(Đề tài NCKH) xây dựng mô hình nhận dạng ổn định hệ thống điện

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 XÂY DỰNG MƠ HÌNH NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN MÃ SỐ: T2019 SKC006930 Tp Hồ Chí Minh, tháng 03/2020 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 XÂY DỰNG MÔ HÌNH NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN T2019-45TĐ Chủ nhiệm đề tài: TS NGUYỄN NGỌC ÂU Tp Hồ Chí Minh – tháng 3/2020 i 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 XÂY DỰNG MÔ HÌNH NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN T2019-45TĐ Chủ nhiệm đề tài: TS NGUYỄN NGỌC ÂU Tp Hồ Chí Minh – tháng 3/2020 ii Danh sách thành viên tham gia nghiên cứu đề tài đơn vị phối hợp chính: Chủ nhiệm đề tài: TS NGUYỄN NGỌC ÂU Đề tài thực tại: PHÒNG NGHIÊN CỨU NĂNG LƯỢNG MỚI VÀ HỆ THÔNG ĐIỆN C201 KHOA ĐIỆN ĐIỆN TỬ TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TPHCM iii MỤC LỤC Trang tựa Quyết định giao đề tài MỤC LỤC LIỆT KÊ HÌNH DANH SÁCH CÁC CHỮ VIẾT TẮT CÁC KÝ HIỆU 1.1 Tổng quan tình hình nghiên cứu 1.2 Tính cần thiết 1.3 Mục tiêu đề tài 1.4 Đối tượng phạm vi nghiên cứu 1.5 Cách tiếp cận phương pháp nghiên cứu 1.6 Bố cục đề tài 2.1Mạng nơ-ron nhân tạo 2.1.1 Giới t 2.1.2 Mô h 2.1.3 Mô h 2.1.3.1 Cấu trúc mơ hình nơ-ron nhân tạo iv 2.1.3.2 Cấu trúc mơ hình mạng nơ-ron nhân tạo nhiều 2.1.4 Phân l 2.1.5 Mạng 2.2Bộ phân lớp K-Nearest Neighbor 2.3Bộ phân lớp máy vector hỗ trợ 2.3.1 Bộ phâ 2.3.2 Biên tố 2.3.3 Hàm n 2.4Tóm tắt chương 3.1Ởn định đợng hệ thống điện 3.1.1 Các c 3.1.2 Ởn đị 3.2Các phương pháp phân tích đánh giá ổn định động hệ thống điện 3.2.1 Mô h 3.2.2 Phươ 3.2.3 Phươ 3.2.4 Phươ 3.2.5 Phươ 3.3Các khâu xây dựng mơ hình nhận dạng v 3.3.2.1 Chuẩn hoá dữ liệu 3.3.2.2 Biến đầu vào biến đầu cho mô hình 3.3.3.1 3.3.3.2 Tiêu chuẩn Scatter Matrix (SM) 3.4Tóm tắt chương 4.1 Xây dựng mơ hình nhận dạng ổn định động hệ thống điện 28 4.2 Sơ đồ IEEE 39-bus 29 4.3 Tạo sở liệu 30 4.4 Xử lý liệu 31 4.5 Xây dựng mơ hình nhận dạng 33 4.6 Tóm tắt chương 36 5.1 Kết đạt 37 vi 5.2 Hướng phát triển 37 PHỤ LỤC vii LIỆT KÊ HÌNH TRANG Hình 2.1 Mơ hình nơ-ron sinh học Hình 2.2 Mơ hình mợt nơ-ron nhân tạo Hình 2.3 Cấu trúc mơ hình mạng nơ-ron nhân tạo nhiều lớp truyền thẳng Hình 2.4 Sơ đồ minh họa thuật toán SVM 11 Hình 2.5 Minh họa cho trường hợp liệu hai lớp khơng hồn tồn tách biệt 14 Hình 3.1 Trạng thái điểm vận hành hệ thống điện .16 Hình 3.2 Phân loại ổn định hệ thống điện theo IEEE/CIGRE 18 Hình 3.3 Các khâu xây dựng mơ hình nhận dạng 23 Hình 3.4 Ma trận không gian liệu 25 Hình 4.1 Mơ hình bợ nhận dạng .29 Hình 4.2 HTĐ IEEE 39-bus 29 Hình 4.3 Đợ xác kiểm tra chọn biến, bộ nhận dạng K-NN (K=1) 32 Hình 4.4 Đặc tuyến hợi tụ huấn luyện mạng MLP 33 Hình 4.5 Hệ số tương quan .34 Hình 4.6 Đồ thị cặp thơng số (C, K) đường mức đợ xác kiểm tra 35 viii LIỆT KÊ BẢNG TRANG Bảng 2.1 Một số hàm phi tuyến thường dùng mơ hình nơ-ron Bảng 4.1 Các biến chọn 32 Bảng 4.2 Kết xây dựng bộ phân lớp 35 ix Nguyễn Ngọc Âu  Nghiên cứu mở rộng áp dụng phương pháp nghiên cứu đề tài cho nhận dạng ổn định điện áp, ổn định tần số 38 Nguyễn Ngọc Âu TÀI LIỆU THAM KHẢO [1] Y V Makarov, V I Reshetov, V A Stroev, and N I Voropai, “Blackout prevention in the United States, Europe, and Russia,” Proc IEEE, vol 93, no 11, pp 1942–1954, 2005 [2] Y Xu, S Member, Z Y Dong, S Member, L Guan, and R Zhang, “Preventive Dynamic Security Control of Power Systems Based on Pattern Discovery Technique,” vol 27, no 3, pp 1236–1244, 2012 [3] A M A Haidar, M W Mustafa, F A F Ibrahim, and I A Ahmed, “Transient stability evaluation of electrical power system using generalized regression neural networks,” Appl Soft Comput J., vol 11, no 4, pp 3558– 3570, 2011 [4] S Kalyani and K S Swarup, “Supervised fuzzy C-means clustering technique for security assessment and classification in power systems,” Multicr Int J Eng Sci Technol., vol 2, no 3, pp 175–185, 2010 [5] A Hoballah and I Erlich, “Transient stability assessment using ANN considering power system topology changes,” 2009 15th Int Conf Intell Syst Appl to Power Syst ISAP ’09, 2009 [6] A Karami, “Power system transient stability margin estimation using neural networks,” Int J Electr Power Energy Syst., vol 33, no 4, pp 983–991, 2011 [7] N Amjady and S F Majedi, “Transient stability prediction by a hybrid intelligent system,” IEEE Trans Power Syst., vol 22, no 3, pp 1275–1283, 2007 [8] A Y Abdelaziz and M A El-Dessouki, “Transient Stability Assessment using Decision Trees and Fuzzy Logic Techniques,” Int J Intell Syst Appl., vol 5, no 10, pp 1–10, 2013 [9] Power Y Xu et al., “Assessing Short-Term Voltage Stability of Electric Systems by a Hierarchical Intelligent System,” IEEE Trans Neural Networks Learn Syst., vol 27, no 8, pp 1686–1696, 2016 [10] S M Ashraf, A Gupta, D K Choudhary, and S Chakrabarti, “Voltage 39 Nguyễn Ngọc Âu stability monitoring of power systems using reduced network and artificial neural network,” Int J Electr Power Energy Syst., vol 87, pp 43–51, 2017 [11] R Zhang, Y Xu, Z Y Dong, K Meng, and Z Xu, “Intelligent systems for power system dynamic security assessment: Review and classification,” 2011 4th Int Conf Electr Util Deregul Restruct Power Technol., pp 134– 139, 2011 [12] Z Y Dong, Z Rui, and Y Xu, “Feature selection for intelligent stability assessment of power systems,” in 2012 IEEE Power and Energy Society General Meeting, 2012, pp 1–7 [13] A Karami and S Z Esmaili, “Transient stability assessment of power systems described with detailed models using neural networks,” Int J Electr Power Energy Syst., vol 45, no 1, pp 279–292, 2013 [14] A M A Haidar, A Mohamed, A Hussain, and N Jaalam, “Artificial Intelligence application to Malaysian electrical powersystem,” Expert Syst Appl., vol 37, no 7, pp 5023–5031, 2010 [15] W Hu et al., “Real-time transient stability assessment in power system based on improved SVM,” J Mod Power Syst Clean Energy, vol 7, no 1, 2019 [16] Y Zhou, J Wu, Z Yu, L Ji, and L Hao, “A hierarchical method for transient stability prediction of power systems using the confidence of a SVM-based ensemble classifier,” Energies, vol 9, no 10, 2016 [17] F R Gomez, A D Rajapakse, U D Annakkage, and I T Fernando, “Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements,” IEEE Trans Power Syst., vol 26, no 3, pp 1474–1483, 2011 [18] S Kalyani and K S Swarup, “Pattern analysis and classification for security evaluation in power networks,” Int J Electr Power Energy Syst., vol 44, no 1, pp 547–560, 2013 [19] S Haykin, Neural Networks and Learning Machines, Third Edit Pearson Prentice Halll, 2009 40 Nguyễn Ngọc Âu [20] M H Beale, M T Hagan, and H B Demuth, “Neural Network TM Toolbox User ’ s Guide R 2014 a,” 2014 [21] S Theodoridis and K Koutroumbas, Pattern Recognition, Fourth Edi Elsevier Inc, 2009 [22] 2011 A R Webb and K D Copsey, Statistical Pattern Recognition [23] B E Boser, T B Laboratories, I M Guyon, T B Laboratories, and V N Vapnik, “A Training Algorithm for Optimal Margin Classiers,” Proc 5th Annu Work Comput Learn Theory, p page 144-152, 1992 [24] C Cortes and V Vapnik, “Support-Vector Networks,” Proc Mach Learn., vol 20, pp 273–297, 1995 [25] H Byun and S Lee, “Applications of Support Vector Machines for Pattern Recognition : A Survey,” Springer-Verlag Berlin Heidelb 2002, pp 213– 236, 2002 [26] Lã Văn Út, Phân tích & điều khiển ổn định hệ thống điện NXB Đại Học Quốc Gia TP.HCM, 2011 [27] Nguyễn Hồng Việt and Phan Thị Thanh Bình, Ngắn Mạch & Ổn Định Trong Hệ Thống Điện NXB Đại Học Quốc Gia TP.HCM, 2011 [28] P Kundur, N J Balu, and M G Lauby, Power system stability and control McGraw-Hill, Inc, 1994 [29] T a Lipo, Analysis of Synchronous Machines, Second Edi CRC Press, 2012 [30] K Y Lee and M A El-Sharkawi, Modern Heuristic Optimization Techniques A John Wiley & Sons Inc Publication, 2008 [31] M Cheriet, N Kharma, C.-L Liu, and C Y Suen, Character Recognition Systems - A Guide for Students and Practioners A Jonhn Wley Inc., 2007 [32] N.N.Au, Q.H.Anh, and P.T.T.Binh, “Feature Subset Selection in Dynamic Stability Assessment Power System Using Artificial Neural Networks,” Sci Technol Dev Vol.18, No.K3, 2015 [33] N.N.Au, Q.H.Anh, and P.T.T.Binh, “Dyanamic Stability Assessment Of Power System Using Multilayer Feedforward Neural Networks With Reduced Feature Selection,” 2Nd Int Conf Green Technol Sustain Dev 41 Nguyễn Ngọc Âu 2014, vol 2, no 1, pp 5–10, 2014 [34] N A Nguyen, T N Le, H A Quyen, B P T Thanh, and T B Nguyen, “Hybrid Classifier Model for Dynamic Stability Prediction in Power System,” Proc - 2017 Int Conf Syst Sci Eng ICSSE 2017, vol 2017, no Icsse, pp 144–147, 2017 [35] N.N.Au, L.T.Nghia, Q.H.Anh, and P.T.T.Binh, “Sa thải phụ tải dựa nhận dạng nhanh ổn định động hệ thống điện,” Tạp chí Khoa học Công nghệ Đại học Đà nẵng, vol 2, no 6, pp 6–11, 2017 42 Nguyễn Ngọc Âu PHỤ LỤC Bảng PL1 Công suất máy phát Bus Bảng PL2 Mơ hình Unit No Bảng PL3 Thông s Bus 39 38 37 36 35 34 Tr Ka 6.2 40 Nguyễn Ngọc Âu 33 40 32 31 40 30 40 Bảng PL4 Thông số thiết bị điều chỉnh tần số TGOV1 Bảng PL5 Thông số máy biến áp From Bus Nguyễn Ngọc Âu Bảng PL6 Thông số trở kháng đường dây From Bus Nguyễn Ngọc Âu Bảng PL7 Thông số trở kháng thứ tự không đường dây From Bus 1 2 3 4 5 6 10 Nguyễn Ngọc Âu Nguyễn Ngọc Âu ... xác nhận dạng Vì vậy, tác giả đề xuất áp dụng bộ nhận dạng SVM để xây dựng mơ hình nhận dạng ổn định hệ thống điện đề tài 1.3 Mục tiêu đề tài   Xây dựng mơ hình nhận dạng ổn định hệ thống điện. .. Mục tiêu: 12 MỤC TIÊU ĐỀ TÀI - Xây dựng mơ hình nhận dạng ổn định hệ thống điện Tính sáng tạo: Đề nghị áp dụng bợ nhận dạng SVM xây dựng bộ nhận dạng ổn định hệ thống điện nâng cao đợ xác Kết... Trong [14] ổn định hệ thống điện phân loại theo IEEE/CIGRE gồm: ổn định góc rotor, ổn định tần số ổn định điện áp Phân loại ổn định hệ thống điện trình bày Hình 3.1 Ởn định đợng ổn định góc rotor