Do sự phức tạp của hệ thống điện, những phương pháp nhận dạng sự cố truyền thống nêu trên tốn nhiều thời gian giải trừ nên gây chậm trễ trong việc ra quyết định, cho nên phương pháp ANN được áp dụng để giải quyết những vấn đề khó khăn mà những phương pháp truyền thống khơng giải quyết được về tốc độ tính tốn cũng như hiệu suất.
Tuy nhiên, ANN cần được huấn luyện (học) trên cơ sở dữ liệu ban đầu, do đó cần tiến hành xây dựng tập học bao gồm các tình huống sự cố khác nhau. Các mẫu dữ liệu đại diện cho từng sự cố là độ thay đổi công suất phát, độ thay đổi công suất tải, độ sụt áp tại các bus, độ thay đổi công suất phân bố trên đường dây, độ thay đổi tần số tại các bus. Trong quá trình mơ phỏng cũng đã xét tới nhiều mức tải khác nhau để bao quát các chế độ vận hành. Đối với mỗi mức tải, trước khi mô phỏng sự cố và phân tích dữ liệu, đã thực hiện kích hoạt các hệ thống điều chỉnh điện áp, điều chỉnh kích từ, điều chỉnh tần số, giới hạn công suất phát,… và thực hiện chạy phân bố công suất tối ưu.Trong q trình xây dựng mơ hình nhận dạng theo phương pháp
định độ chính xác đánh giá nhận dạng, mà cịn có tác động đến sự vững mạnh của mơ hình. Có hai yếu tố cần được thể hiện rõ ràng trong q trình mơ phỏng:
- Cơ sở dữ liệu phải bao trùm các trạng thái vận hành và phải biểu thị được một cách đầy đủ những kịch bản sự cố khác nhau.
- Cơ sở dữ liệu được tạo ra phải đảm bảo tính khách quan đối với các thơng số của hệ thống điện kiểm tra.
Việc thực hiện mô phỏng offline để tạo cơ sở dữ liệu là công việc mất nhiều thời gian và cũng là khó khăn nhất. Quy trình mơ phỏng lấy mẫu trong PowerWorld được đề xuất qua 5 giai đoạn, được trình bày như Hình 4.12.
Hình 4.12. Quy trình mơ phỏng lấy mẫu ngõ vào, ngõ ra
Bắt đầu
Cài đặt thơng số của các mơ hình trong hệ
thống điện
Kích hoạt các mơ hình, các hệ thống điều
chỉnh tự động
Chạy phân bố tối ưu công suất
Mô phỏng sự cố, lấy mẫu ngõ vào
Mô phỏng sa thải, lấy mẫu ngõ ra
Giai đoạn 1. Thực hiện cài đặt các thơng số chuẩn của các mơ hình trong hệ thống
điện.
Hình 4.13. Giao diện cài đặt các thơng số mơ hình hệ thống điện thử nghiệm Giai đoạn 2. Thực hiện kích hoạt các mơ hình, các hệ thống điều chỉnh tự động
trong hệ thống điện.
Hình 4.14. Quy trình cài đặt các thơng số chuẩn của hệ thống
Cài đặt thơng số mơ hình máy phát điện Stability Machine
Models
Cài đặt thông số thiết bị điều khiển kích từ Stability Exciters
Cài đặt thông số thiết bị điều chỉnh tần số Stability
Governors
Cài đặt công suất định mức, công suất Pmax, Pmin máy phát, điện áp đầu cực máy phát
Cài đặt công suất định mức tải
Cài đặt thông số đầu phân áp máy biến áp
Load Information
Transformer Power and Voltage
control
Giai đoạn 2 Giai đoạn 1
Hình 4.15. Quy trình kích hoạt các mơ hình trong hệ thống điện
Giai đoạn 2
Kích hoạt tự động điều chỉnh cơng suất phát (Available for AGC)
Kích hoạt giới hạn công suất phát (Enforce MW limits)
Kích hoạt điều chỉnh điện áp tự động (Available for AVR)
Kích hoạt vận hành kinh tế ban đầu
(If AGCable)
Kích hoạt mơ hình máy phát điện
(GENPWTwoAxis)
Kích hoạt thiết bị điều khiển kích từ
(IEEET1)
Kích hoạt thiết bị điều chỉnh tần số (TGOV1) Giai đoạn 3 Power and Voltage Control OPF Stability
Hình 4.16. Chạy phân bố tối ưu cơng suất
Giai đoạn 3
Load công suất tải Load công suất máy phát
AGC = NO AVR = YES Cost = None
AGC status = offAGC Add Ons OPF case
Infor OPF area Case Information
Generators
Run Mode Tools Solves Single Solution
Full Newton
Run Mode Tools Solves Reset to Flat Start
Chạy phân bố công suất
AGC status = OPF Includes Marginal
Losses = YES Add Ons OPF case
Infor OPF area
AGC = YES Cost Model = Cubic Case Information
Generators
Add Ons Frimal LP Chạy phân bố
công suất tối ưu
Hình 4.17. Giao diện thực hiện chạy mơ phỏng sự cố
Hình 4.18. Mơ phỏng sự cố, q trình lấy mẫu ngõ vào nơ-ron Giai đoạn 5. Mơ phỏng sa thải, lấy mẫu ngõ ra.
Giai đoạn 4
Cài đặt bước thời gian Time Step = 0.5 Cycles
= 0,00833s Cài đặt tần số Over Speed = 62.40 Hz Under Speed = 57,60 Hz Cài đặt góc rotor Absolute Angle Deviation = 180 deg Simulator Control Options Generic Limit Monitor
Rotor Angle = YES MW = YES Mvar = YES
Field Voltage = YES Field Current = YES
Cài đặt biến hệ thống Result Storage Store to RAM Options Chọn máy phát bị sự cố
Cài đặt thời gian sự cố xảy ra Simulation
Control Insert
Chạy ổn định quá độ Run Transient Stability
Lấy mẫu ( ngõ vào nơ-ron)
Result from RAM
Time Value
Giai đoạn 5
Lấy các độ lệch sau thời gian sự cố
Hình 4.19. Quy trình mơ phỏng sa thải, lấy mẫu ngõ ra Giai đoạn 5 Chọn tải sa thải có hệ số quan trọng nhỏ trước Simulation Control Insert
Cài đặt thời gian sa thải sau sự cố 0.3s Chạy ổn định quá độ Run Transient Stability Tính hệ số quan trọng của phụ tải dựa trên
Fuzzy-AHP 59,7Hz ≤ f ≤ 60,3Hz và δ ≤ 1800 Tiếp tục sa thải Sai
Lấy mẫu (ngõ ra nơ-ron) gồm số lượng sa thải và máy phát bị
sự cố Đúng
Hình 4.20. Cấu trúc thiết kế mạng nơ-ron GRNN
Hình 4.21. Dữ liệu đầu vào của mạng nơ-ron
Hình 4.22. Cấu trúc huấn luyện mạng nơ-ron GRNN
Generalized Regression Neural Network (GRNN) Vị trí sự cố Thứ tự sa thải
Quy trình tiến hành huấn luyện mạng neural Generalized Regression:
Sử dụng cấu trúc câu lệnh như sau:
Net = newgrnn (P,T,spread) trong đó các tham số được giải thích: Net là biến đặt lưu lại cấu trúc neural
P là Input
T là Output (hay Target)
Spread là hằng số lan truyền của các hàm xuyên tâm (Hằng số này có giá trị từ 1,0 về 0 và thường do người huấn luyện quyết định)
Các bước thực hiện huấn luyện mạng neural:
1. Thu thập số liệu từ quá trình chạy hệ thống (cụ thể là chạy mơ phỏng sự cố trên phần mềm PowerWorld để có được số liệu) Input là các tín hiệu nhận dạng sự cố liên quan đến thông số lưới điện như công suất máy phát PG; công suất tải PL; công suất nhánh PB; tần số bus Fbus; điện áp bus Ubus ,... Sau đó, tiến hành phân chia bộ dữ liệu này ra thành hai phần với tỉ lệ:
+ Phần 1: Chiếm tỉ lệ 85% được đưa vào huấn luyện. + Phần 2: Chiếm tỉ lệ 15% để phục vụ test train.
Mục đích của việc phân chia dữ liệu là để so sánh sai số thực hiện giữa hai q trình train và test thơng qua đó đánh giá độ tin cậy của thuật tốn đã chọn.
Input (đầu vào neural): gồm 153 biến là các đặc điểm nhận dạng sự cố của hệ thống điện nghiên cứu.
Ouptut (đầu ra neural): gồm 2 giá trị là vị trí sự cố và các tải bị sa thải cũng như thứ tự tải sẽ bị sa thải.
2. Tiến hành huấn luyện neural trên phần mềm Matlab (với tỉ lệ 85% đã nêu ở phần trên)
lại bằng cách mô phỏng neural tiến hành chạy trên dữ liệu test. Giá trị spread được chọn sau nhiều lần mô phỏng kiểm tra kết quả:
Hình 4.23. Giá trị spread chọn huấn luyện mạng nơ-ron GRNN
4. Đánh giá kết quả huấn luyện.
Hình 4.24. Giao diện Guide khi thực hiện sa thải phụ tải thực tế
Việc xây dựng giao diện giúp người vận hành quan sát và phát hiện nhanh sự cố cũng như tải nào cần sa thải. Tuy nhiên, trong thực tế, có thể bổ sung thêm tính quan trọng của người vận hành hệ thống và tránh trường hợp cảnh báo nhầm đưa đến sa thải tải hàng loạt, nghĩa là trước khi thực hiện sa thải, chương trình phải đưa ra cảnh báo, phát tín hiệu cảnh báo, đề xuất danh sách sa thải và chờ ý kiến của người người điều hành. Nếu người điều hành thống nhất thì quá trình sa thải lập tức được thực thi.
Như đã trình bày ở phần đầu tiên, quá trình sa thải cần phải được thực hiện trong thời gian rất ngắn (tính bằng ms) để đảm bảo hệ thống vận hành được an toàn. Ở đây, có thể đưa thêm tùy chọn chức năng MANUAL hoặc AUTO. Nếu chương trình vận hành đủ tin cậy thì có thể để ở chế độ AUTO. Khi có sự cố xảy ra, q trình sa thải tự động được thực hiện và kết quả được đưa về cho người điều hành theo dõi.