ĐẠI HỌC BÁCH KHOA TP.HCM
Ngành Thiết bị, Mạng và Nhà máy điện
LUẬN VĂN TỐT NGHIỆP
XÁC ĐỊNH SỰ CỐ CÁP NGẦM
SỬ DỤNG MẠNG NEURAL
GVHD: TS Dương Vũ Văn
Học viên: Nguyễn Hoàng Thông
MSHV: 01806506
Khóa: 2006
Ho Chi Minh, 01/2009
LVThS
Maquette
1
1
CHƯƠNG 1
TỔNG QUAN VỀ MẠNG CÁP NGẦM VÀ CÁC DẠNG SỰ CỐ
1.1 Cáp ngầm cao thế
Cáp ngầm được sử dụng trong các công trình ngầm hóa hệ thống điện, chúng
được đặt trong các ống dẫn hoặc có thể chôn trực tiếp trong đất, có những thuận lợi
như độ tin cậy cao do không ảnh hưởng của bão hay giông sét, thân thiện môi
trường, không có hồ quang, an toàn, ít bảo trì và chiếm ít không gian. Tuy nhiên
cũng có bất lợi là chi phí cao, thời gian xây dựng lâu, tải thấp và khó sửa chữa.
Không giống đường dây trên không, không khí không là một phần cách điện và ruột
dẫn phải được cách điện hoàn toàn nên cáp ngầm mắc hơn nhiều đường dây trên
không và các nhánh rẽ phải được thực hiện thông qua các hộp nối cáp. Cáp ngầm có
tự cảm thấp hơn nhiều so với đường dây trên không do khoảng không giữa dây dẫn
và đất, nhưng cáp ngầm lại có điện dung và dòng xả cao hơn nhiều. Thông thường,
cáp ngầm cao thế có một lõi được cách điện và bảo vệ bởi lớp vỏ bọc ngoài.
Hình 1.1 Cáp ngầm cao thế
1.1.2 Điện trở cách điện
Điện trở cách điện giữa ruột dẫn và lớp vỏ bên ngoài được mô tả như sau:
2
Hình 1.2 Mặt cắt ngang của cáp
ρ .∆x
∆ Re s =
với l là chiều dài của cáp (mét)
2πxl
R
ρ R dx
ρ
=
ln( )
Res = ∫ ∆ Re s =
∫
2πl r x 2πl
r
Ví dụ như: Re s =
R
3.665
ρ log10 ( ) × 10 −10 ΜΩ với l’ là chiều dài cáp (km)
l'
r
1.1.3 Điện dung
Hình 1.3 Mặt cắt ngang của cáp
r là bán kính ruột dẫn (m)
R là bán kính của cáp (m)
q là điện dung trên một đơn vị chiều dài của cáp (C/m)
D là mật độ từ thông (C/m2)
ε0 là điện dung khoảng không = 1/(4π x 9 x 109)F/m
q
2πx
D
q
18 × 10 9 × q
ứng suất điện ξ = =
=
ε 2πε 0 ε r x
εrx
Ta có q = D × 2π × xl D =
do ξ =
R
R
dv
18 × 10 9 × q
V
dx
ξ
=
=
nên
∫r
∫r ε r x dx
dx
ví dụ V =
18 × 10 9
εr
Điện dung C =
q log e ( R / r ) =
q
2πε
log e ( R / r )
εr
q
F /m
=
9
V 18 × 10 log e ( R / r )
1.2 Mô tả quá trình sự cố
3
Một vài năm gần đây, hầu hết các công ty điện lực ít hoặc không có đầu tư
vào các phương pháp phân tích sự cố, điều này dẫn đến không có nhiều thông tin về
các sự cố. Một số lượng lớn các nghiên cứu về đánh giá sự cố cáp ngầm đã được
giới thiêu nhưng nhận được ít sự quan tâm từ phía các Công ty điện lực. Đến nay
quan điểm này cũng đã dần thay đổi do yêu cầu về thị trường điện và quan điểm
khắc khe của khách hàng, các Công ty điện lực ngày càng tiết kiệm về tài chính và
thời gian nên đã có nhiều quan tâm đến lợi ích của các phương pháp xác định sự cố.
Ngày nay, cũng đã có khá nhiều phiên bản về bảo vệ hệ thống truyền tải và cách
pháp tính toán sự cố cáp ngầm.
Khi relay khoảng cách không đủ chính xác để phát hiện khoảng cách sự cố
thì phương pháp xác định sự cố bằng cách đo lường điện kháng từ điểm đầu điểm
cuối đến vị trí sự cố được nghiên cứu phát triển. Tuy nhiên, các phương pháp đơn
giản và gần đúng này cũng có giới hạn về tính chính xác. Phương pháp xác định sự
cố dựa vào sự truyền sóng được giới thiệu vào thập niên 50, ý tưởng cơ bản của
phương pháp này là dựa vào việc xác định thời gian sóng truyền giữa đầu vào và vị
trí xảy ra sự cố. Mặc dù được đánh giá cao vào thời gian đó nhưng phương pháp
này cũng bị bỏ rơi do một số vấn đề về độ tin cậy và bảo trì cũng như về tính kinh
tế. Sau đó, việc phát triển của phương pháp tín hiệu truyền sóng cũng như các giải
thuật hỗ trợ đã được giới thiệu nhiều. Tuy nhiên, phương pháp truyền sóng vẫn còn
nhiều sai sót và không thuận lợi.
Relay kỹ thuật số được bắt đầu ứng dụng để tính toán bảo vệ thiết bị trong
trạm biến thế vào cuối năm 1960. Phương pháp bảo vệ khoảng cách được đề nghị
vào năm 1971 và relay kỹ thuật số được giới thiệu sử dụng cho đường dây vào năm
1972. Việc sử dụng phân tích Fourier để đánh giá điện áp và dòng điện cơ bản được
đề nghị vào năm 1975 cho việc ứng dụng bảo vệ khoảng cách. Các phương pháp
này được tận dụng để phát triển các giải thuật xác định sự cố dựa vào trở kháng khá
tốt. Tận dụng các phiên bản kỹ thuật số vào việc bảo vệ thiết bị có một số thuận lơi
như độ tin cậy, khả năng thích ứng mềm dẻo, tự giám sát và giảm chi phí cũng như
không tránh khỏi một số sai sót.
Dạng sự cố
Trong lĩnh vực truyền tải điện năng, sự cố được định nghĩa là một liên kết
bất thường giữa các dây cáp với nhau, liên kết này có thể bền vững hoặc không. Trở
kháng của sự cố là một thông số quan trọng.
Các dạng sự cố như sau:
• Sự cố 3 pha: ngắn mạch 3 pha (có đất hoặc không)
4
• Sự cố 2 pha: ngắn mạch giữa 2 pha với nhau hoặc pha với trung tính
(có đất hoặc không)
• Sự cố 1 pha: pha với trung tính hoặc với đất
Sự cố 3 pha
Sự cố 2 pha
Sự cố 3 pha chạm đất
Sự cố 2 pha chạm đất
Sự cố 1 pha chạm đất
Hình 2.1 Dạng sự cố
1.3 Lợi ích
1.3.1 Tiết kiệm thời gian
Ngay sau khi sự cố, các relay liên quan truyền tín hiệu đến máy cắt cô lập
vùng sự cố. Xác định vị trí sự cố dựa vào kinh nghiệm và các thông tin từ thiết bị
đóng cắt không mang lại hiệu quả cao và mất thời gian nhưng cũng giúp để phân
đoạn sự cố hơn là xác định vị trí sự cố một cách chính xác. Vì thế có thể tận dụng
các phương pháp xác định sự cố này.
1.3.2 Nâng cao độ tin cậy
Việc xác định sự cố chính xác sẽ nâng cao tính ổn định của hệ thống rất
nhiều, tăng hiệu suất vận hành của lưới điện. Việc này cần được nâng cao trong một
thị trường cạnh tranh và ngày càng khắt khe.
1.3.3 Kế hoạch bảo trì hệ thống
5
Các sự cố thóang qua xuất hiện và tự mất đi làm cho hệ thống mất tính ổn
định. Tuy nhiên, phân tích vị trí các sự cố có thể xác định dấu vết trên toàn hệ thống
một cách hiệu quả. Điều này hỗ trợ rất nhiều cho kế hoạch bảo trì trong tương lai và
ngăn ngừa các sự cố lớn có thể xảy ra.
1.3.4 Hiệu quả kinh tế
Tất cả các lơii ích vừa nói đến đều xét đến hiệu quả kinh tế. Không có nghi
ngờ gì về tiết kiệm thời gian, nâng cao độ tin cậy hệ thống và tránh các tai nạn trong
trương lai sẽ giảm chi phí và tăng lợi nhuận. Đây là một khái niệm cần thiết cho
ngành điện hiện này và vì thế phương pháp xác định sự cố cho hệ thống điện lực là
cần thiết.
6
CHƯƠNG 2
MẠNG NƠ RON VÀ
(BACKPROPAGATION)
THUẬT
TOÁN
LAN
TRUYỀN
NGƯỢC
2.1 Giới thiệu về mạng nơron nhân tạo
2.1.1 Mô hình mạng nơron nhân tạo
Mạng nơron nhân tạo (Artificial Neural Network) gọi tắt là ANN bao gồm
các nút (đơn vị xử lý, nơron) được nối với nhau bởi các liên kết nơron. Mỗi liên kết
kèm theo một trọng số nào đó, đặc trưng cho đặc tính kích hoạt/ức chế giữa các
nơron. Có thể xem các trọng số là phương tiện để lưu giữ các thông tin dài hạn
trong mạng nơron và nhiệm vụ của quá trình huấn luyện (học) mạng là cập nhập các
trọng số khi có thêm các thông tin về các mẫu học, hay nói một cách khác, các trọng
số được điều chỉnh sao cho dáng điệu vào ra của nó hoàn toàn phù hợp môi trường
đang xem xét.
2.1.2 Mô hình nơron nhân tạo
sj
wj
Các liên kết vào
Net=Σ
g out
Các liên kết ra
Hình 2.1 Mô hình nơron nhân tạo
Mỗi nơron được nối với nơron khác và nhận được các tín hiệu pj từ chúng với các
trọng số wj. Tổng các thông tin vào có trọng số là:
Net = ∑ w j s j
Người ta gọi đây là thành phần tuyến tính của nơron. Hàm kích hoạt g (còn gọi là
hàm chuyển) đóng vai trò biến đổi từ Net sang tín hiệu đầu ra out
Out = g(Net)
Đây là thành phần phi tuyến của nơron
a. Tập huấn luyện
7
Mạng nơron được huấn luyện bởi input-output yêu cầu. Tập input bao gồm
tất cả các mẫu (vectơ input) yêu cầu huấn luyện cho mạng, không gian input bằng
số nơron lớp nhập. Tập output gồm các vectơ yêu cầu, số không gian output bằng số
nơron lớp xuất, số mẫu trong tập output bằng với số mẫu trong tập input.
Khi mạng nơron được học thì nó sẽ biểu diễn đúng các nhiệm vụ mà nó được
học. Mạng nơron trích các đặc điểm quan trọng được học trong tập mẫu huấn luyện,
tổng hợp các đặc điểm này để đưa ra quá trình xử lý đúng với các mẫu mới không
được học trước đó.
b. Trọng số kết nối
Các kết nối giữa các nơron trong mạng nơron nhân tạo được gọi là trọng
lượng kết nối có thể điều chỉnh được. Khi các tín hiệu được đưa vào nơron để xử lý
nó được nhân với trọng số W và sau đó được biến đổi bởi hàm phi tuyến. Tác dụng
của hàm phi tuyến làm cho các tín hiệu nhập gần với các giá trị xuất chuẩn.
c. Các hàm hoạt động
Hàm số hoạt động của nơron được biểu diễn bởi f(.). Nó định nghĩa tín hiệu
output của nơron nếu tín hiệu input đã được biết trước. Có các loại hàm số hoạt
động thông dụng như trong bảng dưới đây
Hàm tuyến tính
f(s) = s
Hàm ngưỡng
Hàm sigmod
Hàm hyperbolic
⎧+ 1 neu s ≥ 0
⎩− 1 neu s < 0
1
f(s) =
(1 + e − s )
f(s) = ⎨
f(s) =
(1 − e −2 s )
(1 + e 2 s )
2.1.3 Phân loại các mạng nơron
Theo liên kết nơron có thể được phân loại thành hai loại: mạng nơron truyền
thẳng (feed-forward neural network) và mạng nơron hồi quy (recurrent neural
network). Trong mạng nơ ron truyền thẳng các liên kết nơron đi theo một hướng
nhất định, không tạo thành chu trình (directed acylic graph) với các đỉnh là các
nơron, các cung là các liên kết giữa chúng. Ngược lại, các mạng hồi quy cho phép
các liên kết nơron tạo thành chu trình. Vì các thông tin ra của các nơron được truyền
lại cho các nơron đã góp phần kích hoạt chúng, nên mạng hồi quy còn có khả năng
lưu giữ trạng thái trong của nó dưới dạng các ngưỡng kích hoạt ngoài các trọng số
liên kết nơron.
8
2.1.4 Phân loại theo thuật toán huấn luyện
Mạng nơron được huấn luyện bởi hai thuật toán chính là học hỏi có giám sát
và học không giám sát. Ngoài ra còn có thuật toán học có điều chỉnh, đây là trương
hợp đặc biệt của thuật toán học hỏi có giám sát
Học hỏi có giám sát: thuật toán này là điều chỉnh sự khác nhau giữa các output thực
tế và các output yêu cầu tương ứng với từng mẫu đưa vào. Ví dụ như: quy tắc delta
(Widrow và Hoff, 1960), thuật toán backpropagation do Mc Clelland đưa ra năm
1986 và thuật toán LVQ-thuật toán chuẩn hóa vectơ học hỏi do Kohonen, 1989…
Học không giám sát: thuật toán này không đòi hỏi biết trước ngõ ra yêu cầu. Trong
quá trình huấn luyện, các mẫu nhập đưa vào mạng và thuật toán tự điều chỉnh các
trọng số của các kết nối, các mẫu nhập có đặc điểm tương tự sẽ ở trong cùng một
lớp. Ví dụ như thuật toán Kohonen, 1989, thuật toán ART-thuật toán học hỏi cạnh
tranh do carpenter và Grossberg, 1988.
2.2 Lịch sử nghiên cứu
Những năm 1940 có thể xem là mốc khởi đầu của các nghiên cứu về mạng
nơron với đề xuất mô hình xử lý thông tin tại các nơron và mạng nơron của Mc
Culloch-Pitts và giải thuật huấn luyện mạng của Hebb.
Những năm 50, 60 là thời kỳ hưng thịnh của mạng nơron với các công trình
của Rosenbatt (1960) về mạng Perceptron, giải thuật huấn luyện mạng ADALINE
và bài báo bình giải của Minsky và Papert về mạng perception.
Những năm 70, mạng nơron rơi vào trạng thái im lặng cả về nghiên cứu và
ứng dụng. Tuy vậy có thể kể đến các nghiên cứu về quá trình học của mạng nhiều
lớp, mạng tự tổ chức của Kohonen, mạng kiểu bộ nhớ kết hợp (BAM) của
Anderson, mạng ART của Capenter.
Những năm 80 là thời kỳ phục hưng của các nghiên cứu và ứng dụng mạnh
mẽ của các mạng nơron với các nghiên cứu về giải thuật học dựa trên lan truyền
ngược sai số (backpropagation of errors), mạng một lớp của Hopfield, mạng theo
kiểu máy Boltmann và mạng Neocognitron của Fukushima.
Từ đầu những năm 90 đến nay, mạng nơron đã tìm được và khẳng định vị trí
của mình trong rất nhiều ứng dụng khác nhau trong công nghệ nhờ kết hợp chúng
với các kỹ thuật của trí tuệ nhân tạo. Giải thuật di truyền, logic mờ và suy diễn xấp
xỉ, hệ chuyên gia để phân tích dữ liệu và thu thập tri pháp phục vụ cho việc xây
dựng các hệ thống thông minh trong tương lai.
9
Những lĩnh vực công nghệ sử dụng khá hiệu quả các mạng nơron và hệ
thống thông minh là: hóa học, vật liệu, điện và điện tử, điều khiển, kinh tế, môi
trường…
2.3 Mạng nơron nhiều lớp lan truyền ngược sai số
2.3.1 Kiến trúc mạng
Các nơron lớp thứ t được nối đầy đủ với các nơron lớp thứ t+1. Trong nhiều
ứng dụng thực tế, để đơn giản người ta thường sử dụng mạng có một lớp ẩn, số
nơron trong lớp ẩn được xác định dựa trên kinh nghiệm hoặc dựa trên các kỹ thuật
tìm kiếm khác nhau.
2.3.2 Huấn luyện mạng
Học có giám sát với tập mẫu {(Xs, Ys)}
Thủ tục học có thể tóm lược như sau:
Mỗi khi đưa một mẫu Xs = (x1,……,xn) vào mạng, ta thực hiện các công việc sau:
- Lan truyền mẫu Xs qua mạng để có outs = Tinh(Xs, NN).
- Tính sai số Es của mạng dựa trên sai lệch (outs – Ys).
- Hiệu chỉnh các trọng số liên kết nơron dẫn tới lớp ra từ nơron j tại lớp ẩn
cuối cùng tới nơron i tại lớp ra.
(2.1)
Wij = Wij + αa j δ j
với α là hệ số học
aj là đầu ra của các nơron j
δj là sai số mà nơron i ở lớp ra phải chịu trách nhiệm, được xác định theo:
(2.2)
δ i = erri g ' ( Neet i )
với errig’ là sai số thành phần thứ i trong Errs
Neti là tổng thông tin vào có trọng số của nơron thứ i
(Neti = ∑ wij aij )
g’(.) là đạo hàm của hàm kích hoạt g được dùng trong các nơron
Hiệu chỉnh các trọng số liên kết nơron dẫn tới tất cả các lớp ẩn từ nơron thứ k sang
nơron thứ j:
Tính tổng sai số tại nơron j phải chịu trách nhiệm
δ j = g ' ( Net j )∑ wij δ i
(2.3)
i
Hiệu chỉnh trọng số wij
w jk = w jk + αa k δ j
(2.4)
Trường hợp xét liên kết từ nơron vào thứ k sang nơron j trên lớp ẩn, ta có ak = Ik
chính là tín hiệu vào.
Giả sử xét hàm linh hoạt tại các nơron:
g ( x) =
1
1 + e −x
10
Ta có hệ pháp g’(x) = g(x)(1-g(x)).
Từ công pháp (1) và (4) ta có thể viết lại
Wij = Wij + ∆Wij
Wjk = Wjk + ∆Wjk
Với ∆Wij = αajδi; ∆Wjk = αakδj
Trong các ứng dụng thực tế, người ta thường hiệu chỉnh ∆Wij theo nguyên tắc có
chú ý đến thao tác trước đó. Do vậy
∆Wijmới = αajδi + β∆Wijcũ
Quá trình huấn luyện mạng cần chú ý tới các yếu tố sau:
Các trọng số ban đầu wij được gán giá trị ngẫu nhiên, nhỏ.
Lựa chọn các hệ số cơ học α và hệ số quán tính β sao cho α+β gần bằng 1, với β
không lớn hơn α quá nhiều.
Các tín hiệu vào ra thông thường được định cỡ nằm trong khoảng [0,1]. Các thực
nghiệm chỉ ra thường nên ở trong khoảng [0.2,0.8].
2.3.3 Sử dụng mạng
Giả sử đã huấn luyện mạng hai lớp như trên hình 2.2 với tập mẫu {(Xs, Ys)}
để được ma trận trọng số w. Quá trình lan truyền trong mạng một vectơ tín hiệu vào
X = (x1, x2, x3) cho bởi:
Out = g(w64a4 + w65a5) = g(w64g(w41x1 + w42x2 + w43x3) + w65g(w51x1 + w52x2 +
w53x3)) = F(X,W)
Khả năng tính toán của mạng nhiều lớp
Với một lớp ẩn, mạng có thể tính toán xấp xỉ một hàm liên tục bất kỳ với các
biên là các tín hiệu đầu vào.
Với hai lớp ẩn, mạng có khả năng tính toán xấp xỉ một hàm phi tuyến bất kỳ.
Tuy vậy, số nơron trong các lớp ẩn có thể tăng theo hàm mũ đối với số đầu vào và
cho đến nay vẫn chưa có những cơ sở lý luận đầy đủ để khảo sát họ các hàm có thể
xấp xỉ nhờ các mạng nhiều lớp
2.3.4 Nghiên cứu sự hội tụ và độ phức tạp của quá trình huấn luyện mạng
Phương pháp hiệu chỉnh trọng số liên kết nơron dựa trên nguyên tắc lan
truyền ngược sai số có thể lý giải dựa trên nguyên lý tìm kiếm gradient trong không
gian các tham số w sao cho cực tiểu hàm sai số tổng cộng.
E ( w) =
1
∑ (Yi − outi )
2
Ở đây, Yi là giá trị thực nghiệm quan sát được tại nơron i ở lớp ra
outi là giá trị tính toán của mạng tại nơron thứ i ở lớp ra đối với mẫu Xs
11
Khai triển E theo các trọng số thành phần, ta có:
E ( w) =
1
1
(Yi − g (∑ wij a j )) = ∑ Yi − g (∑ wij g (∑ w jk a k
∑
2 i
2 i
j
j
k
∂E
= −a j (Yi − out i ) g ' ( Net i ) = − a j δ i
∂wij
Lấy đạo hàm riêng của E theo các wij
Việc hiệu chỉnh các vectơ trọng số w = (wij) sao cho E(w) Æ min dẫn tới việc xác
định vectơ gia số ∆W = (∆Wij) ngược hướng với vectơ gradient (
khác
∂E
) . Nói cách
∂w jk
∂E
= −a k δ j
∂w jk
Độ phức tạp thời gian của mạng nhiều lớp chủ yếu phụ thuộc vào thời gian huấn
luyện mạng với một tập mẫu nào đó. Giả sử có m mẫu vào và [w] trọng số. Mỗi lần
đưa tất cả các mẫu đi qua mạng (gọi là một vòng lặp epoch) phải tốn O(m[w]) thao
tác nơron. Trong trường hợp xấu nhất, số vòng lặp sẽ phụ thuộc hàm mũ và số đầu
vào nơron. Do vậy, chi phí thời gian sẽ là O(knm[w]).
Hơn nữa trong quá trình học không phải lúc nào cũng hội tụ và có thể dẫn tới các cự
tiểu địa phương của hàm E.
Khi dùng mạng nơron nhiều lớp để biểu diễn tất cả các hàm logic có n đầu vào,
thông thường phải dùng cỡ 2n/n nút ẩn, mạng này có khoảng O(2n) trọng số, do vậy
phải tốn O(2n) bit để biểu diễn cách hàm logic.
2.3.5 Một số vấn đề về mạng nơron nhiều lớp
Mạng nơron nhiều lớp truyền thẳng là cách biểu diễn các đối tượng dựa trên
các giá trị của các thuộc tính của chúng tương đối hiệu quả, tuy rằng chúng chưa vét
cạn hết mọi khía cạnh khác nhau về đối tượng đó. Cách tiếp cận mạng này tỏ ra khá
hiệu quả khi quan sát (tín hiệu vào) có miền giá trị liên tục, do vậy có thể xem là tốt
hơn so với những cách tiếp cận phương pháp truyền thống dưa trên logic mệnh đề
và cây quyết định.
Khả năng tổng quát hóa: mạng loại này có thể đưa ra nhưng kết qua mang
tính tổng quát hóa, tuy rằng kiểu phụ thuộc giữa đầu ra và đầu vào không quá rối
rắm.
Khả năng dung thứ lỗi: Mạng được luyện mẫu theo nguyên tắc hồi quy tuyến
tính nên có thể chấp nhận sai số trong tập dữ liệu vào. Tuy vậy, mạng không thể đưa
ra được các kết quả tính toán không chắc chắn hoặc không chính xác.
12
Mạng được sử dụng như một hộp đen, biểu thị quan hệ nào đó giữa tín hiệu
ra và tín hiệu vào, mà không cần chỉ rõ dạng giải tích tường minh của mối quan hệ
đó. Tuy vậy, điểm bất lợi của cách tiếp cận mạng là ở chỗ không thể lý giải các kết
quả ra một cách rõ ràng như đối với suy diễn logic hay cây quyết định.
2.4 Ứng dụng mạng nơron
Mạng nơ ron được ứng dụng rộng rãi trong nhiều lĩnh vực như:
1. Mạng Hopfiel đã được áp dụng giải bài toán người bán hàng để tìm đường đi
tối ưu qua các thành phố: “Traveling Sales man Problem”. Bài toán này là
một bài toán NP (Nondeterministically Polynnomial), có nghĩa là thời gian
tính tăng theo luỹ thừa. Bài toán này được đặt ra như sau: “Một tập của n
thành phố A, B, C, … với khoảng cách giữa từng cặp thành phố là dAB, dAC,
dBC, …Mục đích là kiếm ra một chuyến đi ngắn nhất qua tất cả các thành phố
và trở lại thành phố ban đầu.
2. Mạng perceptron 1 lớp được ứng dụng trong bài toán xử lý tín hiệu.
3. Mạng percpetron nhiều lớp được huấn luyện với giải thuật lan truyền ngược
áp dụng thành công trong nhiều lĩnh vực khác nhau như: chẩn đoán y khoa,
điều khiển, nhận dạng tiếng nói, nhận dạng ký tự viết tay, nhận dạng ký tự
quan học.
4. Mạng nơron adaptive được ứng dụng để đánh giá nhanh điện áp và dòng
điện.
5. Mang Kohonen đã áp dụng thành công giải thuật vẽ bản đồ đặc tính để phân
loại âm vị của tiếng Phần Lan trong thời gian thực.
6. Mang MLP với thuật toán backpropagation được ứng dụng để phân biệt dòng
điện từ hóa và dòng điện ngắn mạch bên trong máy biến áp, đánh giá độ tin
cậy các tổ máy phát điện trong nhà máy, đánh giá sự cố trên đường dây, điều
chỉnh tải cho đường dây.
7. Mang Hopfiel được ứng dụng trong bài toán phân bố công suất tối ưu trong
hệ thống điện.
13
CHƯƠNG 3
GIẢI THUẬT ĐỊNH DẠNG SỰ CỐ DỰA VÀO PHƯƠNG THỨC BIẾN ĐỔI
Chương này đề xuất một giải thuật định dạng sự cố mới nhằm vào những hệ
số cơ bản có thể ảnh hưởng đến cấp chính xác của phương pháp tính toán sự cố.
Đặc tính khử của phương pháp biến đổi phối hợp với trở kháng để giải quyết mục
đích này.
3.1 Phương pháp trở kháng
Hình 3.1 Sơ đồ đơn tuyến của cáp bị sự cố.
Pha A bị sự cố chạm đất tại điểm F qua một điện trở RF tại khoảng cách x từ
nguồn phát S. Dòng sự cố IF bằng tổng của IFs và IFr đầu phát và đầu nhận. Nhiệm
vụ cần thiết của giải thuật định dạng sự cố là phải ước lượng khoảng cách sự cố x
theo một trở kháng ZL.
a) Giải thuật hai đầu phát và nhận
Tính toán khoảng cách sự cố dựa vào điện áp VS, IS và VR, IR tại đầu phát và đầu
nhận. Ta có:
VF = VS − I Fs xZ L
(3.1)
V F = V R − I Fr (l − x) Z L
(3.2)
Giải hai phương trình trên:
VS − V R
+ I Fr
ZL
x=
I Fs + I Fr
(3.3)
14
Biến đổi phương trình (3.1) và (3.2) sử dụng thông số trở kháng và hệ số lan
truyền γ:
VF = cos( xγ )VS − Z 0 sin( xγ ) I Fs
(3.4)
VF = cos(( L − x)γ )V R − Z 0 sin(( L − x)γ ) I Fr
(3.5)
Biến x được tính như sau:
x=
tan −1 (
γ
−B
)
A
(3.6)
với
A = Z 0 cos(γL) I Fr − sin(γL)VR + Z 0 I Fs
(3.7)
và
B = cos(γL)V R − Z 0 sin(γL) I Fr − VS
(3.8)
Mặt khác, những yêu cầu mở rộng cho giao tiếp và tính toán chính xác thời
gian tại cả hai đầu đường dây đem lại bất lợi cho các giải thuật hai điểm. Để vượt
qua bất lợi này, những giải thuật hai điểm không đồng bộ được giới thiệu. Các giải
thuật này hoàn toàn dùng những lợi thế của công nghệ số và khả năng mở rộng quá
trình xử lý tín hiệu để đánh giá sự khác nhau giữa các đầu đường dây sử dụng tối ưu
hóa toán học phi tuyến.
Vs − VR + Z L I Fr = xZ L ( I Fr + I Fs )
(3.9)
Với Vs = VS e j (α +δ ) ; VR = VR e jβ Góc α và β là những góc pha cho của điện áp đầu
phát và đầu nhận. Góc δ được yêu cầu để đồng bộ hóa điện áp phát khi nhận từ một
đầu khác.
Phương trình (3.9) có thể được viết thành:
Vs e jδ − VR + Z L I Fr = xZ L ( I Fr + I Fs e jδ )
(3.10)
Có hai biến là khoảng cách sự cố x và số phức e có thể tìm bằng tối ưu hóa.
Mô phỏng thử nghiệm cho thấy một hoạt động chính xác khi so sánh với giải thuật
một điểm. Tuy nhiên, cơ sở toán học dựa trên mô hình đường dây thông số tập
trung đơn giản. Sự tồn tại của các mối nối của các mạch kép và dòng nạp cho đường
dây dài sẽ ảnh hưởng đáng kể.
jδ
b) Giải thuật một điểm
Từ hình 2.2, phương trình (3.1) có thể được viết lại:
VS = xZ L I Fs + RF I F
(3.11)
Biến x được tính trực tiếp:
x=
Im{VS − RF I F }
=
Im{Z L I Fs }
Im{
VS
I
} − Im{RF ( F )}
I Fs
I Fs
Im{Z L }
(3.12)
15
Để giải phương trình trên, cần phải khử biến RF. Nếu dòng điện phát và dòng
sự cố (IFs và IF) là dòng pha thì phần ảo của nó bằng 0. Dẫn đến
VS
}
I Fs
x=
Im{Z L }
Im{
(3.13)
Phép lấy đạo hàm này tóm tắt đặc tính cơ bản của giải thuật một điểm tính
toán định dạng sự cố với một vài giả thiết. Nó ảnh hưởng đến sự chính xác của quá
trình tính toán rất đáng kể.
a) Hệ thống bị sự cố
Hình 3.2 Phân tích hệ thống bị sự cố
b) Hệ thống trước sự cố
c) Hệ thống sự cố thuần tuý
Điện áp vị trí sự cố có thể mô tả như sau:
''
''
VF = RF I F = − RF ( I Fs
+ I Fr
)
''
= − R F I Fs
(1 + k ( x)), k ( x) =
(3.14)
I Fr
I Fs
(3.15)
Với k(x) là hệ số phân phối dòng điện, một hàm số của khoảng cách sự cố x. IFs và
IFr chảy từ hai đầu đến vị trí sự cố. IFs và IFr có thể mô tả như sau:
VF = cos( xγ )VS − Z 0 sin( xγ ) I Fs
(3.16)
sin( xγ ) ''
''
I Fs
=
VS − cos( xγ ) I S''
(3.17)
Z0
Thay phương trình (3.16) và (3.17) vào (3.15):
R F (1 + k ( x)) = −
cos( xγ )VS − Z 0 sin( xγ ) I S
sin( xγ ) ''
VS − cos( xγ ) I S''
Z0
(3.18)
Nếu dòng điện phát và nhận có cùng một góc pha thì k(x) là một số thực
Im{
cos( xγ )VS − Z 0 sin( xγ ) I S
}= 0
sin( xγ ) ''
''
VS − cos( xγ ) I S
Z0
(3.19)
16
Do đó
x=
Im{VS I S
}
Im{Z L I S I S''
(3.20)
Kết hợp trở kháng gần đúng và dòng bù dùng để định dạng sự cố, cũng tương
tự hiện tượng rơ le khoảng cách. Bắt đầu từ hình 3.2 điện áp định mức Vapp từ dầu
phát có thể được biểu thị tương tự với phương trình (3.11). Phần phương trình chưa
biết của IFRF có thể thay thế bằng IFsRFs. Quan hệ giữa điện trở sự cố được biểu thị:
(3.21)
R Fs = R F C (x)
Với hệ số hiệu chỉnh C(x) phụ thuộc vào dòng sự cố phân phối từ cả hai đầu
và có thể là một giá trị ảo. Chia phương trình (3.11) cho IFs:
Vapp
I Fs
= Z app = xZ L + RFs
(3.22)
Phương trình (3.22) có thể được coi là phương trình chính tìm trở kháng
(Zapp) từ đầu phát. Để có khoảng cách sự cố x, phương trình cần phải được rút gọn
bằng cách chỉ xét một hệ số hiệu chính thực.
3.2 Quy tắc cơ bản
Hình 3.3 Giản đồ một sợi của hệ thống truyền tải
Một sự cố chạm đất pha A qua một điện trở RF tại khoảng cách x từ đầu phát.
Dòng sự cố xuất hiện bao gồm hai thành phần IFs và IFr chảy từ đầu phát và đầu
nhận đến. Trở kháng Zaap tại vị trí ranh giới bằng tỉ số điện áp Vse1 và dòng điện Ise1
17
Z app =
Vse1
I se1
(3.23)
Số lượng điện áp và dòng điện dựa trên dạng sự cố cũng như liên kết pha bị
sự cố. Thông thường hay bị sự cố một pha chạm đất, điện áp Vse1 có thể viết theo
dòng điện Ise1
Vse1 = xZ L I se1 + I F RF = xZ L I se1 + ( I Fs + I Fr ) RF
(3.24)
Tuy nhiên, dòng điện IF và IFr không áp dụng được cho giải thuật một điểm,
nên dữ liệu chỉ có thể phụ thuộc vào đầu phát. RFIF có thể thay thế bằng RFsIFs với
RFs là trở kháng sự cố nhìn từ đầu phát
R Fs I Fs = ( I Fs + I Fr ) R F
(3.25)
với
R Fs = R F (1 +
I Fr
)
I Fs
(3.26)
Để có một giá trị thực cho RFs, giả thiết trở kháng chỉ có thành phần điện trở.
Để thực hiện giả thiết này thì hệ thống phải đồng nhất. Thay (3.25) và (3.26) vào
(3.24) ta có:
Z app =
I comp
Vse1
= xZ L + RFs
I se1
I se1
(3.27)
Do những dạng sự cố và liên hệ giữa các pha sự cố nên điện áp, dòng điện
Vse1 và Ise1 và số lượng dòng điện bù Icomp được lựa chọn để tính toán. Phương trình
(3.27) có thể dùng để xác định khoảng cách sự cố x có tính đến dòng điện trước sự
cố.
3.3 Lợi ích của phương pháp biến đổi
Phương pháp biến đổi thực chất được dùng để rút gọn các phương trình có
nhiều phần liên quan với nhau, có thể áp dụng cho ma trận trở kháng. Hình 4.2 cho
thấy việc khử các trở kháng tương hổ Zm bằng cách biến đổi ma trận trở kháng.
18
Hình 3.4 Phương pháp biến đổi
Điện áp và dòng điện có thể biến đổi theo dạng như sau:
Vm = Tv−1 × V p
I m = Ti −1 × I p
Với chỉ số m và p có liên quan đến số lượng pha và phương pháp tương ứng.
Tv và Ti cũng đáp ứng điện áp và dòng điện của ma trận biến đổi.
Hình 3.5 Giản đồ một sợi
Ta có :
dV1 p
dx
dI 1 p
dx
= − Z1 p I1 p
= −Y1 pV1 p
Lấy đạo hàm cả hai phương trình trên, ta được:
d 2V1 p
dx 2
= − Z 1 p Y1 p I 1 p
19
d 2 I1 p
dx 2
= −Y1 p Z 1 pV1 p
Đặt A, B là hệ số bất kỳ và λ1 = Y1 p Z1 p là hằng số truyền:
V1 p = Ae − λ1x + Be λ1x
Các công thức trên có thể hiệu chỉnh để sử dụng cho đường dây hai mạch bằng các
phương trình sau:
dV1 p
dx
dV2 p
dx
dI 1 p
dx
dI 2 p
dx
= − Z 11 p I 1 p − Z 12 p I 2 p
= − Z 21 p I 1 p − Z 22 p I 2 p
= −Y11 pV1 p + Y12 pV2 p
= Y21 pV1 p − Y22 pV2 p
Các phương trình này có thể được viết dưới dạng ma trận như sau:
d
V p = −Z p I p
dx
d
I p = −Y pV p
dx
Với Vp và Ip là ma trận cột theo điện áp và dòng điện. Zp và Yp là ma trận vuông
theo trở kháng và dung kháng.
d2
V p = − PV p
dx 2
d2
I p = − PI p
dx 2
Z 11 p Y12 p − Z 12 p Y22 p ⎤
⎡ Z 11 p Y11 p − Z 12 p Y12 p
Với P = ⎢
⎥
⎣− ( Z 11 p Y12 p − Z 12 p Y22 p ) − ( Z 12 p Y12 p − Z 22 p Y22 p )⎦
Các ma trận Vm và Im có được từ Tv và Ti như sau:
- Xem thêm -