Tóm tắt Luận án Nghiên cứu giải thuật điều khiển statcom trong việc cải thiện chất lượng điện áp

công suất phản kháng vượt quá chúng. Trong [50], độ ổn định quá độ được cải thiện bằng phương pháp Euler-Lagrange dựa trên tính thụ động, trong đó cài đặt các thông số bộ điều khiển PI là Kpd, Kid, Kpq và Kiq. Một cách tiếp cận khác hỗ trợ kỹ thuật đặt cực không, cộng thêm dòng hồi tiếp, bù sớm pha và bù thụ động nối tiếp, bù shunt tích cực được chấp nhận để nghiên cứu ổn định động của hệ thống [51-61]. Trong bài báo [56], các tác giả quan tâm đến việc điều khiển STATCOM trong điều kiện không cân bằng. Trong bài báo [57], tác giả trình bày một mô hình của hệ thống điện với STATCOM dựa trên mô hình Phillips-Heffron. Mô hình Phillips-Heffron này ban đầu được đề xuất cho mô hình máy phát đồng bộ [58]. Đầu tiên, mô hình được trình bày cho thấy rằng STATCOM và các chế độ vận hành của hệ thống điện là sự phụ thuộc rất cao cả tuyến tính lẫn phi tuyến. Thứ hai, có thể thấy rằng các tương tác giữa STATCOM và hệ thống điện phụ thuộc rất nhiều vào điểm vận hành hệ thống và việc mô hình hóa dựa trên tuyến tính hóa các phương trình 5 về một trạng thái vận hành giả định. Thứ ba, một so sánh trực tiếp có thể được rút ra giữa điều khiển STATCOM và điều khiển máy phát đồng bộ. Đây là sự so sánh rất hữu ích khi nghiên cứu thiết kế bộ điều khiển cho STATCOM [59-61]. Qua trình bày các kết quả nghiên cứu của các tác giả trước đây, có thể thấy rất nhiều tài liệu chủ yếu là sử dụng bộ điều khiển PI hoặc PID để khiều khiển STATCOM. Để có được đáp ứng tốt, cũng như đạt được kết quả mong muốn, bộ điều khiển STATCOM cần có được sự điều với chỉnh thông số phù hợp. Các bộ điều khiển PID được sử dụng để điều chỉnh, tuy nhiên, chưa có nhiều tài liệu nói về cách tính các giá trị trong bộ điều chỉnh PI này và thường sử dụng phương pháp thử và sai. 2.1.2 Các giải thuật điều khiển điện áp sử dụng STATCOM Trong các bài báo trước đây [30-32], các tác giả chỉ ra rằng, không có phương pháp tiêu chuẩn nào để xác định hiệu quả các thông số của bộ điều khiển dành cho STATCOM. Điều chỉnh thủ công các bộ điều khiển đối với trường hợp STATCOM có dung lượng nhỏ đấu nối vào lưới điện là có thể thực hiện được, tuy nhiên nó đòi hỏi một kỹ năng và kinh nghiệm cao để điều khiển chính xác. Trong bài báo [26], các tác giả đã nghiên cứu và đề xuất một cấu trúc điều khiển nhằm giảm độ dao động của hệ thống điện. Bộ điều khiển PID được sử dụng, nhưng việc tính toán sự hiệu quả của nó đã không được giới thiệu. Một số tác giả đã nghiên cứu và đề xuất phương pháp điều chỉnh sinh học [25], [34], [62-68], chẳng hạn như bài báo [34], phương pháp tối ưu hóa đàn ong mật (HBMO) được sử dụng để cải tiến bộ điều khiển và so sánh kết quả điều chỉnh được với thuật toán di truyền. Bài báo [25] đã sử dụng thuật toán định vị tiếng vang của dơi để điều chỉnh bộ điều khiển PI cho thiết bị STATCOM. Các bài báo về điều khiển điện áp hệ thống lưới phân phối cho thấy rằng ngày càng có nhiều nhu cầu về các phương pháp điều khiển điện áp tiên tiến hơn so với các máy biến áp ở cấp phân phối. Đặc biệt, các tài liệu [22-23, 31], đã chỉ ra rằng có thể cần phải thiết kế bộ điều khiển nhanh cho thiết bị STATCOM. Điều khiển công suất phản kháng đã được chứng minh là một phương tiện điều khiển điện áp nhanh và ổn định trên các hệ thống phân phối, và STATCOM cung cấp một phương tiện điều khiển công suất phản kháng linh hoạt và hiệu quả. Hơn nữa, nó rất cần thiết để có một phương pháp điều chỉnh bộ điều khiển STATCOM nhất quán liên quan đến ổn định điện áp trên lưới điện phân phối. Bộ điều khiển PID được sử dụng rộng rãi trong công nghiệp nhờ tính đơn giản và tính bền vững của nó. Tuy nhiên, quá trình thiết kế và chỉnh định các thông số của bộ điều khiển PID đòi hỏi nhiều công sức và kinh nghiệm. Bên cạnh đó, đối với các hệ phi tuyến cao, bộ điều khiển PID chỉ có thể hoạt động tốt trong phạm vi nhất định [19], [25-26], [68]. Các 6 bộ điều khiển PID có thể được chia làm hai loại. Thứ nhất, các thông số bộ điều khiển PID cố định toàn bộ quá trình điều khiển, tuy nhiên, rất khó để đạt được yêu cầu vận hành khi hệ điều khiển là phi tuyến và kết hợp rất nhiều biến. Thứ hai, trong các bộ PID tự điều chỉnh, các thông số của bộ điều khiển được hiệu chỉnh dựa trên việc ước lượng các thông số này [60-61], [68]. Để đạt được kết quả tối ưu toàn cục, nó cần thiết phải hiệu chỉnh lại bộ điều khiển PID khi chế độ vận hành thay đổi, và ứng dụng các kỹ thuật khác nhau từ lý thuyết điều khiển phi tuyến [69]. Không giống với các bộ điều khiển PID thông thường, bộ điều khiển mờ là hệ phi tuyến và thích nghi, từ đó cho ra các kết quả tốt dưới điều kiện ảnh hưởng của việc thay đổi các thông số và nhiễu tải [68]. Ưu điểm của giải thuật điều khiển logic mờ là sự rõ ràng và linh hoạt trong điều khiển logic dựa vào tập luật Nếu – Thì, tuy nhiên, việc xác định hình dạng và vị trí của hàm liên thuộc cho mỗi biến mờ được thực hiện bằng phương pháp “thử và sai” [69]. Trong khi đó, tính toán số và khả năng nhận thức và thích nghi lại là những điểm mạnh của mạng nơron nhân tạo, tuy nhiên, không hề dễ dàng cho việc xác định được một cấu trúc tối ưu của mạng nơ ron nhân tạo. Ngoài ra, mạng nơ ron nhân tạo cũng thực hiện việc tính toán số nhiều hơn là tính toán logic. Để có thể phát huy những điểm mạnh cũng như hạn chế những yếu điểm của hai phương pháp trên, thì việc kết hợp cả hai phương pháp để tạo nên một công cụ xử lý mạnh là một việc làm cần thiết. Một trong những sự kết hợp này là hệ suy luận nơron mờ thích nghi (ANFIS) [69-72]. Mô hình ANFIS là một mạng nơron thích nghi mà trong đó nó biểu diễn cụ thể một hệ suy luận mờ. Từ các nội dung tổng quan và nhận xét ở trên, tác giả đã tập trung vào việc nghiên cứu bộ điều khiển STATCOM, ba bộ điều khiển sử dụng hệ mờ thích nghi (ANFIS) kết hợp với thuật toán tối ưu bầy đàn (PSO), kết hợp với giải thuật di truyền (GA) và thuật toán huấn luyện online (ANFIS-Online) để cải tiến bộ điều khiển. Trong quá trình nghiên cứu, đề tài cũng đã áp dụng các bộ điều khiển kết hợp như: Fuzzy, ANFIS, ANFIS-PSO, ANFIS-GA, và ANFIS-Online để so sánh các kết quả đạt được trước khi đưa ra kết luận đối với bộ điều khiển nào đạt hiệu quả tốt nhất. 2.2 Mô hình STATCOM 2.2.1 Cấu trúc cơ bản của STATCOM 2.2.2 Nguyên lý hoạt động của STATCOM 2.2.3 Bộ chuyển đổi nguồn điện áp (VSC) 7 2.2.4 Nguyên tắc hoạt động của VSC 2.2.5 Bộ điều khiển của STATCOM Hệ thống điều khiển STATCOM cơ bản bao gồm: (i) Một vòng khóa pha (PLL) đồng bộ hóa trên các thành phần thứ tự dương của điện áp ba pha sơ cấp V1, Đầu ra của PLL (góc 𝜃 = 𝜔𝑡) được sử dụng để tính toán các thành phần dọc trục và ngang trục của điện áp và dòng điện ba pha AC; (ii) Các hệ thống đo lường đo các thành phần d và q của điện áp và dòng điện thứ tự thuận AC được điều khiển cũng như điện áp DC, Vdc; (iii) Một vòng lặp điều chỉnh bên ngoài bao gồm một bộ điều chỉnh điện áp AC và bộ điều chỉnh điện áp DC; (iv) Một vòng lặp điều chỉnh dòng điện bên trong bao gồm bộ điều chỉnh dòng điện. 2.2.6 Mô hình toán của STATCOM 2.2.6.1 Mô hình tĩnh của STATCOM 2.2.6.2 Mô hình động đơn giản của STATCOM 2.2.6.3 Mô hình động nâng cao của STATCOM 2.2.6.4 Mô hình STATCOM nối lưới Hình 2.1 cho biết sơ đồ đơn tuyến STATCOM được nối lưới. Với điện áp tạo ra từ STATCOM theo 2 thành phần trục d và trục q được tính theo [25], [28] [71-73]: ( )staPCCstadcstadsta kmVv  += sin.. (2.1) ( )staPCCstadcstaqsta kmVv  += sin.. (2.2) Hình 2.1 Sơ đồ đơn tuyến STATCOM nối lưới kmmax kmmin km vbus vbus_ref + 0km +Ks 1+sTs Hình 2.2 Sơ đồ khối điều khiển STATCOM ista Rm Rsta Xsta Vdcsta Cm sta stakm ,α VPCC (a) (b) 8 2.3 Lý thuyết điều khiển để ổn định điện áp dùng STATCOM 2.3.1 Lý thuyết mờ 2.3.2 Hệ điều khiển mờ lai (Fuzzy-PID) áp dụng trong STATCOM Sơ đồ của bộ điều khiển Fuzzy - PID được đề xuất như trong Hình 2.3 [73], bao gồm bốn phần cơ bản: mờ hóa (FZ); thực hiện các luật hợp thành (RB) hoặc các luật học (theo bộ các luật If-Then); quyết định (DC); và giải mờ (DF). Hình 2.3 Cấu trúc bộ điều khiển tự điều chỉnh các thông số Fuzzy-PID 2.3.3 Hệ Nơ-ron mờ thích nghi (ANFIS) Ưu điểm của hệ điều khiển logic mờ là sự rõ ràng và linh hoạt trong điều khiển ngôn ngữ dựa vào tập luật Nếu – Thì, tuy nhiên, việc xác định hình dạng và vị trí của hàm liên thuộc cho mỗi biến mờ được thực hiện bằng phương pháp “thử và sai” [20-21], [26,31], [73-75]. Việc tính toán số và khả năng nhận thức và thích nghi là điểm mạnh của mạng nơron nhân tạo. Mô hình ANFIS là một mạng nơron thích nghi mà trong đó nó biểu diễn cụ thể một hệ suy luận mờ [69-72], [75-76]. Hình 2.4 trình bày cấu trúc ANFIS. Hình 2.4 Cấu trúc bộ điều khiển ANFIS DC FZ DF Fuzzy Logic RB Bộ điều khiển PID (KP, KI, KD) Đo lường de/dt e Hệ thống (Kp, Ki và Kd) 9 2.3.4 Thuật toán tối ưu bầy đàn (PSO) Thuật toán này lần đầu tiên được đề xuất bởi Kennedy và Eberhart dựa trên các mối quan hệ toán học đơn giản và xem xét mô hình chuyển động của các loài chim để tối ưu hóa các vấn đề phức tạp [63, 65-66, 77]. Vận tốc và vị trí mới được xác định lại theo công thức: 𝑉𝑖 (𝑘+1) = 𝑤𝑉𝑖 (𝑘) + 𝑐1𝑟1(𝑝𝑏𝑒𝑠𝑡𝑖 − 𝑋𝑖 (𝑘) ) + 𝑐2𝑟2(𝑔𝑏𝑒𝑠𝑡𝑖 − 𝑋𝑖 (𝑘) ) (2.3) 𝑋𝑖 (𝑘+1) = 𝑋𝑖 (𝑘) + 𝑉𝑖 (𝑘) (2.4) 2.3.5 Thuật toán di truyền (GA) Thuật toán di truyền là một kỹ thuật tìm kiếm tổng thể để giải các bài toán tối ưu, dựa trên lý thuyết chọn lọc tự nhiên, quá trình động lực cho sự tiến hóa của sinh vật. Khả năng mạnh hơn về tìm kiếm xác suất cũng như khả năng hội tụ dễ dàng, ứng dùng cho nhiều dạng bài toán tối ưu đã làm cho GA là một lựa chọn tốt để giải các bài toán tối ưu [39, 62, 67, 71, 78]. Thuật toán di truyền được mô tả theo các bước như sau: Khởi tạo dân số ban đầu; Tính toán, đánh giá giá trị mục tiêu cho từng nhiễm sắc thể tương ứng; Kiểm tra điều kiện dừng, hàm mục tiêu. Nếu đáp ứng hàm mục tiêu thì dừng; Lựa chọn nhiễm sắc thể, cá thể tốt; Tạo nhiễm sắc thể mới dựa trên toán tử gen di truyền; Thực hiện quá trình lai tạo; Thực hiện quá trình đột biến gen và quay lại bước 2 để tính toán, đánh giá giá trị mục tiêu cho từng nhiễm sắc thể tương ứng. Chương 3 CÁC GIẢI THUẬT ĐIỀU KHIỂN STATCOM ĐƯỢC ĐỀ XUẤT ĐỂ CẢI THIỆN CHẤT LƯỢNG ĐIỆN ÁP Chương này trình bày các giải thuật điều khiển STATCOM để cải thiện chất lượng điện áp trên lưới điện. Các thuật toán tối ưu bầy đàn (PSO) và di truyền (GA) được sử dụng để điều chỉnh các thông số của bộ điều khiển ANFIS. Bên cạnh đó, cấu trúc bộ dự báo ANI được sử dụng cho kỹ thuật huấn luyện ANFIS- Online nhằm điều chỉnh công suất tác dụng và phản kháng từ thiết bị STATCOM để ổn định chất lượng điện áp của hệ thống. Hơn nữa, phương pháp lọc dữ liệu dựa trên xác suất thống kê được sử dụng để đánh giá độ tin cậy của dữ liệu trước khi đưa vào hệ huấn luyện ANFIS-Online. 3.1 Sơ đồ hệ thống điều khiển STATCOM được đề xuất Trong sơ đồ hệ thống điều khiển STATCOM được trình bày trong các bài báo trước đây, các tác giả sử dụng bộ điều khiển PID [25, 30, 44, 50, 68]. Như đã trình bày trong Chương 10 2, trong nghiên cứu của luận án này, tác giả tập trung vào cải thiện ổn định, biên độ điện áp, do vậy không xem xét đến mức độ ảnh hưởng của công suất tác dụng lên biên độ điện áp và giả định rằng mức độ thay đổi này là rất nhỏ và không đáng kể. Cụ thể, Hình 3.1 trình bày sơ đồ hệ thống điều khiển STATCOM được đề xuất để cải thiện chất lượng điện áp. Việc điều chỉnh điện áp nút kết nối chung PCC sẽ được thực hiện bởi các bộ điều khiển Fuzzy, ANFIS, ANFIS-PSO, ANFIS-GA và ANFIS-Online thông qua việc điều khiển để phát hoặc hấp thụ công suất phản kháng. Với các sơ đồ bộ điều khiển đề xuất trong luận án này, điện áp đo lường tại nút kết nối chung V1, được so sánh với điện áp chuẩn 𝑉𝑟𝑒𝑓 để xác định độ lệch điện áp. Độ lệch điện áp này và vi phân của nó là tìn hiệu đầu vào của các bộ điều khiển được đề xuất gồm: Fuzzy–PID [73], ANFIS [76], ANFIS-PSO, ANFIS-GA, ANFIS-Online. Các đầu ra của bộ điều khiển lúc bấy giờ là dòng điện tham chiếu 𝐼𝑞𝑟𝑒𝑓 cho khối điều chỉnh dòng điện, để từ đó tạo ra các thông số của bộ điều chế độ rộng xung gồm chỉ số điều 𝑘𝑚𝑠𝑡𝑎𝑡 và góc pha 𝛼𝑠𝑡𝑎𝑡. Hình 3.1 Hệ thống điều khiển của STATCOM được đề xuất để cải thiện chất lượng điện áp + + Vdc Đo lường điện áp DC PLL Vòng khóa pha Đo lường điện áp AC Điều chế PWM V2d V2q Đo lường điện áp DC Đo lường dòng Id, Iq V1 V1 V2 Xung I Vref V1dq Vac - - + Vdc Hiệu chỉnh dòng điện Id Iq Id Iq + - - Vdcref V1dq =t I Hệ thống điều khiển ANFIS VSC ~ ~ ~ ~ ~ 11 3.2 Giải thuật điều khiển STATCOM sử dụng các thuật toán huấn luyện ANFIS kết hợp với PSO và GA Hệ thống suy luận mờ dựa trên mạng thích nghi (ANFIS) dựa trên ý tưởng kết hợp việc học khả năng của mạng nơ ron nhân tạo và tính ưu việt của logic mờ, như ra quyết định giống con người và dễ học [70-71]. Đã có nhiều công bố cho thấy hiệu quả của hệ nơ ron mờ thích nghi trong các nghiên cứu ứng dụng của nó [79-81]. Tuy nhiên, tối ưu hóa các tham số mô hình có thể cải thiện đáng kể chất lượng và độ chính xác của mô hình [82]. Đối với vấn đề đó, rất nhiều phương pháp tối ưu được nghiên cứu và áp dụng, chẳng hạn như thuật toán tối ưu bầy đàn (PSO) và thuật toán di truyền (GA). 3.2.1 Thuật toán tối ưu bầy đàn PSO kết hợp ANFIS Lưu huấn luyện hệ ANFIS dùng thuật toán PSO được mô tả như Hình 3.2. Biểu thức hàm đánh giá khi huấn luyện bộ điều khiển ANFIS-PSO [83] như sau:  = −= n i ii yx n RMSE 1 2)( 1 (3.1) Hình 3.2 Các bước thực hiện thuật toán PSO Kết thúc Khởi tạo quần thể Đánh giá hiệu quả của từng cá thể, sử dụng vị trí hiện tại của nó Thay đổi vectơ vận tốc cho mỗi cá thể Di chuyển từng cá thể đến một vị trí mới Bắt đầu Đúng Sai So sánh hiệu quả từng cá thể với hiệu quả tốt nhất 12 3.2.2 Thuật toán di truyền GA kết hợp với ANFIS Lưu huấn luyện hệ ANFIS dùng thuật toán GA [84] được mô tả như Hình 3.3. Hình 3.3 Các bước thực hiện thuật toán GA 3.2.3 Thuật toán huấn luyện ANFIS-Online Việc huấn luyện để đạt các tham số tối ưu của ANFIS có thể thực hiện bằng phương pháp huấn luyện off-line độc lập. Nhưng trong phương pháp huấn luyện off-line, bộ dữ liệu huấn luyện không bao gồm toàn bộ các điều kiện vận hành, nó có thể là các nhiễu bên ngoài, nhiễu đo lường[85]. Để khắc phục vấn đề này, tác giả nghiên cứu và áp dụng phương pháp huấn luyện on-line để cải thiện bộ điều khiển STATCOM. Nhiệm vụ của thuật toán huấn luyện cho cấu trúc này là hiệu chỉnh tất cả các thông số có thể điều chỉnh như các biến số của hàm liên thuộc Gauss và giá trị của các luật trong ANFIS [86-88]. Những thông số tiền đề hoặc các thông số phi tuyến được cập nhật tại mỗi lần lặp và để giảm thiểu hàm sai số tức thời như phương trình (3.2): 𝐸(𝑛) = 1 2 (𝑈𝑠(𝑛) − 𝑈𝑎(𝑛)) 2 (3.2) Kết thúc Khởi tạo dân số Tính toán giá trị mục tiêu cho từng nhiễm sắc thể tương ứng Kiểm tra điều kiện dừng Lựa chọn những cá thể tốt Tạo nhiễm sắc thể mới dựa trên toán tử gen di truyền Quá trình lai tạo Quá trình đột biến Bắt đầu Đúng Sai 13 Hình 3.4 Sơ đồ Bộ điều khiển ANFIS-Online đề xuất Trong nghiên cứu này, theo sơ đồ bộ điều khiển được trình bày trong hình Hình 3.4, tác giả áp dụng bộ ANFIS-Online dựa trên bộ nhận dạng nơ ron nhân tạo (ANI), cấu trúc tổng quan được miêu tả trong Hình 2.4, để xác định sai số khi huấn luyện. Các thông số của bộ điều khiển ANFIS được điều chỉnh trực tuyến thông qua hàm mục tiêu sau: 𝐽𝑐(𝑛) = 1 2 (𝑒𝑐(𝑛 + 1)) 2 = 1 2 (𝑈𝑠(𝑛) − 𝑈𝑎(𝑛)) 2 (3.3) 𝐽𝑐(𝑛) = 1 2 (𝑒𝑐(𝑛 + 1)) 2 = 1 2 (∆�̂�𝑠(𝑛 + 1) − ∆𝑃𝑑(𝑛 + 1) ) 2 (3.4) 3.3 Giải thuật điều khiển STATCOM sử dụng thuật toán ANFIS-Online kết hợp với bộ ANI và bộ dự báo công suất 3.3.1 Độ ổn định dữ liệu Xu hướng trong chuỗi dài hạn chủ yếu là xu hướng tăng tuyến tính, có thể dễ dàng được xác định để loại bỏ khỏi các xu hướng bằng các phương pháp đơn giản, cụ thể là các phương pháp ước lượng trung bình động, hồi quy tuyến tính và so lệch. Ở đây, phương pháp so lệch được sử dụng trong phương trình (3.6) như sau: 𝑑𝑖𝑓𝑓(𝑘 + 1, ∆𝑃𝑑(𝑘 + 1)) = 𝑇((𝑘 + 1), ∆𝑃𝑑(𝑘 + 1)) − 𝑇((𝑘), ∆𝑃𝑑(𝑘)) (3.5) 3.3.2 Phân tích thành phần chính (PCA) Các bộ dữ liệu lớn ngày càng phổ biến và thường khó diễn giải và ngày càng xuất hiện trong nhiều lĩnh vực. Để diễn giải các bộ dữ liệu đó, các phương pháp được yêu cầu phải giảm đáng kể số chiều của chúng theo cách có thể hiểu được, sao cho thông tin trong dữ ANFIS Plant d/dt ANN Identifier - u(k) 𝑒𝑖 + - + D D D D D 𝑒𝑐 - + xref x(n) ∆�̂�𝑠(𝑘 + 1) ∆𝑃𝑠(𝑘 + 1) ∆𝑃𝑑(𝑘 + 1) 14 liệu vẫn được bảo tồn nhiều nhất có thể. Phân tích thành phần chính (PCA) là một kỹ thuật để giảm kích thước của các bộ dữ liệu đó, tăng tính dễ hiểu nhưng đồng thời giảm thiểu mất thông tin [89-90]. 3.3.3 Bộ lọc dữ liệu ngõ vào Hình 3.5 Giải thuật đề xuất để lọc dữ liệu dựa trên phương pháp phân tích thống kê Dữ liệu đầu vào Biến đổi dữ liệu thành các nhóm dữ liệu dựa trên mật độ phổ năng lượng Bộ dữ liệu sau khi phân nhóm là dữ liệu ngẫu nhiên? Bắt đầu Sai Đúng Ổn định dữ liệu Tính PDF (Mật độ xác xuất) Dữ liệu có dạng phân phối chuẩn? Tính PCA và PDF Chọn mức độ tin cậy tốt nhất sử dụng ANN với chỉ số MAPE Áp dụng phương pháp dendrogram Dữ liệu có dạng phân phối chuẩn? Áp dụng mức tin cậy được tính toán để loại bỏ các điểm outliers của dữ liệu Kết thúc Đúng Sai Sai Đúng 15 Khi dự báo, hầu hết các tác giả đều giả thiết rằng các dữ liệu thu thập được để phục vụ dự báo đều có độ tin cậy cao (với 100% độ tin cậy) [91-93]. Tuy nhiên, bên cạnh các phương pháp dự báo hiệu quả thì độ tin cậy của dữ liệu phục vụ dự báo đều có ảnh hưởng đến kết quả [91-96]. Điều này, hầu như ai cũng biết, nhưng chưa có nhiều kết quả công bố cho thấy cải thiện kết quả dự báo từ việc cải thiện dữ liệu. Việc đánh giá độ tin cậy của bộ dữ liệu này sẽ rất cần thiết trong giai đoạn xử lý (lọc dữ liệu) trước khi đưa vào các mô hình dự báo công suất thay đổi [97-99] tại nút có kết nối STATCOM. Giải thuật chi tiết về phương pháp lọc đề xuất được thể hiện trong Hình 3.5. 3.3.4 Cấu trúc bộ ANI Một mạng perceptron được sử dụng để đại diện bộ nhận dạng ANI, cấu trúc gồm 6 ngõ vào là công suất của STATCOM, tín hiệu điều khiển và các thành phần trễ của nó được cho biết trong các phương trình (3.13 , 3.14, 3.15 và 3.16): ∆�̂�𝑠(𝑛 + 1) = 𝑓(∆𝑃𝑠(𝑛), ∆𝑃𝑠(𝑛 − 1), ∆𝑃𝑠(𝑛 − 2), 𝑢(𝑛), 𝑢(𝑘 − 1), 𝑢(𝑘 − 1) (3.6) Các tín hiệu đầu vào của bộ ANI được chuẩn hóa trong khoảng [-1, 1]. Bộ ANI được huấn luyện và cập nhật các thông số để đảm bảo cực tiểu hàm chi phí: 𝐹(𝑛) = 1 2 (𝑒𝑖(𝑛)) 2 = 1 2 (∆𝑃𝑠(𝑛) − ∆�̂�𝑠(𝑛)) 2 (3.7) Và các trọng số của bộ ANI được cập nhật theo biểu thức: W(n) = W(𝑛 − 1) − η∇𝑊𝐽𝑖(n) (3.8) Trong đó, 𝑊(𝑛) là ma trận trọng số ở lần lặp n, 𝜂 là tốc độ học tập của mạng, η∇𝑊𝐽𝑖(n) là gradient của 𝐽𝑖(n) liên quan đến ma trận trọng số 𝑊(𝑛). Giá trị gradient được tính theo công thức sau: ∇𝑊𝐽𝑖(n) = −[∆𝑃𝑠(𝑛) − ∆�̂�𝑠(𝑛)] ∆�̂�𝑠(𝑛) 𝜕𝑊(𝑛) (3.9) 3.3.5 Thuật toán ANFIS-online kết hợp với ANI và bộ lọc dữ liệu đầu vào Trong Hình 3.6 cho biết bộ điều khiển ANFIS-Online sử dụng bộ lọc dữ liệu ngõ vào được trình bày trong Mục 3.2.1. Bộ lọc dữ liệu sẽ loại bỏ các thành phần outliers của độ chênh lệch công suất tác dụng được đo lường thực tế, 𝑃𝑑(𝑘 + 1). Độ chênh lệch công suất thực tế này được so sánh với giá trị chênh lệch công suất được dự đoán từ bộ ANI, �̂�𝑠(𝑘 + 1); kết quả, sai số 𝑒𝐶 được sử dụng để làm giá trị tham chiếu cho bộ huấn luyện ANFIS. Hơn nữa, �̂�𝑠(𝑘 + 1) còn được so sánh với độ chênh lệch công suất từ ngõ ra của hệ thống ANFIS, 𝑃𝑠; kết quả, sai số 𝑒𝑖 được sử dụng để làm giá trị tham chiếu khi huấn luyện bộ dự báo ANI. Bộ huấn luyện ANFIS-Online có thể cập nhật liên tục các giá trị thay đổi ngẫu 16 nhiên của 𝑒𝑖 và 𝑒𝐶 để có thể điều chỉnh thích nghi, nhanh và hiệu quả dòng công suất được cung cấp từ thiết bị STATCOM tại nơi mà nó được kết nối đến lưới điện. Bộ ANI sử dụng thông số ngõ ra từ ANFIS như là các tín hiệu vào của nó cùng với sai số 𝑒𝑖 để dự báo sự chênh lệch công suất �̂�𝑠(𝑘 + 1). Các thông số của bộ ANFIS được điều chỉnh online thông qua hàm mục tiêu sau: 𝐽𝑐(𝑛) = 1 2 (𝑒𝑐(𝑛 + 1)) 2 = 1 2 (∆�̂�𝑠(𝑛 + 1) − ∆𝑃𝑑(𝑛 + 1) ) 2 (3.10) Hình 3.6 Bộ điều khiển ANFIS-Online sử dụng bộ lọc dữ liệu ngõ vào Chương 4 ÁP DỤNG HỆ NƠ-RON MỜ THÍCH NGHI VÀO CÁC BỘ ĐIỀU KHIỂN CỦA STATCOM ĐỂ CẢI THIỆN ĐIỆN ÁP Hệ thống điện là hệ thống phi tuyến và hoạt động trên phạm vi rộng, các chế độ vận hành của hệ thống điện thay đổi rất phức tạp từ việc thay đổi phụ tải đến các trường hợp sự cố trên hệ thống, dẫn đến các dao động trong hệ thống điện. Các kịch bản nghiên cứu giải thuật điều khiển STATCOM cho lưới điện mẫu được trình bày trong Bảng 4.1. Tương ứng ANFIS Plant d/dt ANN Identifier - u(k) 𝑒𝑖 + - + D D D D D 𝑒𝑐 - + xref x(n) e de ∆�̂�𝑠(𝑘 + 1) ∆𝑃𝑠(𝑘 + 1) ∆𝑃𝑑(𝑘 + 1) Bộ lọc dữ liệu 17 với mỗi kịch bản, tác giả áp dụng các bộ điều khiển khác nhau để so sánh mức độ đáp ứng và khả năng cải thiện chất lượng điện áp của lưới từ thiết bị STATCOM. Bảng 4.1 Các kịch bản mô phỏng Các kịch bản Bộ điều khiển Mô tả AA PID Mô phỏng với hệ một máy phát nối với nút vô cùng lớn, có sự cố ngắn mạch 03 pha xảy ra trong hệ thống (nút vô cùng lớn). Sự cố này xuất hiện tại thời điểm 𝑡 = 1𝑠 và được cô lập sau khoảng thời gian là 05 chu kỳ (100𝑚𝑠). AB FUZZY AC ANFIS-PSO AD ANFIS-GA AE ANFIS-Online BA PID Mô phỏng với hệ lưới điện mẫu IEEE_9 nút, thiết bị STATCOM được kết nối với hệ thống tại nút 9, có sự cố ngắn mạch 3 pha xảy ra tại nút 8. Sự cố này xuất hiện tại thời điểm 𝑡 = 1𝑠 và được cô lập sau khoảng thời gian là 05 chu kỳ (100𝑚𝑠). BB FUZZY BC ANFIS-PSO BD ANFIS-GA BE ANFIS-Online 4.1 Các kết quả nghiên cứu với hệ thống A 4.1.1 Cấu trúc hệ thống A Hình 4.1 trình bày cấu trúc của hệ thống nghiên cứu OMIB [28][103]. Grid vinf 160 MVA SG 15/110kV Tranmission line PCC 5 MVA 200 km Wind Farm DFIG 15/110 kV STATCOM 20 MVA Hình 4.1 Cấu trúc của hệ thống OMIB được nghiên cứu 4.1.2 Kết quả mô phỏng hệ thống A 4.1.2.1 Khảo sát với bộ điều khiển Fuzzy Hình 4.2 Điện áp quá độ tại điểm đấu nối chung PCC khi có ngắn mạch 3 pha 0 1 2 3 4 5 6 7 8 9 10 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 V P C C (p .u .) noSTAT STAT PID Fuzzy t(s) 18 4.1.2.2 Khảo sát với bộ điều khiển ANFIS Hình 4.3 Điện áp quá độ (VPCC) tại điểm đấu nối chung PCC khi có ngắn mạch 3 pha trong trường hợp sử dụng bộ điều khiển PID, Fuzzy, và ANFIS 4.1.2.3 Khảo sát với bộ điều khiển kết hợp ANFIS-PSO và ANFIS-GA Hình 4.4 Điện áp quá độ (VPCC) tại điểm đấu nối chung PCC khi có ngắn mạch 3 pha trong trường hợp sử dụng PID, Fuzzy, ANFIS, ANFIS-GA, và ANFIS-PSO 4.1.2.4 Khảo sát với bộ điều khiển ANFIS-Online Hình 4.5 Điện áp quá độ (VPCC) tại điểm đấu nối chung PCC khi có ngắn mạch 3 pha trong trường hợp sử dụng ANFIS, ANFIS-GA, ANFIS-PSO và ANFIS-Online 0 1 2 3 4 5 6 7 8 9 10 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 V P C C (p .u .) PID Fuzzy ANFIS t (s) 0 1 2 3 4 5 6 7 8 9 10 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 V P C C (p .u .) ANFIS ANFIS-GA ANFIS-PSO ANFIS Online t (s) 0 1 2 3 4 5 6 7 8 9 10 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 V P C C (p .u .) PID Fuzzy ANFIS ANFIS-GA ANFIS-PSO t (s) 1.5 2 2.5 3 3.5 4 0.75 0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2 t (s) P S G ( p .u .) 1.2 1.4 1.6 1.8 2 2.2 2.4 0.9 0.91 0.92 0.93 0.94 0.95 0.96 0.97 0.98 0.99 1 V P C C (p .u .) ANFIS ANFIS-GA ANFIS-PSO ANFIS Online 19 4.1.3 Đánh giá kết quả nghiên cứu bộ điều khiển STATCOM trên hệ OMIB Bảng 4.2 cho biết sự so sánh các đặc tính động học của các đại lượng điện áp và công suất liên quan đến các bộ điều khiển khác nhau (PID, Fuzzy, ANFIS, ANFIS-GA, ANFIS-PSO, và ANFIS-Online) dành cho thiết bị STATCOM trên lưới điện OMIB. Như kết luận, bộ điều khiển ANFIS-Online có thể làm giảm đáng kể tốt nhất các đặc tính dao động động học của điện áp tại PCC (đạt trạng thái xác lập khoảng 1,346s và độ chênh lệch điện áp khoảng 0,85%), công suất của máy phát đồng bộ PCC (đạt trạng thái xác lập khoảng 1,1 ~ 2,1s), và công suất của máy phát điện gió (đạt trạng thái xác lập khoảng 2,09 ~ 2,36s) tại thời điểm phục hồi sự cố ba pha xảy ra trên lưới điện OMIB. Bảng 4.2 Bảng so sánh các bộ điều khiển PID, Fuzzy, ANFIS, ANFIS-PSO, ANFIS-GA, và ANFIS-Online dành cho thiết bị STA