1.2. Các phƣơng pháp sa thải phụ tải đang áp dụng
1.2.3.1. Phƣơng pháp ứng dụng mạng neural (Artificial Neural Network ANN)
trong sa thải phụ tải
ANN là một mơ hình tốn học dựa trên các hệ thống thần kinh của con người. Nó đã được sử dụng rộng rãi trong nghiên cứu các vấn đề của hệ thống điện. Ứng dụng ANN trong các hệ thống điện bao gồm: ổn định điện áp, an ninh hệ thống, ổn định động, ổn định tĩnh, ổn định quá độ, dự báo phụ tải, giám sát sóng hài, và bảo vệ đường dây truyền tải.
Các nhà nghiên cứu đã áp dụng ANN để sa thải phụ tải trong hệ thống điện. Hsu và các cộng sự [17] đã đề xuất một phương pháp sa thải phụ tải dựa trên mạng ANN cho hệ thống nhiều máy phát. Quá trình đào tạo mạng ANN được tổ chức bằng cách xem xét ba yếu tố đầu vào - tổng công suất phát, tổng nhu cầu phụ tải, và độ suy giảm tần số và một đầu ra – lượng tải sa thải tối thiểu.
Phương pháp này đã được kiểm chứng và so sánh với các phương pháp thông thường [17]. Kết quả cho thấy rằng phương pháp được đề xuất thực hiện sa thải phụ tải nhanh hơn so với các phương pháp thông thường.
Các ứng dụng khác của ANN cung cấp sa thải phụ tải nhanh và tối ưu trong hệ thống điện độc lập được trình bày trong [18,19]. Phương pháp này đã được kiểm chứng trên mạng 39 Bus New England.
Kottick và Or [20] sử dụng hai mơ hình mạng neural để giải quyết sự cố mất điện của một đơn vị phát điện khi một hệ thống điện bị cô lập. Mạng nơ ron đầu tiên xác định tần số tối thiểu thấp nhất trong lúc mất điện của một đơn vị phát điện và mạng nơ ron thứ hai dự đốn có bao nhiêu giai đoạn hoặc chiến lược sa thải phụ tải sẽ được yêu cầu thực hiện. Một ứng dụng khác của ANN hỗ trợ trong việc ra quyết định của các nhà vận hành hệ thống điện theo hướng ổn định nhanh chóng của hệ thống nhiều máy.
Trong khi đó, Hsu và các cộng sự [17] đề xuất một phương pháp sa thải phụ tải dựa trên ANN để nâng cao độ tin cậy của hệ thống điện Đài Loan. Đài Loan bị cắt điện nghiêm trọng vào năm 1999 do sự cố đường dây giữa các vùng miền Nam và Trung và Bắc Đài Loan. Sự cố này ảnh hưởng 82,5% Khách hàng tiêu thụ điện ở Đài Loan. Hệ thống điện Đài Loan hiện đang sử dụng một phương pháp sa thải phụ tải gồm 15 giai đoạn. Các kết quả mô phỏng cho thấy rằng phương pháp đề xuất cung cấp chính xác lượng tải phải sa thải.
Do những ưu điểm này, hệ thống đề xuất có thể được sử dụng trong các ứng dụng thực tế [17]. Ứng dụng ANN để giảm bớt các đường dây bị quá tải trước khi hệ thống bị rã lưới được trình bày trong [21] và được kiểm tra trên hệ thống IEEE 30 Bus. Purnomo và các cộng sự [22] đã trình bày phương pháp sa thải phụ tải dựa trên ANN cho việc dự đoán tần số giảm nhanh trong hệ thống điện.
Mitchell và các cộng sự [23] trình bày một chiến lược dựa trên ANN một cách nhanh chóng và tối ưu dự đoán đáp ứng động của một hệ thống điện. Một phương pháp tính tốn hiệu quả dựa trên ANN để dự đốn các chiến lược phù hợp cho việc thiết lập cài đặt relay sa thải dưới tần số UFLS được thảo luận trong [24]. Javadian và các cộng sự [25] đề xuất một phương pháp dựa trên ANN thực hiện cho những sự cố nghiêm trọng xảy ra trong mạng lưới phân phối các máy phát DG. Các phương pháp được đề xuất thực hiện sa thải phụ tải bằng cách tách các mạng lưới phân phối thành nhiều khu, mỗi khu có khả năng hoạt động ở chế độ độc lập [25].
nó có một số hạn chế mà có thể giới hạn việc thực hiện nó trong các ứng dụng thực tiễn. Nghiên cứu đã chứng minh rằng ANN có thể cung cấp kết quả khả quan (được đào tạo) chỉ cho các trường hợp được biết đến. ANN khơng dự đốn được kết quả chính xác cho những trường hợp chưa biết (chưa qua đào tạo) hoặc các trường hợp khác [26].
Điều này có nghĩa rằng ANN sẽ khơng cung cấp đầu ra chính xác liên quan đến các trường hợp không được đào tạo trong ANN. Một nghiên cứu về vấn đề này được thực hiện bằng cách kiểm tra mạng ANN sử dụng hai cấu hình. Trong cấu hình đầu tiên, lớp ngõ ra mạng ANN có một neuron, trong khi cấu hình thứ hai, nó có 6 neuron. Mỗi ANN đã được thử nghiệm trên 22 trường hợp chưa biết để dự đoán lượng tải sa thải. Với cấu hình ANN đầu tiên, chỉ có 10 trường hợp chưa biết được đánh giá một cách chính xác.
Tuy nhiên, với cấu hình ANN thứ hai, ANN đánh giá một cách chính xác 11 trường hợp, 6 trường hợp vẫn khơng có một quyết định, và 5 trường hợp được đánh giá sai. Điều này cho thấy rằng hiệu quả của ANN đối với trường hợp chưa biết sẽ không tốt trong việc cung cấp các giá trị đầu ra chính xác.
Một lý do cho đáp ứng kém này có thể là do các dữ liệu huấn luyện có tương đối ít mẫu được liên kết chặt chẽ với các trường hợp khơng rõ. Qua đó kết luận rằng ANN là nội suy rất tốt, nhưng không phải là một công cụ ngoại suy. Tác động đối với các phần không biết trước của ANN làm nghi ngờ về độ tin cậy của nó. Một kết luận tương tự - đó là ANN khơng cung cấp kết quả chính xác trong các tình huống mạng khác nhau - đã được rút ra bởi Hobson và Allen [27].