Ứng Dụng Mạng Neural Sâu Chẩn Đoán Ổn Định Động Hệ Thống Điện
Email tác giả liên hệ:
phanvietthinh1978@gmail.comDOI:
https://doi.org/10.54644/jte.2024.1498Từ khóa:
Dynamic stability prediction, Power system, Unstable, Deep learning neural network, Convolutional neural networkTóm tắt
Nhu cầu tiêu thụ điện ngày càng tăng cao, trong khi đầu tư phát triển đường dây truyền tải không đáp ứng kịp, làm cho hệ thống điện phải làm việc ở mức đầy tải, đưa hệ thống điện vận hành cận ranh giới ổn định. Trong vận hành, các kích động lớn diễn ra đột ngột làm mất cân bằng công suất, điện áp sụt giảm gây ra mất ổn định. Phát hiện nhanh mất ổn định động hệ thống điện là rất quan trọng giúp ngăn chặn tình trạng tan rã lưới điện, làm mất điện trên đện rộng, gây thiệt hại lớn về kinh tế. Phương pháp phân tích truyền thống tốn nhiều thời giải gây chậm trễ trong việc ra quyết định điều khiển, mạng neural nhân tạo khắc phục được nhược điểm này nhờ tính toán nhanh chóng chính xác. Bài báo này, giới thiệu áp dụng mạng neural sâu để chẩn đoán ổn định động hệ thống điện. Kết quả thực thi trên tập dữ liệu của hệ thống điện IEEE 39bus, mạng neural sâu cho độ chính xác cao đến 96,99%. So với mạng neural perceptron, mạng neural sâu có độ chính xác kiểm tra cao hơn 1,5%.
Tải xuống: 0
Tài liệu tham khảo
M. Pavella, D. Ernst, and D. R. Vega, “Transient Stability of Power Systems A Unified Approach to Assessment and Control,” Kluwer Acad. Publ., pp. 1–254, 2000. DOI: https://doi.org/10.1007/978-1-4615-4319-0_1
N. I. A. Wahab, A. Mohamed, and A. Hussain, “An Improved Method in Transient Stability Assessment of a Power System Using Probabilistic Neural Network,” Journal of Applied Sciences Research, vol. 3, no. 11, pp. 1267–1274, 2007.
D. R. Krishna, K.V.S. R. Murthy and G. G. Rao, “Application of Artificial Neural Networks in Determining Critical Clearing Time in Transient Stability Studies,” 2008 Joint International Conference on Power System Technology and IEEE Power India Conference, New Delhi, India, 2008, pp. 1-6, doi: 10.1109/ICPST.2008.4745324. DOI: https://doi.org/10.1109/ICPST.2008.4745324
Y. Xu et al., “Earlier detection of risk of blackout by real-time dynamic security assessment based on extreme learning machines,” 2010 Int. Conf. Power Syst. Technol. Technol. Innov. Mak. Power Grid Smarter, POWERCON2010, 2010, doi: 10.1109/POWERCON.2010.5666055. DOI: https://doi.org/10.1109/POWERCON.2010.5666055
R. Zhang, Y. Xu, Z. Y. Dong, K. Meng, and Z. Xu, “Intelligent systems for power system dynamic security assessment: Review and classification,” DRPT 2011 - 2011 4th Int. Conf. Electr. Util. Deregul. Restruct. Power Technol., pp. 134–139, 2011, doi: 10.1109/DRPT.2011.5993876. DOI: https://doi.org/10.1109/DRPT.2011.5993876
A. Karami, “Power system transient stability margin estimation using neural networks,” Int. J. Electr. Power Energy Syst., vol. 33, no. 4, pp. 983–991, 2011, doi: 10.1016/j.ijepes.2011.01.012. DOI: https://doi.org/10.1016/j.ijepes.2011.01.012
B. P. Soni, V. Gupta, R. Kumar, A. Saxena, and S. L. Surana, “Application of ANN for stability assessment of large power system by post-fault rotor angle measurements,” 2018 IEEMA Engineer Infinite Conference (eTechNxT), New Delhi, India, 2018, pp. 1-6, doi: 10.1109/ETECHNXT.2018.8385363. DOI: https://doi.org/10.1109/ETECHNXT.2018.8385363
S. Kalyani and K. S. Swarup, “Pattern analysis and classification for security evaluation in power networks,” Int. J. Electr. Power Energy Syst., vol. 44, no. 1, pp. 547–560, 2013, doi: 10.1016/j.ijepes.2012.07.065. DOI: https://doi.org/10.1016/j.ijepes.2012.07.065
Y. Xu, Z. Y. Dong, L. Guan, R. Zhang, K. P. Wong, and F. Luo, “Preventive dynamic security control of power systems based on pattern discovery technique,” IEEE Trans. Power Syst., vol. 27, no. 3, pp. 1236–1244, 2012, doi: 10.1109/TPWRS.2012.2183898. DOI: https://doi.org/10.1109/TPWRS.2012.2183898
S. Patel and A. Patel, “Deep Leaning Architectures and its Applications A Survey,” Int. J. Comput. Sci. Eng., vol. 6, no. 6, pp. 1177–1183, Jun. 2018, doi: 10.26438/ijcse/v6i6.11771183. DOI: https://doi.org/10.26438/ijcse/v6i6.11771183
M. R. Gonzalez, F. R. S. Sevilla, P. Korba, and R. C. Bustamante, “Convolutional neural nets with hyperparameter optimization and feature importance for power system static security assessment,” Electr. Power Syst. Res., vol. 211, p. 108203, Oct. 2022, doi: 10.1016/j.epsr.2022.108203. DOI: https://doi.org/10.1016/j.epsr.2022.108203
P. Bras, “Langevin Algorithms for Very Deep Neural Networks with Application to Image Classification,” Procedia Comput. Sci., vol. 222, pp. 303–310, 2023, doi: 10.1016/j.procs.2023.08.169. DOI: https://doi.org/10.1016/j.procs.2023.08.169
R. Mothkur and B. N. Veerappa, “Classification of Lung Cancer Using Lightweight Deep Neural Networks,” in Procedia Computer Science, Elsevier B. V., 2022, pp. 1869–1877, doi: 10.1016/j.procs.2023.01.164. DOI: https://doi.org/10.1016/j.procs.2023.01.164
A. Gupta and S. K. Jain, “Conversion from multi-spectral data into SAR data with Deep Convolution Neural Architecture using Generative Adversarial Network,” in Procedia Computer Science, Elsevier B. V., 2022, pp. 1760–1767, doi: 10.1016/j.procs.2023.01.154. DOI: https://doi.org/10.1016/j.procs.2023.01.154
Y. Zhao, X. Sun, and J. Yang, “Automatic recognition of surface defects of hot rolled strip steel based on deep parallel attention convolution neural network,” Mater. Lett., vol. 353, p. 135313, Dec. 2023, doi: 10.1016/j.matlet.2023.135313. DOI: https://doi.org/10.1016/j.matlet.2023.135313
S. Akhtar, M. Adeel, M. Iqbal, A. Namoun, A. Tufail, and K. H. Kim, “Deep learning methods utilization in electric power systems,” Energy Reports, vol. 10, Elsevier Ltd, pp. 2138–2151, Nov. 01, 2023, doi: 10.1016/j.egyr.2023.09.028. DOI: https://doi.org/10.1016/j.egyr.2023.09.028
Y. Yang, F. Tu, S. Huang, Y. Tu, and T. Liu, “Research on CNN-LSTM DC power system fault diagnosis and differential protection strategy based on reinforcement learning,” Front. Energy Res., vol. 11, p. 1258549, 2023, doi: 10.3389/fenrg.2023.1258549. DOI: https://doi.org/10.3389/fenrg.2023.1258549
W. Liao, B. B. Jensen, J. R. Pillai, Z. Yang, and K. Liu, “Short-term power prediction for renewable energy using hybrid graph convolutional network and long short-term memory approach,” Electr. Power Syst. Res., vol. 211, p. 108614, Oct. 2022, doi: 10.1016/j.epsr.2022.108614. DOI: https://doi.org/10.1016/j.epsr.2022.108614
H. Mirshekali, A. Keshavarz, R. Dashti, S. Hafezi, and H. R. Shaker, “Deep learning-based fault location framework in power distribution grids employing convolutional neural network based on capsule network,” Electr. Power Syst. Res., vol. 223, p. 109529, Oct. 2023, doi: 10.1016/j.epsr.2023.109529. DOI: https://doi.org/10.1016/j.epsr.2023.109529
Z. Tian, Y. Shao, M. Sun, Q. Zhang, P. Ye, and H. Zhang, “Dynamic stability analysis of power grid in high proportion new energy access scenario based on deep learning,” Energy Reports, vol. 8, pp. 172–182, 2022, doi: 10.1016/j.egyr.2022.03.055. DOI: https://doi.org/10.1016/j.egyr.2022.03.055
MATLAB R2021b.
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Bản quyền (c) 2024 Tạp chí Khoa học Giáo dục Kỹ Thuật
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
