6. Bố cục của luận án
1.2.4 Hướng nghiên cứu dựa trên kỹ thuật hệ thống thông minh
1.2.4.1 Nội dung của phương pháp
Ngày nay, các phương pháp thông minh dựa vào mô phỏng hoạt động của hệ thần kinh sinh học để giải quyết các bài toán thực tế phức tạp và nó cũng đảm bảo
đáp ứng các yêu cầu thực tiễn của bài toán trong môi trường thông số hệ thống điện thay đổi, không chắc chắn và không chính xác như tổng trở nguồn, điện trở sự cố.... Cơ sở của các phương pháp này dựa trên các kỹ thuật tính toán và lập luận logic truyền thống bằng cách kết hợp qua lại nhiều phương pháp cơ bản: Hệ chuyên gia (Expert System - ES), mạng nơ ron (Artificial Neural Networks - ANN) và Logic mờ (Fuzzy Logic - FL).
ES hoạt động thay cho chuyên gia người và bao gồm hai thành phần chính: cơ chế suy diễn và cơ sở tri thức. Cơ sở tri thức thường thể hiện dưới dạng các luật. Phổ biến có dạng IF – THEN, IF – THEN – ELSE, hay các logic mệnh đề OR, AND, NOT. Cơ chế suy diễn là phần giải thuật và điều khiển hoạt động của toàn bộ hệ thống, nó thực hiện việc suy diễn dựa trên những những tri thức của hệ thống cơ sở tri thức để đưa ra kết luận. Hệ chuyên gia thực hiện suy luận bằng cách tìm các luật để khớp phần giả thiết của luật với thông tin có trong bộ nhớ, khi phát hiện thấy khớp, kết luận của luật này là thông tin mới [10]. ES là phương pháp tìm kiếm biến giúp cho việc giải quyết bài toán tối ưu.
FL tập trung vào việc xử lý các tính toán gần đúng và không chính xác. Ứng dụng FL trong nhận dạng sự cố lưới điện làm cho thiết bị bảo vệ trở nên thông minh hơn do được lập trình làm việc tự động dựa trên tập hợp các qui tắc dưới dạng IF..THEN [8].
Hình 1.13: Phân loại mô hình mạng ANN
Mô hình mạng ANN Mạng truyền thẳng Một lớp Nhiều lớp Radial Basic Function (RBF) Mạng phản hồi/hồi qui Competitive networks Kohonen’ s SOM Hopfield network ART models
ANN là phương pháp mô hình hoá tập trung các bài toán phi tuyến. Được phát minh nhờ việc phân tích các tế bào thần kinh sinh vật, mạng ANN là một cấu trúc gồm 3 lớp: (1) lớp nơron nhập, là nơi nhận thông tin tức là giá trị của biến độc lập và chuyển vào mạng. (2) lớp ẩn, là nơi tiếp nhận thông tin đã dược tích hợp hay còn gọi là tổng trọng hoá, lớp nơ ron này chỉ liên hệ với các nơ ron trong lớp xuất nhập và chỉ có người thiết kế biết được lớp này. (3) lớp nơ ron xuất, là nơi nhận tổng trọng hoá của nút ẩn, mỗi nút nơ ron trong lớp xuất tương ứng một biến phụ thuộc. Khi tiến hành tính toán người thiết kế phải lựa chọn tham số đầu vào, đồng thời sử dụng các số liệu thực nghiệm để huấn luyện mạng. Để tìm ra cấu trúc tốt nhất, phương pháp “thử và sai” được sử dụng trong mô hình. Cấu trúc tối ưu được xác định bằng việc làm thay đổi số nơ ron trong lớp ẩn. Quá trình huấn luyện sẽ dừng lại khi sai số giữa giá trị mong muốn và giá trị tính toán nhỏ nhất. Do đó, ANN là phương pháp hiệu chỉnh sửa đổi tham số sao cho phù hợp với bài toán cần giải quyết, nó giúp cho hệ thống có khả năng học và nhận biết (hình 1.13) [30].
Hình 1.14: Kiến trúc mạng ANFIS
Hệ thống nơ ron mờ thích nghi (Adaptive Neuro Fuzzy Inference System - ANFIS) cho trên hình 1.14 là mô hình mờ “sugeno” đặt trong sơ đồ hệ thích nghi để thuận lợi cho quá trình huấn luyện và thích nghi. Nhiệm vụ của thuật toán luyện là làm hài hoà các tham số để đầu ra của ANFIS phù hợp với số liệu luyện. Thuật toán này được gọi là thuật lai bao gồm việc giảm dốc và dự báo bình phương nhỏ nhất
Mờ hoá Suy diễn mờ Giải mờ
với phương pháp các tham số nguyên tắc được cập nhập đệ qui cho tới khi đạt được sai số cho phép [73].
1.2.4.2 Các nghiên cứu chính đã được tiến hành
Trong vài thập niên trước, hệ thống thông minh đã được sử dụng để giải quyết các vấn đề như sử dụng hệ chuyên gia (Horowitz and Phadke, l995, Couly and Jorge, 1998), logic mờ (Wang and Keerthipala, 1998), mạng nơron (Sídhu et al., 1995, Dalstejn and Kulícke, 1995).... Tuy nhiên, việc ứng dụng trong mạng điện lớn và phức tạp vẫn chưa được giải quyết triệt để vì yêu cầu xử lý số lượng lớn thông tin với tốc độ và tính chính xác cao [56].
Theo Kezunovic M và Y. Liao (2001) đề xuất sử dụng ES bằng cách kết hợp dữ liệu đo với dữ liệu sự cố trong quá khứ [71]. Các dạng sự cố và vị trí sự cố được ghi lại vào cơ sở dữ liệu khi có sự cố xẩy ra trên lưới. Trong tương lai nếu có sự cố xảy ra với dạng sóng điện áp ghi nhận được đem so sánh với tất cả các dạng sóng trong cơ sở dữ liệu để có được dạng sự cố và vị trí sự cố. Tuy nhiên, phương pháp này không làm việc đúng nếu sự cố thực tế không xảy ra tại điểm cụ thể hoặc không được ghi lại trong cơ sở dữ liệu.
Gần đây mạng nơron nhân tạo được sử dụng để xác định vị trí sự cố và đã đạt được tầm quan trọng đáng kể từ khi Sobajic and Pao sử dụng ANN để dự báo thời gian loại trừ sự cố. Việc sử dụng rộng rãi ANN bắt đầu từ cuối năm 1980, đầu năm 1990, mang lại kết quả cao trong việc phát hiện sự cố, phân loại và định vị điểm sự cố. Đa phần các nghiên cứu sử dụng mạng MPL, RBF, PNN.... Nghiên cứu của Dalstain et al (1995); Kezunovic et al (1996); Sanaye-Pasand et al (2006); Jain et al (2006); Coury et al (2002) sử dụng ANN để nhận dạng sự cố đường dây truyền tải và phân biệt sự cố có hồ quang hay không có hồ quang. Một kỹ thuật khác dùng để phát hiện và định vị sự cố tốc độ cao sử dụng ANN được đề xuất bởi Rikalo, Sobajic và Kezunovic. Kỹ thuật định vị sự cố một đầu đường dây sử dụng ANN được nghiên cứu rộng rãi bởi Chen và Maun trong khi S. K. Kapuduwage sử dụng mạng nơ ron cho đường dây có tụ bù dọc [104]. Để ANN đáp ứng được các dạng sóng dòng điện và điện áp tại các thời điểm khác nhau, mạng phản hồi ngược Elman
dùng để phát hiện hướng sự cố trên đường dây tải điện được đề xuất bởi Sanaye- Pasand et al (1998), Sanaye-Pasand et al (1999). Các mạng ANN làm việc với sự cố diễn ra không được rõ ràng vì vậy nó không có độ tin cậy cao. Do đó khái niệm phân cụm dữ liệu được phát triển nhằm giảm số lượng dữ liệu cùng loại trong quá trình học của mạng lan truyền thẳng nhiều lớp của Kezunovic et al (1995) [107].
Theo tác giả Tahar Bouthiba (2004)sử dụng ANN để phát hiện sự cố và định vị điểm sự cố cho đường dây truyền tải siêu cao áp sử dụng dữ liệu đo tại 1 đầu đường dây (hình 1.15) [118]. Phương pháp đề xuất bộ dò sự cố và định vị sự cố được huấn luyện bằng các dữ liệu có sẵn từ mô hình hệ thống điện với các dạng sự cố và điểm sự cố, điện trở sự cố, góc lệch nguồn, dữ liệu điện áp nguồn khác nhau.
Ngoài ra, Khosravi, A.Llobet, J.A (2007) đã phát triển một bộ phát hiện sự cố và mô hình hoá khi tình trạng các thiết bị hiện hành không chắc chắn. Theo phương pháp được đề xuất, một cảnh báo sự cố khởi tạo khi có sự không thống nhất giữa các hành vi cả hệ thống và mô hình xuất hiện. Sau đó, hành vi cả hệ thống bị sự cố được mô phỏng bằng cách sử dụng ANFIS. Mô hình được xác định có thể dùng cho thao tác khoanh vùng sự cố [72].
Ramadoni Syahputra (2013) đề xuất phương pháp định vị sự cố trên đường dây 500kV, sử dụng dữ liệu dòng điện, điện áp đo lường không đồng bộ từ hai đầu đường dây, làm đầu vào huấn luyện mạng ANFIS trong Matlab. Các dữ liệu mô phỏng sự cố ngắn mạch trên đường dây (với điện trở sự cố 0Ω, 10Ω, 50Ω, 100Ω) được thực hiện bằng phần mềm EDSA. Kết quả đầu ra sự cố một pha chạm đất có sai số từ 0.0027% đến 0.2962% [98].
1.2.4.3Nhận xét và đánh giá
Phương pháp sử dụng hệ thống thông minh là hướng tiếp cận mới khi nghiên cứu nhận dạng và định vị sự cố lưới điện. Trong nhiều trường hợp, con người chỉ cần dựa vào kinh nghiệm (hay ý kiến chuyên gia) vẫn có thể điều khiển được đối tượng, cho dù đối tượng có thông số kỹ thuật không đúng hoặc thường xuyên bị thay đổi ngẫu nhiên và do đó mô hình toán học của đối tượng điều khiển không chính xác như yêu cầu kỹ thuật đề ra, nhưng giải quyết được vấn đề trước mắt là đảm bảo được về mặt định tính các chỉ tiêu chất lượng cho trước. Vì vậy, ưu điểm của phương pháp này là khắc phục được nhược điểm của các phương pháp truyền thống khi không cần thiết biết rõ mối quan hệ chính xác giữa tham số bị biến đổi trong quá trình sự cố, nhờ đó sự thiếu hiểu biết về quá trình phức tạp của sự cố nên khắc phục được một phần [1]. Tuy nhiên, nhược điểm của phương pháp này là luôn cần bộ số liệu thực có sẵn dùng để huấn luyện mạng, trong khi sự cố trên lưới xảy ra khá ít, dẫn đến việc áp dụng trong thực tế sẽ khó khăn.
Để nâng cao hiệu quả phân loại và định vị sự cố, các nghiên cứu kết hợp những ưu điểm của: ES– FL, ANN – FL, ES – ANN, và ES – ANN – FL đang là hướng phát triển của các phân tích trong tương lai nhằm đạt độ chính xác cao hơn.