Chương 5 PHƯƠNG PHÁP SA THẢI PHỤ TẢI ĐỀ XUẤT VÀ KHẢO SÁT, THỬ NGHIỆM TRÊN HỆ THỐNG ĐIỆN
5.2 Thử nghiệm phương pháp đề xuất trên mô hình IEEE 37-Bus
5.2.1 Đề xuất phương pháp sa thải
Khi có máy phát bị sự cố trong hệ thống điện, hệ thống SCADA sẽ thu thập
dữ liệu các thông số hệ thống điện. Trong trường hợp sau khi thực hiện quá trình điều khiển tần số sơ cấp và điều khiển tần số thứ cấp mà tần số vẫn chưa khôi phục về giá trị cho phép thì dữ liệu này sẽ được đưa vào tập dữ liệu để huấn luyện mạng noron ANN để phân bố chiến lược điều khiển sa thải phụ tải.
Trong trường hợp này, lượng công suất sa thải phụ tải tối thiểu được tính toán. Sau đó, việc phân bố lượng công suất sa thải phụ tải tại các bus tải được thực hiện dựa trên thuật toán AHP. Ở đây, thuật toán AHP giúp việc tính toán hệ số tầm quan trọng của phụ tải. Phụ tải có hệ số tầm quan trọng nhỏ sẽ được ưu tiên sa thải lượng công suất lớn và ngược lại. Lưu đồ giải thuật của phương pháp sa thải phụ tải đề xuất được trình bày ở Hình 5.2.
Hình 5.2 Lưu đồ phương pháp sa thải tải đề xuất
5.2.2 Thử nghiệm trên sơ đồ 37-Bus IEEE
Từ hệ thống kiểm tra IEEE 37 bus 9 máy phát, dựa trên các bước đã trình bày
ở mục 2.2 để xây dựng mô hình phân cấp, ma trận phán đoán giữa các tâm phụ tải
và các phụ tải trong trung tâm phụ tải. Kết quả của việc xây dựng hệ thống phân
cấp mô hình được trình bày trong Hình 5.3 và từ Bảng 5.1 đến Bảng 5.5.
Hình 5.3 Mô hình AHP các vùng trung tâm tải và các đơn vị tải cho sơ đồ
IEEE 37 Bus Bảng 5.1: Ma trận phán đoán trung tâm phụ tải LCi
PI LC1
LC1 1/1
LC2 3/1
LC3 1/1
LC4 1/1
Bảng 5.2: Ma trận phán đoán các phụ tải Lj ở trung tâm tải LC1
L2
L2 1/1
L3 1/1
L4 1/1
L5 3/1
L6 2/1
L7 3/1
L8 2/1
L9 2/1
Bảng 5.3: Ma trận phán đoán các phụ tải Lj ở trung tâm tải LC2
L10
L10 1/1
L11 1/1
L12 1/1
L13 3/1
L14 2/1
Bảng 5.4: Ma trận phán đoán các phụ tải Lj ở trung tâm tải LC3
L15
L15 1/1
L16 2/1
L19 1/1
L22 1/1
L23 2/1
Bảng 5.5: Ma trận phán đoán các phụ tải Lj ở trung tâm tải LC4
L25
L25 1/1
L30 1/1
L32 1/1
L34 3/1
L35 2/1
L36 3/1
L37 2/1
Giả sử máy phát BLT138 (Bus 53) bị sự cố ngắt khỏi lưới điện. Trong sơ đồ hệ
thống điện 9 máy phát IEEE 37 bus, SLACK 345 (SLACK Bus) được chọn làm máy phát
điều khiển tần số thứ cấp. Lượng công suất điều khiển thứ cấp là 10,72MW. Giá trị công
suất điều khiển sơ cấp của mỗi tuabin máy phát được thể hiện trong Bảng 5.7.
Trong trường hợp sau khi điều khiển tần số sơ cấp và thứ cấp được thực hiện, giá
trị tần số vẫn chưa được khôi phục về giá trị cho phép. Vì vậy phải giảm tải để khôi phục tần
số về giá trị cho phép. Áp dụng công thức (3.16) tính toán lượng công suất tải giảm thiểu tối
thiểu để khôi phục tần số về giá trị cho phép. Sau quá trình tính toán thì tổng lượng
sa thải tối thiểu là 16.64MW. Lượng công suất này được phân phối cho các nút phụ tải theo hệ số quan trọng của phụ tải. Bảng phân bố khả năng sa thải tải tại từng Bus tải được trình bày trong Bảng 5.6.
Bảng 5.6: Giá trị của tải và hệ số quan trọng của tải được tính bằng AHP
Trung
tâm tải
LC1
LC1
LC1
LC1
LC1
LC1
LC1
LC1
LC2
LC2
LC2
LC2
LC2
LC3
LC3
LC3
LC3
LC3
LC4
LC4
LC4
LC4
LC4
LC4
LC4
Bảng 5.7: Giá trị thông số và công suất điều chỉnh sơ cấp của các máy phát
STT Máy phát
1 WEBER69
2 JO345#1
3 JO345#2
4 SLACK345
5 LAUF69
6 BOB69
7 ROGER69
8 BLT138
9 BLT69
Tổng 5.2.3 Xây dựng tập mẫu học và huấn luyện mạng nơron
Việc xây dựng tập mẫu được thực hiện như sau: Phần mềm PowerWorld GSO 19 được sử dụng để mô phỏng off-line nhằm thu thập dữ liệu cho việc huấn luyện mạng nơ- ron để phân bố chiến lược điều khiển sa thải phụ tải khi có sự cố mất các máy phát xảy ra. Với mỗi trường hợp, sau khi thực hiện các quá trình điều khiển tần số sơ cấp và điều khiển tần số thứ cấp, hệ thống điện sẽ thực hiện sa thải phụ tải khi tần số giảm xuống dưới ngưỡng cho phép 59.7Hz. Lượng công suất sa thải phụ tải được tính toán và việc phân bố công suất sa thải phụ tải tại các Bus tải được thực hiện dựa trên thuật toán AHP.
Đối với việc xây dựng tập mẫu huấn luyện sẽ tiến hành bằng cách thay đổi mức tải
từ 60% đến 100% mức phụ tải cực đại, và thay đổi vị trí máy phát bị sự cố. Trong quá trình
mô phỏng, các trường hợp phải sa thải phụ tải thì được cho vào một tập dữ liệu để huấn luyện mạng nơron, Kết quả được một tập dữ liệu bao gồm 122 mẫu. Trong quá trình huấn luyện mạng nơ-ron, tập dữ liệu được chia được chia ra 80% dữ liệu để huấn luyện và 20%
dữ liệu để kiểm tra. Các dữ liệu được chuẩn hóa trước khi huấn luyện.
Về cấu trúc mạng nơ ron gồm 3 lớp: lớp đầu vào, lớp ẩn và lớp đầu ra. Tổng số biến đầu vào là 164 biến (bao gồm: 9 biến ΔPG, 25 biến ΔPLoad và 56 biến ΔPBranch, 37 biến Δfbus, 37 biến ΔVbus). Lượng công suất sa thải tại các bus tải (25 biến) là các tín hiệu đầu ra tương ứng với các trường hợp máy phát bị sự cố. Cấu hình mạng ANN trình bày ở hình 5.4.
Tiến hành huấn luyện nơ-ron ANN2 với các trường hợp sử dụng mạng nơ-ron lan truyền ngược Back Propagation Neural Network (BPNN) với 4 thuật toán huấn luyện: Lenvenberg-Marquardt (trainlm), Bayesian (trainbr), Scaled Conjugate Gradient (trainscg),
Resillient Backpropagation (trainrp) để so sánh hiệu quả của các phương pháp huấn luyện. Kết quả độ chính xác huấn luyện và độ chính xác kiểm tra của các phương pháp huấn luyện trình bày ở Bảng 5.8 và Hình 5.5.
Hình 5.4 Cấu hình ANN
Bảng 5.8: Độ chính huấn luyện và kiểm tra của từng thuật toán huấn luyện ANN
Thuật toán
huấn luyện
của ANN
Độ
xác
luyện (%)
Độ
xác
tra (%)
Hình 5.5 So sánh độ chính xác huấn luyện và kiểm tra của các thuật toán
huấn luyện ANN
Từ kết quả dữ liệu Hình 5.5 cho thấy trong trường hợp nhận dạng chiến lược
sa thải phụ tải với phương pháp huấn luyện sử dụng mạng nơ-ron thuật toán huấn luyện Bayesian đạt độ chính xác cao nhất. Ngoài ra, khi số biến ngõ vào càng tăng thì độ xác tăng theo và đạt giá trị độ chính xác cao nhất khi đạt 130 biến với độ chính xác huấn luyện là 97.92% và độ chính xác kiểm tra đạt 98.51%.
Thực hiện việc so sánh phương pháp sa thải phụ tải đề xuất với phương pháp
sa thải phụ tải sử dụng relay sa thải phụ tải dưới tần số (UFLS) khi thực hiện với cùng một lượng công suất sa thải là 16.64MW. Ở đây, phương pháp sa thải phụ tải sử dụng mạng nơron kết hợp với thuật toán AHP có thời gia sa thải là 300ms sau khi sự cố máy phát xảy ra. Phương pháp sa thải phụ tải sửng dụng relay sa thải phụ tải UFLS có thời gian sa thải là sau khi tần số giảm xuống dưới ngưỡng giá trị cho phép.
Hình 5.6 Tần số của hệ thống khi áp dụng phương pháp giảm tải truyền
thống và phương pháp đề xuất Bảng 5.9: So sánh thiệt hại kinh tế do sa thải tải dựa trên thuật toán AHP và UFLS Phương pháp sa thải
Lượng công suất sa thải (MW)
Giá trị tần số phục hồi (Hz)
Giá trị tần số đáp ứng thấp nhất (Hz)
Thời gian phục hồi tần số (s)
Thiệt hại kinh tế ∑PLSiCmi (x103) ($)
Nhận xét:
Quan sát hình 5.6 cho thấy phương pháp sa thải phụ tải dựa trên mạng noron, thuật toán AHP và sa thải phụ tải dựa trên UFLS có giá trị tần số phục hồi đến giá trị cho phép. Cả 2 phương pháp có giá trị tần số ở trạng thái xác lập như nhau. Nguyên nhân là do có lượng công suất sa thải phụ tải giống nhau.
Giá trị thấp nhất đáp ứng tần số của phương pháp ANN-AHP luôn cao hơn và tốt hơn
so với phương pháp UFLS. Nguyên nhân là do phương pháp ANN-AHP có thời gian xử lý của mạng ANN rất nhanh, do đó nhanh chóng ra quyết định thực hiện chiến lược điều khiển
sa thải phụ tải. Trong khi đó, phương pháp UFLS phải chờ tần số giảm dưới ngưỡng cài đặt của UFLS relay thì mới tác động sa thải phụ tải. Chính điều đó đã làm chậm
quá trình ra quyết định sa thải phụ tải và giá trị đáp ứng tần số không tốt hơn phương pháp ANN-AHP.
Ngoài ra, mặc dù có cùng lượng công suất sa thải phụ tải, nhưng phương pháp sa thải phụ tải dựa trên ANN-AHP có giá trị thiệt hại gây ra thấp hơn so với phương pháp UFLS. Nguyên nhân là do thuật toán AHP đã xếp hạng các phụ tải theo thứ tự ưu tiên tầm quan trọng. Phụ tải nào có tầm quan trọng thấp sẽ được ưu tiên sa thải với lượng công suất nhiều hơn. Chính điều này đã giúp làm giảm thiệt hại gây ra khi cắt điện.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
6.1 Kết luận
Đề tài tiến hành sa thải tải trên cơ sở xem xét hệ số tầm quan trọng của phụ tải, quá trình điều khiển tần số sơ cấp và điều khiển tần số thứ cấp và mạng nơ-ron. Việc xem xét quá trình điều khiển tần số sơ cấp, điều khiển tần số thứ cấp giúp giảm lượng công suất sa thải phụ tải và khôi phục tần số về phạm vi cho phép. Công suất sa thải phụ tải tại các Bus tải được phân bố lượng dựa hệ số tầm quan trọng của phụ tải. Mạng nơ-ron được áp dụng để phân bố chiến lược
sa thải phụ tải khi hệ thống điện vận hành ở nhiều mức tải khác nhau.
Việc xếp hạng sa thải phụ tải và tính toán hệ số tầm quan trọng của phụ tải dựa trên thuật toán AHP đã góp phần làm giảm thiệt hại gây ra do sa thải phụ tải. Kết hợp ứng dụng mạng ANN để nhanh chóng nhận dạng chiến lược điều khiển sa thải phụ tải
đã góp phần nâng cao chất lượng đáp ứng tần số của giải pháp sa thải phụ tải.
Hiệu quả của phương pháp sa thải phụ tải đề xuất được kiểm chứng trên sơ
đồ hệ thống điện IEEE 37 nút 9 máy phát. Kết quả của phương pháp sa thải phụ tải
đề xuất được so sánh với phương pháp sa thải dưới tần số UFLS. Quá trình nhận dạng và phân bố nhanh chiến lược sa thải phụ tải sử dụng mạng noron kết hợp với giải pháp điều khiển sa thải phụ tải đã được thiết lập trước dựa trên thuật toán AHP
đã giúp tần số của hệ thống phục hồi nhanh chóng về giá trị cho phép và thời gian tần số phục hồi nhanh hơn so với phương pháp sa thải phụ tải truyền thống. Mang nơ-ron huấn luyện cho độ chính xác cao đạt yêu cầu mong muốn.
6.2 Hướng phát triển đề tài
Đề tài có thể nghiên cứu phát triển theo các hướng sau:
Áp dụng mạng neural trong sa thải phụ tải kết hợp với nhận dạng trường hợp có hoặc không sa thải phụ tải khi có sự cố.
Xem xét các chi phí thiệt hại cụ thể và tối ưu hóa chi phí này khi thực hiện sa thải.
TÀI LIỆU THAM KHẢO
[1] Under Frequency Load Shedding (UFLS): Principles and Implementation,
Y. R. Omar, I. Z. Abidin, S. Yusof, H. Hashim, H.A. Abdul Rashid, Universiti Tenaga Nasional, Advanced Power Solution,2010 IEEE International Conference on Power and Energy (PECon2010), Nov 29 - Dec 1, 2010, Kuala Lumpur, Malaysia.
[2] Optimal under voltage load shedding based on voltage stability index, Karol López, Sandra Pérez, and Luis Rodríguez, Ingeniería e Investigación vol. 36 n. 2, august - 2016 (43-50.
[3] Hao CONG, Yang HE, Xu WANG và Chuanwen JIANG, “Robust optimization for improving resilience of integrated energy systems with electricity and natural gas infrastructures”, September 2018, Volume 6, Journal of Modern Power Systems and Clean Energy.
[4] J. Duncan Glover, Mulukutla S. Sarma, Thomas J. Overbye, “Power System Analysis and Design”, Sixth Edition, Cengage Learning, 2017.
[5] Ths. Nguyễn Thị Nguyệt Hạnh, Luận văn thạc sĩ: Nghiên cứu sa thải phụ tải theo tần số trong hệ thống điện, Luận văn thạc sĩ, ĐH Bách Khoa Hà Nội, 2014.
[6] Ths. Nguyễn Đức Thiện, Luận văn thạc sĩ: Xây dựng chương trình sa thải phụ tải dựa trên thuật toán FUZZY-AHP, đại học Sư phạm
Kỹ thuật Thành phố Hồ Chí Minh, 2015.
[7] Ths. Bùi Nguyễn Xuân Vũ, Luận văn thạc sĩ Nghiên cứu các phương pháp sa thải tải, đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2018
[8] Ths. Phạm Minh Pha, Luận văn thạc sĩ: Sa thải phụ tải trong MicroGrid ở chế độ tách lưới, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016.
[9] Ths. Nguyễn Viết Sang, Luận văn thạc sĩ : Mô phỏng chất lượng điện trên lưới điện nhỏ (MG) trong trường hợp nguồn năng lượng mặt trời kết hợp máy phát Diesel, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016.
[10] Junjie Tang, Junqi Liu, “Adaptive Load Shedding Based on Combined Frequency and Voltage Stability Assessment Using Synchrophasor Measurements”, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 28, NO. 2, MAY 2013.
[11]H. Bevrani, Senior Member, IEEE, G. Ledwich, Senior Member, IEEE, and
J. J. Ford. "On the Use of df/dt in Power System Emergency Control", 2009.
[12] R. Hooshmand, M. Moazzami. “Optimal design of adaptive under frequency load shedding using artificial neural networks in isolated power system”, International Journal of Electrical Power & Energy Systems, Volume 42, Issue 1, November 2012, Pages 220-228.
[13] Muhammad Faizan Tahir, Hafiz Teheeb-UI-Hassan, Kashif Mehmood, Hafiz Ghulam Murtaza Qamar, Umair Rashid. “Optimal Load Shedding Using
an Ensemble of Artificial Neural Networks”, International Journal of Electrical and Computer Engineering Systems, Volume 7, Number 2, 2016.
[14] Nur Najihah Abu Bakara, Mohammad Yusri Hassana, Mohamad Fani Sulaimad, Mohamad Na’im Mohd Nasird, Aziah Khamisd. " Microgrid and load shedding scheme during islanded mode: A review", Volume 71, May 2017, Pages 161-169.
[15] Mousa Marzband , Maziar Mirhosseini Moghaddam , Mudathir Funsho Akorede, Ghazal Khomeyrani. " Adaptive load shedding scheme for frequency stability enhancement in microgrids", Volume 140, November 2016, Pages 78-86.
[16] Wei Gu, Wei Liu, Chen Shen, Zhi Wu, “Multi-stage underfrequency load shedding for islanded microgrid with equivalent inertia constant analysis”, Electrical Power and Energy Systems 46 (2013) 36–39.
[17] Quan Zhou, Graduate Student Member, IEEE, Zhiyi Li, Member, IEEE, Qiuwei Wu, Senior Member, IEEE, and Mohammad Shahidehpour, Fellow, IEEE. " Two-Stage Load Shedding for Secondary Control in Hierarchical Operation of Islanded Microgrids", IEEE TRANSACTIONS
ON SMART GRID, VOL. 10, NO. 3, MAY 2019.
[18] Bộ công thương Việt Nam - Cục Điều Tiết Điện Lực, Quy trình lập kế hoạch, huy động dịch vụ điều tần và dự phòng quay. Bộ công thương Việt Nam, 2015.
[19]T.L. Saaty, The Analytic Hierarchy Process. McGraw-Hill, New York, 1980.
[20]Trần Bách. Lưới điện & Hệ thống điện. NXB Khoa học kỹ thuật, 2004.
[21] Allen J. Wood, Bruce F. Wollenberg, Gerald B. Sheblé. Power Generation, Operation and Control, Third Edition. John Wiley & Sons, 2014, pp. 473 – 481.
[22] Wei Bengang, Wu Xinye, Yao Zhoufei, et al. A method of optimized neural network by LM algorithm to transformer winding hot spot temperature forecasting. 2017 IEEE Electrical Insulation Conference (EIC), 2017, pp. 87-91.
[23] Walker H. LandJr, J. David Schaffer. Bayesian Probabilistic Neural Network. The Art and Science of Machine Intelligence, 2019, pp 187-210.
[24] Walaa M. Khalaf, Mohammed Ali Tawfeeq, Kadhum Al-Majdi. Edge Detection Using Scaled Conjugate Gradient Algorithm in Back Propagation Neural Network. Eng. & Tech. Journal, Vol.32, Part (A), No.2, 2014.
[25] Chien-Sheng Chen; Szu-Lin Su; He-Nian Shou; Wen-Hsiung Liu. Resilient back-propagation neural network for approximation weighted geometric dilution of precision. 3rd International Conference on Computer Science and Information Technology, 2010, China.