(Luận văn thạc sĩ) mạng nơron lai đánh giá ổn định động hệ thống điện

TỔNG QUAN

Tổng quan về lĩnh vực nghiên cứu

Hệ thống điện (HTĐ) của Việt Nam và thế giới đã gặp nhiều sự cố lớn, chủ yếu do tốc độ phát triển không kịp đáp ứng nhu cầu phụ tải, dẫn đến mất ổn định toàn hệ thống Sự phát triển không đồng bộ này khiến việc vận hành HTĐ trở nên khó khăn, đặc biệt khi xảy ra các sự cố như ngắt máy phát hay ngắn mạch Ổn định HTĐ là khả năng khôi phục chế độ đồng bộ sau khi mất ổn định do các kích động Để giảm thiệt hại và tăng cường an toàn cho HTĐ, cần có hệ thống đánh giá nhanh và cảnh báo sớm về ổn định Đánh giá ổn định động của hệ thống điện là nhiệm vụ quan trọng trong thiết kế và vận hành HTĐ, được chú ý từ năm 1920 khi các hệ thống nhỏ liên kết thành quy mô lớn Qua hơn 90 năm, nhiều nghiên cứu và sự phát triển công nghệ đã hình thành lý thuyết và công cụ phân tích ổn định động, nhưng việc đánh giá cho các hệ thống điện phức tạp vẫn là thách thức lớn.

Để đánh giá tính ổn định của hệ thống điện (HTĐ) trong các dao động lớn hoặc sự cố, có thể áp dụng các phương pháp truyền thống như mô phỏng miền thời gian, phương pháp trực tiếp và phương pháp hàm năng lượng.

Việc sử dụng hệ phương trình đơn giản để mô tả chế độ vận hành của hệ thống điện (HTĐ) không còn hiệu quả trong những điều kiện bất định và hạn chế về thời gian giải Do đó, cần nghiên cứu và ứng dụng các phương pháp hiệu quả hơn, như phương pháp nhận dạng mẫu và mạng nơron Phương pháp này cho phép đánh giá HTĐ mà không cần giải tích, mà thay vào đó học mối quan hệ giữa mẫu đầu vào và đầu ra Mạng nơron, với khả năng xử lý dữ liệu song song, có tốc độ đáp ứng nhanh, giúp giải quyết vấn đề đánh giá nhanh chế độ ổn định của hệ thống điện Chương trình huấn luyện mạng nơron sẽ dạy nó học từ các tập mẫu được tổng hợp từ kinh nghiệm của các chuyên gia, và kết quả học được lưu trữ tại các kết nối trong mạng.

Nhiều nghiên cứu trước đây đã chỉ ra ứng dụng của mạng Nơron nhân tạo (Artificial Nơron Network - ANN) trong việc đánh giá an ninh hệ thống điện (HTĐ), giúp cải thiện tốc độ xử lý dữ liệu và độ chính xác Cụ thể, trong một nghiên cứu, mạng MLNN (Multilayer Perceptron Neural Network) được sử dụng để ước lượng biên ổn định quá độ trong HTĐ, cho thấy tiềm năng ứng dụng của công nghệ này trong lĩnh vực năng lượng.

[13] sử dụng CNN (Committee Neural Network) để đánh giá ổn định quá độ qua góc rotor tương đối của máy phát

Tình hình nghiên cứu trong nước cho thấy tác giả [3] đã đề xuất ứng dụng mạng hàm truyền xuyên tâm RBFN (Radial Basis Function Network) và MLNN kết hợp với kỹ thuật lựa chọn biến đặc trưng bằng giải thuật Relief, nhằm chọn ra những biến tốt nhất với khả năng phân biệt cao, giúp hệ thống xử lý dữ liệu nhanh chóng và đạt độ chính xác chấp nhận Trong khi đó, nghiên cứu [4] trình bày mạng ANN cải tiến, áp dụng phương pháp giảm không gian mẫu Kmean để loại bỏ các biến thừa, từ đó giảm thời gian huấn luyện và nâng cao độ chính xác trong nhận dạng.

HVTH: Đoàn Văn Phúc Trang 3

Tính cấp thiết của đề tài

Để đánh giá sự ổn định của hệ thống điện (HTĐ) sau sự cố lớn, nhiều phương pháp đã được áp dụng, nhưng các phương pháp truyền thống thường tốn nhiều thời gian và không hiệu quả trong việc ra quyết định nhanh chóng Tính phi tuyến của HTĐ cũng gây khó khăn trong phân tích ổn định động, do đó cần một giải pháp chẩn đoán nhanh và đáng tin cậy Mạng nơ-ron nhân tạo (ANN) được đề xuất như một giải pháp thay thế hiệu quả, giúp giải quyết các vấn đề về tốc độ tính toán và hiệu suất mà các phương pháp truyền thống không thể đáp ứng ANN cho phép phân tích mối quan hệ phi tuyến giữa các thông số vận hành và tình trạng ổn định của HTĐ, từ đó hỗ trợ quyết định nhanh chóng Trong những năm gần đây, việc ứng dụng ANN trong nghiên cứu chẩn đoán và đánh giá ổn định động HTĐ đã thu hút sự quan tâm của nhiều tác giả.

Lựa chọn biến đặc trưng là một bước quan trọng trong việc xây dựng hệ thống nhận dạng thông minh cho động HTĐ sử dụng mạng nơron Mặc dù nghiên cứu trước đây đã tập trung vào việc chọn biến có khả năng huấn luyện tốt, nhưng vẫn chưa chú trọng đến việc xử lý bộ mẫu, dẫn đến độ chính xác kiểm tra nhận dạng chưa cao Để khắc phục vấn đề này, nghiên cứu đã chỉ ra rằng việc giảm không gian mẫu thông qua rút gọn mẫu là cần thiết Tuy nhiên, việc áp dụng giải thuật Kmean gặp khó khăn do tính chất hội tụ phụ thuộc vào tâm khởi tạo ban đầu, gây ra sự khác biệt trong kết quả Khi tâm cụm thay đổi, quá trình huấn luyện không bao quát hết biên của tâm cụm, làm giảm độ chính xác nhận dạng Do đó, việc kết hợp song song các bộ nhận dạng sẽ giúp bao quát toàn bộ biên của tâm cụm, từ đó cải thiện kết quả nhận dạng Luận văn này đề xuất mô hình mạng nơron lai kết hợp các mạng nơron đơn để giải quyết vấn đề này.

Mục tiêu và nhiệm vụ của luận văn

1.3.1 Mục tiêu của luận văn

Xây dựng mô hình nhận dạng chuẩn đoán nhanh ổn định động hệ thống điện sử dụng mạng nơron lai để tăng độ chính xác nhận dạng

1.3.2 Nhiệm vụ của luận văn

- Giới thiệu các phương pháp đánh giá ổn định hệ thống điện

- Giới thiệu tổng quan về mạng nơron

- Nghiên cứu xây dựng mô hình nhận dạng dựa trên cơ sở mạng nơron lai

- Áp dụng đánh giá hiệu quả của mô hình nhận dạng được xây dựng trên hệ thống điện chuẩn IEEE 10-máy 39-bus.

Phạm vi nghiên cứu

- Nghiên cứu lý thuyết ổn định hệ thống điện, lý thuyết mạng nơron lai

- Nghiên cứu quy trình và xây dựng mô hình nhận dạng dựa trên cơ sở mạng nơron lai

Áp dụng đánh giá ổn định động cho hệ thống điện chuẩn IEEE 39-bus New England, hệ thống này bao gồm 10 máy phát, 12 máy biến áp, 34 đường dây truyền tải và 19 tải, với hai cấp điện áp là 345kV và 20kV.

Phương pháp nghiên cứu

- Tham khảo tài liệu, các bài báo, các sách về chẩn đoán ổn định hệ thống điện trong nước và nước ngoài

- Sử dụng phương pháp mô hình hóa mô phỏng để kiểm tra và đánh giá kết quả nghiên cứu

- Phân tích và tổng hợp

- Nghiên cứu sử dụng và lập trình bằng phần mềm Matlab; mô phỏng bằng phần mềm Matlab

Điểm mới của luận văn

Đề xuất quy trình xây dựng mạng nơron lai, kết hợp nhiều mạng nơron con hoạt động song song nhằm nâng cao độ chính xác trong các tác vụ xử lý dữ liệu.

Ý nghĩa khoa học và giá trị thực tiễn của luận văn

Kết quả nghiên cứu sẽ là tài liệu tham khảo quý giá cho sinh viên cao học ngành kỹ thuật điện, đặc biệt trong việc nghiên cứu bài toán nhận dạng ổn định động của hệ thống điện.

Mô hình nhận dạng được phát triển nhằm hỗ trợ các điều độ viên trong việc ra quyết định nhanh chóng trong các tình huống khẩn cấp, giúp hệ thống điện sớm trở lại trạng thái ổn định.

ỔN ĐỊNH HỆ THỐNG ĐIỆN

Phân tích ổn định

Phương trình dao động liên quan đến chuyển động của rotor [12], được viết lại như sau: e m r T T dt

Trong đó J là moment quán tính kg-m 2 , ω r là tốc độ góc của rotor, cơ học rad,

Tm là moment cơ và Te là moment điện, được đo bằng N-m Các đại lượng này có thể chuyển đổi sang hệ đơn vị tương đối thông qua mối quan hệ giữa H (hằng số quán tính) và J (moment quán tính): eu mu ru T T dt.

Chỉ số dưới u thể hiện các giá trị trong hệ đơn vị tương đối, trong đó H được định nghĩa là hằng số quán tính với các đơn vị phổ biến tại Hoa Kỳ.

MVA s machine MW of rating MVA ft lb WR

Hệ số biến thiên của các máy điện không có sự chênh lệch lớn Khi lập phương trình dao động, cần chú ý đến giới hạn của góc quay rotor ở độ điện, đồng thời tham chiếu với tốc độ đồng bộ tại thời điểm t = 0 Góc  có thể được hiểu rõ hơn thông qua các sơ đồ phasor của máy điện.

Do đó, chúng có thể được viết như sau:

Cộng thông số khác với phương trình này để tính toán giảm xóc, tỉ lệ tốc độ Khi đó phương trình trở thành: ru D eu mu T K dt T d

Phương trình (2.18) được gọi là phương trình dao động Nó có thể được biểu diễn dưới hai phương trình vi phân bậc nhất như sau:

Chỉ số dưới u đã được giảm thiểu và ở đây phương trình được hiểu là sử dụng đơn vị tương đối

K1 (đơn vị tương đối P/rad) = hệ số đồng bộ

Giới hạn K 1, hay còn gọi là công suất đồng bộ, có vai trò quan trọng trong việc điều chỉnh quán tính của hệ thống nhằm đạt được điểm làm việc ổn định Đối với những sai lệch nhỏ, K1 thể hiện độ dốc của đường cong góc công suất quá độ tại điểm làm việc ổn định, như được minh họa trong Hình 2.8.

Hình 2.8 mô tả đặc tính đường cong góc công suất của máy phát đồng bộ, được so sánh với Hình 2.9 Trong đó, máy phát kết nối với thanh cái vô hạn qua điện kháng Xe, với E′ là điện áp nội phía sau điện kháng quá độ, Eq là điện áp nội phía sau điện kháng đồng bộ, V là điện áp thanh cái vô hạn, Vt là điện áp đầu cực máy phát, và  là góc giữa E′ và V.

Phương trình (2.18) điều chỉnh đáp ứng động, có tần số dao động khoảng: s

Hình 2.9: (a) Máy phát kết nối với thanh cái vô hạn thông qua điện kháng ngoại

(b) Sơ đồ phasor của máy phát kết nối với thanh cái vô hạn

2.2.2 Mô hình đơn giản hóa máy phát và hệ thống tương đương

Hình 2.10 giới thiệu mô hình cổ điển đơn giản của máy phát điện đồng bộ, hữu ích cho nghiên cứu ổn định quá độ Máy phát điện đồng bộ được mô tả bằng sức điện động không đổi E’ và điện kháng quá độ Xd’ theo trục thẳng của nó Mô hình này được xây dựng dựa trên các giả định cụ thể.

1 Máy phát đang hoạt động dưới các điều kiện ba pha thứ tự thuận cân bằng

2 Kích từ máy phát là không đổi

3 Tổn thất máy phát, sự bão hòa, và cực lồi được bỏ qua

Hình 2.10: Mô hình đơn giản hóa máy điện đồng bộ cho nghiên cứu ổn định quá độ

(a): Sơ đồ mạch, (b): Sơ đồ pha

Trong các chương trình tính toán ổn định quá độ, việc sử dụng mô hình chi tiết giúp miêu tả chính xác các bộ kích từ, tổn thất và sự bão hòa Tuy nhiên, mô hình đơn giản hóa có thể giảm bớt độ phức tạp trong khi vẫn đảm bảo độ chính xác hợp lý cho các tính toán ổn định.

Mỗi máy phát điện trong mô hình được liên kết với một hệ thống bao gồm các đường dây truyền tải, máy biến áp, phụ tải và các thiết bị khác Hệ thống này có thể được mô tả như một thanh góp vô hạn, hoạt động như một nguồn điện áp lý tưởng, duy trì điện áp, pha và tần số không đổi.

Máy phát điện đồng bộ Hệ thống tương đương

Hình 2.11: Máy phát điện đồng bộ kết nối với một hệ thống tương đương

Hình 2.11 minh họa máy phát điện đồng bộ kết nối với hệ thống tương đương, trong đó biên độ điện áp Vbus và góc pha 0° của thanh góp vô hạn giữ ổn định Góc pha của sức điện động máy phát phản ánh góc công suất máy phát so với thanh góp vô hạn Điện kháng tương đương giữa sức điện động máy phát và thanh góp vô hạn cũng được xác định.

X eq  d   Công suất thực được cung cấp bởi máy phát điện đồng bộ đến thanh góp vô hạn là: bus e eq

Trong các sự nhiễu loạn thoáng qua cả E ’ và Vbus được coi không thay đổi Do đó Pe là một hàm sin của góc công suất δ máy phát

2.2.3 Tiêu chí cân bằng diện tích

Xét 1 tổ máy phát kết nối qua điện kháng đến thanh góp vô hạn Mối quan hệ giữa công suất điện p e và công suất cơ p m theo góc công suất δ được trình bày trong Hình 2.12, p e là hàm sin của δ

Khi tổ máy hoạt động với các thông số p e = p m = p m0 và δ = δ 0, một sự thay đổi đột ngột từ p m đến p m0 xảy ra tại thời điểm t = 0 Do quán tính của rotor, vị trí của rotor không thể thay đổi ngay lập tức.

Khi p m (0 + ) = p m1 > p e (0 + ), công suất p e (0 + ) bắt đầu gia tăng Khi tiến gần đến δ 1, p e sẽ bằng p m1 và (d 2 ) (dt 2 ) dần trở về 0 Tuy nhiên, dδ/dt vẫn lớn hơn 0, dẫn đến δ tiếp tục tăng vượt qua điểm xác lập cuối cùng của nó.

Khi δ lớn hơn δ 1, công suất điện p e vượt quá công suất cơ p m, trong khi p a nhỏ hơn 0, dẫn đến việc rotor giảm tốc Cuối cùng, δ đạt giá trị cực đại δ 2 và sau đó dao động trở lại δ 1 Nếu không có mômen cản, δ sẽ dao động liên tục quanh δ 1 Tuy nhiên, mômen cản gây ra tổn thất cơ và điện, khiến δ ổn định tại điểm xác lập cuối cùng δ 1 Cần lưu ý rằng khi góc công suất vượt quá δ 3, p m sẽ lớn hơn p e, làm cho rotor tăng tốc trở lại, dẫn đến việc δ tiếp tục gia tăng và mất ổn định.

Hình 2.12: Đặc tính công suất của 1 tổ máy phát

Một phương pháp tính toán ổn định và góc công suất cực đại cho hệ nhiều máy là tiêu chuẩn cân bằng diện tích, áp dụng kỹ thuật tích phân số trên máy vi tính để giải phương trình dao động phi tuyến.

Trong khoảng giá trị δ 0 < δ < δ 1, áp suất p m lớn hơn p e, khiến rotor tăng tốc Diện tích A 1 nằm giữa p m và p e Khi δ 1 < δ < δ 2, p m nhỏ hơn p e, dẫn đến rotor giảm tốc và phần diện tích A 2 được xác định là diện tích giảm tốc Tại giá trị ban đầu δ = δ 0 và giá trị cực đại δ = δ 2, tốc độ thay đổi dδ/dt bằng 0 Tiêu chuẩn cân bằng diện tích được phát biểu là A 1 = A 2 Để tìm tiêu chuẩn cân bằng diện tích cho hệ thống điện gồm một máy liên kết với thanh góp vô hạn, giả sử ω p u (t) = 1 trong (2.15).

= = p - p ω dt dt ω dt dt dt

Nhân (2.25) với dt và lấy tích phân từ δ 0 = δ,

Đánh giá ổn định hệ thống điện

Luận văn này áp dụng phương pháp đánh giá ổn định động hệ thống điện dựa trên góc rotor, hay còn gọi là góc công suất Qua việc mô phỏng offline trên phần mềm PowerWorld với hệ thống IEEE 10 máy 39 bus, nghiên cứu đã thực hiện phân tích sự cố ngắn mạch 3 pha cân bằng tại các bus và dọc theo các đường dây truyền tải Kết quả cho thấy sự phân loại các bus và đường dây truyền tải trong hệ thống điện vào hai trạng thái: ổn định và không ổn định, dựa trên mối quan hệ giữa các góc công suất của các máy phát điện.

Ta có, phương trình dao động máy phát rút gọn: e m s

Góc công suất của máy phát điện được xác định từ phương trình 2.42, cho thấy sự phụ thuộc vào công suất tác dụng Pe cùng với điện áp E1 và E2 của máy phát, trong đó điện áp bus đóng vai trò quan trọng.

Để đảm bảo hiệu quả trong việc vận hành hệ thống, cần lựa chọn các trạng thái đại diện và các biến đặc trưng cho mọi trường hợp có thể xảy ra Việc này giúp tổng quát hóa toàn bộ các trạng thái vận hành, từ đó nâng cao hiệu suất hoạt động của hệ thống.

Luận văn phân tích các mẫu dữ liệu đại diện cho hoạt động của hệ thống điện, bao gồm độ thay đổi công suất tác dụng phụ tải, độ sụt điện áp tại các bus và độ thay đổi công suất tác dụng trên các đường dây truyền tải Mô phỏng ngắn mạch được thực hiện tại các bus, line và máy biến áp, đồng thời chú trọng đến các vị trí nguy hiểm và các yếu tố ảnh hưởng lớn đến hệ thống điện, với các mức tải khác nhau để đảm bảo bao quát chế độ vận hành Trước khi mô phỏng ổn định quá độ, các hệ thống tự động điều chỉnh điện áp, kích từ, tần số và giới hạn công suất phát được kích hoạt để đánh giá thuộc tính động của hệ thống điện và phân loại dữ liệu thành hai trạng thái ổn định và không ổn định, từ đó thực hiện phân bố công suất tối ưu.

Kết luận chương 2

Chương này đã trình bày tổng quan về lý thuyết ổn định HTĐ Trong chương

3 giới thiệu tổng quan về mạng nơron và mô hình ANN nhận dạng ổn định động hệ thống điện

TỔNG QUAN VỀ MẠNG NƠRON TRONG ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN

Giới thiệu tổng quát về mạng nơron nhân tạo

Để xây dựng cơ sở dữ liệu đánh giá ổn định động cho hệ thống điện IEEE 10-máy 39-bus, quá trình ổn định quá độ đã được thực hiện thông qua mô phỏng offline bằng phần mềm PowerWorld Tuy nhiên, với các hệ thống điện lớn, số lượng biến sẽ tăng theo kích thước hệ thống, gây khó khăn trong việc lấy mẫu do khối lượng dữ liệu lớn và nhiều biến Do đó, cần áp dụng các kỹ thuật lựa chọn biến đặc trưng để giảm số lượng biến đầu vào, từ đó giúp quá trình huấn luyện diễn ra nhanh chóng và chính xác hơn Vì lý do này, mạng nơ-ron nhân tạo (ANN) đã trở thành phương pháp phổ biến và được nhiều nhà nghiên cứu ưa chuộng.

Mạng nơ-ron nhân tạo (ANN) có một lịch sử phát triển dài từ năm 1943, khi McCulloch và Pitts đề xuất các liên kết cơ bản Năm 1949, Hebb giới thiệu các luật thích nghi trong ANN, tiếp theo là cấu trúc Perception do Rosenblatt phát triển vào năm 1958 Tuy nhiên, vào năm 1969, Minsky và Papert đã phân tích và chỉ ra giới hạn của Perception Đến năm 1976, Grossberg đã phát triển một số cấu trúc hệ động học phi tuyến dựa trên các đặc tính sinh học, mở ra hướng đi mới cho nghiên cứu trong lĩnh vực này.

Năm 1982, Hopfield đã giới thiệu mạng hồi quy một lớp Hopfield, và năm 1986, Rumelhart đã phát triển mô hình xử lý song song cùng với một số kết quả của thuật toán Cũng trong năm 1986, thuật toán lan truyền ngược (Backpropagation) được Rumelhart, Hinton và Williams đề xuất để huấn luyện mạng nơ-ron đa lớp (MLFNN) Gần đây, nhiều nghiên cứu đã đề xuất các cấu trúc và luật học mới cho các loại mạng truyền thẳng và hồi quy, mang lại nhiều ưu điểm Hiện nay, mạng nơ-ron nhân tạo (ANN) đang được ứng dụng rộng rãi trong nhiều lĩnh vực kinh tế và kỹ thuật.

Mạng nơron nhân tạo (ANN) được thiết kế dựa trên cấu trúc của bộ não con người, mang đến một phương pháp tiếp cận mới cho hệ thống thông tin ANN có khả năng thực hiện hiệu quả các bài toán nhận dạng, phân loại và điều khiển cho cả đối tượng tuyến tính và phi tuyến, vượt trội hơn so với các phương pháp tính toán truyền thống.

Mạng nơron nhân tạo (ANN) bao gồm nhiều nơron được liên kết chặt chẽ, hoạt động tương tự như bộ não con người ANN có khả năng học hỏi, gọi lại và tổng hợp thông tin từ việc luyện tập với các mẫu và dữ liệu.

Trong những năm gần đây, nhiều nghiên cứu đã đề xuất các cấu trúc và quy luật học cho các loại mạng truyền thẳng và hồi quy mới, mang lại nhiều lợi ích đáng kể.

3.1.1 Mô hình nơron sinh học

Bộ não con người có khoảng 10 11 nơron sinh học ở nhiều dạng khác nhau [7]

Mô hình nơron sinh học bao gồm ba phần chính: thân, cây và trục Thân chứa nhân, trong khi cây là các dây thần kinh kết nối với thân Trục là phần dài và đơn, cũng kết nối với thân và có phần cuối phân nhánh Mỗi nhánh chứa khớp thần kinh, cho phép nơron liên kết với các nơron khác thông qua tín hiệu Nơron thu nhận thông tin từ cây hoặc thân dưới dạng các xung điện.

Hình 3.1: Mô hình nơron sinh học

Mạng nơron nhân tạo (ANN) được phát triển nhằm tái tạo các đặc điểm của mạng nơron sinh học, hoạt động tương tự như cách thức hoạt động của bộ não con người Các đặc tính nổi bật của ANN bao gồm khả năng học hỏi, thích nghi và xử lý thông tin phức tạp, giúp cải thiện hiệu suất trong nhiều ứng dụng khác nhau.

- Quá trình tính toán được tiến hành song song nên có tốc độ tính toán rất nhanh

- Tri thức của mạng được nắm bắt bởi các nơron thông qua quá trình học

3.1.2 Mô hình nơron nhân tạo

Nơron nhân tạo nhận nhiều ngõ vào từ dữ liệu gốc hoặc từ các nơron khác trong mạng Mỗi kết nối đến ngõ vào có trọng số (weight) w, thể hiện mức độ liên kết giữa các nơron Trọng số dương cho thấy khớp thần kinh bị kích thích, trong khi trọng số âm cho thấy khớp thần kinh bị kiềm chế Mỗi nơron cũng có một giá trị ngưỡng (threshold), được điều chỉnh bởi thành phần dịch chuyển b (bias).

Tín hiệu được truyền qua hàm kích hoạt (hay còn gọi là hàm chuyển đổi) f tạo giá trị ngõ ra nơron

Hình 3.2: Mô hình nơron nhân tạo Đặt: x = [x1, x2, x3, …, xR] là vectơ ngõ vào, trọng số kết nối W = [w1,1, w1,2, w1,3, …, w1,R]

Ngõ ra mạng được tính theo công thức: y = f(Wx+b) (3.1) Trong đó, hàm tác động f(net) là hàm chuyển đổi hay hàm bước

Mô hình nơron phức tạp chứa nhiều chi tiết, khiến việc biểu diễn mạng nơron với nhiều nơron hoặc lớp nơron trở nên không hiệu quả Để khắc phục điều này, một ký hiệu rút gọn cho nơron riêng lẽ đã được giới thiệu trong [28], và ký hiệu này được áp dụng trong các mạch nơron nhiều lớp, như minh họa trong Hình 3.3.

Hình 3.3: Mô hình nơron với ký hiệu rút gọn

Vectơ ngõ vào x được biểu diễn bằng một thanh rắn thẳng đứng màu đen có kích thước R×1, trong đó R đại diện cho các phần tử ngõ vào của vectơ x Ma trận trọng số đóng vai trò quan trọng trong việc xử lý và phân tích dữ liệu này.

Mạng nơron có kích thước 1×R, với đầu vào n là tổng của b và tích số Wx Hàm chuyển đổi f nhận tổng này để tạo ra ngõ ra nơron y Khi có nhiều nơron, ngõ ra của mạng sẽ được biểu diễn dưới dạng một vectơ.

3.1.2.2 Hàm chuyển của mạng nơron

Hàm chuyển đổi (Transfer Function), còn gọi là hàm kích hoạt (Activation Function), có nhiệm vụ biến đổi tổng trọng n (hoặc net) thành tín hiệu ngõ ra y

Các nơron có thể sử dụng các hàm chuyển đổi khác nhau để tạo ra tín hiệu ngõ ra Các hàm chuyển đổi sẽ dùng gồm:

 Hàm chuyển đổi log-sigmoid (logsig) e λn

 Hàm chuyển đổi tan-sigmoid (tansig) e 1 1

Trong đó: > 0 là hệ số độ dốc (hệ số dạng) của hàm chuyển đổi sigmoid

 Hàm chuyển đổi linear (purelin)

 Hàm chuyển đổi radial basis (radbas) n 2 e ) radbas(n f(net)   (3.7)

3.2 Phân loại mô hình cấu trúc mạng nơron

Mạng nơ-ron nhân tạo (ANN) bao gồm sự kết nối giữa nhiều nơ-ron, với ngõ ra của mỗi nơ-ron liên kết tới các nơ-ron khác thông qua trọng số hoặc tự phản hồi về ngõ vào của chính nó Dựa vào các đặc điểm của ANN, nó được phân loại thành nhiều loại khác nhau.

- Theo số lớp: ANN được phân thành mạng một lớp và mạng nhiều lớp

- Theo cấu trúc: ANN được phân thành mạng truyền thẳng và mạng hồi quy

Trong luận văn này, chúng tôi sẽ áp dụng Mạng Nơron Cơ Sở Phân Rã (RBFN), với biến thể là Mạng Nơron Hồi Quy Tổng Quát (GRNN) để xây dựng mô hình nhận dạng chẩn đoán nhanh và ổn định cho hệ thống điện Để đánh giá hiệu quả của GRNN, chúng tôi sẽ so sánh nó với Mạng Nơron Đa Lớp (MLPNN) Cả hai loại mạng GRNN và MLPNN đều thuộc loại mạng truyền thẳng và có cấu trúc nhiều lớp.

3.3 Lý thuyết các mạng nơron

Mạng Perceptron nhiều lớp (MLPNN) bao gồm lớp ngõ vào, một hoặc nhiều lớp ẩn, và lớp ngõ ra, với cấu trúc tương tự như Hình 3.8 Số lượng nơron trong lớp ngõ vào tương ứng với số lượng biến đặc trưng trong mỗi mẫu huấn luyện.

Hình 3.8: Cấu trúc một lớp của mạng Perceptron

Số lớ p ẩn có thể thay đổi trong quá trình huấn luyê ̣n tùy thuô ̣c dữ liê ̣u bài toán

Lý thuyết các mạng nơron lai

Mạng Perceptron nhiều lớp (MLPNN) có cấu trúc bao gồm lớp ngõ vào, một hoặc nhiều lớp ẩn và lớp ngõ ra Số lượng nơron trong lớp ngõ vào tương ứng với số lượng biến đặc trưng trong mỗi mẫu huấn luyện.

Hình 3.8: Cấu trúc một lớp của mạng Perceptron

Số lớ p ẩn có thể thay đổi trong quá trình huấn luyê ̣n tùy thuô ̣c dữ liê ̣u bài toán

Các nút đầu ra có giá trị thay đổi phụ thuộc vào lớp đầu ra mục tiêu Quy trình huấn luyện phổ biến nhất là học có giám sát với thuật toán lan truyền ngược, thực hiện phương pháp giảm Gradient để cực tiểu hóa sai số trung bình bình phương giữa đầu ra và đầu ra mong muốn Trong số nhiều thuật toán huấn luyện, thuật toán Levenberg-Marquardt nổi bật với hiệu suất cao và tốc độ hội tụ nhanh Thông số mạng ban đầu được khởi tạo ngẫu nhiên, và quá trình huấn luyện sẽ dừng lại khi đạt giá trị tối đa cho số vòng lặp, sai số đạt mức cho phép hoặc khi sai số không còn giảm.

MLPNN được hỗ trợ bởi phần mềm Matlab, giúp việc huấn luyện và thiết kế mô hình nhận dạng trở nên thuận tiện Tuy nhiên, việc chọn số nơron trong lớp ẩn là một thách thức quan trọng, vì nó ảnh hưởng lớn đến độ chính xác của mô hình Do đó, tác giả đề xuất phương pháp thực nghiệm thử sai bằng cách huấn luyện nhiều lần với các số nơron ẩn khác nhau để tìm ra kết quả tốt nhất.

3.3.2 Mạng hàm truyền xuyên tâm

Mạng hàm truyền xuyên tâm (RBFN) là một công cụ hiệu quả trong việc giải quyết bài toán phân loại So với mạng nơron đa lớp (MLPNN), RBFN yêu cầu nhiều nơron hơn nhưng thời gian huấn luyện lại ngắn hơn RBFN bao gồm hai biến thể chính là mạng hồi quy tổng quát (GRNN) và mạng nơron xác suất (PNN), mỗi biến thể đều có những ứng dụng riêng trong lĩnh vực học máy.

RBFN bao gồm ba lớp: lớp ngõ vào, lớp ẩn hàm xuyên tâm và lớp ngõ ra tuyến tính Số lượng nơron trong lớp ẩn tương ứng với số mẫu huấn luyện Cấu trúc của RBFN được minh họa trong Hình 3.9.

The radial basis function operates by using the weighted Euclidean distance function, known as dist, to calculate the distance between the input vector and its corresponding weight vector This process generates a weighted input for each neuron in the network.

Hình 3.9: Mạng hàm truyền xuyên tâm

Mỗi ngõ vào của nơron được tính toán thông qua hàm tạo ngõ vào mạng (Product Net Input Function) netprod, kết hợp các ngõ vào có trọng số và ngưỡng bằng cách nhân từng phần tử Đầu ra của nơron là ngõ vào mạng của nó sau khi được xử lý qua hàm truyền xuyên tâm radbas.

RBFN có thể được thiết kế với hoặc newrbe hoặc newrb GRNN và PNN có thể được thiết kế với newgrnn và newpnn, theo thứ tự

The newrbe network consists of an input layer, a radial basis function hidden layer, and a linear output layer The hidden layer utilizes radbas neurons to compute weighted inputs using the distance function (dist) and the net product function (netprod) Meanwhile, the linear output layer employs purelin neurons to calculate weighted inputs through the dot product weight function (dotprod) and the sum net input function (netsum) Both the radial basis function hidden layer and the linear output layer incorporate a bias term (b).

Trong code matlab, hàm mạng newrbe được gọi theo cú pháp sau: net = newrbe(x,t,spread)

Trong đó: x là vectơ dữ liệu ngõ vào, t là ngõ ra mục tiêu, spread là độ rộng của hàm xuyên tâm

Ngõ vào Lớp ẩn hàm xuyên tâm Lớp ngõ ra tuyến tính

Hàm mạng newrb tạo ra một mạng bao gồm ba lớp: lớp ngõ vào, lớp ẩn hàm xuyên tâm với các nơron radbas, và lớp ngõ ra tuyến tính với các nơron purelin Lớp ẩn hàm xuyên tâm tính toán các ngõ vào có trọng số bằng cách sử dụng dist và netprod, trong khi lớp ngõ ra tuyến tính tính toán ngõ vào có trọng số thông qua dotprod và netsum Cả hai lớp đều có ngưỡng b Trong MATLAB, hàm mạng newrb được gọi với cú pháp: net = newrb(x,t,goal,spread,MN,DF).

Trong bài viết này, x đại diện cho vectơ dữ liệu đầu vào, t là ngõ ra mục tiêu, và goal là mục tiêu sai số trung bình bình phương Độ rộng của hàm xuyên tâm được ký hiệu là spread, trong khi MN là số nơron lớn nhất và DF là số nơron bổ sung giữa hai thời điểm hiển thị, với giá trị mặc định là 25.

3.3.2.1 Mạng hồi quy tổng quát

GRNN (Mạng Nơron Hồi Quy Tổng Quát) là một biến thể của RBFN, nổi bật trong việc ứng dụng cho bài toán nhận dạng So với MLPNN, GRNN yêu cầu số lượng nơron nhiều hơn nhưng thời gian huấn luyện lại ngắn hơn.

Mô hình GRNN bao gồm ba lớp: lớp ngõ vào, lớp ẩn hàm xuyên tâm và lớp ngõ ra tuyến tính GRNN tương tự như RBFN nhưng có sự khác biệt nhỏ ở lớp hàm tổng (summation layer).

Hình 3.10: Mạng hồi quy tổng quát

Ngõ vào Lớp ẩn hàm xuyên tâm Lớp ngõ ra tuyến tính

Lớp đầu vào kết nối với lớp ẩn, trong đó mỗi nơron đại diện cho một mẫu huấn luyện, và đầu ra của nó thể hiện khoảng cách giữa biến đầu vào và tâm Mỗi nơron của lớp ẩn kết nối với hai nơron đặc biệt: nơron S (S-summation) và nơron D (D-summation) Nơron S tính toán tổng trọng số đầu ra của lớp ẩn, trong khi nơron D tính đầu ra phi trọng số của lớp ẩn.

Trọng số kết nối của nơron lớp ẩn và nơron S tương ứng với giá trị mục tiêu của mẫu đầu vào Đối với nơron D, trọng số kết nối là đơn vị Giá trị tính toán của lớp đầu ra tương ứng với vectơ mẫu đầu vào là tỷ số giữa mỗi đầu ra S và mỗi đầu ra D Vận hành của nơron D liên quan đến thông số spread, với giá trị tối ưu được xác định qua thực nghiệm thử sai GRNN được thiết kế với hàm mạng newgrnn.

The newgrnn function creates a network consisting of an input layer, a radial basis hidden layer, and a linear output layer The radial basis hidden layer features radbas neurons that compute weighted inputs using distance (dist) and network inputs through netprod The linear output layer contains purelin neurons that calculate their weighted inputs with the Normalized Dot Product Weight Function (normprod) and aggregate network inputs using netsum Notably, the newgrnn function includes only a radial basis hidden layer with a threshold (b).

Trong code matlab, hàm mạng newgrnn được gọi theo cú pháp sau: net = newgrnn(x,t,spread)

Trong đó: x là vectơ dữ liệu ngõ vào, t là ngõ ra mục tiêu, spread là độ rộng của hàm xuyên tâm

Nhận dạng và phương pháp tiếp cận

Nhận dạng là quá trình phân loại các đối tượng dựa trên một mô hình nhất định và gán chúng vào các lớp theo quy luật và mẫu chuẩn Quá trình này có thể chia thành hai loại: nhận dạng có thầy, sử dụng những mẫu đã biết trước, và nhận dạng không có thầy, dựa vào các mẫu chưa biết.

Trong bài viết này, chúng tôi trình bày phương pháp nhận dạng dựa trên kỹ thuật ANN Nhờ vào cơ chế đặc biệt, các đối tượng được thu nhận có thể chuyển ngay vào giai đoạn tổng hợp mà không cần qua giai đoạn cải thiện, từ đó so sánh trực tiếp với các mẫu đã lưu trữ để thực hiện việc nhận dạng.

Mô hình nhận dạng được phát triển dựa trên lý thuyết thống kê, áp dụng các phương pháp toán thống kê để nghiên cứu các vấn đề nhận dạng ngẫu nhiên với lượng thông tin lớn.

3.6 Thuật toán huấn luyện Lenvenberg-Marquardt (trainlm)

Giải thuật Levenberg-Marquardt, tương tự như phương pháp Quasi-Newton, được thiết kế để đạt tốc độ bậc 2 mà không cần tính toán ma trận Hessian Khi hàm hiệu suất có dạng tổng bình phương, ma trận Hessian được xác định bằng công thức H=J^T J và gradient được tính là g = J^T e, trong đó J là ma trận Jacobian, đại diện cho đạo hàm bậc nhất của sai số mạng tại điểm trọng số và ngưỡng hiện tại, còn e là vector sai số mạng Việc tính toán ma trận Jacobian được thực hiện thông qua kỹ thuật backpropagation chuẩn, giúp giảm bớt độ phức tạp so với việc tính toán ma trận Hessian.

Giải thuật Levenberg-Marquardt sử dụng phép gần đúng này với ma trận Hessian trong phương pháp Newton:

Khi tham số  bằng 0, phương pháp Newton được áp dụng, trong khi với giá trị  lớn, phương pháp này chuyển thành gradient descent với kích thước nấc nhỏ Phương pháp Newton nổi bật với tốc độ nhanh và độ chính xác cao, đặc biệt hiệu quả trong việc huấn luyện mạng feedforward có kích thước nhỏ, với số lượng trọng số lên đến vài trăm.

Thuật toán Levenberg-Marquardt gặp trở ngại lớn do yêu cầu lưu trữ nhiều ma trận kích thước lớn, trong đó ma trận Jacobian có kích thước Q x n, với Q là số mẫu huấn luyện và n là số trọng số cùng ngưỡng của mạng Để giảm thiểu bộ nhớ, giải thuật đề xuất không cần tính toán và lưu trữ toàn bộ ma trận Cụ thể, nếu chia ma trận Jacobian thành hai ma trận con, ta có thể tính toán ma trận Hessian tương ứng một cách hiệu quả hơn.

Do đó, ma trận đầy đủ không phải tính một lần net.trainFcn = 'trainlm' [net,tr] = train(net, )

Trainlm là hàm huấn luyện mạng sử dụng thuật toán tối ưu Levenberg-Marquardt để cập nhật trọng số và ngưỡng Đây là thuật toán lan truyền ngược nhanh nhất, được ưa chuộng trong việc huấn luyện mạng Để thiết lập mạng với tính năng trainlm, sử dụng lệnh net.trainFcn = 'trainlm' Để tiến hành huấn luyện mạng, áp dụng lệnh [net,tr] = train(net, ).

Các điều kiện dừng khi huấn luyện:

- Số chu trình đạt giá trị tối đa cài đặt

- Thời gian đạt giá trị tối đa

- Cực tiểu sai số huấn luyện

- Độ giảm dốc sai số nhỏ hơn độ giảm dốc cực tiểu

- Hệ số moment vượt giá trị tối đa

- Sai số huấn luyện kiểm tra lại vượt số lần lõi tối đa

Việc xây dựng mô hình mạng ANN để đánh giá ổn định động của hệ thống điện là rất quan trọng, vì nó giúp rút ngắn thời gian tính toán và nâng cao độ chính xác trong xử lý Điều này góp phần tăng cường khả năng đáp ứng cho việc vận hành hệ thống điện Mô hình nhận dạng sử dụng ANN bao gồm các bước cụ thể như được trình bày trong Hình 3.15.

Hình 3.15: Mô hình nhận dạng ANN

Chọn biến đặc trưng Chuẩn hóa dữ liệu

Huấn luyện ANN Đánh giá độ chính xác nhận dạng

Mô hình nhận dạng được tóm lược như sau:

Bước 1 Tạo cơ sở dữ liệu ổn định động

Bước 2 Chọn biến đặc trưng

Bước 3 Phân cụm dữ liệu

Bước 5 Đánh giá độ chính xác nhận dạng

Dữ liệu được thu thập thông qua mô phỏng offline trên phần mềm PowerWorld, trong đó cơ sở dữ liệu ổn định động được kiểm tra và loại bỏ các mẫu trùng lặp nhằm tăng độ chính xác của mô hình nhận dạng Quá trình chuẩn hóa dữ liệu và xử lý được thực hiện để trích xuất tập dữ liệu đại diện cho hệ thống điện, bao gồm việc lựa chọn biến đặc trưng và phân cụm dữ liệu Cuối cùng, mạng nơ-ron nhân tạo (ANN) được sử dụng để đánh giá độ chính xác của quá trình nhận dạng.

Chương này cung cấp cái nhìn tổng quát về mạng nơ-ron nhân tạo (ANN) và ứng dụng của nó trong việc nhận dạng ổn định động của hệ thống điện Mô hình GRNN đã được lựa chọn để phát triển mô hình ANN này Ở Chương 4, các bước chi tiết trong quá trình xây dựng mô hình ANN nhận dạng ổn định động hệ thống điện sẽ được trình bày.

Mô hình nhận dạng

Việc xây dựng mô hình mạng ANN để đánh giá ổn định động hệ thống điện rất quan trọng, vì nó giúp rút ngắn thời gian tính toán và nâng cao độ chính xác trong xử lý Điều này góp phần tăng cường khả năng đáp ứng cho việc vận hành hệ thống điện Mô hình nhận dạng sử dụng ANN thường bao gồm các bước cụ thể, được minh họa trong Hình 3.15.

Hình 3.15: Mô hình nhận dạng ANN

Chọn biến đặc trưng Chuẩn hóa dữ liệu

Huấn luyện ANN Đánh giá độ chính xác nhận dạng

Mô hình nhận dạng được tóm lược như sau:

Bước 1 Tạo cơ sở dữ liệu ổn định động

Bước 2 Chọn biến đặc trưng

Bước 3 Phân cụm dữ liệu

Bước 5 Đánh giá độ chính xác nhận dạng

Trong nghiên cứu này, dữ liệu được thu thập thông qua mô phỏng offline trên phần mềm PowerWorld Cơ sở dữ liệu ổn định động được kiểm tra và loại bỏ các mẫu trùng lặp để nâng cao độ chính xác của mô hình nhận dạng, đồng thời thực hiện chuẩn hóa dữ liệu Quá trình xử lý dữ liệu bao gồm việc trích xuất một tập dữ liệu gọn gàng nhưng vẫn đại diện cho hệ thống điện, với việc lựa chọn biến đặc trưng và phân cụm dữ liệu Cuối cùng, mạng nơ-ron nhân tạo (ANN) được sử dụng để đánh giá độ chính xác của quá trình nhận dạng.

Kết luận chương 3

Chương này cung cấp cái nhìn tổng quan về mạng nơ-ron nhân tạo (ANN) và mô hình ANN dùng để nhận dạng ổn định động của hệ thống điện Mô hình GRNN đã được lựa chọn để phát triển ANN cho nhiệm vụ này Ở Chương 4, chúng tôi sẽ trình bày chi tiết các bước thực hiện xây dựng mô hình ANN nhằm nhận dạng ổn định động của hệ thống điện.

XÂY DỤNG MẠNG NƠRON ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN

MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10 – MÁY 39 – BUS NEW ENLAND

Tiêu đề	Mạng Nơron Lai Đánh Giá Ổn Định Động Hệ Thống Điện
Tác giả	Đoàn Văn Phúc
Người hướng dẫn	PGS.TS Quyền Huy Ánh
Trường học	Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
Chuyên ngành	Kỹ Thuật Điện
Thể loại	luận văn thạc sĩ
Năm xuất bản	2017
Thành phố	Tp. Hồ Chí Minh

Định dạng
Số trang	121
Dung lượng	14,93 MB