1.2. Các phƣơng pháp sa thải phụ tải đang áp dụng
1.2.3.4. Ứng dụng thuật toán di truyền (Genetic Algorithm GA) trong sa thải phụ
Fuzzy Infernce System - ANFIS) trong sa thải phụ tải
Phương pháp ANFIS dựa trên sự kết hợp của các mạng thần kinh nhân tạo và điều khiển logic mờ. ANFIS kết hợp các khả năng học tập của ANN với phép giải mờ của hệ thống FLC. Các nghiên cứu về phương pháp ANFIS cho ứng dụng trong nhiều vấn đề hệ thống điện đã phát triển đáng kể. Một vài ứng dụng bao gồm dự báo ổn định điện áp, dự báo công suất, đánh giá an ninh động, dự báo phụ tải ngắn hạn, ổn định hệ thống điện, sự cố đường dây, và chất lượng điện năng.
ANFIS cũng đã được áp dụng cho các ứng dụng sa thải phụ tải trong một hệ thống điện. Một ứng dụng của ANFIS cho sa thải phụ tải thông minh để xác định lượng tải sa thải. Phương pháp này đã được thử nghiệm trên hệ thống kiểm tra IEEE 300-Bus. Các kết quả thử nghiệm cho thấy rằng phương pháp ANFIS cung cấp một lượng tải sa thải chính xác và có khả năng được sử dụng trong các ứng dụng thời gian thực.
Một ứng dụng tương tự của ANFIS được áp dụng thử nghiệm trên hệ thống lưới điện Malaysia 87 Bus để kiểm sốt lỗ hổng của nó. Bikas và các cộng sự [36] áp dụng phương pháp cây quyết định neuro-fuzzy trên một hệ thống điện cho ứng dụng sa thải phụ tải. Họ xem xét 2 trường hợp nghiên cứu.
Trường hợp nghiên cứu đầu tiên xem xét hệ thống điện vận hành trong điều kiện với rủi ro mất mất định cao, liên quan đến phương pháp sa thải phụ tải để ngăn chặn sự sụp đổ điện áp hệ thống. Trường hợp thứ hai xem xét sự tích hợp của điện gió trong hệ thống điện hiện tại [36].
1.2.3.4. Ứng dụng thuật toán di truyền (Genetic Algorithm - GA) trong sa thải phụ tải phụ tải
gồm tối ưu trào lưu công suất phản kháng và phối hợp relay bảo vệ q dịng.
GA cũng có một số ứng dụng các vấn đề sa thải phụ tải. Cơ sở dữ liệu cho các vấn đề sa thải phụ tải có được từ nghiên cứu trao lưu công suất và đã được thực hiện thành công trên hệ thống IEEE 30-Bus. Một phương pháp sa thải phụ tải dựa trên GA khác xem xét sa thải phụ tải từ mỗi Bus. Các phương pháp GA và PSO đã được sử dụng để giải quyết việc mất máy phát điện và mất điện đường dây, và đã được xác nhận thử nghiệm trên hệ thống IEEE 30-Bus. Đáp ứng của GA và PSO trong tất cả các trường hợp nghiên cứu được so sánh. Kết quả cho thấy về mặt thời gian tính tốn, PSO nhanh hơn so với GA; cịn GA có lượng tải sa thải tối thiểu.
Các ứng dụng thuật toán Genetic để giảm thiểu lượng tải sa thải cho hệ một máy phát, nút cân bằng. Phương pháp này đã được thử nghiệm bằng cách mô phỏng nhu cầu phụ tải 12 tháng cho một cài đặt tối ưu UFLS và các kết quả so sánh với phương pháp truyền thống thông thường. Kết quả chỉ ra rằng phương pháp dựa trên GA có tính khả thi và hiệu quả trong việc cung cấp sa thải phụ tải tối ưu. Luan và các cộng sự [37] đã thảo luận một phương pháp dựa trên GA để xác định việc khôi phục nguồn cung cấp và tối ưu chiến lược sa thải phụ tải cho mạng lưới phân phối.
Một nỗ lực để xác định các cài đặt relay UFLS cho hệ thống điện bị cô lập và mạng lưới nhỏ micogrid sử dụng thuật toán Genetic. GA đã được sử dụng để xác định lượng tải tối thiểu sa thải ở từng giai đoạn cho các relay dưới tần số. Phương pháp được đề xuất đã được thử nghiệm trên một hệ thống điện bị cô lập bao gồm máy phát điện năng lượng gió và diesel, và trên một hệ thống thử nghiệm microgrid có một tua bin khí, tua bin gió, và một hệ thống năng lượng mặt trời.
Lopes và các cộng sự [38] đề xuất một phương pháp dựa trên GA để xác định sa thải phụ tải tối ưu cho các trường hợp sự cố xảy ra. Phương pháp đề xuất đã được chứng minh là có tính khả thi và hiệu quả. Một ứng dụng khác của GA cho việc đánh giá an ninh hệ thống điện khi phải chịu mất mát 1 trong các thành phần. GA xử lý vấn đề này như là một chương trình hai mức; trong đó tối ưu hóa mức trên xác định một tập hợp các thành phần dịch vụ bị ngắt trong hệ thống điện, sau đó tối
ưu hóa cấp thấp hơn theo mơ hình phản ứng của các nhà điều hành hệ thống trong quá trình xảy ra sự cố. Kết quả cho thấy GA thực hiện có hiệu quả về chất lượng giải pháp.
Hạn chế chính của thuật tốn di truyền đó là hạn chế việc thực hiện ứng dụng nó trong thời gian thực là đáp ứng chậm. Quan sát thấy rằng thời gian tính tốn của thuật toán GA để xác định lượng tải sa thải là rất lớn. Việc chậm trễ tương đối điều này là hạn chế của GA trong việc sử dụng chúng cho các ứng dụng thực tế online.
1.2.3.5. Ứng dụng tối ƣu hóa phần tử bầy đàn (Particle Swarm Optimization - PSO) trong sa thải phụ tải
Kennedy và Eberhart [39] giới thiệu các phương pháp PSO vào năm 1995, lấy cảm hứng từ những hành vi xã hội của các sinh vật như đàn chim và đàn cá. PSO đã được chứng minh là một phương pháp mạnh và nhanh trong việc giải quyết các bài toán phi tuyến, các vấn đề đa mục tiêu. Phương pháp PSO đã được áp dụng rộng rãi trong các ứng dụng phương pháp điện. Hầu hết các ứng dụng của nó đối với vận hành kinh tế hệ thống điện (ELD) những vấn đề liên quan đến điểm phân bố công suất, các hàm chi phí, các điều kiện ràng buộc máy phát, bộ điều khiển trào lưu công suất hợp nhất (UPFC) cho các bộ giảm dao động của hệ thống điện, và điều khiển tần số tải.
PSO cũng đã được thực hiện thành công cho ứng dụng sa thải phụ tải trong hệ thống điện. Ứng dụng thuật toán PSO trong tối ưu sa thải phụ tải để xác định các điểm tải cực đại hoặc điểm tải suy giảm. Phương pháp này đã được thử nghiệm trên hệ thống IEEE 14-Bus và cũng được so sánh với các phương pháp GA. Nó cho thấy rằng PSO tìm ra giải pháp tối ưu tồn cục nhanh hơn nhiều so với các thuật toán di truyền Genetic. Một cách tiếp cận lai được gọi là phương pháp tối ưu hóa phần tử đám đông dựa trên mô phỏng linh hoạt cũng đã được áp dụng trong sa thải dưới điện áp. Phương pháp này cung cấp sa thải phụ tải dưới điện áp tối ưu để giúp ổn
Phương pháp được đề xuất xác định các giải pháp tối ưu toàn cục trong một số lượng nhỏ các bước lặp. Khả năng PSO chỉ tối thiểu về thời gian cho việc thực hiện trong thời gian thực nhằm tối ưu sa thải phụ tải trong hệ thống điện. Tối ưu hóa phần tử đám đơng tồn diện (CLPSO) đã được áp dụng để tối ưu phân vùng hệ thống phân phối trong trường hợp mất nguồn chính. Trong mỗi nguồn bị chia cắt, sự cân bằng công suất đạt được thông qua sa thải phụ tải. Phương pháp đề xuất đã được thử nghiệm trên 2 hệ thống thử nghiệm, hệ thống 33 Bus, và hệ thống 45 Bus, 66 kV trên đất nước Ai Cập.
1.2.3.6. Ƣu và nhƣợc điểm của các phƣơng pháp tính tốn STPT thơng minh
Các phương pháp tính tốn sa thải thơng minh có khả năng cung cấp nhanh chóng và tối ưu sa thải phụ tải trong suốt thời gian xảy ra sự cố để ngăn ngừa rã lưới.
Bảng 1.8. Ưu điểm và nhược điểm của các phương pháp STPT thông minh
STT Phƣơng pháp Ƣu điểm Nhƣợc điểm
1
Mạng Neural nhân tạo
(ANN)
Có khả năng đảm bảo một lượng sa thải phụ tải tối ưu.
Cung cấp kết quả thỏa đáng chỉ cho những trường hợp được biết đến và có thể khơng dự đốn kết quả chính xác cho các trường hợp khơng biết hoặc thay đổi.
2
Điều khiển Fuzzy Logic (FLC)
Có thể được sử dụng để sa thải phụ tải trên một hệ thống điện có bất kỳ kích thước.
Các thơng số hàm thành viên của FLC yêu cầu độ ưu tiên kiến thức hệ thống. Nếu khơng, có thể cung cấp sai việc sa thải phụ tải tối ưu.
3 Hệ thống suy luận thích nghi neural mờ (ANFIS) Các thông số FLC được tối ưu hóa bằng cách sử dụng ANN, mà có thể dẫn đến ST chính xác.
ANFIS có thể làm việc với các hệ thống loại Sugeno.
4 Thuật toán di
truyền (GA)
là một phương pháp tối ưu hóa tồn cục để giải quyết các vấn đề phi tuyến, đa mục tiêu. GA đảm bảo ST lượng cơng suất tải ít nhất.
Mất một thời gian dài để xác định lượng tải ST. Điều này làm hạn chế việc sử dụng chúng cho các ứng dụng trực tuyến thực tế. 5 Particle swarm Optimization (PSO) Tính tốn đơn giản và có khả năng để tìm các giá trị tối ưu.
Dễ dàng bị gián đoạn bởi tối ưu hóa thành phần.
Tuy nhiên, mỗi phương pháp đều có những hạn chế nhất định trong việc thực hiện chúng trong các ứng dụng thời gian thực. Bảng 1.8 tóm tắt những ưu điểm và nhược điểm của phương pháp tính tốn thơng minh cho các ứng dụng sa thải phụ tải trong hệ thống điện.
1.3. Nhận xét
Sa thải phụ tải trong một hệ thống điện là một quá trình rất phức tạp và nhanh. Các sự cố trong q trình vận hành là khơng thể đoán trước và thời gian cần thiết để thực hiện sa thải phụ tải cũng rất ngắn. Và nếu được thực hiện sa thải nhanh chóng, nó sẽ ngăn cản hệ thống đi đến việc mất điện hoàn toàn. Ngày nay phương pháp UFLS thơng thường khơng thích hợp cho các hệ thống điện lớn và phức tạp. Các sự cố rã lưới gần đây đã xảy ra trên thế giới làm cho độ tin cậy của các phương pháp thông thường UFLS, UVLS khơng cịn tin cậy cao như trước nữa.
Các phương pháp thông thường, thậm chí một số phương pháp thơng minh chẳng hạn như Fuzzy logic, di truyền GA, PSO, chủ yếu dựa trên sa thải phụ tải dưới điện áp ở điều kiện trạng thái vận hành ổn định của hệ thống. Do đó, những phương pháp này không đủ nhanh trong việc sa thải phụ tải tức thời.
Hệ thống sa thải phụ tải thực tế diễn ra trong thời gian thực, và ở phần này, đáp ứng nhanh chóng của mạng neural có thể cung cấp khả năng tối ưu và đáp ứng việc sa thải phụ tải trong điều kiện tức thời. Phương pháp này sa thải phụ tải thích nghi sử dụng mạng neural đã được phát triển ở, trong đó chỉ ra rằng tốc độ phản ứng của thuật toán ANN so với các phương pháp khác nhanh hơn ít nhất là 100 lần.
Trong hầu hết các nghiên cứu trước đây liên quan đến ANN, đầu ra là tổng lượng công suất tác dụng cho sa thải phụ tải. Đầu ra này không phải là tín hiệu thực tế, vì nó khơng xác định được số lượng tải mà phải là sa thải trong từng bước. Ngoài ra, khi tải thường xuyên thay đổi trong hệ thống điện, các thuật toán sa thải phụ tải nên được xem xét trong điều kiện mới hơn.
neurofuzzy ANFIS, thuật tốn di truyền (GA), tối ưu hóa phần tử đám đơng (PSO), vi khuẩn tìm kiếm thức ăn theo định hướng thuật tốn PSO,… có khả năng sử dụng hiệu quả với các hệ thống điện hiện đại, có thể làm giảm khả năng mất điện, nâng cao độ tin cậy của hệ thống điện. Các phương pháp tính tốn thơng minh có khả năng giúp sa thải chính xác trong vịng một thời gian ngắn trong điều kiện khẩn cấp. Đây là hướng được nhiều tác giả quan tâm và tập trung nghiên cứu nhiều trong những năm gần đây. Vì nghiên cứu sinh chọn hướng nghiên cứu tối ưu hóa sa thải phụ tải dựa trên các thuật tốn thơng minh ngày nay để nâng cao ổn định hệ thống.
Hướng nghiên cứu này có xem xét đến sự thay đổi của tải (đồ thị phụ tải) trong hệ thống điện, các thuật toán sa thải phụ tải nên được xem xét trong điều kiện mới hơn. Qua đó xây dựng giải thuật có khả năng thực hiện một phương pháp dự báo và ngăn ngừa để có thể đưa ra một kiểu sa thải phụ tải động tương ứng với các thay đổi cấu hình hệ thống, cũng như sự thay đổi của tải và các nhiễu loạn đã được xác định trước đó nhằm sa thải không bị thiếu hoặc sa thải thừa với thời gian ngắn.
Vấn đề ổn định hệ thống điện là một yêu cầu rất cần thiết đối với bất kỳ một lưới điện nào trong một hệ thống điện liên kết. Trong vận hành hệ thống điện, luôn địi hỏi phải có sự cân bằng giữa sản xuất và tiêu thụ. Đại lượng đặc trưng cho cho sự cân bằng này là tần số quy định của hệ thống. Một khi sự cân bằng này bị phá vỡ, nếu không khắc phục kịp thời sẽ gây hậu quả nghiêm trọng cho tính ổn định của hệ thống điện.
Ngoài yêu cầu của các rơle bảo vệ hoạt động hữu hiệu để tách ly sự cố ra, công việc cấp thời và phải đạt lại sự cân bằng giữa công suất phát và công suất tiêu thụ trước khi tần số tiến đến mức ảnh hưởng dến các phần cịn lại của nhà máy có thể làm mất ổn định, làm mất điện rộng lớn cho một phần hoặc toàn hệ thống. Các biện pháp dự trữ phần cơng suất dự phịng nóng của các đơn vị phát điện đang vận hành trong hệ thống chỉ có thể thực hiện được và có hiệu quả để đạt lại sự cân bằng trên khi hệ thống bị vượt sức nhẹ ( tần số qui định của hệ thống giảm nhẹ ).
Nhưng ở những trường hợp mất cân đối nghiêm trọng hơn, gây nguy hại cho các máy phát điện nhất là nhiệt điện và nguy hại cho hệ thống điện ( rã lưới hoàn
toàn – mất điện toàn điện ) phải sử dụng chương trình sa thải phụ tải tự động bằng các rơle tần số. Các rơle này hoạt động từng đợt cắt điện tự động phần công suất tiêu thụ một cách thích hợp. Việc tính tốn, chỉnh định và quản lý vận hành các rơle cắt tải theo tần số trong hệ thống điện là việc làm khá phức tạp ( thiết lập các rơle tần số ở đâu trên lưới, cắt bao nhiêu, mỗi đợt cắt bao nhiêu tải, … ). Trường hợp lý tưởng là cắt đủ và cắt đúng với mỗi tình huống xảy ra sự cố.
Tuy nhiên, không thể địi hỏi hồn hảo vì tính chất bất thường của sự cố xét về mặt thời gian và khơng gian, sự cố có thể xảy ra bất kỳ thời điểm nào bất kỳ nơi nào trên lưới, các tác động của các rơle và máy cắt không phải đồng đều và như nhau tại các nơi lắp đặt hơn nữa phải xét đến các phụ tải khác nhau với các đặc tính riêng của từng loại phụ tải với mức độ quan trọng khác nhau.
Việc tính tốn các trị số để chỉnh định cho các rơle ra thải theo tần số cần phải đạt được các mục tiêu chính như sau:
• Đủ cứu vãn kịp thời hệ thống bị vượt sức lớn (tần số qui định của hệ thống giảm nặng), giữ cho tần số hệ thống không bị sụt dưới giá trị 47,5 Hz.
• Sau các đợt cắt tải như dự kiến, tần số của hệ thống lúc đó sẽ dần dần tiệm cận với dãy tần số qui định vận hành của hệ thống trong trong điều kiện bình thường.
Chƣơng 2
MƠ HÌNH PHÂN CẤP
AHP - THUẬT TOÁN FUZZY AHP VÀ CƠ SỞ LÝ THUYẾT MẠNG NƠRON
2.1. Q trình phân tích hệ thống phân cấp - Thuật tốn AHP
Phương pháp tiếp cận này hỗ trợ việc ra quyết định sắp xếp các đơn vị trong các chuỗi các giá trị bằng cách sử dụng các kỹ thuật của quá trình phân tích hệ thống phân cấp AHP [40].
2.1.1. Thuật toán AHP - Analytic Hierarchy Process
AHP là phương pháp tiếp cận việc thực hiện các quyết định [41,42]. Phương pháp này trình bày các phương án và tiêu chí đánh giá cân bằng, và thực hiện một