Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong sa thải phụ tải có xét đến yếu tố điều khiển sơ cấp, thứ cấp tổ máy phát điện và hệ số tầm quan trọng của tải

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NCKH CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO TRONG SA THẢI PHỤ TẢI CÓ XÉT ĐẾN YẾU TỐ ĐIỀU KHIỂN SƠ CẤP, THỨ CẤP TỔ MÁY PHÁT ĐIỆN VÀ HỆ SỐ TẦM QUAN TRỌNG CỦA TẢI S K C 0 9 MÃ SỐ: T2020-22TĐ S KC 0 Tp Hồ Chí Minh, tháng 12/2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KHCN CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO TRONG SA THẢI PHỤ TẢI CÓ XÉT ĐẾN YẾU TỐ ĐIỀU KHIỂN SƠ CẤP, THỨ CẤP TỔ MÁY PHÁT ĐIỆN VÀ HỆ SỐ TẦM QUAN TRỌNG CỦA TẢI Mã số: T2020-22TĐ Chủ nhiệm đề tài: ThS Lê Thị Hồng Nhung TP HCM, 12/2020 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BÁO CÁO TỔNG KẾT ĐỀ TÀI KHCN CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO TRONG SA THẢI PHỤ TẢI CÓ XÉT ĐẾN YẾU TỐ ĐIỀU KHIỂN SƠ CẤP, THỨ CẤP TỔ MÁY PHÁT ĐIỆN VÀ HỆ SỐ TẦM QUAN TRỌNG CỦA TẢI Mã số: T2020-22TĐ Chủ nhiệm đề tài: ThS Lê Thị Hồng Nhung Thành viên đề tài: PGS TS Quyền Huy Ánh ThS Lê Trọng Nghĩa KS Nguyễn Thái An TP HCM, 12/2020 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung DANH SÁCH NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI STT Họ tên Lê Trọng Nghĩa Nguyễn Thái An Quyền Huy Ánh Đơn vị công tác lĩnh vực chuyên môn Nội dung nghiên cứu cụ thể giao Khoa Điện – Điện Tử Nghiên cứu tổng quan phương pháp sa thải phụ tải Khoa Điện – Điện Tử Nghiên cứu tìm hiểu phương pháp xác định hệ số tầm quan trọng phụ tải Khảo sát, thử nghiệm nhằm kiểm chứng hiệu phương pháp đề xuất Khoa Điện – Điện Tử Nghiên cứu ứng dụng mạng nơ-ron nhân tạo sa thải phụ tải có xét đến yếu tố điều khiển sơ cấp, thứ cấp tổ máy phát điện, hệ số tầm quan trọng tải i Chữ ký Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung MỤC LỤC DANH SÁCH NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI i MỤC LỤC ii DANH MỤC CÁC HÌNH v DANH MỤC CÁC BẢNG vi CÁC TỪ VIẾT TẮT vii THÔNG TIN KẾT QUẢ NGHIÊN CỨU viii PHẦN MỞ ĐẦU 1.1 Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài nước 1.2 Tính cấp thiết đề tài 1.3 Mục tiêu – Cách tiếp cận – Phương pháp nghiên cứu .3 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 .3 1.4.1 Đối tượng nghiên cứu: 1.4.2 Phạm vi nghiên cứu 1.5 Nội dung nghiên cứu PHẦN MỞ ĐẦU PHẦN NỘI DUNG Chương NGHIÊN CỨU TỔNG QUAN CÁC PHƯƠNG PHÁP SA THẢI PHỤ TẢI 1.1 Khái quát sa thải phụ tải thống điện 1.2 Tổng quan nghiên cứu liên quan 1.2.1 Các nghiên cứu nước 1.2.2 Các nghiên cứu nước Chương PHƯƠNG PHÁP ĐIỀU KHIỂN TẦN SỐ SƠ CẤP, THỨ CẤP VÀ PHƯƠNG PHÁP XÁC ĐỊNH HỆ SỐ TẦM QUAN TRỌNG CỦA PHỤ TẢI 10 ii Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung 2.1 Điều khiển tần số sơ cấp thứ cấp hệ thống điện 10 2.1.1 Đặc tính điều khiển tần số tua-bin máy phát 10 2.1.2 Điều khiển sơ cấp thứ cấp 12 2.2 Tính tốn hệ số tầm quan trọng dựa thuật toán AHP 14 Chương PHƯƠNG PHÁP SA THẢI PHỤ TẢI CÓ XÉT ĐẾN YẾU TỐ ĐIỀU KHIỂN SƠ CẤP, THỨ CẤP TỔ MÁY PHÁT ĐIỆN VÀ HỆ SỐ TẦM QUAN TRỌNG CỦA TẢI 17 3.1 Đáp ứng tần số hệ thống điện 17 3.2 Tính tốn lượng cơng suất sa thải phụ tải tối thiểu có xét điều khiển sơ - thứ cấp hệ số tầm quan trọng: 18 Chương MẠNG NƠ-RON NHÂN TẠO VÀ CÁC THUẬT TOÁN HUẤN LUYỆN 21 4.1 Các khái niệm mạng neural nhân tạo 21 4.2 Các thành phần nạng Neural nhân tạo 21 4.2.1 Mơ hình neural 21 4.2.2 Mơ hình kết nối (Connections) 22 4.2.3 Các qui tắc học (Learning rules) 23 4.3 Phân loại mạng neural 25 4.4 Các loại mạng neural 25 4.5 Đặc tính mạng neural 26 4.6 Các thuật toán huấn luyện 27 4.6.1 Thuật toán huấn luyện Lenvenberg – Marquardt (trainlm) 27 4.6.2 Thuật toán huấn luyện Bayesian (trainbr) 27 4.6.3 Thuật toán huấn luyện Scaled Conjugate Gradient (trainscg) 27 4.6.4 Thuật toán huấn luyện Resillient backpropagation (trainrp) 27 Chương PHƯƠNG PHÁP SA THẢI PHỤ TẢI ĐỀ XUẤT VÀ KHẢO SÁT, THỬ NGHIỆM TRÊN HỆ THỐNG ĐIỆN 28 5.1 Giới thiệu sơ đồ 37-Bus IEEE 28 5.2 Thử nghiệm phương pháp đề xuất mơ hình IEEE 37-Bus 28 5.2.1 Đề xuất phương pháp sa thải 28 iii Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung 5.2.2 Thử nghiệm sơ đồ 37-Bus IEEE 30 5.2.3 Xây dựng tập mẫu học huấn luyện mạng nơron 33 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 38 6.1 Kết luận 38 6.2 Hướng phát triển đề tài 38 TÀI LIỆU THAM KHẢO 39 iv Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung DANH MỤC CÁC HÌNH Hình Tổng quan kỹ thuật sa thải phụ tải hệ thống điện Hình 2.1 Đặc tính điều chỉnh máy phát có điều tốc 10 Hình 2.2 Đặc tính điều chỉnh máy phát khơng có điều tốc 11 Hình 2.3 Đặc tính thay đổi công suất tua-bin theo thay đổi tần số tổ máy có điều tốc 11 Hình 2.4 Đặc tính thay đổi công suất tua-bin theo thay đổi tần số tổ máy khơng có điều tốc 12 Hình 2.5 Ảnh hưởng đường đặc tính q trình điều khiển sơ cấp 13 Hình 2.6 Ảnh hưởng đường đặc tính q trình điều khiển thứ cấp 14 Hình 3.1: Máy phát cung cấp cho phụ tải độc lập 17 Hình 4.1 Mơ hình tốn đơn giản neural 21 Hình 4.2 Mạng Feedforward lớp 22 Hình 4.3 Mạng Feedforward đa lớp 22 Hình 4.4 Neural có hồi tiếp 23 Hình 4.5 Mạng neural hồi tiếp lớp 23 Hình 4.6 Mạng neural hồi tiếp đa lớp 23 Hình 4.7 Học có gíám sát 24 Hình 4.8 Học củng cố 24 Hình 4.9 Học khơng có giám sát 25 Hình 5.1 Sơ đồ đơn tuyến hệ thống IEEE 37-Bus 28 Hình 5.2 Lưu đồ phương pháp sa thải tải đề xuất 29 Hình 5.3 Mơ hình AHP vùng trung tâm tải đơn vị tải cho sơ đồ IEEE 37 Bus 30 Hình 5.4 Cấu hình ANN 34 Hình 5.5 So sánh độ xác huấn luyện kiểm tra thuật toán huấn luyện ANN 35 Hình 5.6 Tần số hệ thống áp dụng phương pháp giảm tải truyền thống phương pháp đề xuất 36 v Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung DANH MỤC CÁC BẢNG Bảng 5.1: Ma trận phán đoán trung tâm phụ tải LCi 30 Bảng 5.2: Ma trận phán đoán phụ tải Lj trung tâm tải LC1 30 Bảng 5.3: Ma trận phán đoán phụ tải Lj trung tâm tải LC2 31 Bảng 5.4: Ma trận phán đoán phụ tải Lj trung tâm tải LC3 31 Bảng 5.5: Ma trận phán đoán phụ tải Lj trung tâm tải LC4 31 Bảng 5.6: Giá trị tải hệ số quan trọng tải tính AHP 32 Bảng 5.7: Giá trị thông số công suất điều chỉnh sơ cấp máy phát 33 Bảng 5.8: Độ huấn luyện kiểm tra thuật toán huấn luyện ANN 34 Bảng 5.9: So sánh thiệt hại kinh tế sa thải tải dựa thuật toán AHP UFLS 36 vi Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung CÁC TỪ VIẾT TẮT HTĐ Hệ Thống Điện IEEE Institute of Electrical and Electronics Engineers UFLS Under Frequency Load Shedding ANN Artificial Neural Network ANFIS Adaptive Neuro Fuzzy Inference System PSO Particle Swarm Optimization vii Báo cáo nghiên cứu khoa học - ThS Lê Thị Hồng Nhung Đáp ứng nhanh, tin cậy hiệu Loại nhiễu, thích nghi tối ưu 4.6 Các thuật tốn huấn luyện Có thuật tốn huấn luyện Matlab khuyến dùng toán nhận dạng: Lenvenberg-Marquardt, Bayesian, Scaled Conjugate Gradient Resillient Backpropagation 4.6.1 Thuật toán huấn luyện Lenvenberg – Marquardt (trainlm) net.trainFcn = 'trainlm' [net,tr] = train(net, ) Trainlm hàm huấn luyện mạng mà cập nhật giá trị trọng số ngưỡng theo giải thuật tối ưu Levenberg-Marquardt Trainlm thuật toán lan truyền ngược nhanh so với thuật toán khác lựa chọn nhiều [22] net.trainFcn = 'trainlm' thiết lập mạng đặc tính trainFcn [net,tr] = train(net, ) huấn luyện mạng với trainlm 4.6.2 Thuật toán huấn luyện Bayesian (trainbr) Trainbr hàm huấn luyện mạng, cho phép cập nhận giá trị trọng số ngưỡng Giảm thiểu kết hợp lỗi bình phương trọng số, sau xác định kết hợp xác để tạo mạng neuralcó tính khái qt tốt Quá trình gọi quy tắc Bayes [23] net.trainFcn = 'trainbr' : Thiết lập mạng [net,tr] = train(net, ) Huấn luyện mạng với trainbr 4.6.3 Thuật toán huấn luyện Scaled Conjugate Gradient (trainscg) Trainscg hàm huấn luyện mạng, hàm cập nhật giá trị trọng số ngưỡng giá trị theo phương pháp liên hiệp [24] net.trainFcn = 'trainscg' : thiết lập mạng [net,tr] = train(net, ) : huấn luyện mạng 4.6.4 Thuật toán huấn luyện Resillient backpropagation (trainrp) Trainrp hàm huấn luyện mạng, hàm cập nhật giá trị trọng số ngưỡng theo thuật toán lan truyền ngược [25] net.trainFcn = 'trainrp' : ( thiết lập mạng) [net,tr] = train(net, ) : (huấn luyện mạng với trainrp) 27 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung Chương PHƯƠNG PHÁP SA THẢI PHỤ TẢI ĐỀ XUẤT VÀ KHẢO SÁT, THỬ NGHIỆM TRÊN HỆ THỐNG ĐIỆN 5.1 Giới thiệu sơ đồ 37-Bus IEEE Hệ thống điện chuẩn IEEE 37-Bus [4] chọn làm hệ thống thử nghiệm Sơ đồ đơn tuyến hệ thống trình bày Hình 5.1 Trường hợp có máy phát điện, 25 tải 57 nhánh với máy phát SLACK345 Bus 31 bus cân Sơ đồ xây dựng với ba cấp điện áp khác (69 kV, 138 kV 345 kV) Hình 5.1 Sơ đồ đơn tuyến hệ thống IEEE 37-Bus 5.2 Thử nghiệm phương pháp đề xuất mơ hình IEEE 37-Bus 5.2.1 Đề xuất phương pháp sa thải Khi có máy phát bị cố hệ thống điện, hệ thống SCADA thu thập liệu thông số hệ thống điện Trong trường hợp sau thực trình điều khiển tần số sơ cấp điều khiển tần số thứ cấp mà tần số chưa khôi phục giá trị cho phép liệu đưa vào tập liệu để huấn luyện mạng noron ANN để phân bố chiến lược điều khiển sa thải phụ tải 28 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung Trong trường hợp này, lượng công suất sa thải phụ tải tối thiểu tính tốn Sau đó, việc phân bố lượng cơng suất sa thải phụ tải bus tải thực dựa thuật toán AHP Ở đây, thuật toán AHP giúp việc tính tốn hệ số tầm quan trọng phụ tải Phụ tải có hệ số tầm quan trọng nhỏ ưu tiên sa thải lượng công suất lớn ngược lại Lưu đồ giải thuật phương pháp sa thải phụ tải đề xuất trình bày Hình 5.2 Hình 5.2 Lưu đồ phương pháp sa thải tải đề xuất 29 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung 5.2.2 Thử nghiệm sơ đồ 37-Bus IEEE Từ hệ thống kiểm tra IEEE 37 bus máy phát, dựa bước trình bày mục 2.2 để xây dựng mơ hình phân cấp, ma trận phán đoán tâm phụ tải phụ tải trung tâm phụ tải Kết việc xây dựng hệ thống phân cấp mơ hình trình bày Hình 5.3 từ Bảng 5.1 đến Bảng 5.5 Hình 5.3 Mơ hình AHP vùng trung tâm tải đơn vị tải cho sơ đồ IEEE 37 Bus Bảng 5.1: Ma trận phán đoán trung tâm phụ tải LCi PI LC1 LC2 LC3 LC4 LC1 1/1 1/3 1/1 1/1 LC2 3/1 1/1 1/1 3/1 LC3 1/1 1/1 1/1 1/2 LC4 1/1 1/3 2/1 1/1 Bảng 5.2: Ma trận phán đoán phụ tải Lj trung tâm tải LC1 L2 L3 L4 L5 L6 L7 L8 L9 L2 1/1 1/1 1/1 1/3 1/2 1/3 1/2 1/2 L3 1/1 1/1 3/1 1/1 2/1 1/1 2/1 1/1 L4 1/1 1/3 1/1 1/2 1/1 1/2 1/1 2/1 L5 3/1 1/1 2/1 1/1 1/3 1/3 1/1 1/3 L6 2/1 1/2 1/1 3/1 1/1 1/1 3/1 1/3 L7 3/1 1/1 2/1 3/1 1/1 1/1 1/2 1/1 L8 2/1 1/2 1/1 1/1 1/3 2/1 1/1 1/2 L9 2/1 1/1 1/2 3/1 3/1 1/1 2/1 1/1 30 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung Bảng 5.3: Ma trận phán đoán phụ tải Lj trung tâm tải LC2 L10 L11 L12 L13 L14 L10 1/1 1/1 1/1 1/3 1/2 L11 1/1 1/1 3/1 1/1 1/1 L12 1/1 1/3 1/1 1/2 2/1 L13 3/1 1/1 2/1 1/1 1/3 L14 2/1 1/1 1/2 3/1 1/1 Bảng 5.4: Ma trận phán đoán phụ tải Lj trung tâm tải LC3 L15 L16 L19 L22 L23 L15 1/1 1/2 1/1 1/1 1/2 L16 2/1 1/1 3/1 1/3 1/1 L19 1/1 1/3 1/1 1/2 2/1 L22 1/1 3/1 2/1 1/1 1/3 L23 2/1 1/1 1/2 3/1 1/1 Bảng 5.5: Ma trận phán đoán phụ tải Lj trung tâm tải LC4 L25 L30 L32 L34 L35 L36 L37 L25 1/1 1/1 1/1 1/3 1/2 1/3 1/2 L30 1/1 1/1 3/1 1/1 1/1 1/1 1/1 L32 1/1 1/3 1/1 1/2 2/1 1/2 2/1 L34 3/1 1/1 2/1 1/1 1/3 1/3 1/1 L35 2/1 1/1 1/2 3/1 1/1 1/1 3/1 L36 3/1 1/1 2/1 3/1 1/1 1/1 1/2 L37 2/1 1/1 1/2 1/1 1/3 2/1 1/1 Giả sử máy phát BLT138 (Bus 53) bị cố ngắt khỏi lưới điện Trong sơ đồ hệ thống điện máy phát IEEE 37 bus, SLACK 345 (SLACK Bus) chọn làm máy phát điều khiển tần số thứ cấp Lượng công suất điều khiển thứ cấp 10,72MW Giá trị công suất điều khiển sơ cấp tuabin máy phát thể Bảng 5.7 Trong trường hợp sau điều khiển tần số sơ cấp thứ cấp thực hiện, giá trị tần số chưa khôi phục giá trị cho phép Vì phải giảm tải để khôi phục tần số giá trị cho phép Áp dụng cơng thức (3.16) tính tốn lượng cơng suất tải giảm thiểu tối thiểu để khôi phục tần số giá trị cho phép Sau q trình tính tốn tổng lượng 31 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung sa thải tối thiểu 16.64MW Lượng công suất phân phối cho nút phụ tải theo hệ số quan trọng phụ tải Bảng phân bố khả sa thải tải Bus tải trình bày Bảng 5.6 Bảng 5.6: Giá trị tải hệ số quan trọng tải tính AHP Bus tải Chi phí Cmi($/kW ) WLj Hệ số tầm quan trọng Wij PLSi (MW) 0.18 L2 220 0.07 0.0126 1.59 LC1 0.18 L3 200 0.16 0.0293 0.68 LC1 0.18 L4 280 0.10 0.0172 1.16 LC1 0.18 L5 200 0.10 0.0178 1.12 LC1 0.18 L6 250 0.14 0.0246 0.81 LC1 0.18 L7 300 0.16 0.0283 0.71 LC1 0.18 L8 280 0.10 0.0187 1.07 LC1 0.18 L9 280 0.17 0.0308 0.65 LC2 0.41 L10 245 0.07 0.0556 0.36 LC2 0.41 L11 280 0.14 0.0991 0.2 LC2 0.41 L12 220 0.24 0.0638 0.31 LC2 0.41 L13 280 0.16 0.0913 0.22 LC2 0.41 L14 220 0.22 0.0991 0.2 LC3 0.20 L15 280 0.15 0.0295 0.68 LC3 0.20 L16 220 0.23 0.0447 0.45 LC3 0.20 L19 245 0.16 0.0312 0.64 LC3 0.20 L22 220 0.23 0.0447 0.45 LC3 0.20 L23 280 0.24 0.0484 0.41 LC4 0.21 L25 280 0.08 0.0176 1.13 LC4 0.21 L30 220 0.16 0.0344 0.58 LC4 0.21 L32 250 0.12 0.0252 0.79 LC4 0.21 L34 300 0.13 0.0278 0.72 LC4 0.21 L35 245 0.19 0.0403 0.5 LC4 0.21 L36 280 0.19 0.0403 0.5 LC4 0.21 L37 300 0.13 0.0278 0.72 Trung tâm tải WLCi Wkj LC1 Tổng công suất (MW) 32 16.64 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung Bảng 5.7: Giá trị thông số công suất điều chỉnh sơ cấp máy phát PG (pu) R PPri PG , n 31.5 0.315 0.05 0.035 JO345#1 135 1.35 0.05 0.15 30 JO345#2 135 1.35 0.05 0.15 30 SLACK345 187.28 1.8728 0.05 0.22 44 LAUF69 135 1.35 0.05 0.15 30 BOB69 46 0.46 0.05 0.052 10.4 ROGER69 72 0.72 0.05 0.08 16 BLT138 0 0.05 0 BLT69 99 0.99 0.05 0.11 22 0.947 189.4 STT Máy phát WEBER69 Tổng PG (MW) 831.78 8.3178 R 5.2.3 Xây dựng tập mẫu học huấn luyện mạng nơron Việc xây dựng tập mẫu thực sau: Phần mềm PowerWorld GSO 19 sử dụng để mô off-line nhằm thu thập liệu cho việc huấn luyện mạng nơron để phân bố chiến lược điều khiển sa thải phụ tải có cố máy phát xảy Với trường hợp, sau thực trình điều khiển tần số sơ cấp điều khiển tần số thứ cấp, hệ thống điện thực sa thải phụ tải tần số giảm xuống ngưỡng cho phép 59.7Hz Lượng công suất sa thải phụ tải tính tốn việc phân bố cơng suất sa thải phụ tải Bus tải thực dựa thuật toán AHP Đối với việc xây dựng tập mẫu huấn luyện tiến hành cách thay đổi mức tải từ 60% đến 100% mức phụ tải cực đại, thay đổi vị trí máy phát bị cố Trong q trình mơ phỏng, trường hợp phải sa thải phụ tải cho vào tập liệu để huấn luyện mạng nơron, Kết tập liệu bao gồm 122 mẫu Trong trình huấn luyện mạng nơ-ron, tập liệu chia chia 80% liệu để huấn luyện 20% liệu để kiểm tra Các liệu chuẩn hóa trước huấn luyện Về cấu trúc mạng nơ ron gồm lớp: lớp đầu vào, lớp ẩn lớp đầu Tổng số biến đầu vào 164 biến (bao gồm: biến ΔPG, 25 biến ΔPLoad 56 biến ΔPBranch, 37 biến Δfbus, 37 biến ΔVbus) Lượng công suất sa thải bus tải (25 biến) tín hiệu đầu tương ứng với trường hợp máy phát bị cố Cấu hình mạng ANN trình bày hình 5.4 Tiến hành huấn luyện nơ-ron ANN2 với trường hợp sử dụng mạng nơ-ron lan truyền ngược Back Propagation Neural Network (BPNN) với thuật toán huấn luyện: Lenvenberg-Marquardt (trainlm), Bayesian (trainbr), Scaled Conjugate Gradient (trainscg), 33 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung Resillient Backpropagation (trainrp) để so sánh hiệu phương pháp huấn luyện Kết độ xác huấn luyện độ xác kiểm tra phương pháp huấn luyện trình bày Bảng 5.8 Hình 5.5 Hình 5.4 Cấu hình ANN Bảng 5.8: Độ huấn luyện kiểm tra thuật toán huấn luyện ANN Thuật toán Lenvenberghuấn luyện Marquardt (trainlm) ANN Bayesian (trainbr) Scaled Conjugate Gradient (trainscg) Resillient Backpropagation (trainrp) Độ xác huấn luyện (%) 97.92 90.89 92.19 Độ xác kiểm tra (%) 98.51 91.04 83.58 34 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung Hình 5.5 So sánh độ xác huấn luyện kiểm tra thuật toán huấn luyện ANN Từ kết liệu Hình 5.5 cho thấy trường hợp nhận dạng chiến lược sa thải phụ tải với phương pháp huấn luyện sử dụng mạng nơ-ron thuật toán huấn luyện Bayesian đạt độ xác cao Ngồi ra, số biến ngõ vào tăng độ xác tăng theo đạt giá trị độ xác cao đạt 130 biến với độ xác huấn luyện 97.92% độ xác kiểm tra đạt 98.51% Thực việc so sánh phương pháp sa thải phụ tải đề xuất với phương pháp sa thải phụ tải sử dụng relay sa thải phụ tải tần số (UFLS) thực với lượng công suất sa thải 16.64MW Ở đây, phương pháp sa thải phụ tải sử dụng mạng nơron kết hợp với thuật tốn AHP có thời gia sa thải 300ms sau cố máy phát xảy Phương pháp sa thải phụ tải sửng dụng relay sa thải phụ tải UFLS có thời gian sa thải sau tần số giảm xuống ngưỡng giá trị cho phép 35 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung Hình 5.6 Tần số hệ thống áp dụng phương pháp giảm tải truyền thống phương pháp đề xuất Bảng 5.9: So sánh thiệt hại kinh tế sa thải tải dựa thuật toán AHP UFLS Phương pháp sa thải ANN-AHP UFLS Lượng công suất sa thải (MW) 16.64 16.64 Giá trị tần số phục hồi (Hz) 59.7 59.7 Giá trị tần số đáp ứng thấp (Hz) 59.35 59.15 65 65 4245.7 4351.69 Thời gian phục hồi tần số (s) Thiệt hại kinh tế ∑PLSiCmi (x103) ($) Nhận xét: Quan sát hình 5.6 cho thấy phương pháp sa thải phụ tải dựa mạng noron, thuật toán AHP sa thải phụ tải dựa UFLS có giá trị tần số phục hồi đến giá trị cho phép Cả phương pháp có giá trị tần số trạng thái xác lập Ngun nhân có lượng cơng suất sa thải phụ tải giống Giá trị thấp đáp ứng tần số phương pháp ANN-AHP cao tốt so với phương pháp UFLS Nguyên nhân phương pháp ANN-AHP có thời gian xử lý mạng ANN nhanh, nhanh chóng định thực chiến lược điều khiển sa thải phụ tải Trong đó, phương pháp UFLS phải chờ tần số giảm ngưỡng cài đặt UFLS relay tác động sa thải phụ tải Chính điều làm chậm 36 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung trình định sa thải phụ tải giá trị đáp ứng tần số khơng tốt phương pháp ANN-AHP Ngồi ra, có lượng cơng suất sa thải phụ tải, phương pháp sa thải phụ tải dựa ANN-AHP có giá trị thiệt hại gây thấp so với phương pháp UFLS Nguyên nhân thuật toán AHP xếp hạng phụ tải theo thứ tự ưu tiên tầm quan trọng Phụ tải có tầm quan trọng thấp ưu tiên sa thải với lượng cơng suất nhiều Chính điều giúp làm giảm thiệt hại gây cắt điện 37 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 6.1 Kết luận Đề tài tiến hành sa thải tải sở xem xét hệ số tầm quan trọng phụ tải, trình điều khiển tần số sơ cấp điều khiển tần số thứ cấp mạng nơ-ron Việc xem xét trình điều khiển tần số sơ cấp, điều khiển tần số thứ cấp giúp giảm lượng công suất sa thải phụ tải khôi phục tần số phạm vi cho phép Công suất sa thải phụ tải Bus tải phân bố lượng dựa hệ số tầm quan trọng phụ tải Mạng nơ-ron áp dụng để phân bố chiến lược sa thải phụ tải hệ thống điện vận hành nhiều mức tải khác Việc xếp hạng sa thải phụ tải tính tốn hệ số tầm quan trọng phụ tải dựa thuật toán AHP góp phần làm giảm thiệt hại gây sa thải phụ tải Kết hợp ứng dụng mạng ANN để nhanh chóng nhận dạng chiến lược điều khiển sa thải phụ tải góp phần nâng cao chất lượng đáp ứng tần số giải pháp sa thải phụ tải Hiệu phương pháp sa thải phụ tải đề xuất kiểm chứng sơ đồ hệ thống điện IEEE 37 nút máy phát Kết phương pháp sa thải phụ tải đề xuất so sánh với phương pháp sa thải tần số UFLS Quá trình nhận dạng phân bố nhanh chiến lược sa thải phụ tải sử dụng mạng noron kết hợp với giải pháp điều khiển sa thải phụ tải thiết lập trước dựa thuật toán AHP giúp tần số hệ thống phục hồi nhanh chóng giá trị cho phép thời gian tần số phục hồi nhanh so với phương pháp sa thải phụ tải truyền thống Mang nơ-ron huấn luyện cho độ xác cao đạt yêu cầu mong muốn 6.2 Hướng phát triển đề tài Đề tài nghiên cứu phát triển theo hướng sau:  Áp dụng mạng neural sa thải phụ tải kết hợp với nhận dạng trường hợp có khơng sa thải phụ tải có cố  Xem xét chi phí thiệt hại cụ thể tối ưu hóa chi phí thực sa thải 38 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung TÀI LIỆU THAM KHẢO [1] Under Frequency Load Shedding (UFLS): Principles and Implementation, Y R Omar, I Z Abidin, S Yusof, H Hashim, H.A Abdul Rashid, Universiti Tenaga Nasional, Advanced Power Solution,2010 IEEE International Conference on Power and Energy (PECon2010), Nov 29 - Dec 1, 2010, Kuala Lumpur, Malaysia [2] Optimal under voltage load shedding based on voltage stability index, Karol López, Sandra Pérez, and Luis Rodríguez, Ingeniería e Investigación vol 36 n 2, august - 2016 (43-50 [3] Hao CONG, Yang HE, Xu WANG Chuanwen JIANG, “Robust optimization for improving resilience of integrated energy systems with electricity and natural gas infrastructures”, September 2018, Volume 6, Journal of Modern Power Systems and Clean Energy [4] J Duncan Glover, Mulukutla S Sarma, Thomas J Overbye, “Power System Analysis and Design”, Sixth Edition, Cengage Learning, 2017 [5] Ths Nguyễn Thị Nguyệt Hạnh, Luận văn thạc sĩ: Nghiên cứu sa thải phụ tải theo tần số hệ thống điện, Luận văn thạc sĩ, ĐH Bách Khoa Hà Nội, 2014 [6] Ths Nguyễn Đức Thiện, Luận văn thạc sĩ: Xây dựng chương trình sa thải phụ tải dựa thuật toán FUZZY-AHP, đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2015 [7] Ths Bùi Nguyễn Xuân Vũ, Luận văn thạc sĩ Nghiên cứu phương pháp sa thải tải, đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2018 [8] Ths Phạm Minh Pha, Luận văn thạc sĩ: Sa thải phụ tải MicroGrid chế độ tách lưới, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 [9] Ths Nguyễn Viết Sang, Luận văn thạc sĩ : Mô chất lượng điện lưới điện nhỏ (MG) trường hợp nguồn lượng mặt trời kết hợp máy phát Diesel, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 [10] Junjie Tang, Junqi Liu, “Adaptive Load Shedding Based on Combined Frequency and Voltage Stability Assessment Using Synchrophasor Measurements”, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL 28, NO 2, MAY 2013 [11] H Bevrani, Senior Member, IEEE, G Ledwich, Senior Member, IEEE, and J J Ford "On the Use of df/dt in Power System Emergency Control", 2009 [12] R Hooshmand, M Moazzami “Optimal design of adaptive under frequency load shedding using artificial neural networks in isolated power system”, International Journal of Electrical Power & Energy Systems, Volume 42, Issue 1, November 2012, Pages 220-228 39 Báo cáo nghiên cứu khoa học ThS Lê Thị Hồng Nhung [13] Muhammad Faizan Tahir, Hafiz Teheeb-UI-Hassan, Kashif Mehmood, Hafiz Ghulam Murtaza Qamar, Umair Rashid “Optimal Load Shedding Using an Ensemble of Artificial Neural Networks”, International Journal of Electrical and Computer Engineering Systems, Volume 7, Number 2, 2016 [14] Nur Najihah Abu Bakara, Mohammad Yusri Hassana, Mohamad Fani Sulaimad, Mohamad Na’im Mohd Nasird, Aziah Khamisd " Microgrid and load shedding scheme during islanded mode: A review", Volume 71, May 2017, Pages 161-169 [15] Mousa Marzband , Maziar Mirhosseini Moghaddam , Mudathir Funsho Akorede, Ghazal Khomeyrani " Adaptive load shedding scheme for frequency stability enhancement in microgrids", Volume 140, November 2016, Pages 78-86 [16] Wei Gu, Wei Liu, Chen Shen, Zhi Wu, “Multi-stage underfrequency load shedding for islanded microgrid with equivalent inertia constant analysis”, Electrical Power and Energy Systems 46 (2013) 36–39 [17] Quan Zhou, Graduate Student Member, IEEE, Zhiyi Li, Member, IEEE, Qiuwei Wu, Senior Member, IEEE, and Mohammad Shahidehpour, Fellow, IEEE " Two-Stage Load Shedding for Secondary Control in Hierarchical Operation of Islanded Microgrids", IEEE TRANSACTIONS ON SMART GRID, VOL 10, NO 3, MAY 2019 [18] Bộ công thương Việt Nam - Cục Điều Tiết Điện Lực, Quy trình lập kế hoạch, huy động dịch vụ điều tần dự phịng quay Bộ cơng thương Việt Nam, 2015 [19] T.L Saaty, The Analytic Hierarchy Process McGraw-Hill, New York, 1980 [20] Trần Bách Lưới điện & Hệ thống điện NXB Khoa học kỹ thuật, 2004 [21] Allen J Wood, Bruce F Wollenberg, Gerald B Sheblé Power Generation, Operation and Control, Third Edition John Wiley & Sons, 2014, pp 473 – 481 [22] Wei Bengang, Wu Xinye, Yao Zhoufei, et al A method of optimized neural network by LM algorithm to transformer winding hot spot temperature forecasting 2017 IEEE Electrical Insulation Conference (EIC), 2017, pp 87-91 [23] Walker H LandJr, J David Schaffer Bayesian Probabilistic Neural Network The Art and Science of Machine Intelligence, 2019, pp 187-210 [24] Walaa M Khalaf, Mohammed Ali Tawfeeq, Kadhum Al-Majdi Edge Detection Using Scaled Conjugate Gradient Algorithm in Back Propagation Neural Network Eng & Tech Journal, Vol.32, Part (A), No.2, 2014 [25] Chien-Sheng Chen; Szu-Lin Su; He-Nian Shou; Wen-Hsiung Liu Resilient back-propagation neural network for approximation weighted geometric dilution of precision 3rd International Conference on Computer Science and Information Technology, 2010, China 40 S K L 0 ... tổ máy phát điện hệ số tầm quan trọng tải Chương 4: Nghiên cứu ứng dụng mạng nơ- ron nhân tạo sa thải phụ tải có xét đến yếu tố điều khiển sơ cấp, thứ cấp tổ máy phát điện hệ số tầm quan trọng tải. .. phát điện hệ số tầm quan trọng tải - Nghiên cứu ứng dụng mạng nơ- ron nhân tạo sa thải phụ tải có xét đến yếu tố điều khiển sơ cấp, thứ cấp tổ máy phát điện hệ số tầm quan trọng tải - Khảo sát, thử... chứng hiệu phương pháp đề xuất Khoa Điện – Điện Tử Nghiên cứu ứng dụng mạng nơ- ron nhân tạo sa thải phụ tải có xét đến yếu tố điều khiển sơ cấp, thứ cấp tổ máy phát điện, hệ số tầm quan trọng tải