS-Real-time Management System) có độ xác cao, chứa nhiều liệu gây nhiễu ngẫu nhiên nguyên nhân gồm: i) đặc tính vận hành ngẫu nhiên phụ tải, ii) dao động nguồn lưới nguồn DG, iii) LĐPP xảy điện cố; iv) kế hoạch bảo trì định kỳ; v) đóng/cắt tụ bù; vi) đường truyền kết nối không ổn định Do đó, độ tin cậy liệu phụ tải thường khó đạt mức độ tin cậy cao 100% Để giải vấn đề này, phương pháp loại bỏ liệu gây nhiễu tác giả phát triển độ tin cậy phù hợp liệu phụ tải, sau kiểm tra nhiều mức độ tin cậy khác Cụ thể hơn, phương pháp dựa kết tính tốn MAPE có sai số nhỏ dựa ba mơ hình dự báo ANN, LSTM-RNN SVM, trình bày cơng thức (1) để tìm mức độ tin cậy phù hợp với liệu phân tích Việc sử dụng mơ hình dự báo ANN, LSTM SVM để kiểm tra xem mơ hình dự báo dựa vào chuỗi liệu theo thời gian (time-series based forecasting model) mơ hình dự báo dựa vào học máy (machine learning based forecasting model) phù hợp để xác định khoảng tin cậy phụ tải lưới điện phân phối Cơng thức tính tốn số MAPE thể sau: MAPE (At , Ft ) = N At − Ft ∑ N t=1 At (1) Trong đó, At giá trị phụ tải thực tế LĐPP thời điểm t, Ft giá trị phụ tải dự báo thời điểm t thu từ việc áp dụng ba mô hình dự báo ANN, LSTM-RNN SVM khác nhau, N tổng số liệu lấy mẫu để tính tốn MAPE Độ tin cậy liệu phụ tải giả định lớn 90% liệu thu thập từ hệ thống SCADA hầu hết có độ xác tương đối cao Theo đó, dãy giá trị mức độ tin cậy thiết lập thành mười ba 808 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Hình 1: Sơ đồ tổng quan cho biết phương pháp phân tích ngắn mạch cải tiến LĐPP có tích hợp nguồn DG mức độ khác nhau, khoảng từ 90% đến 99%, 4,5-sigma (~ 99,73%), 5,5-sigma (~ 99,9937%) 6sigma (~ 99,99966%) Việc lựa chọn mức độ tin cậy hiệu liệu phụ tải dựa kết MAPE thấp ba mơ hình dự báo ANN, LSTM-RNN SVM Giải thuật phương pháp lọc liệu phụ tải nhóm tác giả phát triển thể Hình 2, bao gồm bước sau: • Bước – Nhập liệu phụ tải khứ nút có TBBV tiến hành quan sát độ lệch liệu để xác định nguồn liệu gây nhiễu; • Bước – Tính tốn hàm mật độ xác suất (PDFProbability Density Function) liệu phụ tải kiểm tra tính tương đồng dạng trực quan hàm phân phối chuẩn; • Bước – Nếu liệu phụ tải có dạng trực quan hàm phân phối chuẩn tiếp tục tìm kiếm mức độ tin cậy phù hợp thông qua ba mô hình dự báo ANN, LSTM-RNN SVM, sau lựa chọn mức độ tin cậy cho kết tính tốn sai số MAPE thấp nhất; • Bước – Ngược lại, liệu phụ tải chưa có dạng trực quan hàm phân phối chuẩn 809 áp dụng phương pháp so lệch (diferencing method) để loại bỏ tính xu hướng liệu phụ tải, cách xây dựng chuỗi so lệch liệu phụ tải sở ngày tiếp theo, tính tốn lại mật độ phân bố xác suất; • Bước – Lựa chọn độ tin cậy tốt liệu đầu vào thông qua kết sai số MAPE thấp từ ba mơ hình ANN, LSTM-RNN SVM khác nhau; • Bước – Chạy ba mơ hình dự báo phụ tải điện sử dụng ANN, LSTM-RNN SVM từ liệu phụ tải điện lọc dựa số độ tin cậy tốt lựa chọn Bước 5; • Bước – Chọn kết dự báo phụ tải điện có giá trị MAPE thấp xác định khoảng giá trị [Pload _min , Pload _max ] nút có thiết bị bảo vệ LĐPP Các giá trị phụ tải tối đa giá trị phụ tải tối thiểu ứng với nút LĐPP xác định sau: Pload_max = µP + √Zn σP Pload_min = µP − √Zn σP Trong đó, hệ số Z xác định từ bảng phân phối chuẩn tương ứng với mức độ tin cậy tốt nhất; µ P giá trị trung bình phụ tải điện từ kết dự báo; n Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 số lượng liệu quan sát σ P độ lệch chuẩn liệu phụ tải phân tích Dựa khoảng giá trị tin cậy [Pload _min , Pload _max ] nút có TBBV xác định, tác giả tiếp tục xác định khoảng tin cậy dòng điện phụ tải [Iload _min , Iload _max ] ứng với nút nhằm phục vụ cho việc phân tích ngắn mạch trình bày Phần 2.3 P Iload_min = load_min Vnom (2) Pload_max I load_max = Vnom Trong đó, Vnom giá trị điện áp nút danh định LĐPP Các mơ hình SVM, LSTM-RNN ANN sử dụng để xác định ngưỡng dao động phụ tải Trong nghiên cứu này, tác giả tập trung sử dụng ba mơ hình dự báo, gồm ANN (Artificial Neural Networks), SVM (Support Vector Machine) mơ hình LSTM-RNN (Long Short-Term Memory – Recurrent Neural Network) để phát triển phương pháp xác định LPCI, nhằm phục vụ cho việc phân tích ngắn mạch cải tiến LĐPP có tích hợp nguồn DG Theo đó, sở lý thuyết mơ hình dự báo nêu đề cập mục Mơ hình dự báo SVM Bắt đầu với liệu dùng cho huấn luyện {(x1 ,y1 ), (x2 ,y2 ), , (xn ,yn )} ⊂ Rn xR với xn vectơ đầu vào, yn nhãn phân lớp điểm liệu xn n số lượng mẫu liệu huấn luyện Để quản lý rủi ro xác định giá trị sai số thực nghiệm tối thiểu, phương pháp SVM sử dụng cấu trúc SRM (Structured Reduction Management) mô tả công thức (4), theo nghiên cứu Zhang M.-G (2005) 14 f (x) = ⟨ω , ϕ (x)⟩ + b R = C.Remp + ||ω ||2 C n ∑ L (yi , f (x)) + ||ω ||2 n i=1 { |y − f (x)| − ε L (yi , f (x)) = = (3) (4) (5) Trong công thức (3), ω trọng số xử lý độ mịn, ⟨,⟩ đại diện cho mối quan ω ϕ (x), b tham số độ lệch ϕ (x) khơng gian đặc tính đa chiều, phi tuyến ánh xạ từ không gian đầu vào x Hàm rủi ro biểu diễn công thức (4) giá trị rủi ro thực nghiệm định nghĩa thuật ngữ Remp hàm suy hao Vapnik, Y Bengio et al (2013) 15 Công thức (5) sử dụng để ước lượng giá trị rủi ro thực nghiệm L dựa mức sai số cho phép ε Hằng số C xác định dựa vào việc ước lượng độ phức tạp độ phẳng hàm rủi ro Theo đó, số C xem hệ số tham chiếu để thể mối liên hệ giá trị rủi ro thực nghiệm giá trị ước lượng lý thuyết Cả số C mức sai số cho phép ε tham số tùy biến theo kinh nghiệm Dựa vào công thức (4) cơng thức (5), ta biến đổi công thức (3) thành: ( ) ( ) f (x) = ∑ni=1 − a∗i K xi , x j + b (6) Trong đó, K(xi ,x j ) hàm kernel xác định tích vơ hướng ⟨ϕ (xi ), ϕ (x j )⟩ hai vectơ không gian đặc tính đa chiều ϕ (xi ) ϕ (x j ) Việc sử dụng hàm kernel nhằm mục đích xử lý hiệu chiều vùng khơng gian đặc tính đa chiều ϕ (x) Trong hàm kernel phát triển nhiều cơng trình nghiên cứu trước đây, hàm RBF (Radial Basic Function) sử dụng rộng rãi khả xử lý hiệu liệu ngõ vào/ngõ có mối quan hệ phi tuyến, W.-C Hong (2009) 16 Do đó, nghiên cứu sử dụng hàm kernel RBF mơ hình dự báo SVM, thể công thức (7) Cần lưu ý rằng, tham số δ hàm kernel RBF xác định cấu trúc không gian đặc tính đa chiều ϕ (x) ( ) ( ) − xi − x j (7) K xi , x j = exp 2δ Mơ hình dự báo LSTM-RNN Kỹ thuật dự báo sử dụng mơ hình LSTM-RNN kỹ thuật sử dụng phổ biến lĩnh vực dự báo phụ tải nay, R Dobbe, Y Bengio et al (1994, 2020) 17,18 Phương pháp dự báo thực cách xếp chồng nhiều lớp mạng nơ-ron dựa việc tối ưu hóa ngẫu nhiên Khả huấn luyện hiệu suất mơ hình LSTM-RNN cải thiện cách thay đổi số lớp mạng nơ-ron với mức độ tổng quát hóa khác Những mạng nơ-ron hồi quy (Recurrent Neural Network RNN) khác với mạng nơ-ron truyền thẳng thông thường (Feedforward Neural Network - FNN) hình thành theo trình tự tương quan lớp mạng nơ-ron trạng thái với thông tin ngõ lớp mạng nơ-ron trước Tuy nhiên, việc sử dụng mạng nơ-ron RNN gặp số khó khăn việc huấn luyện cho yếu tố tác động dài hạn tượng suy giảm bùng phát hệ số mang tính xu hướng Chính vậy, mơ hình LSTM sử dụng để khắc phục khó khăn Tại 810 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 2: Giải thuật xác định LPCI dòng điện phụ tải tuyến dây LĐPP có tích hợp nguồn DG nghiên cứu này, tác giả sử dụng mơ hình LSTMRNN xây dựng nhiều hàm kernel nhằm quản lý tốt yếu tố tác động dài hạn, hoạt động song song lưu trữ thông tin thời điểm ngắn hạn dài hạn Hình Hình thể mạng RNN cấu trúc tế bào LSTM mạng RNN Để huấn luyện mạng nơ-ron cho mơ hình dự báo LSTM-RNN với lớp đơn giản, ta cần phải mô tả tham số ngõ lớp mạng nơ-ron ẩn ht ⊂ Rn Đó vectơ n-chiều đồng thời trạng thái ngăn nhớ ct Thông thường, giá trị ban đầu tham số chọn mức không (ht =0 ct =0) Ba hàm sigmoid khối LSTM-RNN có phạm vi ngõ từ đến 1, nhằm định tín hiệu lựa chọn đến ngõ Quá trình lặp lại cho bước Tất trọng số độ lệch huấn luyện với hàm mục tiêu giảm thiểu độ lệch ngõ khối LSTM mẫu huấn luyện thực tế Xử lý cách tuần tự, thông tin bước thời gian lưu trữ trì để tham khảo ngõ mơ hình LSTM-RNN bước thời gian Mơ hình dự báo ANN Cấu trúc mơ hình ANN, cịn gọi mạng nơ-ron có kết nối đầy đủ, thể Hình 5, bao gồm: i) lớp liệu đầu vào có kích thước phù hợp đến liệu phụ tải điện, ii) hai lớp ẩn với 100 điểm nơ-ron cho lớp, iii) lớp liệu đầu có kích thước tương ứng với lớp 811 liệu đầu vào Theo cấu trúc mô hình ANN, vector ngõ kết đạt dựa mơ hình đầu vào (input patterns) với giá trị mục tiêu (targeted values) mơ hình mạng Một cách tổng qt, trọng số mạng wi j liên kết cặp nút mạng cập nhật theo sai khác giá trị ngõ tạo với giá trị ngõ mục tiêu, nhằm mục đích làm giảm sai số kết ngõ Sai số ngõ tính theo số sai số tuyệt đối trung bình (MAE-Mean Absolute Error), phương trình (8): MAE (yt , yt ) = N ∑ |yt − yt | N t=1 (8) Trong đó, yt giá trị thực tế thời gian t, yt giá trị dự báo thời gian t, N tổng số điểm lấy mẫu tính tốn số MAE Các lỗi lớp đầu truyền ngược lại qua tất lớp ẩn đến lớp đầu vào cách lấy đạo hàm trọng số dựa trạng thái nơ-ron chúng hàm tổn thất, Iason-Ioannis C., A Elvers, M.T.Hagan, J.P.S Catalão et al (1994, 2011, 2018-2019) 19–22 Hàm kích hoạt (activation function) sử dụng sau lớp hàm ReLU (Rectifier Linear Unit) dành cho lớp ẩn hàm PL (Pure Linear) dành cho lớp ngõ ra, cho biết phương trình (9) (10) R (z′ ) = max(0, z′ ) (9) P (z) = z (10) Trong đó, z liệu ngõ vào có trọng số lớp ngõ ra; P(z) hàm transfer PL lớp ngõ ra; z’ Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 3: Mạng RNN mơ hình tương đương Hình 4: Cấu trúc tế bào LSTM mạng RNN liệu ngõ vào có trọng số lớp ẩn; R(z’) hàm truyền ReLU lớp ẩn mạng nơron Ở lớp mạng, đáp ứng nơron nhân tạo thực hàm kích hoạt tổng trọng số (weights) độ sai lệch (bias) Xem xét hai lớp mạng liên tục [k – 1, k], đáp ứng ngõ nơron tính tốn (11) ( ) y j = g j ∑ni=1 wi j ui + b j , i ∈ [0, m] ; j ∈ [0, n] (11) Trong đó, m số lượng nơron nhân tạo lớp thứ (k-1); n số lượng nơron nhân tạo lớp thứ (k); y j ngõ nơron thứ (j)từ hàm kích hoạt; wi j trọng số cho liên kết nơ ron thứ (i) lớp thứ (k-1) nơron thứ (j) lớp thứ (k); b j độ sai lệch nơron thứ (j) lớp thứ (k); gi ui giá trị hàm kích hoạt ReLU PL Căn vào véctơ liệu đầu vào, sai số ngõ mơ hình ANN, E[t], giai đoạn huấn luyện vòng lặp t tính bởi: E [t] = N(L) ∑ (Od (g) − Oa (g) [t])2 g=1 (12) Trong đó, Od (g) giá trị ngõ mong muốn (the desired output value); Oa (g) giá trị ngõ từ mơ hình ANN (the resulting output value) vịng lặp t 812 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 5: Cấu trúc mơ hình ANN tính từ phương trình (11); g = 1, , N(L) miêu tả số lượng nút ngõ Khi E[t] khơng, mơ hình ANN tạo giá trị ngõ xác với giá trị mong đợi Hơn nữa, E[t] hiểu hàm trọng số độ sai lệch, ký hiệu E(w,b)[t] Để tối thiểu hóa sai số, giảm gra-đi-ăng (gradient descent) sử dụng giải thuật truyền ngược (backpropagation algorithm) Một vòng lặp giảm gra-đi-ăng cập nhật thông số wi j b j sau: ∂ E (w, b) [t] ∂ wi j [t] ∂ E (w, b) [t] b j [t + 1] = b j [t] − η ∂ b j [t] wi j [t + 1] = wi j [t] − η (13) (14) Trong đó, η tỷ lệ học (learning rate) mơ hình ANN Phương pháp xác định ngưỡng dao động điện áp dựa ngưỡng dao động phụ tải Sau ngưỡng dao động giá trị dòng điện phụ tải tuyến dây xác định, chúng 813 sử dụng để tính tốn ngưỡng dao động điện áp nút LĐPP phương pháp phân tích trào lưu cơng suất dựa việc bơm dịng điện vào nút (current injection based power flow analysis), ALSTOM Grid Inc., J.H Teng, T.-H Chen et al (1991, 1994, 2003, 2014) 23–26 Tiếp đó, ngưỡng dao động điện áp nút sử dụng để phân tích dịng điện ngắn mạch quan sát TBBV LĐPP có tích hợp nguồn DG Phương pháp phân tích dịng cơng suất dựa hai ma trận gồm: i) ma trận dòng điện nhánh (BCbranch currents matrix); ii) ma trận điện áp nút (BV-bus voltages matrix) Xem xét bus i LĐPP, công suất đẩy vào bus i sau: Si = (Pi + jQi ) ) ( ) ( = PG,i − PL,i + j QG,i − QL,i , i = N (15) Trong đó, PG,i and QG,i cơng suất tác dụng công suất phản kháng nguồn phát nút PL,i QL,i công suất tác dụng công suất phản kháng tải nút i Một LĐPP giả định có N nút Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Dịng điện tương đương bơm vào nút i vòng lặp thứ k phương pháp phân tích dịng cơng suất tính công thức (16): ( ) ( k) Pi + jQi imag ( k ) k real Ii = Ii Vi + jIi Vi = (16) Vik áp nút danh định LĐPP; PDG_d QDG_d công suất tác dụng phản kháng nguồn DG thứ d; Vi điện áp nút i LĐPP Phương trình (17) viết dạng tổng quan phương trình (18) bên dưới: [BC] = [C] [I] Trong đó, Vik Iik điện áp nút dòng điện tương đương bơm vào nút i vòng lặp thứ imag k Iireal Ii thành phần thực thành phần ảo dòng điện tương đương bơm vào nút i, hàm theo điện áp Vik Xem xét LĐPP đơn giản có tích hợp nguồn DG Hình Việc bơm cơng suất vào nút chuyển thành việc bơm dịng điện tương đương vào nút thông qua công thức (16) Mối quan hệ ma trận dòng điện nhánh [BC] ma trận điện áp nút [BV ] thu từ định luật Kirchhoff Ma trận dòng điện nhánh [BC] xây dựng dựa dòng điện tương đương bơm vào nút, cho biết phương trình (17) I1 1 1 B1 B 0 1 1 I 2 2 (17) B3 = 0 1 0 = I3 B4 0 0 0 I4 I5 0 0 B5 Trong đó, B5 = I6 B4 = I5 ; B3 = I4 + B4 = I4 + I5 B2 = I3 + B3 + B5 = I3 + I4 + I5 + I6 B1 = I2 + I3 + I4 + I5 + I6 I = I load6 − IDG2 I5 = Iload5 − IDG1 ; I4 = Iload4 I = I load3 I2 = Iload2 { } Pload_l_max Iload_1 ∈ Pload_l_min ; l = Nload Vnom ; Vnom ( ) PDG_d + jQDG_d ∗ IDG_d = ; d = NG Vi B1 , B2 , B3 , B4 , B5 dòng điện nhánh LĐPP; I2 , I3 , I4 , I5 , I6 dòng điện tương đương bơm vào nút; Iload_i dòng điện tải thứ l nút LĐPP, l = Nload ; Nload tổng số tải lưới điện; IDG_d dòng điện nguồn DG thứ d bơm vào nút LĐPP, d = NDG ; NDG tổng số nguồn DG tích hợp lưới điện Pload_l_min Pload_l_max biên độ dao động tin cậy phụ tải xác định từ việc dự báo phụ tải trình bày Phần Xác định ngưỡng dao động tin cậy phụ tải LĐPP có tích hợp nguồn DG; Vnom giá trị điện (18) Trong đó, [C] ma trận tam giác (an upper triangular matrix) với giá trị số Mối quan hệ ma trận dòng điện nhánh [BC] ma trận điện áp nút [BV ] hiển thị phương trình (19): B1 V1 V2 Z12 0 0 V V Z 0 12 Z23 B2 0 B3 V1 − V4 = Z12 Z23 Z34 V1 V5 Z12 Z23 Z34 Z45 B4 Z12 Z23 0 Z36 B5 V1 V6 Trong đó, V2 = V1 − B1 Z12 V3 = V2 − B2 Z23 V4 = V3 − B3 Z34 ; V j = Vi − Bi Zi j B1 Z12 = V1 −V2 B Z + B1 Z12 = V1 −V3 23 B1 Z12 + B2 Z23 + B3 Z34 = V1 −V4 Bi Zi j = Vi −V j Vi điện áp nút i; V j điện áp nút j; Zi j tổng trở đường dây nút i nút j Phương trình (19) viết dạng tổng quan phương trình (20) bên dưới: [△V ] = [Z] [BC] (20) Trong đó, [△V ] (hoặc gọi [BV ]) ma trận độ sụt giảm điện áp từ nút i đến nút j LĐPP; [Z] ma trận tổng trở tam giác (an lower triangular matrix) Kết luận lại, dựa vào mơ hình dự báo phụ tải điện phương pháp xác định LPCI phân tích phần Xác định ngưỡng dao động tin cậy phụ tải LĐPP có tích hợp nguồn DG, khoảng tin cậy phụ tải điện thứ l, [Pload_l_min , Pload_l_max ], xác định; từ đó, khoảng tin cậy dịng điện phụ tải thứ l, [lload_l_min , lload_l_max ] xác định tương ứng Tiếp theo, khoảng giá trị tin cậy dòng điện tương đương bơm vào nút thứ i, [Ii_min , Ii_max ] xác định nhanh chóng Sau đó, ma trận dịng điện nhánh [BCmin ] [BCmax ], chi tiết [BCmin ] = [B1_min B2_min Bi_min ]T 814 (19) Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Hình 6: Sơ đồ LĐPP đơn giản có tích hợp nguồn DG [BCmax ] = [B1_max B2_max Bi_max ]T , tính tốn dựa vào phương trình (18) Cuối cùng, ma trận điện áp nút [△Vmin ] [△Vmax ] xác định nhờ vào phương trình (20) Vì vậy, khoảng giá trị tin cậy điện áp nút thứ i LĐPP, Vi_min ,Vi_max , tính tốn hiệu thích hợp nghiên cứu này, cụ thể, [V1 ] − [Bi_min ] = [Vi_max ] [V1 ] − [Bi_max ] = [Vi_min ] Lưu ý rằng, V1 giá trị điện áp danh định nút (slack bus) lưới điện phân phối Giải thuật tính tốn ma trận [C] [Z] Giải thuật xây dựng ma trận [C] phương trình (18) phát triển sau: • Bước 1: Đối với LĐPP có m nhánh n nút, kích thước ma trận [C] m × (n − 1); tức m hàng n - cột • Bước 2: Nếu nhánh (hoặc phân đoạn), Bk , nút i nút j, chép cột nút thứ i ma trận [C] đến cột nút thứ j điền +1 đến vị trí hàng k cột j Chú ý, ma trận [C] không xem xét nút số (slack bus) lưới • Bước 3: Lặp lại bước tất nhánh bao gồm ma trận [C] Tiếp theo, giải thuật xây dựng ma trận [Z] phương trình (20) phát triển sau: • Bước 1: Đối với LĐPP có m nhánh n nút, kích thước ma trận [Z] (n − 1) × m; tức (n − 1) hàng m cột • Bước 2: Nếu nhánh (hoặc phân đoạn), Bk , nút i nút j, chép hàng nút thứ i ma trận [Z] đến hàng nút thứ j điền tổng trở đường dây Zi j đến vị trí hàng j cột k Chú ý, ma trận [Z] không xem xét nút số (slack bus) lưới điện phân phối 815 • Bước 3: Lặp lại bước tất nhánh bao gồm ma trận tổng trở [Z] Việc tính tốn ma trận [C] [Z] mở rộng đến phân đoạn gồm nhiều pha Chẳng hạn, phân đoạn từ nút i đến nút j phân đoạn pha a, b c, dịng điện nhánh Bi véctơ ]T [ x 1, Bi = Bi,a Bi,b Bi,c , cộng (+1) ma trận [C] ma trận đơn vị x Tương tự, phân đoạn từ nút i đến nút j phân đoạn pha a, b c, Zi j ma trận [Z] ma trận tổng trở x 3, cho biết phương trình (21) tham khảo Hình Zaa Z ba [Z]abcn = Zca Zna Zab Zbb Zcb Znb Áp dụng phương pháp thành: Zaa−n [Z]abc = Zba−n Zca−n Zac Zbc Zcc Znc Zan Zbn Zcn Znn (21a) Kron 27 , phương trình (21a) Zab−n Zbb−n Zcb−n Zac−n Zbc−n Zcc−n (21b) Từ Hình 7, mối quan hệ điện áp nút dòng điện nhánh cho biết phương trình (21c) Zaa−n Zab−n Zac−n IAa VA Va Zba−n Zbb−n Zbc−n IBb = VB − Vb (21c) Zca−n Zcb−n Zcc−n ICc VC Vc Phương pháp giải tốn dịng cơng suất Kết hợp phương trình (18) (20), ma trận [△V ] viết lại sau: [△V ] = [Z] [C] [I] = [PF] [I] (22) Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 9: Mơ hình quy đổi tương đương nguồn IBDG theo thành phần a) thứ tự thuận, b) nghịch c) không tác giả thể công thức xác định kri cố xảy LĐPP cố ba pha Theo đó, nội dung xem xét đến thành phần thứ tự thuận kri = Inm_DGi_T BBV r Inm DGi (37) Trong đó, Inm_DGi_T BBV r giá trị dòng điện ngắn mạch nguồn DG thứ ‘i’ tác động đến TBBV thứ ‘r’; giá trị dòng điện ngắn mạch thay đổi dựa vào giá trị tổng trở tương đương Thevenin tính tốn từ vị trí đặt nguồn DG thứ ‘i’ đến vị trí TBBV thứ ‘r’ Giá trị điện áp nút nguồn DG tính tốn theo phương pháp nêu Mục Phương pháp xác định ngưỡng dao động điện áp dựa ngưỡng dao động phụ tải Theo Hình 10, tổng trở nguồn DG i (ZDGi ), tổng trở hệ thống (Zht ) biết trước, hệ số kri xác định thơng qua phương trình (38), theo tác giả Duong B.M (2017) : I kri = nm_DGi_T BBV r ( Inm DGi ) Zht ZDGi + Zht = ∗ Inm_T BBV r Inm DGi (38) Trong đó, Inm_DGi_T BBV r xem thành phần tổng dòng điện ngắn mạch Inm_T BBV r nhìn thấy TBBV thứ ‘r’ LĐPP Hình 10 Thành phần cịn lại dòng điện ngắn mạch Inm_luoi cung cấp từ nguồn lưới Hệ số kri hệ số ảnh hưởng dòng điện ngắn mạch Inm_DGi nguồn DG thứ i tác động vào TBBV thứ r cố xảy Do đó, kri dùng để đánh giá mức độ ảnh hưởng dòng điện ngắn mạch nguồn DG đến TBBV LĐPP có tích hợp nguồn DG Tác giả nhận thấy giá trị kri nằm khoảng [0,1] Khi kri xấp xỉ tác giả quan sát thấy vị trí nguồn điện DG thứ i gần với vị trí đặt TBBV thứ r chí, nguồn DG i TBBV r liên kết với nút LĐPP Khi kri nhỏ 1, vị trí nguồn DG thứ i nằm xa TBBV thứ r hiểu ảnh hưởng dòng điện ngắn mạch nguồn DG i tác động đến TBBV r khơng nhiều Ngồi ra, cần lưu ý rằng, dòng điện ngắn mạch nguồn IBDG không thay đổi theo khoảng cách (nghĩa nguồn IBDG hoạt động nguồn dòng cố xảy LĐPP) Chính vậy, phương pháp xác định hệ số ảnh hưởng kri dịng điện ngắn mạch khơng áp dụng cho nguồn IBDG Nói cách khác, hệ số kri nguồn IBDG giá trị số định Tóm lại, để mơ tả ảnh hưởng n nguồn DG đến m TBBV LĐPP cố xảy ra, tác giả sử dụng ma trận hệ số ảnh hưởng dòng điện ngắn mạch, [K], biểu diễn sau (theo tác giả Duong B.M (2017) ): k11 k1i k1n (39) [K] = kr1 kri krn km1 kmi kmn Trong đó, cố dạng bất đối xứng việc xác định hệ số kri ma trận [K] áp dụng theo cách thức tiếp cận tương tự Phương pháp xác định tổng dòng điện ngắn mạch quan sát thiết bị bảo vệ Giá trị dòng điện ngắn mạch đóng góp n nguồn DG biểu diễn véc-tơ Inm_DG với kích thước [1 x n], tức cột n hàng, phương trình (40), theo cơng trình nghiên cứu tác giả Duong B.M (2017) : Inm_DG1 [Inm_DG ] = Inm_DGi (40) Inm_DGn 820 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 10: Dịng điện ngắn mạch tác động đến TBBV thứ ‘r’ từ nguồn DG thứ ‘i’ LĐPP Từ hai phương trình (39) (40), dịng điện ngắn mạch từ nguồn lưới mạch đóng góp “n” nguồn DG mà “m” TBBV quan sát biểu diễn theo phương trình (41) : k 11 I kr1 nm ∑ni=1 DGi_T BBV r = km1 Inm ∑n DGi_T BBV m i=1 Inm ∑n i=1 DGi_T BBV k1i kri kmi k1n Inm_DG1 krn Inm_DGi kmn Inm_DGn (41) = Inm ∑n DG1_T BBV r + i=1 +Inm ∑n DGn_T BBV r i=1 Inm_DG1 = [kr1 kri krn ] Inm_DGi Inm_DGn Inm ∑n i=1 DGi_T BBV r Trong đó, tổng giá trị dịng điện ngắn mạch ghi nhận TBBV thứ ‘r’ tính tốn phương trình (42) Ngồi ra, cần lưu ý rằng, phương trình (42) chưa xem xét đến tham gia dịng điện ngắn 821 (42) Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Như vậy, phương trình (32) viết lại sau : Inm_T BBV (43) Inm_T BBVi Inm_T BBV m = [Inm_luoi ] + ∑m ∑ni=1 (kri ∗ Inm_DGi ∗ T TV H_DGi) r=1 Inm_luoi_T BBV k11 k1i k1n = Inm_luoi_T BBVi + kr1 kri krn × k kmi kmn Inm_luoi_T BBV m m1 Inm_DG1 ∗ T TV H_DG1 Inm_DGi ∗ T TV H_DGi Inm_DGn ∗ T TV H_DGn Nhờ hỗ trợ hệ thống truyền dẫn thơng tin tích hợp vào hệ thống RTMS, giá trị dịng điện ngắn mạch đóng góp nguồn IBDG, RBDG nguồn lưới giám sát cập nhật liên tục Cụ thể, ma trận hệ số ảnh hưởng [K], ma trận dòng điện ngắn mạch [Inm_DG ] nguồn DG dòng điện ngắn mạch [Inm_luoi ] cập nhật liên tục Do đó, tổng giá trị dịng điện ngắn mạch quan sát TBBV xác định nhanh chóng, tương ứng với đặc tính vận hành P2P P&P LĐPP có tích hợp nguồn DG Từ đó, trị số chỉnh định TBBV điều phối cách thích hợp Trong trường hợp lỗi kết nối truyền thông xảy ra, giá trị chỉnh định gần TBBV giữ cố định lỗi kết nối truyền thơng khắc phục Bên cạnh đó, chức bảo vệ dự phịng kích hoạt hoạt động sau thời gian trễ định trước để phát cô lập cố kịp thời khoảng thời gian kết nối truyền thơng Hình 12 trình bày phương pháp tính tốn dịng điện ngắn mạch nhanh tự động (gọi tắt phương pháp AFSCC-Automatical and Fast ShortCircuit Calculation) dành cho hệ thống bảo vệ LĐPP có tích hợp nguồn điện DG, gồm năm bước sau: • Bước 1: Nhập thơng số nguồn lưới nguồn DG, bao gồm khoảng giá trị tin cậy điện áp nút lưới điện nguồn DG, cơng suất lắp đặt nguồn lưới nguồn DG, thông số máy biến áp phân phối đường dây LĐPP, tham khảo cụ thể Hình 11 • Bước 2: Tính toán ma trận tổng trở theo thành phần thứ tự tương ứng với cấu trúc vận hành LĐPP tích hợp nguồn DG, Bước 2.1 Sau đó, hệ số ảnh hưởng kri dịng điện ngắn mạch thứ tự thuận/nghịch/không sinh nguồn DG lưới điện tác động đến TBBV LĐPP tính tốn Bước 2.2 • Bước 3: Ở Bước 3.1, giá trị dòng điện ngắn mạch nguồn lưới, [Inm_luoi ], bao gồm dòng điện ngắn mạch theo thành phần thứ tự, điểm chung (PCC-point of common coupling) dễ dàng tính tốn thơng số có liên quan nhập đầy đủ Bước Sau đó, véc-tơ dòng điện ngắn mạch, [Inm_DG ], bao gồm dòng điện ngắn mạch theo thành phần thứ tự có, nguồn DG xây dựng Bước 3.2 • Bước 4: Tổng giá trị dịng điện ngắn mạch nhìn thấy TBBV LĐPP có tích hợp DG tính phương trình (43) • Bước 5: Ở Bước 5.1, dựa vào hệ thống RTMS, trạng thái hoạt động nguồn DG cấu trúc LĐPP bị thay đổi trình vận hành, ma trận tổng trở tương đương theo thành phần thứ tự Bước cập nhật Ngược lại, khơng có thay đổi đến cấu trúc LĐPP, ma trận [K] gần tiếp tục trì thể Bước 5.2 KẾT QUẢ MÔ PHỎNG VÀ THẢO LUẬN VỀ PHƯƠNG PHÁP PHÂN TÍCH NGẮN MẠCH ĐỀ XUẤT Trong mục này, tác giả thực mô phương pháp xác định LPCI kết hợp với phương pháp tính phân bố dịng cơng suất phương pháp phân tích ngắn mạch cải tiến (AFSCC) để xác định nhanh chóng hiệu giá trị dịng điện ngắn mạch quan sát TBBV LĐPP có tích hợp nguồn DG Bên cạnh đó, kết dự báo ngưỡng dao động tin cậy dòng điện phụ tải, điện áp nút dòng điện ngắn mạch vị trí có TBBV tác giả tính tốn cơng cụ xác định LPCI phát triển phần mềm E-terra Distribution Bài báo sử dụng nguồn liệu thực tế LĐPP Củ Chi, Tp Hồ Chí Minh để chứng minh tính khả thi áp dụng Để đơn giản hóa trình phân tích ngắn mạch, dịng điện ngắn mạch nguồn IBDG giới hạn không p.u khơng phụ thuộc vào vị trí lắp đặt LĐPP 822 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 11: Các thơng số LĐPP có tích hợp nguồn DG sử dụng cho phương pháp AFSCC Hình 12: Giải thuật AFSCC dành cho LĐPP chứa nguồn DG 823 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Kết dự báo ngưỡng dao động tin cậy phụ tải Để đánh giá hiệu phương pháp xác định LPCI đề xuất, tác giả thử nghiệm tính ngưỡng dao động tin cậy phụ tải đầu nguồn trạm 110/22kV LĐPP Củ Chi, thể Hình 13 Theo đó, liệu phụ tải khứ thu thập đánh giá với 13 mức độ tin cậy khác để xác định mức độ tin cậy phù hợp trước đưa vào mơ hình dự báo SVM, LSTM-RNN ANN Kết sai số MAPE ứng với mức độ tin cậy liệu phụ tải thể Bảng Bảng Qua đó, kết tính tốn cho thấy độ tin cậy liệu phụ tải tương ứng với mơ hình SVM, LSTM-RNN ANN 97%, 90% 93% Tương tự, kết phương pháp xác định LPCI đề xuất loại bỏ liệu gây nhiễu (hoặc liệu bất thường) liệu gốc để cải thiện độ tin cậy kết dự báo phụ tải so với không sử dụng lọc liệu Trong Bảng 3, phương pháp xác định LPCI đề xuất cho kết MAPE vượt trội so với không sử dụng lọc sau thực dự báo ba mơ hình SVM, LSTM-RNN ANN (với mơ hình SVM 8,685%, mơ hình LSTM-RNN 8,28% mơ hình ANN 12,82%) Hình 13 thể liệu phụ tải thu thập thực tế LĐPP Củ Chi, Tp Hồ Chí Minh thơng qua hệ thống RTMS với liệu dự báo xuất từ phương pháp xác định LPCI từ thứ Hai đến thứ Bảy Cụ thể, Hình 13a, Hình 13b Hình 13c hiển thị đồ thị phụ tải liệu thực tế so sánh với liệu dự báo theo mơ hình SVM, LSTM-RNN ANN Các mơ hình SVM, LSTMRNN ANN huấn luyện với liệu phụ tải thu thập khoảng thời gian 18 tháng (từ 01/03/2018 đến 31/06/2019) để dự báo cho hai tháng (tháng 07/2019 tháng 08/2019) Quan sát Hình 13a, Hình 13 b Hình 13c, thấy rằng, đồ thị phụ tải dự báo từ mơ hình LSTM-RNN bám sát với đồ thị phụ tải thực tế so với hai mơ hình SVM ANN Như vậy, với mức độ tin cậy liệu 90%, kết dự báo sử dụng mơ hình LSTMRNN tốt so với mơ hình SVM ANN Cụ thể, giá trị MAPE (%) từ mô hình LSTM-RNN 8,28%, nhỏ so sánh với MAPE (%) hai mơ hình SVM ANN 8,685% 12,82% Điều cho thấy liệu gốc có dạng trực quan phân phối chuẩn kết dự báo phụ tải ngày thường dựa vào mơ hình LSTM-RNN tốt so với hai mơ hình dự báo SVM ANN áp dụng phương pháp xác định LPCI đề xuất Tương tự, Hình 14 Hình 15 thể kết dự báo theo ba mơ hình SVM, LSTM-RNN ANN; Trong đó, Hình 14 thể liệu phụ tải dự báo từ Thứ Bảy đến Chủ Nhật Hình 15 thể liệu phụ tải dự báo từ Chủ Nhật đến Thứ Hai Với độ tin cậy liệu 92%, số liệu dự báo phụ tải cho ngày cuối tuần mơ hình LSTM-RNN bám sát với thực tế so với mơ hình SVM Kết xác định ngưỡng dao động điện áp phân tích dịng điện ngắn mạch LĐPP 22kV có tích hợp DG Một LĐPP 22kV có tích hợp nguồn DG sử dụng để mơ chứng minh tính hiệu phương pháp xác định LPCI phương pháp AFSCC đề xuất áp dụng vào việc phân tích ngắn mạch Quan sát Hình 16, máy cắt, recloser thiết bị đóng/cắt có tải (LBS) có khả cung cấp thơng tin liệu phụ tải phân đoạn tuyến dây để làm sở cho việc phân tích trào lưu cơng suất, trình bày Mục Phương pháp giải tốn dịng cơng suất Sau sử dụng mơ hình dự báo SVM, LSTM-RNN ANN để xác định ngưỡng dao động phụ tải; tiếp theo, khoảng giá trị tin cậy dòng điện phụ tải [Iload_l_min , Iload_l_max ] tuyến dây Hình 16 xác định (lưu ý, l=1…5, tức có phụ tải toàn tuyến dây) Ngưỡng dao động tin cậy điện áp nút, [Vi_min ,Vi_max ], i=1…4, tức từ Nút 01 đến Nút 04, khoảng tin cậy dòng điện ngắn mạch [Inm_T BBVi_min , Inm_T BBVi_max ], với i=1…4, quan sát TBBV lưới tương ứng với dạng cố tính tốn phương pháp phân bố dịng cơng suất LU phương pháp phân tích ngắn mạch cải tiến (gọi AFSCC cho biết Mục Phương pháp xác định tổng dòng điện ngắn mạch quan sát thiết bị bảo vệ) Kết tính tốn ngưỡng dao động tin cậy [Iload_l_min , Iload_l_max ] [Vi_min ,Vi_max ] thể Bảng Bảng Hơn nữa, việc tính tốn khoảng giá trị ngắn mạch [Inm_T BBVi_min , Inm_T BBVi_max ] tuyến dây thực hai chế độ: i) nguồn DG hoạt động hòa lưới ii) nguồn DG hoạt động tách lưới, trình bày Bảng Bảng Số liệu Bảng cho biết khoảng giá trị dòng điện phụ tải tuyến dây ứng với ba mơ hình dự báo SVM, LSTM-RNN ANN mức độ tin cậy (CI-confidence index) tốt Có thể thấy rằng, liệu khứ tuyến dây này, sau ứng dụng phương pháp xác định LPCI, mơ hình SVM cho kết tốt Thật vậy, sai số MAPE (%) ba mơ hình gần nhau, mơ hình SVM lọc khoảng 3% liệu; đó, số lượng 824 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Bảng 1: Kết MAPE (%) liệu phụ tải tương ứng với 13 mức độ tin cậy khác Mơ hình/Mức độ tin cậy 90% 91% 92% 93% 94% 95% 96% SVM 9,129 9,138 9,043 8,994 8,991 8,838 8,724 LSTM-RNN 8,280 8,351 8,357 8,524 8,436 8,365 8,331 ANN 17,528 16,839 15,947 12,820 14,382 14,488 13,635 Bảng 2: Kết MAPE (%) liệu phụ tải tương ứng với 13 mức độ tin cậy khác (tiếp theo) Mơ hình/Mức độ tin cậy 97% 98% 99% 99,73% 99,99366% 99,99932% SVM 8,685 8,712 8,929 8,942 8,854 8,703 LSTM-RNN 8,454 8,420 8,495 8,460 8,706 8,668 ANN 22,309 19,635 16,543 13,712 21,971 14,855 Bảng 3: Kết MAPE (%) ba mơ hình dự báo SVM, LSTM-RNN ANN có lọc khơng có lọc Mơ hình dự báo tương ứng với mức độ tin cậy tốt Không dùng lọc Phương pháp xác định LPCI đề xuất với mức độ tin cậy tốt SVM (97%) 9,215 8,685 LSTM-RNN (90%) 8,798 8,280 ANN (93%) 17,111 12,820 Bảng 4: Kết dự báo dòng điện phụ tải tối thiểu tối đa tồn tuyến dây theo 03 mơ hình SVM, LSTM-RNN ANN Khoảng giá trị tin cậy dòng điện phụ tải Mơ hình dự báo liệu dịng điện phụ tải SVM (chỉ số tin cậy CI = 97%) LSTM-RNN (chỉ số tin cậy CI = 90%) ANN (chỉ số tin cậy CI = 93%) Iload_l_min (A) 100,242 107,809 107,934 Iload_l_max (A) 46,363 45,967 40,664 Bảng 5: Kết tính toán ngưỡng dao động điện áp nút LĐPP 22KV có tích hợp DG Nút Điện áp lớn nhất, Vi_max (kV ), tương ứng với Iload_l_min Điện áp nhỏ nhất, Vi_min (kV ), tương ứng với Iload_l_max Mơ hình dự báo Mơ hình dự báo SVM LSTM ANN SVM LSTM ANN 01 21,732 21,729 21,742 21,590 21,574 21,574 02 21,781 21,780 21,798 21,581 21,561 21,561 03 21,840 21,838 21,868 21,519 21,481 21,481 04 21,856 21,857 21,886 21,526 21,487 21,487 825 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 13: Kết dự báo phụ tải từ Thứ Hai đến Thứ Bảy từ a) mơ hình SVM; b) mơ hình LSTM-RNN; c) mơ hình ANN 826 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Hình 14: Kết dự báo phụ tải từ Thứ Bảy đến Chủ Nhật dựa a) mô hình SVM; b) mơ hình LSTM-RNN c) mơ hình ANN 827 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 15: Kết dự báo phụ tải từ Chủ Nhật đến Thứ Hai dựa a) mơ hình SVM; b) mơ hình LSTM-RNN c) mơ hình ANN 828 Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Cơng nghệ, 4(2):806-834 Hình 16: Một LĐPP 22kV có lắp đặt nguồn DG cuối phát tuyến thiết bị đóng cắt có tích hợp TBBV liệu cần lọc kết MAPE tốt hai mơ hình LSTM-RNN ANN 10% 7% Theo đó, kết ngưỡng dao động tin cậy phụ tải xác định mơ hình SVM sử dụng để xác định ngưỡng dao động tin cậy điện áp nút LĐPP có tích hợp DG, cho biết Bảng Tiếp theo, thông qua việc áp dụng phương pháp phân tích ngắn mạch cải tiến (còn gọi AFSCC), ngưỡng dao động dòng điện ngắn mạch [Inm_T BBVi_min , Inm_T BBVi_max ] quan sát TBBV LĐPP thể Bảng Bảng Bên cạnh đó, Bảng Bảng cho biết ảnh hưởng dòng điện ngắn mạch đóng góp nguồn lưới nguồn RBDG chế độ hoạt động tách lưới hòa lưới dựa ma trận hệ số [K] Xét cố xảy vị trí F1, quan sát Bảng Bảng 8, khoảng giá trị dòng điện ngắn mạch tham gia vào cố nguồn lưới đóng góp giảm nguồn DG hoạt động hòa vào lưới điện phân phối Cụ thể, ngưỡng dao động dòng điện ngắn mạch DG hoạt động nối lưới [12,29 ; 12,37], thấp so với ngưỡng dao động dòng điện ngắn mạch DG hoạt động tách lưới [12,94 ; 13,03] Mặt khác, khoảng giá trị tin cậy dòng điện ngắn mạch từ nguồn DG tham gia vào cố F1 quan sát CB1, CB2, REC1, REC2 REC3 xác định thông qua phương pháp AFSCC Theo đó, giá trị dịng điện ngắn mạch sử dụng để điều phối cho TBBV LĐPP nhằm đảm bảo tính phối hợp độ tin cậy hệ thống bảo vệ Trong 829 Bảng Bảng 9, thấy rằng, hệ số ảnh hưởng kri nằm khoảng [0,1] Khi kri tiệm cận giá trị 0, TBBV gần không bị ảnh hưởng dòng điện ngắn mạch xuất LĐPP Trong đó, kri tiệm cận giá trị mang ý nghĩa TBBV nằm gần vị trí xảy cố Theo kết mô phỏng, cố xảy vị trí F1, hệ số ảnh hưởng kDG_CB2 cho thấy vị trí cố nằm xa CB2, hệ số ảnh hưởng kDG_CB1 thể cố nằm gần CB1 Nhìn chung, phương pháp phân tích ngắn mạch cải tiến (AFSCC) kết hợp thành công với phương pháp xác định LPCI để tính tốn nhanh chóng, tự động xác khoảng giá trị tin cậy dịng điện ngắn mạch LĐPP có tích hợp nguồn DG Mặt khác, ma trận hệ số ảnh hưởng [K] thành lập để lưu trữ vào hệ thống RTMS nhằm làm nguồn liệu phục vụ cho việc phân tích ngắn mạch online trạng thái hoạt động nguồn DG cấu trúc LĐPP bị thay đổi Khơng thế, kết phân tích ngắn mạch phương pháp AFSCC làm sở cho việc điều phối TBBV LĐPP có tích hợp nguồn DG KẾT LUẬN Nghiên cứu đề xuất phương pháp xác định LPCI để loại bỏ liệu gây nhiễu xác định ngưỡng dao động tin cậy phụ tải tuyến dây LĐPP có tích hợp nguồn DG Qua đó, ngưỡng dao động điện áp nút dòng điện ngắn mạch quan sát TBBV LĐPP Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Bảng 6: Kết tính tốn ngắn mạch LĐPP 22KV nguồn DG hoạt động tách lưới (LBS1 trạng thái mở) Khoảng tin cậy dịng điện ngắn mạch tính tốn (kA) tham gia nguồn lưới theo phương pháp AFSCC cho nút từ 01 đến 04 Nút Dạng ba pha chạm đất Dạng hai pha chạm đất Dạng hai pha chạm Dạng pha chạm đất 01 [12,94 13,03] [12,93 13,01] [11,33 11,4] [12,92 13,01] 02 [7,18 7,25] [7,17 7,24] [6,26 6,32] [7,17 7,24] 03 [4,98 5,05] [4,97 5,04] [4,33 4,4] [4,97 5,04] 04 [2,77 2,82] [2,77 2,81] [2,41 2,44] [2,77 2,81] Bảng 7: Hệ số ảnh hưởng dòng điện ngắn mạch nguồn lưới nguồn RBDG đóng góp đến TBBV LĐPP 22KV, nguồn DG hoạt động tách lưới (LBS1 trạng thái mở) TBBV Các vị trí tính tốn ngắn mạch LĐPP khảo sát F1 (Vị trí sát với REC1) F2 (Vị trí sát với REC2) F3 (Vị trí sát với REC3) F4 (Vị trí sát với LBS1) CB1 1,00 0,56 0,39 0,21 REC1 1,00 0,69 0,39 REC2 0 1,00 0,56 REC3 0 1,00 CB2 0 0 Bảng 8: Kết tính tốn ngắn mạch LĐPP 22KV nguồn DG hoạt động nối lưới (LBS1 trạng thái đóng) Khoảng tin cậy dịng điện ngắn mạch tính tốn (kA) tham gia nguồn lưới theo phương pháp AFSCC cho nút từ 01 đến 04 Nút Dạng ba pha chạm đất Dạng hai pha chạm đất Dạng hai pha chạm Dạng pha chạm đất 01 [12,29 12,37] [12,28 12,36] [10,76 10,83] [12,28 12,36] 02 [6,82 6,89] [6,81 6,88] [5,95 6,00] [6,81 6,87] 03 [4,73 4,80] [4,72 4,79] [4,11 4,18] [4,72 4,79] 04 [2,63 2,67] [2,63 2,67] [2,29 2,32] [2,63 2,67] Khoảng tin cậy dòng điện ngắn mạch tính tốn (kA) tham gia nguồn RBDG theo phương pháp AFSCC cho nút từ 01 đến 04 Nút Dạng ba pha chạm đất Dạng hai pha chạm đất Dạng hai pha chạm Dạng pha chạm đất 01 [1,74 1,75] [1,73 1,74] [1,51 1,52] [1,73 1,74] 02 [1,93 1,95] [1,92 1,94] [1,68 1,69] [1,92 1,93] 03 [2,19 2,22] [2,18 2,21] [1,90 1,93] [2,17 2,20] 04 [3,31 3,36] [3,30 3,35] [2,89 2,93] [3,29 3,34] 830 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 4(2):806-834 Bảng 9: Hệ số ảnh hưởng dòng điện ngắn mạch nguồn lưới nguồn RBDG đóng góp đến TBBV LĐPP 22KV, nguồn DG hoạt động nối lưới (LBS1 trạng thái đóng) TBBV Các vị trí tính tốn ngắn mạch LĐPP khảo sát F1 (Vị trí sát với REC1) F2 (Vị trí sát với REC2) F3 (Vị trí sát với REC3) F4 (Vị trí sát với LBS1) i) Khi xem xét ảnh hưởng nguồn lưới đến TBBV CB1 1,00 0,56 0,39 0,21 REC1 1,00 0,69 0,38 REC2 0 1,00 0,55 REC3 0 1,00 CB2 0 0 ii) Khi xem xét ảnh hưởng nguồn RBDG đến TBBV CB1 0 0 REC1 1,00 0 REC2 0,88 1,00 0 REC3 0,58 0,66 1,00 CB2 0,29 0,33 0,49 1,00 xác định việc giải toán trào lưu cơng suất phân tích ngắn mạch theo phương pháp cải tiến AFSCC Những kết mô tác giả thu thập từ việc sử dụng công cụ LPCI tự phát triển chương trình E-terra Distribution cho thấy hiệu việc xác định khoảng giá trị tin cậy dòng điện ngắn mạch quan sát TBBV cách nhanh chóng, tự động xác, bên cạnh việc xem xét đầy đủ đặc tính vận hành P2P P&P nguồn DG Kết phân tích ngắn mạch phương pháp AFSCC làm sở cho việc điều phối cài đặt tự động ngưỡng đóng/cắt TBBV lưới điện phân phối có tích hợp nguồn DG DANH MỤC CÁC TỪ VIẾT TẮT AFSCC: Automatical and Fast Short-Circuit Calculation - Phương pháp tính tốn dịng điện ngắn mạch nhanh tự động; ANN: Artificial Neural Network – Mạng nơ-ron nhân tạo; CI: Confidence index DG: Nguồn điện phân tán – Distributed Generator; FCL: Bộ hạn chế dòng điện – Fault Current Limiter; IBDG: Nguồn điện phân tán có inverter – Inverter Based Distributed Generator; LBS: Load Break Switch – Thiết bị đóng cắt có tải; LĐPP: Lưới điện phân phối; 831 LPCI: Load Power Confidence Interval – Độ tin cậy ngưỡng dao động phụ tải; LSTM-RNN: Long Short Term Memory – Recurrent Neural Network – Một dạng mơ hình mạng nơ-ron hồi quy có khả ghi nhớ; LVRT: Chế độ vượt qua điện áp thấp – Low Voltage Ride Through; MAPE: Mean Absolute Percentage Error – Phần trăm sai số trung bình tuyệt đối MG: Microgrid – Lưới điện quy mơ nhỏ; P&P: Plug and Play – Đặc tính vận hành thể vị trí lắp đặt nguồn phát phân tán lưới điện phân phối; P2P: Peer to Peer – Đặc tính vận hành thể chế kết nối của nguồn phát phân tán với lưới điện phân phối; PDF: Probability Density Function – Hàm mật độ xác suất; RBDG: Nguồn điện phân tán chứa thành phần quay – Rotating Based Distributed Generator; REC: Recloser – Thiết bị Recloser; RTMS: Hệ thống giám sát điều khiển từ xa – Realtime Management System; SVM: Support Vector Machine – Một dạng mơ hình máy học; TBBV: Thiết bị bảo vệ - Protective Devices; Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, 4(2):806-834 LỜI CẢM ƠN Các tác giả xin chân thành cảm ơn Trường Đại học Việt Đức Bộ Giáo dục Đào tạo hỗ trợ thực đề tài (đề tài mã số B2020-VGU-01 duyệt Bộ Giáo dục Đào tạo ngày 21 tháng 02 năm 2020, theo định số 103/QĐ-BGDDT) XUNG ĐỘT LỢI ÍCH Nhóm tác giả xin cam đoan khơng có xung đột lợi ích cơng bố báo ĐÓNG GÓP CỦA CÁC TÁC GIẢ Lê Duy Phúc, Bùi Minh Dương Nguyễn Thanh Phương đưa ý tưởng viết bài, đóng góp diễn giải phương pháp thực hiện, kết mơ phỏng, phân tích, thảo luận nghiên cứu viết thảo Đoàn Ngọc Minh Lê Duy Phúc tham gia thu thập liệu chạy kết mô phỏng, hỗ trợ thu thập liệu, đóng góp phần tổng quan kết luận viết TÀI LIỆU THAM KHẢO Nikkhajoei H, and Lasseter R.H Microgrid protection The Power Engineering Society General Meeting 2007;p 1–6 Available from: https://doi.org/10.1109/PES.2007.385805 Nikkhajoei H, Lasseter RH Microgrid fault protection based on symmetrical and differential current components Public Interest Energy Research California Energy Commission 2006; Firouz Y, Lobry J, Vallée F, and Durieux O Numerical comparison of the effects of different types of distributed generation units on overcurrent protection systems in MV distribution grid Int J Renew Energy 2014;69:271–283 Available from: https://doi.org/10.1016/j.renene.2014.03.035 Sortomme E, Mapes GJ, Foster BA, Venkata SS Fault analysis and protection of a microgrid The Proc The 40th North Amer Power Symposium, Calgary 2008;p 1–6 Available from: https: //doi.org/10.1109/NAPS.2008.5307360 Bui DM Simplified and automated fault-current calculation for fault protection system of grid-connected low-voltage AC microgrids International Journal of Emerging Electric Power Systems 2017;18(2) Available from: https://doi.org/10.1515/ ijeeps-2017-0011 Ou TC A novel unsymmetrical faults analysis for microgrid distribution systems International Journal of Electrical Power & Energy Systems 2012;43(1):1017–1024 Available from: https: //doi.org/10.1016/j.ijepes.2012.05.012 Wang Q, Zhou N, Ye L Fault analysis for distribution networks with current-controlled three-phase inverter-interfaced distributed generators IEEE Transactions on Power Delivery 2015;30(3):1532–1542 Available from: https://doi.org/10 1109/TPWRD.2015.2407883 Mathur A, et al Fault analysis of unbalanced radial and meshed distribution system with inverter based distributed generation (IBDG) International Journal of Electrical Power & Energy Systems 2017;85:164–177 Available from: https: //doi.org/10.1016/j.ijepes.2016.09.003 Van TD, et al Fault current calculation in distribution systems with inverter-based distributed generations IEEJ transactions on electrical and electronic engineering 2013;8(5):470–477 Available from: https://doi.org/10.1002/tee.21882 10 Boutsika TN, Papathanassiou SA Short-circuit calculations in networks with distributed generation Electric Power Systems Research 2008;78(7):1181–1191 Available from: https://doi org/10.1016/j.epsr.2007.10.003 11 Bui DM, et al Accuracy improvement of various short-term load forecasting models by a novel and unified statistical data-filtering method International Journal of Green Energy 2020;17(7):382–406 Available from: https://doi.org/10.1080/ 15435075.2020.1761810 12 Bui DM, et al A Statistical Data-Filtering Method Proposed for Short-Term Load Forecasting Models J Electr Eng Technol 2020;15:1947–1967 Available from: https://doi.org/10.1007/ s42835-020-00460-3 13 Lê P, et al Applying statistical analysis for assessing the reliability of input data to improve the quality of short-term load forecasting for a Ho Chi Minh City distribution network Science & Technology Development Journal - Engineering and Technology 2020;2(4):223–239 Available from: https://doi org/10.32508/stdjet.v2i4.614 14 Zhang MG Short-term load forecasting based on support vector machines regression The 2005 IEEE International Conference on Machine Learning and Cybernetics 2005;7 15 Bengio Y, Courville A, Vincent P Representation Learning: A Review and New Perspectives IEEE Transactions on Pattern Analysis and Machine Intelligence 2013;35:1798–1828 PMID: 23787338 Available from: https://doi.org/10.1109/TPAMI 2013.50 16 Hong WC Chaotic particle swarm optimization algorithm in a support vector regression electric load forecasting model Energy Conversion and Management 2009;50(1):105–117 Available from: https://doi.org/10.1016/j.enconman.2008.08 031 17 Dobbe R, et al Linear Single- and Three-Phase Voltage Forecasting and Bayesian State Estimation with Limited Sensing IEEE Transactions on Power Systems 2020;35(3):1674 –1683 Available from: https://doi.org/10.1109/TPWRS.2019.2955893 18 Bengio Y, Simard P, et al Learning long-term dependencies with gradient descent is difficult IEEE Transactions on Neural Networks 1994;5:157–166 PMID: 18267787 Available from: https://doi.org/10.1109/72.279181 19 Chontzopoulos II Very Short-term Probabilistic Demand Forecasting at High Aggregation Level for the Mitigation of Balancing Costs Master thesis, ETH Zürich 2018; 20 Elvers A, et al Short-Term Probabilistic Load Forecasting at Low Aggregation Levels Using Convolutional Neural Networks 2019 IEEE Milan PowerTech 2019;Available from: https: //doi.org/10.1109/PTC.2019.8810811 21 Hagan MT, Menhaj MB Training feedforward networks with the Marquardt algorithm IEEE Transactions on Neural Networks 1994;5(6):989 –993 PMID: 18267874 Available from: https://doi.org/10.1109/72.329697 22 Catalão JPS, et al Short-term wind power forecasting in Portugal by neural networks and wavelet transform Renewable Energy 2011;36:1245–1251 Available from: https://doi.org/ 10.1016/j.renene.2010.09.016 23 Distribution Network Analysis Functions (DNAF) Analyst and Configuration Editor User’s Guide, ALSTOM Grid Inc 2014; 24 Teng JH, Lin WM Current-based power flow solutions for distribution systems Proc IEEE Int Conf Power Syst Technol., Beijing, China 1994;p 414–418 25 Chen TH, et al Distribution system power flow analysis-A rigid approach IEEE Trans Power Delivery 1991;6:1146–1152 Available from: https://doi.org/10.1109/61.85860 26 Teng JH A direct approach for distribution system load flow solutions IEEE Transactions on power delivery 2003;18(3):882–887 Available from: https://doi.org/10.1109/ TPWRD.2003.813818 27 Ploussard, et al An efficient network reduction method for transmission expansion planning using multicut problem and kron reduction IEEE Transactions on Power Systems 2018;33(6):6120–6130 Available from: https://doi.org/10 1109/TPWRS.2018.2842301 28 Samoylenko VO, Korkunova OL, Pazderin AV, Novikov NN Overcurrent protection adjustment when connecting synchronous generation to power supply systems 2015 IEEE 832 Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 4(2):806-834 International Conference on Industrial Technology (ICIT) 2015;p 2368–2373 Available from: https://doi.org/10.1109/ ICIT.2015.7125447 29 IEEE Application Guide for IEEE Std 1547TM IEEE Standard for Interconnecting Distributed Resources with Electric Power Systems.1-217 IEEE Std 2008; 30 Sortomme E, Mapes GJ, Foster BA, Venkata SS Fault analysis and protection of a microgrid Proc North Amer Power Symp 2008;2008:1–6 Available from: https://doi.org/10.1109/NAPS 2008.5307360 31 Yazdani A, Iravani R A unified dynamic model and control for the voltage-sourced converter under unbalanced grid condi- 833 tions IEEE Trans Power Delivery 2006;21(3):1620–1629 Available from: https://doi.org/10.1109/TPWRD.2006.874641 32 Karimi H, Yazdani A, Iravani R Negative-sequence current injection for fast islanding detection of a distributed resource unit IEEE Trans Power Electron 2008;23(1):298–307 Available from: https://doi.org/10.1109/TPEL.2007.911774 33 Tamura J, Takeda I, Kimura M, Ueno M, Yonaga S A synchronous machine model for unbalanced analyses Elect Eng Jpn 1997;119(2):46–59 Available from: https://doi.org/10.1002/(SICI)1520-6416(19970430)119:23.0.CO;2-N Science & Technology Development Journal – Engineering and Technology, 4(2):806-834 Research aticle Open Access Full Text Article An improved fault analysis method based on bus-voltage thresholds determination for distribution networks with distributed generators Bui Minh Duong1 , Le Duy Phuc2,3,* , Doan Ngoc Minh2 , Nguyen Thanh Phuong3 ABSTRACT Use your smartphone to scan this QR code and download this article Faculty of Engineering, Vietnamese-German University, Binh Duong Province Integration of distributed generators (DGs) into a distribution network (DN) can impact on the reliability operation and stability of protection systems Depending on DG types, their installed locations, and operation states, fault current values in the distribution network can be significantly changed such that protective devices can inaccurately operate Traditional fault analysis methods have not considered the presence of distributed generators and their operation characteristics, bidirectional power flows and change in bus-voltage values in the DN Therefore, improvement of fault current calculation methods is necessary to fast, automatically and accurately determine fault current values in the DN with distributed generators Hence, this paper develops an improved fault analysis method based on bus-voltage thresholds determination for distribution networks with DGs The bus-voltage thresholds can be evaluated by determining load power confidence intervals (LPCI), and fault current thresholds will be then calculated in the DN with DGs Based on a developed LPCI calculation tool and E-terra distribution software, achieved simulation results have validated the effectiveness of fault analysis method based on bus-voltage thresholds for distribution networks in case of considering types, locations and operation states of various distributed generators Key words: Distributed generators, distribution networks, bus voltages, load power forecasting, fault analysis Ho Chi Minh Power Company, Ho Chi Minh City Institute of Engineering, Ho Chi Minh City University of Technology, Ho Chi Minh City Correspondence Le Duy Phuc, Ho Chi Minh Power Company, Ho Chi Minh City Institute of Engineering, Ho Chi Minh City University of Technology, Ho Chi Minh City Email: phucld@hcmpc.com.vn History • Received: 12-9-2020 • Accepted: 29-3-2021 ã Published: 16-4-2021 DOI : 10.32508/stdjet.v4i2.766 Copyright â VNU-HCM Press This is an openaccess article distributed under the terms of the Creative Commons Attribution 4.0 International license Cite this article : Duong B M, Phuc L D, Minh D N, Phuong N T An improved fault analysis method based on bus-voltage thresholds determination for distribution networks with distributed generators Sci Tech Dev J – Engineering and Technology; 4(2):806-834 834 ... để áp dụng hiệu cho LĐPP có tích hợp nguồn điện phân tán khác Phần Phương pháp phân tích ngắn mạch cải tiến cho lđpp có tích hợp nguồn DG miêu tả chi tiết phương pháp LPCI để xác định ngưỡng dao. .. Kết luận PHƯƠNG PHÁP PHÂN TÍCH NGẮN MẠCH CẢI TIẾN CHO LĐPP CĨ TÍCH HỢP CÁC NGUỒN DG Trong phần này, nhóm tác giả trình bày phương pháp xác định ngưỡng dao động điện áp nút dựa ngưỡng dao động phụ... phương pháp xác định ngưỡng dao động điện áp nút nêu Mục Phương pháp xác định ngưỡng dao động điện áp dựa ngưỡng dao động phụ tải, khoảng giá trị tin cậy điện áp nút, [Vi_min ,Vi_max ] vào biến