5 Kết luận
3.8 Giao diện Azure Web Portal
3.4 Ứng dụng mạng ANN trong đánh giá ổn
định động của HTĐ
Các nghiên cứu về mạng nơron nhân tạo nói chung và mạng MLP nói riêng đã chỉ ra rằng mạng MLP có khả năng xấp xỉ hàm số với độ phức tạp cao (universal approximator). Trong lĩnh vực HTĐ, mạng MLP đã được sử dụng để xấp xỉ hóa và phân loại ranh giới ổn định của hệ thống điện. Một số nghiên cứu về đề tài này được công bố trong các tài liệu. Các nghiên cứu này cho thấy mạng MLP có thể được huấn luyện để đánh giá ổn định động của HTĐ thông qua việc đánh giá thời gian cắt tới hạn CCT của chế độ làm việc.
Việc sử dụng mạng MLP đánh giá ổn định động có ý nghĩa trợ giúp người vận hành ra quyết định trong quá trình vận hành lưới điện, nhằm nâng cao ổn định. Bên cạnh việc xấp xỉ hàm số, mạng MLP có quan hệ đầu vào-đầu ra là một ánh xạ phi tuyến, liên tục và khả vi. Vì vậy có thể sử dụng mạng MLP để đánh giá độ nhạy của CCT với các thông số chế độ, từ đó quyết định thông số có ảnh hưởng lớn nhất đến ổn định. Việc tạo mẫu huấn luyện cho mạng nơ ron được tiến hành như sau:
– Tạo một bộ số liệu chế độ xác lập bằng cách thay đổi ngẫu nhiên các thông số chế độ.
– Với mỗi chế độ xác lập thu được, giải thuật tìm CCT được trình bày trong chương 3 sẽ được áp dụng để đánh giá thời gian cắt tới hạn, từ đó đánh giá ổn định động của HTĐ.
Chế độ xác lập được tạo một cách ngẫu nhiên bằng cách thay đổi thông số của máy phát và tải theo phương trình sau [5]:
PLi(k) = PLi.[1 + 2∆PL(1−0.5εP L(k))] QiL(k) =QiL.1 + 2∆QL(1−0.5εQL(k)) Pgj(k) =Pgj.1 + 2∆Pg(1−0.5εP g(k)) Ugi(k) =Ugi.1 + 2∆Ug(1−0.5εU g(k)) (3.25) Trong đó:
- PLi(k) : Công suất tác dụng nút tải i của mẫu thứ k. - QiL(k) : Công suất tác dụng nút tải i của mẫu thứ k. - Pgj(k) : Công suất tác dụng máy phát j của mẫu thứ k. - Ugj(k) : Điện áp đặt tại máy phát j của mẫu thứ k.
- ∆PL,∆QL,∆Pg,∆Ug: biên độ dao động của các thông số trên.
- εP L, εQL, εP g, εU g: biểu thị các biến ngẫu nhiên phân bố đều trong khoảng [0,1]. Ở mỗi mẫu huấn luyện, cần lấy 4 số ngẫu nhiên độc lập để đảm bảo tính không tương quan giữa các yếu tố đầu vào.
Nhìn chung, các nghiên cứu sử dụng mạng nơ ron, mạng SVM và các công cụ trí tuệ nhân tạo đã trong đánh giá ổn định của hệ thống điện đã cho thấy các kết quả tương đối khả quan [3–9]. Nghiên cứu của Jayasekara và các cộng sự [5] cho thấy rằng có thể sử dụng mạng SVM đánh giá xấp xỉ giá trị CCT dựa trên các thông số của chế độ xác lập. Không những vậy, nghiên cứu này còn cho thấy ánh xạ do mạng SVM tạo ra là khả vi [14]. Qua đó, có thể tính được độ nhạy của giới hạn ổn định theo các thông số của chế độ xác lập.
Ứng dụng các công cụ trí tuệ nhân tạo đánh giá và phân loại mức độ ổn định
4.1 Quy trình tính toán
Để sử dụng các công cụ trí tuệ nhân tạo đánh giá mức độ ổn định, cần trước hết xây dựng một cơ sở dữ liệu để huấn luyện các công cụ trí tuệ nhân tạo. Trình tự quy trình xây dựng cơ sở dữ liệu được trình bày trên hình 4.1.
Để tạo cơ sở dữ liệu về tính toán CCT, luận văn sử dụng phương pháp đề xuất trong bài báo [5]. Công suất tác dụng và điện áp đặt của các máy phát được thay đổi một cách ngẫu nhiên trong giải thông số cho phép. Bên cạnh đó, công
Nhập số liệu HTĐ mẫu
Thay đổi thông số CĐXL theo (4.1)
Tính CĐXL. Kiểm tra hội tụ
Đánh giá CCT
Cập nhật cơ sở dữ liệu 1
0