Xác định pha trong lưới điện phân phối hạ áp sử dụng thuật toán phân cụm

t chung 
Điện năng phát ra từ các nhà máy điện sẽ được 
qua các trạm biến áp tăng áp để nâng điện áp lên 
trước khi truyền tải đi xa và cuối cùng sẽ được hạ 
điện áp bằng các máy biến áp hạ áp để cấp điện cho 
các đối tượng khách hàng khác nhau. Nguồn cung 
KHOA HỌC - CÔNG NGHỆ 
45 SỐ 65 (01-2021) 
TẠP CHÍ ISSN: 1859-316X 
KHOA HỌC CÔNG NGHỆ HÀNG HẢI 
JOURNAL OF MARINE SCIENCE AND TECHNOLOGY 
cấp điện chính trong lưới điện hiện nay được cấp từ 
các máy phát điện 3 pha. Ở chế độ bình thường, 
mạng lưới điện sẽ là 3 pha và điện áp trong 3 pha 
(gọi là 3 pha: R-S-T và N là trung tính) sẽ giống 
nhau và chỉ lệch pha nhau 1 góc là 1200. Các khách 
hàng như trung tâm thương mại hay các công ty thì 
sẽ sử dụng hệ thống điện 3 pha, 4 dây. Trong khi đó 
các hộ tiêu thụ gia đình sẽ sử dụng hệ thống điện 1 
pha (gồm 1 dây pha R, S hoặc T với dây trung tính 
N). Mỗi khu vực dân cư sẽ được cung cấp bởi một 
biến áp 3 pha hạ áp với phạm vi khoảng 50-200 hộ 
[3]. Tuy nhiên mỗi hộ chỉ kết nối tới một trong 3 pha 
R, S hoặc T. Thực tế khi có một hộ tiêu thụ mới, dữ 
liệu kết nối đến pha nào của hệ thống có thể không 
phải lúc nào cũng được lưu trữ và cập nhật đầy đủ. 
Hơn thế nữa, dữ liệu mô hình kết nối pha còn có thể 
bị thay đổi trong quá trình sửa chữa và bảo dưỡng [3]. 
Vì các lý do như vậy cho nên hiện nay có rất ít các 
công ty điện lực có được số liệu chính xác về mô 
hình kết nối pha của các phụ tải, đặc biệt là trong 
lưới điện hạ áp. 
2.2. Các công trình liên quan và đóng góp của 
bài báo 
Hiện nay trên thực tế có 2 phương pháp phổ 
biến để xác định pha phụ tải trong lưới điện hạ áp. 
Phương pháp thứ nhất là sử dụng giải pháp vật lý 
với các thiết bị đo đặc biệt như hệ thống 
micro-synchrophasor [4], signal generators and 
discriminators [5]. Các giải pháp này vẫn khá phổ 
biến nhưng chúng có nhược điểm là đắt tiền và chi 
phí nhân công cao. Phương pháp thứ hai là sử dụng 
dữ liệu đo về được từ các Smart meters hay hệ 
thống SCADA, bằng việc phân tích các dữ liệu 
này bằng các công cụ toán học, dùng các phương 
pháp mô hình hóa thì có thể xác định được pha của 
các phụ tải. 
Trong bài báo [2], Tom A. Short trình bày một 
phương pháp xác định pha phụ tải bằng cách sử dụng 
một thuật toán hồi quy tuyến tính để nâng cao độ 
chính xác dựa trên sự tương quan điện áp giữa các 
khách hàng. Trong bài báo [6], Houman Pezeshki và 
các cộng sự giả thiết trong cùng 1 pha thì điện áp của 
mỗi khách đều có sự tương quan rất tốt với nhau, 
nhóm tác giả đã dùng công nghệ tương quan để tách 
thành phần mong muốn và nhiễu trắng Gaussian 
trong mỗi chuỗi thời gian điện áp của khách hàng 
trước khi so sánh để phân nhóm chúng. Trong bài 
báo [1], Wenyu Wang và các cộng sự sử dụng thuật 
toán K-means có ràng buộc để phân cụm chuỗi thời 
gian điện áp và Frédéric OLIVIER trong bài báo [7] 
cải tiến thuật toán này để xác định pha phụ tải. Nhằm 
giảm ảnh hưởng của điện áp rơi trên dây dẫn từ trục 
chính đến hộ tiêu thụ, Wenpeng Luan cùng các cộng 
sự trong bài báo [8] không sử dụng trực tiếp dữ liệu 
điện áp thô đo về từ Smart meters mà dùng công 
thức tính toán để tính ra điện áp ở nút giao của hộ đó 
với đường trục chính trước khi phân tích tương quan. 
Các phương pháp nêu trên đều có những ưu, 
nhược điểm riêng, độ chính xác của một số phương 
pháp cũng chưa đạt đến giá trị chính xác như mong 
muốn, như trong bài báo [1], có trường hợp độ chính 
xác chỉ đạt 90,40%. Không có thuật toán phân cụm 
nào là phù với tất cả các loại dữ liệu, trong bài báo 
này nhóm tác giả xây dựng một phương pháp xác 
định pha phụ tải mới dựa trên thuật toán phân cụm 
mờ Fuzzy C-means và thí nghiệm nó trên một bộ dữ 
liệu chuỗi thời gian điện áp. Kết quả thử nghiệm cho 
thấy phương pháp đề xuất độ chính xác rất cao (lên 
đến 100%) và hoàn toàn có khả áp dụng với dữ liệu 
thật để triển khai vào thực tế. 
3. Thuật toán xác định pha phụ tải từ dữ liệu 
thu thập của công tơ điện tử 
Hình 1. Ví dụ về sự tương quan điện áp 
Ý tưởng cốt lõi của thuật toán đề xuất là dựa trên 
sự tương quan về điện áp giữa các hộ tiêu thụ trong 
cùng một pha [1, 2, 6, 9]. Hình 1 là một ví dụ về sự 
tương quan điện áp của 9 hộ tiêu thụ [9]. Mỗi hộ tiêu 
thụ ứng với một chuỗi thời gian điện áp được phân 
làm 3 cụm khác nhau. Mỗi cụm là một pha của phụ 
tải (R, S, T). Từ hình vẽ trên ta có thể thấy sự tương 
quan về điện áp thể hiện rất rõ giữa các hộ trong 
cùng một pha. 
Như vậy nhờ có sự tương quan này, nếu ta có thể 
KHOA HỌC - CÔNG NGHỆ 
46 SỐ 65 (01-2021) 
TẠP CHÍ ISSN: 1859-316X 
KHOA HỌC CÔNG NGHỆ HÀNG HẢI 
JOURNAL OF MARINE SCIENCE AND TECHNOLOGY 
phân loại được các chuỗi thời gian điện áp đại diện 
cho các hộ tiêu thụ thành 3 cụm khác nhau tương 
ứng với 3 pha của phụ tải thì ta có thể xác định được 
các pha tương ứng. 
Có rất nhiều thuật toán để phân cụm dữ liệu như 
thuật toán K-means, phương pháp bản đồ tự tổ chức 
SOM, thuật toán phân cụm phân lớp Hiarachical 
clustering, thuật toán dựa trên hình dáng động DTW, 
thuật toán các thành phần chính PCA, Mỗi thuật 
toán đều có những ưu, nhược điểm và có thể áp dụng 
tùy vào từng trường hợp cụ thể. Trong bài báo này 
nhóm tác giả sử dụng thuật toán Fuzzy C-means để 
phân loại các chuỗi thời gian điện áp. Phương pháp 
xác định pha phụ tải dựa trên thuật toán phân cụm 
Fuzzy C-means được trình bày như Mục 3.1 dưới đây. 
Mục 3.2 nhóm tác giả giới thiệu về thuật toán Fuzzy 
C-means và áp dụng nó để xác định pha phụ tải. 
3.1. Xây dựng thuật toán xác định pha phụ tải 
Thuật toán xây dựng được trình bày như Hình 2. 
Dữ liệu thô là các chuỗi thời gian điện áp ban đầu, 
trên thực tế các dữ liệu này sẽ được tiền xử lý để loại 
bỏ các dữ liệu xấu do các lỗi đường truyền, công tơ 
lỗi,(được gọi là các outliers) [10] trước khi thực 
hiện các bước tiếp theo. Tuy nhiên bài báo sẽ không 
xét đến các dữ liệu xấu này mà tập trung vào xây 
dựng một thuật toán xác định pha phụ tải. Thuật toán 
đề xuất sẽ gồm 3 bước cụ thể như sau: 
Ở bước thứ nhất, dữ liệu thô ban đầu sẽ được 
chuẩn hóa trước khi phân cụm, tất cả các chuỗi thời 
gian điện áp của các hộ tiêu thụ sẽ được chuẩn hóa 
theo công thức (2) để tất cả các điểm điện áp sẽ rơi 
vào trong khoảng 0-1. Nghĩa là giá trị điện áp nhỏ 
nhất 0V sẽ ứng với 0 và lớn nhất sẽ ứng với 1. 
Ở bước thứ hai, dữ liệu sau khi chuẩn hóa sẽ 
được đưa vào thuật toán Fuzzy C-means để phân ra 
làm 3 cụm (C=3 ứng với 3 pha R, S, T của nguồn). 
Trong mỗi cụm đã được phân sẽ chứa các chuỗi 
thời gian điện áp đại diện cho các hộ tiêu thụ được 
nối tới cùng một pha của nguồn và việc đánh giá kết 
quả sẽ được thực hiện trong bước cuối cùng. 
3.2. Thuật toán Fuzzy C-means 
Với phương pháp phân cụm Fuzzy C-means mỗi 
điểm dữ liệu có thể thuộc về 2 clusters trở nên tùy 
vào mức độ thành viên của điểm dữ liệu đó với các 
tâm cụm. Mỗi bước lặp của thuật toán nhằm mục 
đích tối thiểu hóa hàm mục tiêu dựa trên việc tính 
toán khoảng cách từ các điểm dữ liệu của đồ thị phụ 
tải đến tâm cụm dựa trên giá trị thành viên [11]. Hàm 
mục tiêu được tính theo công thức (1) như sau: 
2D N
m
m ij i j
i 1 j 1
J x c
   (1) 
Với D: tổng số điểm dữ liệu, N: số lượng cụm, 
m: số mũ trọng số; xi điểm dữ liệu thứ i, cj : tâm của 
cụm thứ j, 
ij : giá trị thành viên của xi trong cụm j. 
Thuật toán này áp dụng trong bài toán xác định 
pha phụ tải được tạo thành những bước cụ thể như 
sau: 
Bước 1: Chuẩn hóa dữ liệu với công thức (2): 
(i,h )
(i,h norm)
h max
u
u
u
 (2) 
u(i,h-norm) : điện áp đã được chuẩn hóa; 
u(i,h) : giá trị điện áp thực; 
u(h-max) : giá trị điện áp lớn nhất; 
i: chuỗi thời gian điện áp của hộ thứ i; i=1,2,,N 
(N: tổng số hộ được khảo sát); 
h: giá trị điện áp tại thời điểm thứ h trong một 
chuỗi thời gian điện áp; h=1,2,,H (H là số điểm dữ 
liệu của một chuỗi thời gian điện áp). 
Bước 2: Chọn ngẫu nhiên 3 vị trí cho 3 tâm cụm. 
Bước 3: Tính toán ma trận mức độ thành viên, 
giá trị thành viên của ui trong cụm j được tính: 
ij 2
m 1c
i j
k 1 i k
1
u c
u c
 

 (3) 
Với i ju c là khoảng cách Euclidean từ chuỗi 
thời gian điện áp i đến trọng tâm của cụm thứ j. 
Bước 4: Tính ma trận tâm cụm mới theo công 
thức (4): 
D
m
ij i
i 1
j D
m
ij
i 1
x
c 




 (4) 
Với số mũ trọng số m thường được chọn bằng 1.5 
trong các ứng dụng thực tế [12]. 
Bước 5: Lặp lại bước 2 và bước 3 cho đến khi 
hàm mục tiêu nhỏ hơn một ngưỡng cho phép hoặc 
sau số lần lặp tối đa quy định. 
4. Mô phỏng kiểm chứng thuật toán 
Tại Việt Nam hiện nay, hầu hết các công tơ 
điện tử chỉ thu thập các tín hiệu là chuỗi thời gian 
công suất tiêu thụ của các hộ tiêu thụ mà chưa cài 
KHOA HỌC - CÔNG NGHỆ 
47 SỐ 65 (01-2021) 
TẠP CHÍ ISSN: 1859-316X 
KHOA HỌC CÔNG NGHỆ HÀNG HẢI 
JOURNAL OF MARINE SCIENCE AND TECHNOLOGY 
đặt để lấy về các giá trị điện áp. Vì vậy để có dữ 
liệu để kiểm chứng thuật toán của mình, nhóm tác 
giả xây dựng một mô hình lưới điện phân phối hạ 
áp gồm 51 hộ tiêu thụ được bố trí trong các pha R, 
S, T. Mô hình này được thiết kế trên phần mềm 
Matlab/Simulink được trình bày trong Mục 4.1 
dưới đây. 
4.1. Thiết kế mô hình lưới phân phối hạ áp 
Mô hình lưới phân phối hạ áp được thiết kế trên 
phần mềm Matlab/Simulink. Sơ đồ thiết kế tổng quát 
được thể hiện như Hình 3. Tổng số khách hàng được 
thiết kế là 51 hộ tiêu thụ. Trong đó 16 hộ nối vào pha 
R, 17 hộ nối vào pha S và 18 hộ còn lại nối vào pha 
T. Mỗi hộ trong các pha được thiết kế gồm nhiều loại 
phụ tải tải thuần trở, động cơ điện không đồng bộ, 
với quy luật đóng mở ngẫu nhiên khác nhau giống 
như trên thực tế. Điện áp đầu nguồn của mỗi hộ sẽ 
được đo bởi các khối “Voltage Measurement” và 
“RMS”. Sau đó tín hiệu điện áp sẽ được lấy mẫu để 
gửi đến cửa sổ không gian biến “Workspace” của 
Matlab bởi khối “To Workspace” để tạo thành dữ 
liệu đầu vào cho thuật toán xác định pha như Hình 4. 
Sau khi chạy phần mềm sẽ thu được 51 chuỗi 
thời gian (mỗi chuỗi tác giả lấy 25 điểm dữ liệu) là 
điện áp tương ứng của các hộ. Các chuỗi thời gian 
này sẽ được xử lý để xác định pha bằng thuật toán đề 
xuất và kiểm chứng kết quả trong Mục 4.2. 
4.2. Thử nghiệm thuật toán đề xuất 
Ban đầu bộ dữ liệu được tạo ra gồm 51 hộ gia đình, 
chuỗi thời gian điện áp của tất các hộ này được thể 
hiện như Hình 5. Khi tiến hành chạy thuật toán đề 
xuất với bộ dữ liệu này mà không quan tâm đến sơ 
đồ nối pha ban đầu của các hộ, phần mềm cho kết 
quả trong ma trận mức độ thành viên 
ij
là 16 
chuỗi thời gian điện áp được phân vào cụm 1 ứng 
với pha R, 17 chuỗi thời gian điện áp được phân vào 
cụm 2 ứng với pha S và 18 chuỗi thời gian còn lại 
được phân vào cụm 3 ứng với pha T như trên các 
Hình 6, Hình 7 và Hình 8 tương ứng. 
Nhìn từ các Hình 6, Hình 7 và Hình 8 ta dễ dàng 
nhận thấy trong bản thân mỗi cụm đã được phân loại, 
các chuỗi thời gian đều có sự tương quan với nhau 
rất tốt, các điện áp tuy có biên độ có thể khác nhau, 
nhưng xu hướng thay đổi đều có sự tương đồng. Sau 
khi đối chiếu với sơ đồ nối pha được thiết kế trong 
Simulink, kết quả phần mềm đề xuất cho kết quả 
hoàn toàn trùng khớp, đạt tỷ lệ chính xác 100%. 
Hàm mục tiêu Jm đạt được giá trị mong muốn chỉ 
sau 14 bước lặp thể hiện trên Hình 9. 
Hình 2. Thuật toán xác định pha phụ tải 
Hình 3. Mô hình lưới phân phối hạ áp thiết kế trên Matlab/Simulink 
KHOA HỌC - CÔNG NGHỆ 
48 SỐ 65 (01-2021) 
TẠP CHÍ ISSN: 1859-316X 
KHOA HỌC CÔNG NGHỆ HÀNG HẢI 
JOURNAL OF MARINE SCIENCE AND TECHNOLOGY 
Hình 4. Mô hình tải của hộ gia đình số 1 
Hình 5. Dữ liệu điện áp của tất cả 51 hộ 
Hình 6. 16 hộ nối vào pha R 
5. Kết luận 
Bài báo đã nghiên cứu và xây dựng được một 
phương pháp để xác định pha của phụ tải trong lưới 
điện hạ áp sử dụng thuật toán Fuzzy C-means. Kết 
quả mô phỏng cho thấy thuật toán hoạt động rất hiệu 
quả với độ chính xác cao. Hướng phát triển trong 
tương lai của bài báo sẽ tiếp tục thử nghiệm thuật 
toán này với dữ liệu là các chuỗi thời gian điện áp 
thật được đo về từ công tơ điện tử đang được lắp đặt 
trong các hộ gia đình hiện nay để đánh giá kết quả 
tổng thể trước khi áp dụng nó vào thực tế. 
Hình 7. 17 hộ nối vào pha S 
Hình 8. 18 hộ nối vào pha T 
Hình 9. Hàm mục tiêu Jm 
Lời cảm ơn 
Nghiên cứu này được tài trợ bởi Trường Đại học 
Hàng hải Việt Nam trong đề tài mã số: DT20-21.46. 
KHOA HỌC - CÔNG NGHỆ 
49 SỐ 65 (01-2021) 
TẠP CHÍ ISSN: 1859-316X 
KHOA HỌC CÔNG NGHỆ HÀNG HẢI 
JOURNAL OF MARINE SCIENCE AND TECHNOLOGY 
TÀI LIỆU THAM KHẢO 
[1] Wenyu Wang, Yu, Foggo, Davis, Phase 
Identification in Electric Power Distribution 
Systems by Clustering of Smart Meter Data, 15th 
IEEE International Conference on Machine 
Learning and Applications, 2016. 
[2] Tom A. Short, Advanced Metering for Phase 
Identification, Transformer Identification, and 
Secondary Modeling, EEE Transactions on smart 
grid, Vol.4, No.2, June 2013. 
[3] V. Arya, D. Seetharam, Kalyanaraman, Dontas, 
Pavlovski, Hoy, Kalagnanam, Phase 
Identification in Smart Grids, IEEE 2011 IEEE 
Second International Conference on Smart Grid 
Communications - Brussels, Belgium, 2011. 
[4] Df Miles H.F. Wen, Arghandehy, Meiery,Poollay, 
Li, Phase Identification in Distribution Networks 
with Micro-Synchrophasors, Power and Energy 
Society General Meeting. IEEE, pp. 1-5, 2015. 
[5] K. Caird, Meter phase identification, U.S. Patent 
App. 12/345,702. [Online], 2010. 
[6] H. Pezeshki, P. J. Wolfs, Consumer Phase 
Identification in a Three Phase Unbalanced LV 
Distribution Network, 3rd IEEE PES Innovative 
Smart Grid Technologies Europe (ISGT Europe), 
Berlin, 2012. 
[7] Frédéric OLIVIER, Antonio SUTERA, Pierre 
GEURTS, Raphael FONTENEAU, Damien 
ERNST, Phase Identification of Smart Metersby 
Clustering Voltage Measurements, IEEE 2018 
Power Systems Computation Conference (PSCC) 
- Dublin, Ireland, 2018. 
[8] Wenpeng Luan, Peng, Maras, Lo, and Harapnuk, 
Smart Meter Data Analytics for Distribution 
Network Connectivity Verification, IEEE 
Transactions on Smart Grid, Vol.6(4), 2015. 
[9] Logan Blakely, Reno, Feng, Spectral Clustering 
for Customer Phase Identification Using AMI 
Voltage Timeseries, IEEE 2019 IEEE Power and 
Energy Conference at Illinois (PECI) - 
Champaign, IL, USA, 2019. 
[10] Rob J Hyndman, Earo Wang, Nikolay Laptev, 
Large-Scale Unusual Time Series Detection, 
IEEE International Conference on Data 
Mining Workshop (ICDMW) - Atlantic City, 
NJ, USA, 2015. 
[11] Prahastono, Iswan; King, David J.; Ozveren, 
Bradley, Electricity load profile classification 
using Fuzzy C-Means method, IEEE 2008 43rd 
International Universities Power Engineering 
Conference (UPEC) - Padova, 2008. 
[12] PEI Jihong a, YANG Xuan a, GAO Xinbo a and 
XIE Weixin, On the weighting exponent m in 
fuzzy C means (FCM) clustering algorithm, 
SPIE Proceedings, China, 2001. 
Ngày nhận bài: 25/12/2020 
Ngày nhận bản sửa: 11/01/2021 
Ngày duyệt đăng: 21/01/2021