Bài viết này đề xuất một phương pháp kiểm soát giảm tải mới dựa trên việc xác định nhanh sự mất ổn định của hệ thống điện. Thuật toán phân cụm K-mean được sử dụng để chia chế độ mất ổn định thành các cụm. Kết quả phân tích của cụm này được sử dụng làm cơ sở để kiểm soát phân loại.
6 Nguyễn Ngọc Âu, Lê Trọng Nghĩa, Quyền Huy Ánh, Phan Thi Thanh Bình SA THẢI PHỤ TẢI DỰA TRÊN NHẬN DẠNG NHANH ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN A LOAD SHEDDING CONTROL STRATEGY BASED ON FAST DYNAMIC STABILITY RECOGNITION OF POWER SYSTEM Nguyễn Ngọc Âu1*, Lê Trọng Nghĩa1, Quyền Huy Ánh1, Phan Thi Thanh Bình2 Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh; *ngocau@hcmute.edu.vn Trường Đại học Bách khoa Thành phố Hồ Chí Minh Tóm tắt - Sa thải phụ tải giải pháp quan trọng việc ngăn ngừa tan rã lưới điện Bài báo đề xuấ t mô hin ̀ h điề u khiể n sa thải phụ tải dựa nhận dạng nhanh trạng thái ổ n đinh ̣ động hệ thố ng điện Giải thuật K-means áp dụng để phân nhóm chế độ mấ t ở n đinh ̣ thành các nhóm chế độ Kết phân tích các nhóm sử dụng để phân lớp điều khiển Chiến lược sa thải phụ tải gồ m các luật thiế t kế sẵn dựa thuật toán AHP Khi nhận dạng phát hiện hệ thố ng điện ổ n đinh ̣ thì lệnh điề u khiể n sa thải phụ tải đượ c thi hành, thời gian quyế t đinh ̣ rút ngắn nhiều so với phương pháp truyền thống Hiệu phương pháp đề xuất đượ c kiể m tra sơ đồ hệ thố ng điện chuẩ n IEEE 39-bus nhằm khắc phục hạn chế phương pháp truyền thống Abstract - Load shedding is one of the important measures to prevent the power system blackout This paper proposes a new method of load shedding control based on the fast identification of the instability of the power system K-means clustering algorithm is used to divide the instability mode into clusters The results of analysis of this cluster are used as the basis for classification control Building load shedding strategies consist of the predesigned rules based on AHP algorithm When the recognition of the power system instability is detected, the signal of load shedding control is triggered immediately Therefore, the decision time is greatly shortened comparing to that of the traditional methods The effectiveness of the proposed method is tested on the IEEE 39-bus to overcome the limitations of the traditional methods Từ khóa - sa thải phụ tải; nhận dạng; K-means; phân cụm liệu; ổn định động hệ thống điện Key words - load shedding; recognition; K-means; data clustering; dynamic power system stability Giới thiệu Các quá đô ̣ dao đô ̣ng lớn sự cố gây mấ t ổ n đinh ̣ cầ n phát hiê ̣n nhanh giúp đưa quyế t đinh ̣ điề u khiể n khẩ n cấ p nhằm tránh hiê ̣n tươṇ g tan rã lưới điê ̣n Sa thải phụ tải xem phương pháp áp dụng tình khẩn cấp giúp tránh ổn định Các nghiên cứu sa thải phụ tải tần số (UFLS) nhằm ngăn ngừa tần số giảm sâu sau cố xảy [1-3] Các relay sa thải tần số cài đặt để sa thải lượng công suất tải cố định xác định trước khoảng đến bước tần số xuống ngưỡng cài đặt nhằm giữ ổn định hệ thống điện (HTĐ) Nhằm tăng hiệu sa thải tải, số phương pháp sa thải tải dựa suy giảm tần số (df/dt) đề xuất áp dụng [5] Các phương pháp chủ yếu khôi phục tần số giá trị cho phép ngăn ngừa rã lưới điện Để tối ưu hóa lượng cơng suất sa thải phụ tải, phương pháp thông minh đề xuất như: artificial neural networks (ANNs) [4], fuzzy logic, neurofuzzy, particle swarm optimization (PSO), genetic algorithm (GA) [5] Các công bố tâ ̣p trung chủ yếu hướng giải quyế t dựa sa thải phụ tải tần số điều kiện chế độ vận hành xác lập HTĐ Tuy nhiên, tính phức tạp HTĐ nên chế độ khẩn cấp gă ̣p gánh nă ̣ng tính toán, phải sa thải phụ tải thụ động sau tần số ngưỡng cho phép, điều gây chậm trễ định dẫn đế n mấ t ổn định HTĐ Phương pháp nhâ ̣n da ̣ng có khả đánh giá nhanh, đáp ứng yêu cầ u phân loại tra ̣ng thái không ổ n đinh ̣ ̣ thố ng điê ̣n giúp định điều khiển sớm Bài báo đề xuấ t ý tưởng xây dựng chiến lược sa thải phụ tải sở nhận dạng nhanh chế độ không ổn định HTĐ ứng dụng kỹ thuật ANN Khâu nhâ ̣n da ̣ng gồ m bô ̣ nhâ ̣n da ̣ng: bô ̣ thứ nhấ t (ANN1) nhâ ̣n da ̣ng tra ̣ng thái ̣ thố ng điê ̣n ổ n đinh ̣ hay không ổ n đinh, ̣ bô ̣ nhâ ̣n da ̣ng thứ hai (ANN2) phân nhóm chiế n lươ ̣c sa thải phu ̣ tải gửi đế n bô ̣ điều khiển Các chiế n lươ ̣c sa thải phu ̣ tải đươ ̣c phát triển dựa thuật toán AHP (Analytic Hierarchy Process) tương ứng với nhóm cố xếp lớp Dữ liệu học ANN2 xử lý nhờ giải thuật phân cu ̣m dữ liê ̣u K-means phân nhóm dữ liê ̣u mấ t ổ n đinh ̣ thành các nhóm dữ liê ̣u (Cluster) làm sở xây dựng chiến lược sa thải phụ tải Đề xuấ t này kế t hơ ̣p đươ ̣c sức ma ̣nh tính toán nhanh của ANN và luâ ̣t sa thải phu ̣ tải thiế t kế sẵ n, giúp ̣ thố ng điề u khiể n quyế t đinh ̣ sớm, tránh tan rã lưới điê ̣n, thời gian phục hồi nhanh mà phương pháp truyền thống không thể đáp ứng đươ ̣c Kế t quả đươ ̣c kiể m chứng sơ đồ ̣ thố ng điê ̣n chuẩ n IEEE 39-bus cho thấ y hiệu phương pháp đề xuất Phương pháp tiếp cận 2.1 Mô hin ̀ h nhận daṇ g Mơ hình nhâ ̣n da ̣ng ổn định động HTĐ mơ hình quan hệ yi = f(xi) đầu vào đầu ra, sau học từ sở n liệu ổn định động HTĐ D {xi , yi }i 1 , đó, xi véc-tơ đặc trưng trạng thái HTĐ với n biến đầu vào, yi biến đầu tương ứng 2.2 Tập biế n và mẫu Véc-tơ biến đầu vào chứa thông tin đặc trưng trạng thái HTĐ Thông số biến cố chứa thay đổi tức thông số trạng thái cố xảy độ thay đổi công suất nút tải (∆Pload), độ sụt áp bus (∆Vbus), độ thay đổi công suất nhánh (∆P flow) Véc-tơ biến đầu đại diện cho trạng thái HTĐ HTĐ ổn định độ lệch góc rotor hai máy phát không 180°, không ổn định độ lệch góc rotor ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(120).2017, QUYỂN hai máy phát vượt 180° Biến đầu gán cho nhãn biến nhị phân y{10,01}, lớp {10} lớp ổn định, lớp {01} lớp không ổn định Các liê ̣u đươ ̣c chuẩ n hoá trước huấ n luyê ̣n 2.3 Lựa chọn biế n Lựa chọn tập biến chọn véc-tơ z có d biến với d < n, d đại diện cho sở liệu ban đầu với cỡ liệu Dnew {z i , yi }id1 quan hệ đầu vào đầu ynewi = fnew(zi) Quá trình gồm bước: xác định tập biến và liệu ban đầu, chọn tập biến, đánh giá chọn tập biến [6-7] Trong bài báo này, chúng giới thiê ̣u hai chuẩ n cho ̣n biế n là chuẩ n Fisher và chuẩ n Scatter matrices Tiêu chuẩ n Fisher: Đây là phương pháp đơn giản đươ ̣c nhiề u công trình áp du ̣ng để cho ̣n biế n đặc trưng [8] Tiêu chuẩ n Fisher cho ̣n biế n biểu thức (1), biến có giá trị F lớn quan tro ̣ng F m1 m2 (1) 12 22 Trong đó: mi giá trị trung bình lớp Ci 2i phương sai của lớp Ci Tiêu chuẩ n Scatter matrices: Theo lý thuyế t về Scatter Matrices, độ tách biệt lớp tập biến đo lường hàm mục tiêu J theo biểu thức (2) Chi tiế t về Scatter Matrices được trình bày trình bày các tài liê ̣u [9-10] 1 J trace{S w S m } (2) Trong đó : SW là ma trâ ̣n nhó m trong; S m là ma trâ ̣n hiê ̣p phương sai của toàn tâ ̣p mẫu; trace là tổ ng đường chéo của ma trâ ̣n Trong đó, J ở biểu thức (2) là giá tri ̣ mu ̣c tiêu giúp dẫn đường cho giải thuâ ̣t tì m kiế m tâ ̣p biế n Giá trị J của nhó m biế n càng biế n lớn nhó m biế n quan tro ̣ng Bài báo áp du ̣ng giải thuâ ̣t cho ̣n biế n là phương pháp xế p ̣ng biế n dựa chuẩ n Fisher và giải thuâ ̣t Sequential Floating Forward Search (SFFS) Hai phương pháp này đã đươc̣ chúng giới thiê ̣u và áp du ̣ng cho công trình công bố trước [7], và chi tiế t giải thuâ ̣t SFFS [9, 12] 2.4 Phân cụm dữ liê ̣u K-means giải thuâ ̣t phân cụm liệu tiếng mà đa ̣i diê ̣n cụm tâm phầ n tử cu ̣m Phương pháp dựa độ đo khoảng cách đối tượng liệu cụm Thuật toán K-means sinh k cụm liệu {C1, C2, …, Ck} từ tập liệu chứa n mẫu không gian d chiều {xil, i = [1,n], l = [1,d]} cho hà m tiêu chuẩ n đa ̣t giá tri ̣cực tiể u K-means cần khởi tạo tập k tâm ban đầu, thơng qua giải th ̣t lặp lại bước gồm gán đối tượng tới cụm gần tâm, tính tốn lại tâm cụm sở gán cho đối tượng Q trình dừng tâm khơng đở i Tiêu chuẩ n đô ̣ lê ̣ch bình phương, hay hàm mu ̣c tiêu DE đươc̣ đinh ̣ nghiã sau: k n i =1 j D E = ∑∑ x j - m i x mi = l 1 l (4) ni Trong đó: mi là tro ̣ng tâm của cu ̣m Ci, xl là véc-tơ phầ n tử nhóm i, ni là số lươṇ g các véc-tơ phầ n tử nhóm thứ i, ||.|| là khoảng cách Euclide Giải thuật K-means trình bày sau: Algorithm Giải thuâ ̣t Kmeans Input: X{x1, x2, …, xN} tâ ̣p mẫu ban đầ u với số biế n là l và số mẫu là N K tâm ban đầ u Output: C{c1, c2, …, ck} = C{cp} tâ ̣p tâm đa ̣i diê ̣n có k tâm ban đầ u, p = [1, k] Khởi ta ̣o k tâm ban đầ u ngẫu nhiên, C{c1, c2, …, ck} Tính toán khoảng cách Euclide từ các mẫu xi đế n các tâm ck, d(x,c) Đưa các xi vào ck thoả điề u kiê ̣n công thức (3) Xác đinh ̣ tâm mới dựa vào công thức (4) Lă ̣p la ̣i bước đế n bước 4, giải thuâ ̣t dừng tâm không đổ i 2.5 Thời gian delay sa thải phụ tải Trong nghiên cứu ổn định HTĐ, thời gian sa thải phụ tải tshed đóng vai trị quan trọng Khoảng thời gian tshed dẫn đến hệ thống ổn định hay không Thời gian tác động relay sa thải phụ tải tần số (UFLS) khoảng 0,1 s [4] Ứng dụng cơng nghệ tính tốn thơng minh, khoảng thời gian đề xuất sa thải phụ tải hiệu yêu cầu nhỏ 500 ms Trong báo này, khoảng thời gian sa thải tính toán 200 ms bao gồm: đo lường thu thập liệu, truyền liệu về, xử lý liệu tác động cắt máy cắt Tuy khiên, để đảm bảo biên độ an toàn thời gian thực, sai số cho phép, khoảng thời gian 100 ms tính vào [13] Vì vậy, mơ phỏng, đề xuất cài đặt thời gian cắt tải 300 ms 2.6 Mơ hình AHP Phương pháp AHP xác định tầm quan trọng đơn vị tải HTĐ, thực qua bước sau [14]: Bước 1: Xác định vùng trung tâm tải (Load Center) LCi [15] đơn vị tải (Load Unit) Li Bước 2: Xây dựng mơ hình hệ thống phân cấp AHP gồm vùng trung tâm tải đơn vị tải trình bày Hình (3) ni Hình Mơ hình phân cấp AHP gồm vùng trung tâm tải đơn vị tải Nguyễn Ngọc Âu, Lê Trọng Nghĩa, Quyền Huy Ánh, Phan Thi Thanh Bình Bước 3: Xây dựng ma trận phán đoán LC Li thể tầm quan trọng trung tâm tải nút tải Giá trị thành phần ma trận phán đoán phản ánh kinh nghiệm tri thức người sử dụng tầm quan trọng mối liên hệ cặp hệ số (5), (6) Bước 4: Xác định trọng số tầm quan trọng vùng trung tâm tải so với trọng số tầm quan trọng đơn vị phụ tải vùng phụ tải sở xây dựng ma trận phán đoán w K1 /w K1 w K1 /w K2 w K1 /w Kn w /w w /w w K2 /w Dn LC K2 K1 K2 K2 w Kn /w K1 w Kn /w K2 w Kn /w Kn w D1 /w D1 w D1 /w D2 w D1 /w Dn w /w w /w w D2 /w Dn Li D2 D1 D2 D2 w Dn /w D1 w Dn /w D2 w Dn /w Dn (5) Bô ̣ nhâ ̣n da ̣ng ANN2: Thực phân lớp để điều khiển, áp du ̣ng giải thuâ ̣t K-means để phân nhóm dữ liê ̣u mấ t ổ n đinh ̣ thành các nhóm dữ liê ̣u và làm sở xây dựng chiến lược sa thải phụ tải K-means áp dụng nhờ vào thuật tốn đơn giản, tính tốn nhanh Đây giải thuật tiếng áp dụng phân cụm liệu Như vậy, liệu học ANN2 liệu phân cụm giải thuật Kmeans ANN2 nhận biến đầu vào ANN1 báo “Không ổn định” đầu chiến lược sa thải phụ tải Ma trâ ̣n ngõ tính tốn theo luật số lớn (6) Ở đây, wDi/wDj mô tả mức quan trọng tương đối phụ tải thứ i so sánh với phụ tải thứ j; wKi/wKj mô tả mức quan trọng tương đối trung tâm phụ tải thứ i so sánh với trung tâm phụ tải thứ j Giá trị wDi/wDj; wki/wkj có theo kinh nghiệm chuyên gia người vận hành hệ thống thông qua sử dụng phương pháp tỷ lệ “1-9” Bước 5: Tính tốn trọng số tầm quan trọng đơn vị tải toàn hệ thống Theo nguyên lý AHP, hệ số quan trọng tải xác định thơng qua việc tính tốn phán đoán bản, phản ảnh so sánh phán đoán chuỗi cặp hệ số Hệ số quan trọng tải wDi toàn hệ thống đạt từ cơng thức (7) wij = wkj wDi Di Kj (7) Trong đó: Di Kj nghĩa tải Di định vị tâm tải Kj Bước 6: Sắp xếp theo thứ tự giảm dần tầm quan trọng đơn vị phụ tải để thực chiến lược sa thải theo mức ưu tiên Mô hin ̀ h đề nghi ̣ Hình Quy trình xây dựng chiến lược điều khiển Bô ̣ sa thải phu ̣ tải: gồm chiến lược sa thải phụ tải dựa thuật toán AHP để sa thải phụ tải ưu tiên theo thứ tự tầm quan trọng tải Quy trình xây dựng nhóm chiến lược điều khiển Hình Kế t quả 4.1 Biế n và mẫu ban đầ u Trong phầ n này, mô hình đươ ̣c đề nghi ̣kiể m tra sơ đồ IEEE 39-bus, 10 máy phát, tầ n số 60 Hz đươ ̣c trình bày ở Hình Hình Mơ hình online điề u khiển sa thải phụ tải Mơ hình đề nghị trình bày Hình gờ m: Biế n đầ u vào: Tín hiê ̣u ngõ vào đươ ̣c lấ y từ thiết bị đo lường để nhận dạng nhanh trạng thái khơng ổn định HTĐ có cố Bô ̣ nhâ ̣n da ̣ng ANN1: Nhâ ̣n tín hiê ̣u từ biế n đầ u vào, biế n đầ u cho biế t ̣ thố ng “Ởn đinh” hay “Khơng ở n ̣ đinh” ̣ gử tín hiệu đến sa thải phụ tải Hình Sơ đồ HTĐ IEEE 39-bus Phầ n mề m PowerWorld tính toán mẫu công suấ t phát tương ứng nhờ công cu ̣ tính toán phân bố công suấ t tớ i ưu ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(120).2017, QUYỂN OPF.Thực mô off-line để thu thập liệu cho đánh giá ổn định động HTĐ với mức tải từ 100% tải bản, thời gian cắt ngắn mạch cài đặt 50 ms Bài báo này xem xét cố ngắn mạch ba pha, mô ̣t pha cha ̣m đấ t, hai pha tất góp dọc đường dây truyền tải với mỗ i khoảng cách 5% chiề u dài đường dây Biến đầu vào biến đầu là: x{∆Vbus, ∆Pload, ∆Pflow} y{10,01} Tổng số biến đầu vào 104(39+19+46), biến đầu Để tiế n hành cho ̣n biế n, tâ ̣p dữ liê ̣u đươ ̣c chia ngẫu nhiên làm 10 tâ ̣p có kích cỡ bằ ng Mỗ i tâ ̣p huấ n luyê ̣n có 142 mẫu ổ n đinh ̣ và 137 mẫu không ổ n đinh, ̣ tâ ̣p kiể m tra có 16 mẫu ổ n đinh ̣ và 15 mẫu không ổ n đinh ̣ Kế t quả huấ n luyê ̣n và kiể m tra đươ ̣c tính toán trung bình cho 10 lầ n thực hiê ̣n Bài báo áp du ̣ng bô ̣ nhâ ̣n da ̣ng K-Nearest Neighbor (1-NN, K=1) để thực hiê ̣n đánh giá đô ̣ chính xác cho ̣n tâ ̣p biế n nhờ vào tính đơn giản của nó, kế t quả đánh giá đô ̣ chính xác kiể m tra trình bày ở Hình 0.96 AccRate(%) 0.95 0.94 SFFS Fisher 0.93 0.92 0.91 12 13 14 15 16 17 Feature (d) 18 19 4.3 Kế t quả tính toán các nhóm chiế n lược sa thải phụ tải Từ kế t quả phân cu ̣m dữ liê ̣u của Bảng 1, đề xuất chiế n lược sa thải phu ̣ tải cho cụm liệu dựa thuật toán AHP Bảng Các chiến lược sa thải phụ tải dựa AHP Chiến lược điều khiển LS1 LS2 LS3 LS4 LS5 Mô thử nghiệm Dưới trình bày tính toán ̣ số tầ m quan tro ̣ng của phu ̣ tải dựa thuâ ̣t toán AHP và mô phỏng minh hoa ̣ sa thải phu ̣ tải HTĐ IEEE 39-bus với sự hỗ trơ ̣ của phần mềm PowerWorld cho trường hơ ̣p sự cớ ta ̣i Bus 30 5.1 Tính toán hệ số tầm quan trọng phụ tải dựa thuật toán AHP Trong sơ đồ IEEE 39-bus, áp dụng AHP xây dựng trung tâm tải, 19 đơn vị tải Hình Xây dựng ma trận phán đoán trung tâm tải LCi tải Li trung tâm tải Các ma trận phán đoán kết tính tốn tầm quan trọng tải trình bày Bảng - Bảng Ma trận phán đoán trung tâm tải LCi 20 Từ kế t quả Hình 5, đô ̣ chính xác kiể m tra cho ̣n biến theo phương pháp Fisher và SFFS là 93,5% và 95,8% tương ứng với số biế n là 15 và 14 biế n Từ đó, số biế n đươ ̣c cho ̣n là 14 biế n theo phương pháp SFFS Với 14 biế n đươ ̣c cho ̣n, tiế n hành huấ n luyê ̣n ANN1 với công cụ mạng neural hỗ trợ phần mềm Matlab Cấ u hình và thông số ma ̣ng neural perceptron gồ m lớp: lớp vào, lớp ẩ n và lớp Giải thuật cập nhật trọng số bias Levenberg-Marquardt đươ ̣c khuyên dùng nhờ tính toán nhanh Số chu kỳ huấ n luyê ̣n là 1.000, sai số huấ n luyê ̣n 1e-5, thông số khác mặc định Cài đă ̣t thông số và cách chia dữ liê ̣u huấ n luyê ̣n và kiể m tra là cho ANN1 và ANN2: 14 ngõ vào, sử dụng hàm kích hoạt purelin, hàm ẩ n tansig với sớ neural ẩn bằ ng 10, lớp có neural với ANN1 neural với ANN2 4.2 Kế t quả phân nhóm dữ liê ̣u huấn luyện Thực nghiê ̣m thử sai, báo cho ̣n chiế n lươ ̣c sa thải tải tương ứng với cu ̣m dữ liê ̣u mấ t ổ n đinh ̣ Giải thuâ ̣t K-means tách 152 mẫu mấ t ổ n đinh ̣ thành Cluster với số mẫu Bảng 1, kết huấn luyện trình bày Bảng LC1 LC2 LC3 LC4 LC1 1/1 4/1 2/1 5/1 LC2 1/4 1/1 1/2 2/1 LC3 1/2 2/1 1/1 3/1 LC4 1/5 1/2 1/3 1/1 Bảng Ma trận phán đoán Li tải LC1 L3 33 42 38 15 L18 L25 L39 1/1 1/2 3/1 2/1 1/4 L4 2/1 1/1 3/1 2/1 1/3 1/3 1/3 1/1 1/2 1/7 L25 1/2 1/2 2/1 1/1 1/5 L39 4/1 3/1 7/1 5/1 1/1 Bảng Ma trận phán đoán Li tải LC2 L26 L27 L28 L29 L26 1/1 1/2 1/2 1/3 L27 2/1 1/1 2/1 1/1 L28 2/1 1/2 1/1 1/2 L29 3/1 1/1 2/1 1/1 Bảng Ma trận phán đoán tải Li LC3 L15 Tổ ng mẫu mấ t ổ n đinh: ̣ 152 L4 L3 L18 Bảng Kế t quả phân cụm dữ liê ̣u ổn định Các tải sa thải L31, L12 L31, L12, L18 L31, L12, L18, L26 L31, L12, L18, L26, L23, L25 L31, L12, L18, L26, L23, L25, L28 Hình Độ chính xác kiể m tra chọn biế n L16 L20 L21 L23 L24 L15 1/1 1/1 1/2 2/1 2/1 1/1 24 L16 1/1 1/1 1/2 2/1 2/1 1/1 L20 2/1 2/1 1/1 3/1 3/1 2/1 L21 1/2 1/2 1/3 1/1 1/1 1/2 L23 1/2 1/2 1/3 1/1 1/1 1/1 L24 1/1 1/1 1/2 2/1 1/1 1/1 Bảng Kế t quả huấ n luyê ̣n của bộ nhận dạng Đô ̣ chính xác Bô ̣ nhâ ̣n Đô ̣ chính xác Số biế n kiể m tra (%) da ̣ng huấ n luyê ̣n (%) 95,4 ANN1 97,1 14 96,8 ANN2 99,6 Nguyễn Ngọc Âu, Lê Trọng Nghĩa, Quyền Huy Ánh, Phan Thi Thanh Bình 10 Bảng Ma trận phán đoán tải Li LC4 L7 L8 L12 L31 L7 1/1 1/3 8/1 9/1 L8 3/1 1/1 9/1 9/1 L12 1/8 1/9 1/1 2/1 L31 1/9 1/9 1/2 1/1 tải 3,9 s sau cố Khoảng thời gian bao gồm: thời gian trễ từ lúc cố đến tần số xuống ngưỡng cho phép 59,7 Hz (3,7 s), thời gian xử lý relay UFLS (0,1 s), truyền tín hiệu trip máy cắt (0,1 s) Kết mơ trình bày Hình 60.05 60 59.95 Bảng Thứ tự xếp theo hệ số tầm quan trọng giảm dần tải hệ thống Thứ tự xếp Giá trị tầm quan trọng tải L39 0,256 L4 0,1009 Hz Bus 59.9 59.85 59.8 59.75 59.7 59.65 59.6 59.55 L20 0,0827 L3 0,0722 L29 0,0511 L8 0,0496 L25 0,0483 L27 0,0462 L15 0,0455 L16 10 0,0455 L24 11 0,0406 L18 12 0,0291 L7 13 0,0278 L28 14 0,0275 L23 15 0,0268 L21 16 0,0239 L26 17 0,0176 L12 18 0,0051 L31 19 0,0035 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 Sec Frequency_Bus Hình Tần số hệg sau khi2 sa thải theo bthống c d e f phương pháp đề xuất trường hợp cố Bus 30 5.2 Kết mô Xét trường hơ ̣p sự cố là ngắn mạch Bus 30, các máy cắ t sẽ mở liên kế t với Bus ngắ n ma ̣ch Kết mô phỏng cho trường hơ ̣p cố làm cho hệ thống ổn định không sa thải phu ̣ tải Kết mô áp dụng giải thuật truyền thống (UFLS) đề xuất cho trường hợp cố Bus 30 trình bày Hình 85 80 75 70 65 Hz 60 55 50 45 40 5.3 Bàn luận Hình 5, với bô ̣ nhâ ̣n da ̣ng là 1-NN, kế t quả cho ̣n biế n cho thấ y giải thuâ ̣t SFFS cho kế t quả kiể m tra có đô ̣ chính xác cao phương pháp Fisher là 2,3% có số biế n ít biế n Điề u này thể hiê ̣n SFFS đã mở rô ̣ng đươ ̣c không gian tìm kiế m và cho ̣n đươ ̣c các biế n tố t hơn, số biế n giảm 13,5 lầ n so với số biế n ban đầ u Áp du ̣ng K-means tách nhóm mẫu không ổ n đinh ̣ ban đầ u 152 mẫu thành nhóm tương ứng với chiế n lươ ̣c sa thải phu ̣ tải Đô ̣ chính xác kiể m tra để nhâ ̣n da ̣ng nhóm này với bô ̣ nhâ ̣n da ̣ng ANN2 là 96,8% Ở Bảng 2, kế t quả kiể m tra của ANN1 và ANN2 có đô ̣ chính xác tương ứng là 95,4% và 96,8% Theo Hình và Hình 7, việc thực thi chiến lược sa thải phụ tải đề xuất cho thấy HTĐ giữ đươ ̣c ổ n đinh ̣ sau sự cố với giá trị tần số phục hồi 60,05 Hz Như vậy, phương pháp sa thải đề xuất giúp đẩ y nhanh quá trình quyế t đinh ̣ sa thải phu ̣ tải Kế t quả giữ chất lượng tầ n số cụ thể cho trường hợp cố Bus 30 giúp giữ ổn định HTĐ Kết luận Bài báo trình bày quy trình xây dựng hệ thống nhận dạng để chẩn đoán trạng thái ổn định HTĐ phân lớp chiến lược sa thải phụ tải sở ANN Mô hình đề nghị giúp rút ngắn thời gian định sa thải phụ tải Kết mô cho thấy HTĐ giữ trạng thái ổn định, tần số hệ thống phục hồi nhanh, chấ t lươṇ g tần số tốt so với phương pháp truyề n thố ng Giải thuật Kmeans kết hợp với AHP để xây dựng nhóm chiến lược sa thải phụ tải có xét đến tầm quan trọng phụ tải làm giảm thiệt hại mặt kinh tế sa thải so với phương pháp truyền thống 35 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 Sec Hình Tần số hệ thống sau sa thải theo phương pháp truyền thống trường hợp cố Bus 30 b c d e f g Frequency_Bus Áp dụng chương trình sa thải phụ tải đề xuất, với vi ̣trí ngắ n ma ̣ch này thì chiến lược sa thải phụ tải LS4 đươ ̣c thực thi, với thời gian trễ 300 ms So sánh với phương pháp sa thải tần số (UFLS) với thời gian bắt đầu sa thải phụ TÀI LIỆU THAM KHẢO [1] Terzija, V V., “Adaptive under frequency load shedding based on the magnitude of the disturbance estimation”, IEEE Trans Power System., Vol 21, No 3, 2006, pp 1260–1266 [2] Giroletti M, Farina M, Scattolini R., “A hybrid frequency/power based method for industrial load shedding”, Electrical Power Energy System, 35, 2012, pp 194–200 [3] Adly A Girgis, Shruti Mathure, “Application of active power ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(120).2017, QUYỂN [4] [5] [6] [7] [8] sensitivity to frequency and voltage variations on load shedding”, Electric Power Systems Research, 2010, pp 306-310 Hooshmand, R., and Moazzami, M., “Optimal design of adaptive under frequency load shedding using artificial neural networks in isolated power system”, Int J Power Energy Syst., Vol 42, No 1, 2012, pp 220–228 J.A Laghari, H Mokhlis, A.H.A Bakar, Hasmaini Mohamad, “Application of computational intelligence techniques for load shedding in power systems: A review”, Energy Conversion and Management, Vol 75, 2013, pp 130-140 R Zhang, S Member, Y Xu, and Z Y Dong, Feature Selection For Intelligent Stability Assessment of Power Systems, 2012 IEEE Power Energy Soc Gen Meet., 2012, pp 1–7 N N Au, Q H Anh, and P T T Binh, “Feature subset selection in dynamic stability assessment power system using artificial neural networks”, Science & Technology Development Journal, VietNam National University-Hochiminh City, ISSN 1859-0128, Vol.18, No K3, 2015 K S Swarup, “Artificial neural network using pattern recognition [9] [10] [11] [12] [13] [14] [15] 11 for security assessment and analysis”, Neurocomputing, Vol 71, No 4–6, 2008, pp 983–998 S.Theodoridis and K.Koutroumbas, Pattern Recognition, 2009 M Cheriet, N Kharma, C.L Liu, and C Y Suen, Character Recognition Systems - A Guide for Students and Practioners, 2007 V K Madasu and B C Lovell, Pattern Recognition Technologies and Applications 2008 A R Webb and K D Copsey, Statistical Pattern Recognition, 2011 Tohid Sheraki, Farrokh Aminifar, Majid Sanaye-Pasand, “An anatical adaptive load shedding scheme against sevre combinational disturbances”, IEEE Transactions on Power Systems, Volume 31, Issue 5, 2015, pp 4135-4143 T.L Saaty., The Analytic Hierarchy Process, McGraw-Hill, New York, 1980 Moein Abedini, Majid Sanaye-Pasand, Sadegh Azizi, “Adaptive load shedding scheme to preserve the power system stability following large disturbances”, IET Generation, Transmission & Distribution,Volume 8, Issue 12, 12/2014 (BBT nhận bài: 12/9/2017, hoàn tất thủ tục phản biện: 14/10/2017) ... delay sa thải phụ tải Trong nghiên cứu ổn định HTĐ, thời gian sa thải phụ tải tshed đóng vai trị quan trọng Khoảng thời gian tshed dẫn đến hệ thống ổn định hay không Thời gian tác động relay sa thải. .. thái ổn định HTĐ phân lớp chiến lược sa thải phụ tải sở ANN Mô hình đề nghị giúp rút ngắn thời gian định sa thải phụ tải Kết mô cho thấy HTĐ giữ trạng thái ổn định, tần số hệ thống phục hồi nhanh, ... xây dựng chiến lược điều khiển Bô ̣ sa thải phu ̣ tải: gồm chiến lược sa thải phụ tải dựa thuật toán AHP để sa thải phụ tải ưu tiên theo thứ tự tầm quan trọng tải Quy trình xây dựng nhóm chiến