NGHIÊN CỨU ỨNG DỤNG CÁC MÔ HÌNH HỌC MÁY NHẰM PHÂN LOẠI VÀ ĐỊNH VỊ SỰ CỐ TRÊN ĐƯỜNG DÂY TRUYỀN TẢI

Nguyễn Quốc Minh; Trần Văn Tiến; Bùi Thị Phương Thảo; Nguyễn Minh Hoàng; Phạm Thị Kim Hương

doi:10.34238/tnu-jst.11857

NGHIÊN CỨU ỨNG DỤNG CÁC MÔ HÌNH HỌC MÁY NHẰM PHÂN LOẠI VÀ ĐỊNH VỊ SỰ CỐ TRÊN ĐƯỜNG DÂY TRUYỀN TẢI

Thông tin bài báo

Ngày nhận bài: 10/01/25 Ngày hoàn thiện: 27/02/25 Ngày đăng: 27/02/25

Các tác giả

1. Nguyễn Quốc Minh , Trường Điện – Điện tử, Đại học Bách khoa Hà Nội
2. Trần Văn Tiến, Trường Điện – Điện tử, Đại học Bách khoa Hà Nội
3. Bùi Thị Phương Thảo, Trường Điện – Điện tử, Đại học Bách khoa Hà Nội
4. Nguyễn Minh Hoàng, Trường Điện – Điện tử, Đại học Bách khoa Hà Nội
5. Phạm Thị Kim Hương, Trường Điện – Điện tử, Đại học Bách khoa Hà Nội

Tóm tắt

Nghiên cứu này đề xuất phương pháp phân loại và định vị sự cố trên đường dây truyền tải dựa trên các mô hình học máy. Dữ liệu huấn luyện cho các mô hình được tao ra từ việc mô phỏng lưới điện IEEE 9 nút trong phần mềm Matlab Simulink với các sự cố tạo ra trong nhiều điều kiện khác nhau. Các thuật toán học máy như Decision Tree, Logistic Regression, XGBoost, Support Vector Machine, Artificial Neural Network được sử dụng để phân loại sự cố, trong khi các mô hình mạng nơ ron hồi quy như Convolutional Neural Network, Long-Short Term Memory, Gated Recurrent Unit, mô hình kết hợp CNN-LSTM và CNN-GRU được sử dụng để định vị sự cố. Bằng cách sử dụng các mô hình học máy, nghiên cứu tập trung xem xét độ chính xác của việc phân loại và định vị sự cố trên đường dây truyền tải với mục tiêu nâng cao độ tin cậy và ổn định của hệ thống điện đồng thời góp phần giảm thời gian khắc phục sự cố. Kết quả cho thấy hiệu quả của các mô hình học máy, trong đó ANN đạt độ chính xác phân loại sự cố là 99,974%, còn CNN-GRU đạt sai số trung bình trong định vị sự cố là 0,029 km.

Từ khóa

Phân tích sự cố; Định vị sự cố; Phân loại sự cố; Đường dây truyền tải; Học máy

Toàn văn:

PDF

Tài liệu tham khảo

[1] N. D. Tleis, “1 - Introduction to power system faults,” in Power Systems Modelling and Fault Analysis, in Newnes Power Engineering Series. Oxford: Newnes, 2008, pp. 1-27, doi: 10.1016/B978-075068074-5.50005-9.

[2] M. S. Uddin et al., “On the protection of power system: Transmission line fault analysis based on an optimal machine learning approach,” Energy Rep., vol. 8, pp. 10168–10182, Nov. 2022, doi: 10.1016/j.egyr.2022.07.163.

[3] M. Bhatnagar and A. Yadav, “Fault Detection and Classification in Transmission Line Using Fuzzy Inference System,” in 2020 5th IEEE International Conference on Recent Advances and Innovations in Engineering (ICRAIE), Dec. 2020, pp. 1-6, doi: 10.1109/ICRAIE51050.2020.9358386.

[4] L. Hulka, U. Klapper, M. Putter, and W. Wurzer, “Measurement of line impedance and mutual coupling of parallel lines to improve the protection system,” in CIRED 2009 - 20th International Conference and Exhibition on Electricity Distribution - Part 1, Jun. 2009, pp. 1-4, doi: 10.1049/cp.2009.0800.

[5] T.-C. Lin, B. Simachew, and M.-Y. Cho, “A Novel Single-Ended Fault Location Algorithm for Digital Distance Relays Based on A New FPGA Design,” in 2023 IEEE Power & Energy Society General Meeting (PESGM), Jul. 2023, pp. 1–5, doi: 10.1109/PESGM52003.2023.10253255.

[6] W. Chen, D. Wang, D. Cheng, F. Qiao, X. Liu, and M. Hou, “Novel travelling wave fault location principle based on frequency modification algorithm,” Int. J. Electr. Power Energy Syst., vol. 141, Oct. 2022, Art. no. 108155, doi: 10.1016/j.ijepes.2022.108155.

[7] I. A. França, C. W. Vieira, D. C. Ramos, L. H. Sathler, and E. G. Carrano, “A machine learning-based approach for comprehensive fault diagnosis in transmission lines,” Comput. Electr. Eng., vol. 101, Jul. 2022, Art. no. 108107, doi: 10.1016/j.compeleceng.2022.108107.

[8] S. Banerjee, P. S. Bhowmik, and A. K. Bohre, “Detection and Location of Fault in Microgrid using Discrete Wavelet Transform based Technique,” in 2022 IEEE 6th International Conference on Condition Assessment Techniques in Electrical Systems (CATCON), Dec. 2022, pp. 417-421, doi: 10.1109/CATCON56237.2022.10077697.

[9] S. Vieira, W. H. Lopez Pinaya, and A. Mechelli, “Chapter 1 - Introduction to machine learning,” in Machine Learning, A. Mechelli and S. Vieira, Eds., Academic Press, 2020, pp. 1-20, doi: 10.1016/B978-0-12-815739-8.00001-8.

[10] A. Géron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Incorporated, 2019.

[11] W. H. L. Pinaya, S. Vieira, R. Garcia-Dias, and A. Mechelli, “Chapter 10 - Convolutional neural networks,” in Machine Learning, A. Mechelli and S. Vieira, Eds., Academic Press, 2020, pp. 173-191, doi: 10.1016/B978-0-12-815739-8.00010-9.

[12] C. H. Pham, Q. M. Nguyen, D. T. Nguyen, and T. Q. A. Tao, “Short-Term Electricity Load Forecasting Based on Temporal Fusion Transformer Model,” IEEE Access, vol. 10, pp. 106296-106304, 2022, doi: 10.1109/ACCESS.2022.3211941.

[13] K. Cho et al., “Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation,” in Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), A. Moschitti, B. Pang, and W. Daelemans, Eds., Doha, Qatar: Association for Computational Linguistics, Oct. 2014, pp. 1724-1734, doi: 10.3115/v1/D14-1179.

[14] M. Abumohsen, A. Y. Owda, M. Owda, and A. Abumihsan, “Hybrid machine learning model combining of CNN-LSTM-RF for time series forecasting of Solar Power Generation,” E-Prime - Adv. Electr. Eng. Electron. Energy, vol. 9, Sep. 2024, Art. no. 100636, doi: 10.1016/j.prime.2024.100636.

[15] M.-C. Chiu, H.-W. Hsu, K.-S. Chen, and C.-Y. Wen, “A hybrid CNN-GRU based probabilistic model for load forecasting from individual household to commercial building,” Energy Rep., vol. 9, pp. 94-105, Oct. 2023, doi: 10.1016/j.egyr.2023.05.090.

DOI: https://doi.org/10.34238/tnu-jst.11857

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ