(Đề tài NCKH) nghiên cứu sa thải phụ tải có xét đến các yếu tố ảnh hưởng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG NGHIÊN CỨU SA THẢI PHỤ TẢI CÓ XÉT ĐẾN CÁC YẾU TỐ ẢNH HƯỞNG MÃ SỐ: T2017 SKC006060 Tp Hồ Chí Minh, tháng 03/2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU SA THẢI PHỤ TẢI CÓ XÉT ĐẾN CÁC YẾU TỐ ẢNH HƯỞNG Mã số: T2017-64TĐ Chủ nhiệm đề tài: ThS Lê Trọng Nghĩa TP HCM, 03/2018 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU SA THẢI PHỤ TẢI CÓ XÉT ĐẾN CÁC YẾU TỐ ẢNH HƯỞNG Mã số: T2017-64TĐ Chủ nhiệm đề tài: ThS Lê Trọng Nghĩa TP HCM, 03/2018 Nghiên cứu sa thải phụ tải có xét đến yếu tố ảnh hưởng DANH SÁCH NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI STT Họ tên Đơn vị công tác lĩnh vực chuyên môn ii Nội dung nghiên cứu cụ thể giao Chữ ký Nghiên cứu sa thải phụ tải có xét đến yếu tố ảnh hưởng MỤC LỤC Trang Mục lục iii Danh sách hình vii Danh sách bảng x Danh sách từ viết tắt xii CHƯƠNG MỞ ĐẦU 1.1Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài ngồi nước 1.2 Tính cấp thiết đề tài 1.3 Mục tiêu – Cách tiếp cận – Phương pháp nghiên cứu 1.3.1 Mục tiêu nghiên cứu 1.3.2 Cách tiếp cận 1.3.3 Phương pháp nghiên cứu 1.4 Đối tượng phạm vi nghiên cứu 1.4.1 Đối tượng nghiên cứu 1.4.2 Phạm vi nghiên cứu 1.5 Nội dung nghiên cứu CHƯƠNG 1: TỔNG QUAN CÁC PHƯƠNG PHÁP SA THẢI PHỤ TẢI 1.1 Khái quát sa thải phụ tải 1.2 Yếu tố lựa chọn sa thải tải 1.3 Tổng quan cơng trình nghiên cứu sa thải phụ tải 1.3.1 Các kỹ thuật sa thải phụ tải truyền thống 1.3.2 Sa thải phụ tải thích nghi 15 1.3.3 Các phương pháp sa thải phụ tải thông minh ILS (Intelligent Load Shedding) 16 1.3.3.1 Phương pháp ứng dụng mạng neural (ANN) sa thải phụ tải 20 iii Nghiên cứu sa thải phụ tải có xét đến yếu tố ảnh hưởng 1.3.3.2 Ứng dụng điều khiển mờ sa thải phụ tải 22 1.3.3.3 Ứng dụng hệ thống suy luận neural-mờ thích nghi (ANFIS) sa thải phụ tải 23 1.3.3.4 Ứng dụng thuật toán di truyền (GA) sa thải phụ tải 24 1.3.3.5 Ứng dụng tối ưu hóa bầy đàn (PSO) sa thải phụ tải 26 CHƯƠNG 2: MƠ HÌNH HỆ THỐNG PHÂN CẤP AHP VÀ MẠNG NƠRON NHÂN TẠO 30 2.1 Thuật toán Analytic Hierarchy Process AHP 30 2.2 Mạng nơron nhân tạo 32 2.2.1 Mơ hình tốn mạng nơron 32 2.2.2 Các thành phần mạng nơron nhân tạo 33 2.2.2 Các loại mạng nơron 38 2.2.4 Đặc tính mạng nơron 39 2.2.5 Các thuật toán huấn luyện 40 2.3 Thuật toán K_means 43 2.3.1 Nguyên tắc lựa chọn mẫu 43 2.3.2 Thuật toán K_means 44 CHƯƠNG 3: MƠ HÌNH SA THẢI PHỤ TẢI TRÊN CƠ SỞ NHẬN DẠNG CHẾ ĐỘ KHÔNG ỔN ĐỊNH CỦA HỆ THỐNG ĐIỆN KẾT HỢP VỚI THUẬT TOÁN AHP 45 3.1 Mơ hình nhận dạng 45 3.2 Xây dựng tập biến mẫu 45 3.3 Lựa chọn biến 46 3.3.1 Tiêu chuẩn Fisher 46 iv Nghiên cứu sa thải phụ tải có xét đến yếu tố ảnh hưởng 3.3.2 Tiêu chuẩn Scatter matrices 46 3.4 Mơ hình tốn đề xuất 46 CHƯƠNG 4: KHẢO SÁT THỬ NGHIỆM TRÊN HỆ THỐNG 39 BUS 10 MÁY PHÁT 51 4.1 Xây dựng tập mẫu 51 4.1.1 Mô trường hợp cố phần mềm PowerWorld 51 4.1.2 Thu thập liệu mô 57 4.1.3 Xây dựng tập mẫu học chuẩn hóa liệu 59 4.2 Sử dụng công cụ ANN để huấn luyện 59 4.2.1Sử dụng công cụ ANN để nhận dạng trạng thái không ổn định hệ thống điện 59 4.2.2 Kết phân nhóm liệu - Đánh giá độ xác huấn luyện 62 4.3 Chiến lược điều khiển sa thải dựa sở phân lớp chiến lược điều khiển huấn luyện ANN 62 4.3.1 Tính tốn tầm quan trọng đơn vị tải sơ đồ IEEE 39 Bus 10 máy phát 62 4.3.2 Chiến lược điều khiển sa thải phụ tải dựa sở thuật toán đề xuất 68 4.4 Đánh giá hiệu phương pháp sa thải phụ tải đề xuất 74 4.4.1 Phương pháp sa thải phụ tải truyền thống dựa thuật toán AHP 74 4.4.2 Phương pháp sa thải phụ tải truyền thống sử dụng rơle sa thải phụ tải tần số thấp 77 4.4.3 Phương pháp sa thải phụ tải đề xuất 80 v Nghiên cứu sa thải phụ tải có xét đến yếu tố ảnh hưởng KẾT LUẬN VÀ KIẾN NGHỊ 82 5.1 Kết luận 82 5.2 Hướng nghiên cứu phát triển 99 TÀI LIỆU THAM KHẢO 83 PHỤ LỤC Bản Thuyết minh đề tài phê duyệt vi Nghiên cứu sa thải phụ tải có xét đến yếu tố ảnh hưởng DANH SÁCH CÁC HÌNH Hình Trang Hình 1.1: Tổng quan kỹ thuật sa thải phụ tải hệ thống điện Hình 1.2: Sơ đồ phân cấp điều chỉnh tần số HTĐ Việt Nam 12 Hình 1.3: Cấu trúc tổng quát chương trình ILS 18 Hình 2.1: Mơ hình mạng phân cấp việc xếp đơn vị 30 Hình 2.2: Mơ hình tốn đơn giản nơron 33 Hình 2.3: Mạng Feedforward lớp 34 Hình 2.4: Mạng feedforward đa lớp 34 Hình 2.5: Nơron có hồi tiếp 35 Hình 2.6: Mạng nơron hồi tiếp lớp 35 Hình 2.7: Mạng nơron hồi tiếp đa lớp 35 Hình 2.8: Học có gíám sát 37 Hình 2.9: Học củng cố 37 Hình 2.10: Học khơng có giám sát 38 Hình 3.1: Sơ đồ khối điều khiển sa thải phụ tải khẩn cấp 48 Hình 3.2: Mơ hình online điều khiển khẩn cấp sa thải dựa mạng ANN thuật Toán AHP 49 Hình 4.1: Sơ đồ hệ thống điện IEEE 39 Bus, 10 máy phát 51 Hình 4.2: Cài đặt thơng số mơ hình hệ thống điện thử nghiệm 53 Hình 4.3: Quy trình cài đặt thơng số ch̉n hệ thống điện IEEE 39 Bus 53 Hình 4.4: Quy trình kích hoạt mơ hình hệ thống điện IEEE 39 Bus 54 Hình 4.5 Quy trình chạy phân bố công suất tối ưu OPF 55 Hình 4.6: Giao diện thực chạy mơ ổn định độ 56 Hình 4.7: Quy trình chạy ổn định độ lấy mẫu 57 Hình 4.8: Thu thập liệu mơ PowerWorld 58 vii Nghiên cứu sa thải phụ tải có xét đến yếu tố ảnh hưởng Hình 4.9: Mơ hình mạng nơron nhận dạng trạng thái không ổn định động hệ thống điện Hình 4.10: Độ xác kiểm tra chọn biến, nhận dạng K-NN (K=1) Hình 4.11: Sơ đồ vùng trung tâm tải sơ đồ IEEE 39 Bus 10 máy phát Hình 4.12: Mơ hình trung tâm tải đơn vị tải Hình 4.13: Tần số hệ thống giảm xuống 59,7 Hz bị cố Bus 36 mức 100% thời điểm 2,5s Hình 4.14: Góc lệch rotor máy phát bị cố Bus 36 mức tải 100% 70 Hình 4.15: Tần số hệ thống bị cố Bus 36 mức tải 100% Hình 4.16: Góc lệch rotor máy phát sau áp dụng mơ hình sa thải đề xuất (ANN) trường hợp cố Bus 36 mức tải 100% Hình 4.17: Tần số hệ thống sau áp dụng mô hình sa thải đề xuất (ANN) trường hợp cố Bus 36 mức tải 100% Hình 4.18: Tần số hệ thống giảm xuống 59,7 Hz bị cố đường dây 2-25 mức 100% thời điểm 8s Hình 4.19: Góc lệch rotor máy phát bị cố đường dây 2-25 mức tải 100% Hình 4.20: Tần số hệ thống bị cố đường dây 2-25 mức tải 100% Hình 4.21: Góc lệch rotor máy phát sau áp dụng mơ hình sa thải đề xuất (ANN) trường hợp cố đường dây 2-25 mức tải 100% Hình 4.22: Tần số hệ thống sau áp dụng mơ hình sa thải đề xuất (ANN) trường hợp cố đường dây 2-25 mức tải 100% Hình 4.23: Góc lệch rotor máy phát sau áp dụng sa thải truyền thống theo thuật toán AHP trường hợp cố Bus 36 mức tải 100% Hình 4.24: Tần số hệ thống sau áp dụng sa thải truyền thống theo thuật toán AHP trường hợp cố Bus 36 mức tải 100% Hình 4.25: Góc lệch rotor máy phát sau áp dụng sa thải truyền thống theo thuật toán AHP trường hợp cố đường dây - 25 mức tải 100% viii Chương Bảng 4.25: Bảng tổng hợp so sánh phương pháp sa thải phụ tải trường hợp cố đường dây - 25 mức tải 100% Phương pháp Sa thải phụ tải truyền thống dựa thuật toán AHP Sa thải phụ tải truyền thống dựa rơle sa thải tần số thấp Phương pháp sa thải đề xuất Nhận xét:  Trong trường hợp cố góp, phương pháp sa thải phụ tải ưu lượng công suất sa thải, có thời gian phục hồi nhanh so với phương pháp sa thải phụ tải truyền thống theo thuật toán AHP phương pháp truyền thống dựa rơle sa thải phụ tải tần số thấp, chất lượng giá trị tần số phục hồi tương đương  Đặc biệt trường hợp cố đường dây, phương pháp sa thải phụ tải đề xuất thể ưu vượt trội khả trì ổn định hệ thống so với phương pháp sa thải phụ tải khác 81 Kết luận kiến nghị KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Đề tài trình bày quy trình xây dựng hệ thống nhận dạng để đánh giá trạng thái không ổn định hệ thống điện phân lớp chiến lược sa thải phụ tải sở mạng nơron Việc sa thải phụ tải có xét đến yếu tố ảnh hưởng thời gian sa thải phụ tải hệ số tầm quan trọng phụ tải Yếu tố thời gian rút ngắn nhờ sử dụng mạng nơron để nhận dạng tình trạng ổn định hệ thống điện, từ rút ngắn thời gian định sa thải Yếu tố tầm quan trọng phụ tải xem xét qua giảm thiệt hại kinh tế sa thải phụ tải Mơ hình đề xuất sử dụng giải thuật K_means kết hợp với giải thuật AHP để xây dựng nhóm chiến lược sa thải phụ tải có xét đến tầm quan trọng phụ tải nhằm làm giảm thiệt hại mặt kinh tế sa thải so với phương pháp truyền thống trước Hiệu mơ hình sa thải phụ tải đề xuất kiểm chứng thực nghiệm với hệ thống điện IEEE 39 nút 10 máy phát Cụ thể, mơ hình sa thải phụ tải đề xuất cho phép rút ngắn thời gian định sa thải phụ tải, trì trạng thái ổn định hệ thống thời gian phục hồi tần số nhanh hơn, chất lượng giá trị tần số phục hồi nâng cao so với phương pháp truyền thống Kết nghiên cứu sử dụng làm tài liệu tham khảo cho NCS, học viên cao học ngành Kỹ thuật điện, nhân viên vận hành điều độ hệ thống nghiên cứu vấn đề sa thải phụ tải nhằm trì ổn định cố nghiêm trọng xảy hệ thống điện khảo sát 5.2 Hướng nghiên cứu phát triển - Hướng nghiên cứu phát triển thời gian tới xem xét toán sa thải phụ tải tải động, vấn đề sa thải tối ưu tối ưu toàn cục tất trường hợp Xây dựng mạng nơron tự học, tự cập nhận liệu sau nhận dạng cố nhằm tổng quát hóa mẫu huấn luyện 82 Tài liệu tham khảo TÀI LIỆU THAM KHẢO [1] Florida Reliability Coordinating Council, (2001) FRCC standards handbook [2] ERCOT, Underfrequency Load Shedding 2006 Assessment and Review [3] Mohd Zin AA, Mohd Hafiz H, Aziz MS A review of under-frequency load shedding scheme on TNB system Proc Natl Power Energy Conf 2004 [4] IEEE guide for abnormal frequency protection for power generating plants ANSI/IEEE Std C37106-1987 [5] El-Sadek MZ Preventive measures for voltage collapses and voltage failures in the Egyptian power system Electr Power Syst Res 1998 [6] Amraee T, Mozafari B, Ranjbar AM An improved model for optimal under voltage load shedding: particle swarm approach IEEE Power India Conf 2006 [7] Saadat H Power system analysis 1st ed Singapore: McGraw-Hill; 1999 [8] Seyedi, H., and Sanaye-Pasand, M., “Design of new load shedding special protection schemes for a double area power system,” Amer J Appl Sci., Vol 6, No 2, pp 317–327, 2009 [9] Haidar AMA, Mohamed A, Al-Dabbagh M, Hussain A Vulnerability assessment and control of large scale interconnected power systems using neural networks and neuro-fuzzy techniques Power Eng Conf 2008:1–6 [10] Bộ công thương Việt Nam - Cục Điều Tiết Điện Lực Quy trình lập kế hoạch, huy động dịch vụ điều tần dự phòng quay, 2015 [11] Zin AAM, Hafiz HM, Wong WK Static and dynamic underfrequency load shedding: a comparison Int Conf Power Syst Technol 2004 [12] El-Sadek MZ Preventive measures for voltage collapses and voltage failures in the Egyptian power system Electr Power Syst Res 1998 [13] Amraee T, Mozafari B, Ranjbar AM An improved model for optimal under voltage load shedding: particle swarm approach IEEE Power India Conf 2006 [14] Saadat H Power system analysis 1st ed Singapore: McGraw-Hill; 1999 [15] Seyedi, H., and Sanaye-Pasand, M., “Design of new load shedding special protection schemes for a double area power system,” Amer J Appl Sci., Vol 6, No 2, pp 317–327, 2009 [16] Haidar AMA, Mohamed A, Al-Dabbagh M, Hussain A Vulnerability assessment and control of large scale interconnected power systems using neural networks and neuro-fuzzy techniques Power Eng Conf 2008:1–6 [17] Haidar AMA, Mohamed A, Hussain A, Jaalam N Artificial intelligence application to Malaysian electrical power system Exp Syst Appl 5023–31, 2010 [18] Hooshmand R, Moazzami M Optimal design of adaptive under frequency load shedding using artificial neural networks in isolated power system Int J Electr Power 2012; 42:220–8 [19] Hsu C-T, Chuang H-J, Chen C-S Adaptive load shedding for an industrial petroleum cogeneration system Exp Syst Appl 2011;38:13967–74 83 Tài liệu tham khảo [20] Cheng-Ting H, Hui-Jen C, Chao-Shun C Artificial neural network based adaptive load shedding for an industrial cogeneration facility IEEE Ind Appl Soc 2008:1–8 [21] Croce F, Delfino B, Fazzini PA, Massucco S, Morini A, Silvestro F, et al Operation and management of the electric system for industrial plants: an expert system prototype for load-shedding operator assistance IEEE T Ind Appl 2001;37:701–8 [22] Lopes JAP, Wong Chan W, Proenca LM Genetic algorithms in the definition of optimal load shedding strategies Int Conf Electr Power Eng 1999:154 [23] Jeyasurya B Artificial neural networks for on-line voltage stability assessment IEEE Power Eng Soc 2000:2014–8 [24] Aggoune M, El-Sharkawi MA, Park DC, Dambourg MJ, Marks II RJ Preliminary results on using artificial neural networks for security assessment (of power systems) Power Ind Comput Appl Conf 1989:252–8 [25] Aggoune M, El-Sharkawa MA, Park DC, Damborg MJ, Marks II RJ Preliminary results on using artificial neural networks for security assessment of power systems] IEEE T Power Syst 1991; 6:890–6 [26] Aggoune M, El-Sharkawi MA, Park DC, Damborg MJ, Marks II RJ Correction to preliminary results on using artificial neural networks for security assessment (May 91 890–896) IEEE T Power Syst 1991; 6:1324–5 [27] Mori H An artificial neural-net based method for estimating power system dynamic stability index Proc Int Forum Appl Neural Networks Power Syst 1991:129–33 [28] Sobajic DJ, Pao YH Artificial neural-net based dynamic security assessment for electric power systems IEEE T Power Syst 1989; 4:220–8 [29] Chao-Rong C, Yuan-Yin H Synchronous machine steady-state stability analysis using an artificial neural network IEEE T Energy Convers 1991; 6:12–20 [30] Chao-Rong C, Yuan-Yih H Synchronous machine steady-state stability annlysis using an artificial neural network IEEE Power Eng Rev 1991; 11:32– [31] Aboytes F, Ramirez R Transient stability assessment in longitudinal power systems using artificial neural networks IEEE T Power Syst 1996; 11:2003– 10 [32] Edwards AR, Chan KW, Dunn RW, Daniels AR Transient stability screening using artificial neural networks within a dynamic security assessment system IET Gener Transm Dis 1996; 143:129–34 [33] Park DC, El-Sharkawi MA, Marks II RJ, Atlas LE, Damborg MJ Electric load forecasting using an artificial neural network IEEE T Power Syst 1991; 6:442–9 [34] Hartana RK, Richards GG Harmonic source monitoring and identification using neural networks IEEE T Power Syst 1990; 5:1098–104 84 Tài liệu tham khảo [35] Dash PK, Pradhan AK, Panda G Application of minimal radial basis function neural network to distance protection IEEE T Power Deliver 2001; 16:68–74 [36] Ebron S, Lubkeman DL, White M A neural network approach to the detection of incipient faults on power distribution feeders IEEE T Power Deliver 1990; 5:905–14 [37] Moazzami M, khodabakhshian A A new optimal adaptive under frequency load shedding using artificial neural networks Iranian Conf on Electr Eng (ICEE) 2010:824–9 [38] Kottick D, Or O Neural-networks for predicting the operation of an underfrequency load shedding system IEEE T Power Syst 1996; 11:1350–8 [39] Djukanovic M, Sobajic DJ, Pao YH Neural net based determination of generator-shedding requirements in electric power systems IET Gener Transm Dis 1992; 139:427–36 [40] Hsu CT, Kang MS, Chen CS Design of adaptive load shedding by artificial neural networks IET Gener Transm Dis 2005; 152:415–21 [41] Lee CH, Hsieh SC Lessons learned from the power outages on 29 July and 21 September 1999 in Taiwan IET Gener Transm Dis 2002; 149:543–9 [42] Wong J-J, Su C-T, Liu C-S, Chang C-L Study on the 729 blackout in the Taiwan power system Int J Electr Power 2007; 29:589–99 [43] Chien-Hsing L, Shih-Chieh H A technical review of the power outage on July 29 in Taiwan IEEE Power Eng Soc 1999; 2001:1353–8 [44] Novosel D, King RL Using artificial neural networks for load shedding to alleviate overloaded lines IEEE T Power Deliver 1994; 9:425–33 [45] Purnomo MH, Patria CA, Purwanto E Adaptive load shedding of the power system based on neural network TENCON Proc Comput, Commun, Control Power Eng 2002:1778–81 [46] Mitchell MA, Lopes JAP, Fidalgo JN, McCalley JD Using a neural network to predict the dynamic frequency response of a power system to an underfrequency load shedding scenario IEEE Power Eng Soc 2000:346–51 [47] Thalassinakis EJ, Dialynas EN, Agoris D Method combining ANNs and Monte Carlo simulation for the selection of the load shedding protection strategies in autonomous power systems IEEE T Power Syst 2006; 21:1574– 82 [48] Javadian SAM, Haghifam MR, Bathaee SMT, Fotuhi Firoozabad M Adaptive centralized protection scheme for distribution systems with DG using risk analysis for protective devices placement Int J Electr Power 2013; 44:337–45 [49] Tso SK, Zhu TX, Zeng QY, Lo KL Investigation of extended fuzzy reasoning and neural classification for load-shedding prediction to prevent voltage instability Electr Power Syst Res 1997; 43:81–7 [50] Hobson E, Allen GN Effectiveness of artificial neural networks for first swing stability determination of practical systems IEEE T Power Syst 1994; 9:1062– 85 Tài liệu tham khảo [51] Çam E Application of fuzzy logic for load frequency control of hydro electrical power plants Energ Convers Manage 2007; 48:1281–8 [52] Çam E, Kocaarslan _I Load frequency control in two area power systems using fuzzy logic controller Energ Convers Manage 2005; 46:233–43 [53] El-Sherbiny MK, El-Saady G, Yousef AM Efficient fuzzy logic load-frequency controller Energ Convers Manage 2002; 43:1853–63 [54] Kocaarslan _I, Çam E Fuzzy logic controller in interconnected electrical power systems for load-frequency control Int J Electr Power 2005; 27:542–9 [55] Mishra S, Dash PK, Panda G TS-fuzzy controller for UPFC in a multimachine power system IET Gener Transm Dis 2000; 147:15–22 [56] Venkatesh B, George MK, Gooi HB Fuzzy OPF incorporating UPFC IET Gener Transm Dis 2004; 151:625–9 [57] Dash PK, Mishra S, Panda G Damping multimodal power system oscillation using a hybrid fuzzy controller for series connected FACTS devices IEEE T Power Syst 2000; 15:1360–6 [58] Dash PK, Morris S, Mishra S Design of a nonlinear variable-gain fuzzy controller for FACTS devices IEEE T Contrl Syst T 2004; 12:428–38 [59] Khazali AH, Kalantar M, Khazali A Fuzzy multi-objective reactive power clearing considering reactive compensation sources Energy 2011; 36:3319–27 [60] Zhang W, Liu Y Multi-objective reactive power and voltage control based on fuzzy optimization strategy and fuzzy adaptive particle swarm Int J ElectrPower 2008; 30:525–32 [61] Haidar AMA, Mohamed A, Hussain A Vulnerability control of large scale interconnected power system using neuro-fuzzy load shedding approach Exp Syst Appl 2010; 37:3171–6 [62] Sasikala J, Ramaswamy M Fuzzy based load shedding strategies for avoiding voltage collapse Appl Soft Comput 2011; 11:3179–85 [63] Sallam AA, Khafaga AM Fuzzy expert system using load shedding for voltage instability control Eng Syst Conf Power Eng 2002:125–32 [64] Tso SK, Zhu TX, Zeng QY, Lo KL Evaluation of load shedding to prevent dynamic voltage instability based on extended fuzzy reasoning IET Gener Transm Dis 1997; 144:81–6 [65] Mohkhlis H, Laghari JA, Bakar AHA, Karimi M A fuzzy based under-frequency load shedding scheme for islanded distribution network connected with DG Int Rev Electr Eng 2012; 7:4992–5000 [66] Onat N, Ersoz S Analysis of wind climate and wind energy potential of regions in Turkey Energy 2011; 36:148–56 [67] ZareNezhad B, Aminian A Accurate prediction of sour gas hydrate equilibrium dissociation conditions by using an adaptive neuro fuzzy inference system Energ Convers Manage 2012; 57:143–7 [68] Chaturvedi KT, Pandit M, Srivastava L, Sharma J, Bhatele RP Hybrid fuzzyneural network-based composite contingency ranking employing fuzzy curves for feature selection Neurocomputing 2009; 73:506–16 86 Tài liệu tham khảo [69] Chauhan S Fast real power contingency ranking using counter propagation network: feature selection by neuro-fuzzy model Electr Power Syst Res 2005; 73:343–52 [70] Bikas AK, Voumvoulakis EM, Hatziargyriou ND Neuro-fuzzy decision trees for dynamic security control of power systems Int Conf Intell Syst Appl Power Syst 2009:1–6 [71] Khotanzad A, Enwang Z, Elragal H A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment IEEE T Power Syst 2002; 17:1273–82 [72] Ruhua Y, Eghbali HJ, Nehrir MH An online adaptive neuro-fuzzy power system stabilizer for multimachine systems IEEE T Power Syst 2003; 18:128– 35 [73] Abido MA, Abdel-Magid YL A hybrid neuro-fuzzy power system stabilizer for multimachine power systems IEEE T Power Syst 1998; 13:1323–30 [74] Reddy MJ, Mohanta DK Adaptive-neuro-fuzzy inference system approach for transmission line fault classification and location incorporating effects of power swings IET Gener Transm Dis 2008; 2:235–44 [75] Chiung-Chou L, Hong-Tzer Y Recognizing noise-influenced power quality events with integrated feature extraction and neuro-fuzzy network IEEE T Power Deliver 2009; 24:2132–41 [76] Holland John Henry Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence 5th ed United States of America: University of Michigan Press; 1975 [77] Chao-Rong C, Hang-Sheng L, Wenta T Optimal reactive power planning using genetic algorithm IEEE Int Conf Syst Man Cybernet 2006:5275–9 [78] Cheng-Hung L, Chao-Rong C Using genetic algorithm for overcurrent relay coordination in industrial power system Int Conf Intell Syst Appl Power Syst 2007:1–5 [79] Sanaye-Pasand M, Davarpanah M A new adaptive multidimensional load shedding scheme using genetic algorithm Canadian Conf on Electr Comput Eng 2005:1974–7 [80] Rad BF, Abedi M An optimal load-shedding scheme during contingency situations using meta-heuristics algorithms with application of AHP method Int Conf Optimiz Electr Electron Equip 2008:167–73 [81] Chao-Rong C, Wen-Ta T, Hua-Yi C, Ching-Ying L, Chun-Ju C, Hong-Wei L Optimal load shedding planning with genetic algorithm IEEE Ind Appl Soc 2011:1–6 [82] Luan WP, Irving MR, Daniel JS Genetic algorithm for supply restoration and optimal load shedding in power system distribution networks IET Gener Transm Dis 2002; 149:145–51 87 Tài liệu tham khảo [83] Ying-Yi H, Po-Hsuang C Genetic-based underfrequency load shedding in a stand-alone power system considering fuzzy loads IEEE T Power Deliver 2012; 27:87–95 [84] Hong YY, Hsiao MC, Chang YR, Lee YD, Huang HC Multiscenario underfrequency load shedding in a microgrid consisting of intermittent renewables IEEE T Power Deliver; 2013 p doi.10.1109/tpwrd.2013.2254502 [85] Arroyo JM, Fernández FJ Application of a genetic algorithm to n–K power system security assessment Int J Electr Power 2013; 49:114–21 [86] Al-Hasawi WM, El Naggar KM Optimum steady-state loadshedding scheme using genetic based algorithm Electrotech Conf MELECON 2002:605–9 [87] Kennedy J, Eberhart R Particle swarm optimization IEEE Int Conf Neural Networks 1995:1942–8 [88] Yuan X, Su A, Yuan Y, Nie H, Wang L An improved PSO for dynamic load dispatch of generators with valve-point effects Energy 2009;34: 67–74 [89] Ke M, Hong Gang W, ZhaoYang D, Kit Po W Quantum-inspired particle swarm optimization for valve-point economic load dispatch IEEE T Power Syst 2010; 25:215–22 [90] Chakraborty S, Senjyu T, Yona A, Saber AY, Funabashi T Solving economic load dispatch problem with valve-point effects using a hybrid quantum mechanics inspired particle swarm optimisation IET Gener Transm Dis 2011; 5:1042–52 [91] Lu H, Sriyanyong P, Song YH, Dillon T Experimental study of a new hybrid PSO with mutation for economic dispatch with non-smooth cost function Int J Electr Power 2010; 32:921–35 [92] Jong-Bae P, Ki-Song L, Joong-Rin S, Lee KY A particle swarm optimization for economic dispatch with nonsmooth cost functions IEEE T Power Syst 2005; 20:34–42 [93] Safari A, Shayeghi H Iteration particle swarm optimization procedure for economic load dispatch with generator constraints Exp Syst Appl 2011; 38:6043–8 [94] Shayeghi H, Shayanfar HA, Jalilzadeh S, Safari A Design of output feedback UPFC controller for damping of electromechanical oscillations using PSO Energ Convers Manage 2009; 50:2554–61 [95] Shayeghi H, Shayanfar HA, Jalilzadeh S, Safari A A PSO based unified power flow controller for damping of power system oscillations Energ Convers Manage 2009; 50:2583–92 [96] Shayeghi H, Jalili A, Shayanfar HA Multi-stage fuzzy load frequency control using PSO Energ Convers Manage 2008;49: 2570–80 [97] Sadati N, Amraee T, Ranjbar AM A global particle swarm-basedsimulated annealing optimization technique for under-voltage load shedding problem Appl Soft Comput 2009; 9:652–7 88 Tài liệu tham khảo [98] El-Zonkoly A, Saad M, Khalil R New algorithm based on CLPSO for controlled islanding of distribution systems Int J Electr Power 2013; 45:391– 403 [99] Calderaro V, Galdi V, Cortes-Carmona M, Palma-Behnke R Fuzzy loadshedding strategy in distribution systems Int Conf Intell Syst Des Appl 2011:319–24 [100] Tarafdar Hagh M, Galvani S A multi objective genetic algorithm for weighted load shedding In: 18th Iranian conference on electrical engineering (ICEE); 2010 p 867–73 [101] Yinliang X, Wenxin L, Jun G Stable multi-agent-based load shedding algorithm for power systems IEEE T Power Syst 2011; 26:2006–14 [102] Hsu, C T., Kang, M S., and Chen, C S., “Design of adaptive load shedding by artificial neural networks,” IEE Proc Generat Transm Distrib., Vol 152, No 3, pp 415–421, 2005 [103] Moazzami, M., and Khodabakhshian, A., “A new optimal adaptive under frequency load shedding using artificial neural networks,” 18th Iranian Conference on Electrical Engineering (ICEE), pp 824–829, Isfahan, Iran, 11– 13 May 2010 [104] 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, pp 220–228, 2012 [105] T.L Saaty.: The Analytic Hierarchy Process McGraw-Hill, New York, (1980) [106] 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 [107] 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, pp 4135 - 4143, 2015 89 ... sa thải phụ tải truyền thống Các kỹ thuật sa thải phụ tải Các kỹ thuật sa thải phụ tải thích nghi Các kỹ thuật sa thải phụ tải thông minh UVLS sa UFLS sa thải phụ tải tần số Particle thải phụ. .. 1.2 Yếu tố lựa chọn sa thải tải Để có chu trình sa thải tải hồn chỉnh cần yếu tố: Thời điểm sa thải tải; Vị trí tải sa thải; Lượng tải sa thải Việc lựa chọn yếu tố quan trọng phương pháp sa thải. .. ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU SA THẢI PHỤ TẢI CÓ XÉT ĐẾN CÁC YẾU TỐ ẢNH HƯỞNG Mã số: T2017-64TĐ Chủ nhiệm đề tài: ThS Lê Trọng Nghĩa TP HCM, 03/2018 Nghiên cứu sa thải phụ tải có