Tổng quan
Tổng quan đề tài
Hệ thống điện (HTĐ) là cơ sở hạ tầng quan trọng cho sự phát triển kinh tế của mỗi quốc gia, và việc đánh giá ổn định của nó là nhiệm vụ then chốt trong thiết kế và vận hành HTĐ hiện đại đang phải đối mặt với thách thức từ phụ tải ngày càng tăng, dẫn đến quy mô và độ phức tạp của hệ thống gia tăng Các kích động bất thường như cắt điện máy phát và ngắn mạch có thể gây gián đoạn quy trình công nghiệp, tổn thất kinh tế và nguy cơ tan rã hệ thống Ổn định động và ổn định góc rotor là hai khái niệm quan trọng để duy trì sự đồng bộ của hệ thống điện sau các kích động lớn Việc xây dựng hệ thống đánh giá nhanh ổn định thông qua phân tích và cảnh báo sớm là yếu tố thiết yếu để đảm bảo vận hành ổn định Các phương pháp đánh giá ổn định như mô phỏng theo miền thời gian cho kết quả chính xác nhưng tốn thời gian và không cung cấp thông tin về biên ổn định, trong khi phương pháp số cũng gặp khó khăn trong giải phương trình vi phân bậc 2 và mất nhiều thời gian.
Phương pháp hàm năng lượng được sử dụng để xác định ổn định hệ thống điện, giúp tránh việc giải từng bước như trong mô phỏng theo miền thời gian Tuy nhiên, ứng dụng thực tế của phương pháp này vẫn đang trong quá trình nghiên cứu, đặc biệt đối với các hệ thống điện lớn với nhiều máy phát, cần phải đơn giản hóa mô hình và thực hiện nhiều tính toán để xác định chỉ số ổn định Bên cạnh đó, phương pháp sử dụng hàm Lyapunov cũng cho phép xác định thời gian cắt ổn định động, nhưng yêu cầu tính toán phức tạp và tốn nhiều thời gian.
Các phương pháp phân tích truyền thống thường mất nhiều thời gian, dẫn đến sự chậm trễ trong quá trình ra quyết định Do yêu cầu về tốc độ và độ chính xác ngày càng cao, cần thiết phải áp dụng các phương pháp phân tích hiệu quả hơn.
Phương pháp nhận dạng mẫu (Pattern Recognition) được áp dụng để đánh giá ổn định động của hệ thống điện bằng cách học mối quan hệ giữa đầu vào và đầu ra, mà không cần sử dụng giải tích Các bộ phân loại thường được huấn luyện offline và kiểm tra online Một nghiên cứu đã đề xuất các giai đoạn phát triển mô hình nhận dạng thông minh nhằm đánh giá ổn định hệ thống điện Trong nghiên cứu khác, tín hiệu đầu vào được chọn là các biến đặc trưng của chế độ xác lập tiền sự cố để chẩn đoán ổn định quá độ thông qua chỉ số thời gian cắt tới hạn (CCT) Tuy nhiên, việc tìm kiếm mối liên hệ giữa các biến đặc trưng này và độ ổn định của hệ thống vẫn là một thách thức lớn.
Biến đặc trưng trong hệ thống điện được chia thành hai loại: biến đặc trưng trước sự cố và biến đặc trưng sự cố Biến đặc trưng trước sự cố thường là thông số xác lập, cho phép đánh giá an ninh hệ thống điện trước khi xảy ra sự cố Nếu trạng thái vận hành hiện tại không ổn định, các nhà vận hành có thể thực hiện các biện pháp phòng ngừa để chuyển điểm vận hành vào vùng an toàn, giúp ngăn chặn nguy cơ mất ổn định Tuy nhiên, việc này có thể tốn kém do phải thay đổi trạng thái vận hành, như tái kế hoạch phát điện Ngược lại, biến sự cố chỉ cho phép đánh giá ổn định động sau khi có kích động thực sự Nếu phát hiện sự ổn định bị mất, cần kích hoạt ngay các biện pháp phục hồi như ngắt máy phát hoặc sa thải phụ tải.
Mạng nơron nhân tạo (ANN) là một phương pháp đánh giá ổn định hệ thống điện, thu hút sự quan tâm của các nhà nghiên cứu nhờ khả năng học hỏi nhanh chóng các mối quan hệ phi tuyến ANN giúp xử lý dữ liệu hiệu quả và nâng cao độ chính xác Các nghiên cứu đã áp dụng ANN trong nhiều lĩnh vực, như trong [16] sử dụng phương pháp nhận dạng mẫu để đánh giá an ninh, trong [21] ứng dụng MLPNN để ước lượng biên ổn định quá độ hệ thống điện, và trong [22] sử dụng GRNN để đánh giá ổn định hệ thống điện qua chỉ số CCT (Critical Clearing Time).
Chẩn đoán ổn định động bao gồm hai giai đoạn: đầu tiên là dựa vào biến đặc trưng tiền sự cố như công suất máy phát, công suất đường dây và điện áp bus để thực hiện chẩn đoán dự phòng nhằm ngăn chặn sự cố sớm; thứ hai là dựa vào biến đặc trưng sau sự cố như chỉ số mức độ nghiêm trọng, góc δ và quỹ đạo điện áp để đánh giá trạng thái ổn định của hệ thống điện Đánh giá ổn định động được chia thành hai loại: chẩn đoán và đánh giá Chẩn đoán tập trung vào chỉ số CCT, thời gian cắt sự cố tối đa cho phép để duy trì ổn định hệ thống trong ba giai đoạn: trước, đang và sau sự cố Trong khi đó, đánh giá ổn định động không quan tâm đến CCT mà chú trọng vào quá trình quá độ khi xảy ra sự cố, với câu hỏi chính là liệu hệ thống điện có ổn định hay không sau dao động quá độ.
Nghiên cứu về nhận dạng và mạng nơron trong việc đánh giá ổn định động hệ thống điện đang đối mặt với nhiều thách thức, đặc biệt là khi quá trình học vẫn còn tồn tại lỗi Do đó, việc phát triển hệ thống nhận dạng thông minh có khả năng đánh giá ổn định hệ thống điện với độ chính xác cao và độ tin cậy được coi là cần thiết Nhiều công trình nghiên cứu đã được thực hiện trong lĩnh vực này, như luận văn Thạc sĩ của Phạm Thành Nhân về ứng dụng mạng nơron trong ổn định hệ thống điện tại Đại học Bách khoa Thành phố Hồ Chí Minh (2006), Bùi Lê Ngọc Minh về ổn định hệ thống điện bằng mạng nơron tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (2008), và Phan Viết Thịnh với nghiên cứu về mạng nơron nhận dạng ổn định động hệ thống điện tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (2015).
Năm 2016, tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, luận văn Thạc sĩ đã nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện bảo vệ Nghiên cứu này nhằm cải thiện hiệu quả và độ tin cậy của các hệ thống điện trong việc bảo vệ an toàn cho các thiết bị và mạng lưới điện.
Trong những năm gần đây, số lượng và chất lượng các công trình nghiên cứu về ứng dụng mạng nơron trong ổn định hệ thống điện tại Việt Nam đã tăng lên đáng kể, với nhiều cách tiếp cận khác nhau và nội dung đề cập khá toàn diện Tuy nhiên, chưa có nghiên cứu nào tập trung vào mạng nơron song song để đánh giá ổn định động hệ thống điện, do đó, đề tài này cần được khai thác sâu hơn để bổ sung và phát triển lý luận cũng như phương pháp luận cho vấn đề này.
Tính cấp thiết của đề tài
Hệ thống điện phức tạp và tính phi tuyến của nó gây khó khăn trong việc phân tích và ra quyết định, đặc biệt là với các phương pháp phân tích truyền thống tốn nhiều thời gian Các nghiên cứu hiện tại gặp khó khăn trong việc nhận dạng hệ thống điện với cơ sở dữ liệu lớn và độ chính xác chưa cao Mặc dù có phương pháp xử lý dữ liệu đầu vào, nhưng tính bao quát của bộ dữ liệu lại bị ảnh hưởng Do đó, mạng nơron song song (PNN) được đề xuất như một giải pháp hiệu quả, giúp xử lý nhanh chóng và chính xác mối quan hệ phi tuyến giữa các thông số vận hành và tình trạng ổn định của hệ thống điện Để PNN hoạt động hiệu quả, cần có kỹ thuật xử lý mẫu tốt mà không làm mất tính bao quát của bộ mẫu ban đầu Vì vậy, nghiên cứu tập trung vào việc phát triển kỹ thuật xử lý mẫu hiệu quả hơn nhằm xây dựng mô hình huấn luyện PNN, giúp nhận dạng và chẩn đoán nhanh trạng thái ổn định của hệ thống điện, từ đó cảnh báo sớm nguy cơ mất ổn định và hỗ trợ hệ thống điều khiển trong việc khôi phục ổn định.
Mục tiêu và nhiệm vụ của đề tài
Mô hình mạng nơron song song được xây dựng để đánh giá ổn định động hệ thống điện, mang lại độ chính xác và độ tin cậy cao hơn so với các mô hình mạng nơron đơn, với độ chính xác đạt 95.745%.
- Nghiên cứu các phần mềm PowerWorld, Neural Network Toolbox trong giai đoạn tạo mẫu và xây dựng mạng nơron
- Xây dựng mô hình mạng nơron song song
- Kiểm tra kết quả nghiên cứu trên cơ sở dữ liệu của hệ thống điện IEEE 10 máy, 39 bus.
Phạm vi nghiên cứu
- Nghiên cứu lý thuyết ổn định hệ thống điện, lý thuyết mạng nơron,
- Nghiên cứu phương pháp chọn biến, phương pháp xử lý mẫu
- Nghiên cứu xây dựng mô hình nhận dạng ổn định động hệ thống điện dựa trên cơ sở mạng nơron song song.
Phương pháp nghiên cứu
- Sử dụng phương pháp mô hình hóa mô phỏng để kiểm tra và đánh giá kết quả nghiên cứu
- Phương pháp thống kê, phân tích và tổng hợp,
Ý nghĩa khoa học và giá trị thực tiễn
Nghiên cứu công nghệ mới nhằm xây dựng mô hình nhận dạng bằng mạng nơron song song sẽ được áp dụng trong việc đánh giá ổn định động của hệ thống điện Mô hình này không chỉ cải thiện độ chính xác trong việc nhận diện mà còn hỗ trợ hiệu quả trong việc phân tích và dự đoán tình trạng ổn định của hệ thống điện.
- Kết quả nghiên cứu có thể được sử dụng làm tài liệu tham khảo, tạo hướng mới trong nghiên cứu bài toán nhận dạng ổn định hệ thống điện
Mô hình nhận dạng được phát triển nhằm hỗ trợ các điều độ viên trong việc ra quyết định trong các tình huống khẩn cấp, giúp nhanh chóng đưa hệ thống điện trở về trạng thái ổn định.
Đánh giá ổn định hệ thống điện
Khái niệm chung
Hệ thống điện (HTĐ) là tập hợp các phần tử tham gia vào quá trình sản xuất, truyền tải và tiêu thụ năng lượng [3, 8, 9]
Các phần tử của hệ thống điện được chia thành hai nhóm:
Các phần tử tự lực bao gồm máy phát, đường dây tải điện và các thiết bị sử dụng điện, có vai trò quan trọng trong việc sản xuất, biến đổi, truyền tải, phân phối và sử dụng điện năng.
Các phần tử điều chỉnh trong hệ thống điện có vai trò quan trọng trong việc điều chỉnh và biến đổi trạng thái, bao gồm việc điều chỉnh kích từ máy phát đồng bộ, tần số, bảo vệ rơle và máy cắt điện.
Mỗi phần tử trong hệ thống điện được xác định bởi các thông số đặc trưng, phản ánh tính chất vật lý và sơ đồ liên kết giữa chúng Những thông số này bao gồm tổng trở, tổng dẫn của đường dây, hệ số biến áp và hệ số khuếch đại của bộ phận tự động điều chỉnh kích thích Tất cả các thông số này collectively được gọi là thông số của hệ thống điện.
Trong hệ thống điện, nhiều thông số như X, Y, và độ từ hoá thường được coi là hằng số, dẫn đến việc mô hình hóa hệ thống dưới dạng tuyến tính Tuy nhiên, khi xem xét sự biến đổi của các thông số này, hệ thống sẽ trở thành phi tuyến, điều này thường chỉ cần thiết trong một số trường hợp cụ thể, chẳng hạn như khi tính đến độ bão hoà của máy phát và máy biến áp trong các bài toán ổn định.
Chế độ của hệ thống điện (HTĐ) là tập hợp các quá trình diễn ra và xác định trạng thái làm việc của HTĐ tại một thời điểm hoặc khoảng thời gian cụ thể Các quá trình này được đặc trưng bởi các thông số như U, I, P, Q, f, tại mọi điểm trong HTĐ Những thông số này, được gọi là thông số chế độ, chỉ tồn tại khi HTĐ hoạt động, và chúng hoàn toàn xác định trạng thái làm việc của hệ thống.
Các thông số chế độ quan hệ với nhau thông qua các thông số HTĐ, nhiều mối qua hệ này có dạng phi tuyến
Các chế độ của HTĐ được chia thành hai loại:
Chế độ xác lập (CĐXL) là trạng thái trong đó các thông số của hệ thống duy trì ổn định hoặc chỉ thay đổi nhẹ trong khoảng thời gian ngắn, gần như coi các thông số này là hằng số xung quanh giá trị định mức.
Trong thực tế, không có chế độ nào có các thông số bất biến theo thời gian, vì hệ thống động (HTĐ) bao gồm nhiều phần tử luôn biến đổi, dẫn đến sự thay đổi liên tục của các thông số chế độ Cơ động học (CĐXL) được phân chia thành nhiều loại khác nhau.
- CĐXL lập bình thường là chế độ vận hành bình thường của HTĐ
- CĐXL sau sự cố xảy ra sau khi đã loại trừ sự cố
-CĐXL sự cố là chế độ sự cố duy trì sau thời gian quá độ ví dụ như chế độ ngắn mạch duy trì
Chế độ quá độ (CĐQĐ) là giai đoạn trung gian chuyển tiếp giữa hai chế độ xác lập khác nhau Thông thường, CĐQĐ xảy ra sau các sự cố hoặc khi thực hiện thao tác đóng cắt các phần tử mang công suất, được gọi là các kích động lớn.
Chế độ quá độ gồm có:
CĐQĐ bình thường là quá trình chuyển đổi từ CĐXL bình thường này sang CĐXL bình thường khác, trong đó các thông số hệ thống có sự biến động nhưng sau một thời gian sẽ trở lại gần với giá trị định mức và tiếp tục duy trì ổn định.
-CĐQĐ sự cố:có thông số hệ thống biến thiên mạnh, sau đó tăng trưởng vô hạn hoặc giảm đến 0
Yêu cầu đối với các chế độ của HTĐ
CĐXL bình thường, các yêu cầu là:
Để đảm bảo chất lượng điện năng, điện năng cung cấp cho các phụ tải cần phải đạt tiêu chuẩn chất lượng, trong đó các thông số như điện áp và tần số phải nằm trong giới hạn quy định bởi các tiêu chuẩn hiện hành.
Để đảm bảo độ tin cậy trong cung cấp điện, các phụ tải cần được cấp điện liên tục với chất lượng cao Mức độ liên tục này phải đáp ứng đầy đủ yêu cầu sử dụng điện cũng như điều kiện của hệ thống điện.
Chế độ này đảm bảo hiệu quả kinh tế cao bằng cách duy trì độ tin cậy và chất lượng điện năng, đồng thời tối ưu hóa chi phí sản xuất, truyền tải và phân phối điện năng ở mức thấp nhất.
- Đảm bảo an toàn điện: phải đảm bảo an toàn cho người vận hành, người dùng điện và thiết bị phân phối điện
CĐXL sau sự cố, yêu cầu là:
Các yêu cầu của chế độ làm việc bình thường có thể được giảm nhẹ, nhưng chỉ trong một khoảng thời gian ngắn Sau thời gian này, cần phải thực hiện các biện pháp như điều chỉnh thông số chế độ hoặc thay đổi sơ đồ hệ thống để đưa chế độ trở lại trạng thái làm việc bình thường.
Chế độ quá độ (CĐQĐ), yêu cầu là:
- Chấm dứt một cách nhanh chóng bằng CĐXL bình thường hay CĐXL sau sự cố
Trong quá trình quá độ, các thông số như giá trị dòng điện ngắn mạch và điện áp tại các nút của phụ tải sẽ biến đổi trong giới hạn cho phép.
- Các yêu cầu của HTĐ được xét đến khi thiết kế và được bảo đảm bằng cách điều chỉnh thường xuyên trong quá trình vận hành HTĐ.
Ổn định hệ thống điện
2.2.1.Cân bằng công suất Điều kiện cần để CĐXL có thể tồn tại là sự cân bằng công suất tác dụng (CSTD) và công suất phản kháng (CSPK) Công suất do các nguồn sinh ra phải bằng công suất do các phụ tải tiêu thụ cộng với tổn thất công suất trong các phần tử của HTĐ
Giữa CSTD và CSPK có mối quan hệ:
Các điều kiện cân bằng công suất (2.1) và (2.2) không thể được xem xét độc lập mà cần chú ý đến mối quan hệ giữa chúng Tuy nhiên, trong thực tế, việc tính toán và vận hành hệ thống điện có thể xem sự biến đổi của CSTD và CSPK tuân theo các quy luật riêng biệt với ít ảnh hưởng lẫn nhau.
Sự biến đổi CSTD chủ yếu tác động đến tần số của hệ thống điện, trong khi ảnh hưởng đến điện áp là không đáng kể Do đó, tần số có thể được coi là một chỉ tiêu quan trọng để đánh giá sự cân bằng của CSTD.
Sự biến đổi của CSPK có tác động lớn đến điện áp của hệ thống điện Do đó, điện áp có thể được coi là một chỉ tiêu quan trọng để đánh giá sự cân bằng của CSPK.
Trong quá trình vận hành hệ thống điện (HTĐ), các điều kiện cân bằng công suất được đảm bảo một cách tự nhiên, với các thông số chế độ luôn giữ giá trị phù hợp Các điều kiện này, bao gồm (2.1), (2.2) và (2.3), là cơ sở quan trọng để thực hiện tính toán các chế độ của HTĐ.
Sự cân bằng tần số trong hệ thống CSTD mang tính chất toàn hệ thống, với giá trị tần số chung ở mọi điểm Điều này giúp việc duy trì tần số trở nên dễ dàng hơn, chỉ cần điều chỉnh công suất tại một nhà máy cụ thể.
Sự cân bằng CSPK có tính chất cục bộ, với sự thừa ở một khu vực và thiếu ở khu vực khác Việc điều chỉnh CSPK phức tạp không thể áp dụng đồng nhất cho toàn bộ hệ thống.
Trong hệ thống điện, máy phát điện (MF) đóng vai trò quyết định trong việc vận hành toàn bộ hệ thống Sự cân bằng công suất trên trục roto của các máy phát điện rất quan trọng để đảm bảo sự tồn tại của cơ cấu điều khiển Điều này thể hiện sự cân bằng giữa công suất cơ học của tuabin (P TB) và công suất điện do máy phát điện tạo ra (P MF).
Sự cân bằng CSTD mang tính chất toàn hệ thống, vì vậy bất kỳ sự mất cân bằng nào xảy ra đều ảnh hưởng ngay lập tức đến MF và gây ra mất cân bằng cơ điện Đối với CSPK, sự cân bằng tại các nút phụ tải lớn là rất quan trọng Bên cạnh đó, các phụ tải quay cũng yêu cầu sự cân bằng cơ điện để duy trì công suất điện của lưới.
P PT và công suất cơ P C của các máy công cụ: P PT = P C
2.2.2 Định nghĩa ổn định hệ thống điện Điều kiện cân bằng công suất không đủ cho một CĐXL tồn tại trong thực tế
Các chế độ trong hệ thống điện thường bị ảnh hưởng bởi các kích động từ bên ngoài Để tồn tại, một chế độ thỏa mãn điều kiện cân bằng công suất cần phải chịu đựng các kích động mà không làm phá hủy hoặc mất đồng bộ Các kích động này được chia thành hai loại: kích động nhỏ và kích động lớn, bao gồm ổn định tĩnh và ổn định động Các yếu tố quan trọng trong ổn định hệ thống điện bao gồm ổn định góc rotor, ổn định tần số và ổn định điện áp.
Nhiễu lớn Nhiễu nhỏ Ổn định tín hiệu nhỏ Ổn định quá độ
Ngắn hạn Dài hạn Ngắn hạn Dài hạn
Đánh giá ổn định động trong hệ thống điện, thường được coi là đánh giá ổn định quá độ, nhằm xác định khả năng của hệ thống trong việc chịu đựng các kích động ngẫu nhiên mà không làm mất đi sự ổn định Việc đánh giá này đóng vai trò quan trọng trong việc đảm bảo vận hành an toàn và đáng tin cậy của hệ thống điện.
Trong luận văn, đánh giá ổn định động của hệ thống điện được thực hiện dựa trên góc rotor, hay còn gọi là góc công suất Đánh giá thuộc tính động của hệ thống điện trong quá trình ngắn mạch được thực hiện thông qua việc quan sát mối quan hệ giữa các góc công suất của các máy phát điện Hệ thống điện được coi là ổn định nếu bất kỳ góc công suất tương đối của máy phát thứ i vẫn duy trì trong giới hạn cho phép.
i so với máy phát thứ j j không vượt quá 180 0 Ngược lại, nếu góc công suất tương đối vượt quá 180 0 thì hệ thống mất ổn định
Tiêu chuẩn để đánh giá ổn định là:
Nghiên cứu ổn định tĩnh tập trung vào sự biến thiên nhỏ và chậm của các điểm vận hành, thường được thực hiện qua các chương trình tính toán phân bố công suất Mục tiêu là đảm bảo góc pha điện áp trên đường dây không vượt quá mức cho phép, đồng thời duy trì điện áp tại các nút gần với giá trị định mức Điều này giúp ngăn ngừa tình trạng quá tải cho máy phát, máy biến áp, đường dây truyền tải và các thiết bị liên quan.
Máy phát Máy biến áp XD U
Hình 2.2: Sơ đồ một hệ thống điện đơn giản
Đặc tính công suất của máy phát và tua-bin là yếu tố quan trọng trong việc hiểu rõ về tính chất ổn định tĩnh trong hệ thống điện Để làm rõ khái niệm này, cần xem xét trạng thái cân bằng công suất của máy phát trong một hệ thống điện đơn giản, như được minh họa trong hình 2.2 Sự tương tác giữa đặc tính công suất điện từ của máy phát và đặc tính công suất cơ của tua-bin, như thể hiện trong hình 2.3, giúp chúng ta hiểu rõ hơn về khả năng duy trì sự ổn định trong quá trình vận hành.
Trong đó: công cơ của Tua-bin được coi là không đổi và công suất điện từ của máy phát có thể được suất biểu diễn dưới dạng:
X H : điện kháng tổng tương đương của hệ thống
X F : là điện kháng tương đương của máy phát
X B : là điện kháng tương đương của máy biến áp
X D : là điện kháng tương đương của một đường dây đơn
Hình 2.3 tồn tại 2 điểm cân bằng a và b tương ứng với các góc lệch 01 và 02
P m : là công suất cơ của máy phát
P e : là công suất điện từ của máy phát
Điểm cân bằng a là ổn định và tạo nên chế độ xác lập Khi có một kích động ngẫu nhiên làm lệch góc δ khỏi giá trị δ₀ một lượng Δ > δ₀, kích động này sẽ tự triệt tiêu Tại vị trí mới, công suất điện từ P(δ) lớn hơn công suất cơ Pm, dẫn đến máy phát quay chậm lại và góc lệch δ giảm về giá trị δ₀ Ngược lại, nếu Δ < δ₀, hiện tượng diễn ra theo chiều ngược lại, khi Pm < P(δ), máy phát quay nhanh lên, góc lệch δ tăng và cũng trở về δ₀ Do đó, điểm a được coi là điểm có tính chất cân bằng, hay điểm có tính chất ổn định tĩnh.
Các biện pháp nâng cao tính ổn định
Đảm bảo sự ổn định của hệ thống điện trong mọi điều kiện là vô cùng quan trọng để cung cấp điện năng liên tục cho các hộ tiêu thụ.
Trong nhiều trường hợp, hệ thống điện (HTĐ) với các thiết bị cơ bản không đảm bảo được sự ổn định và độ dự trữ cần thiết Do đó, cần áp dụng các biện pháp tăng cường ổn định cho hệ thống điện.
Các biện pháp nâng cao ổn định có thể chia làm hai loại:
- Cải thiện các phần tử chính của HTĐ
- Thêm vào hệ thống các phân tử phụ nhằm nâng cao khả năng ổn định của hệ thống
2.3.1 Cải thiện các phần tử chính của HTĐ
- Cải tạo tham số của MPĐ:
Trong trường hợp không có hệ thống tự động điều chỉnh kích từ, việc giảm Xd sẽ làm tăng dự trữ ổn định tĩnh Đối với ổn định động, giảm Xd cũng mang lại tác dụng tích cực Hơn nữa, việc tăng hằng số quán tính Tj sẽ cải thiện ổn định động bằng cách kéo dài thời gian tcat hoặc cho phép công suất truyền tải cao hơn với tcat không đổi.
Hình 2.6: Tác dụng của điện kháng X d MF đến ổn định HTĐ
Hình 2.7: Tác dụng của hằng số quán tính T j đến ổn định HTĐ
- Hệ sốcoscủa MPĐ có ảnh hưởng nhiều đến đặc tính công suất của nó Ta hãy xét đồ thị véc tơ sau đây:
Hình 2.8 cho thấy mối quan hệ giữa P max và cosφ của máy phát điện (MPĐ) Phân tích cho thấy rằng cosφ cao có thể gây bất lợi về ổn định Tuy nhiên, nếu sản xuất máy phát với cosφ thấp, công suất biểu kiến sẽ tăng lên với cùng một giá trị công suất tác dụng P, dẫn đến chi phí cao hơn cho máy phát, vì S = P/cosφ Do đó, trong thực tế, người ta thường chọn giá trị cosφ phù hợp để cân bằng giữa hiệu suất và chi phí.
Thiết bị tự động điều chỉnh kích thích
Cần đạt các yêu cầu:
Yêu cầu đầu tiên là tác động nhanh, nghĩa là độ tăng của sức điện động E q theo thời gian cần phải lớn Tốc độ tăng này phụ thuộc vào tốc độ tăng của điện áp đặt trên cuộn kích thích U k.
Yêu cầu thứ hai là U kmax hoặc E qmax phải đạt giá trị cao, vì điện áp của cuộn kích thích và E q không thể tăng mãi mà chỉ có thể đạt đến mức tối đa cho phép của E qmax và U kmax.
TĐK cần có độ nhạy cao, không được có vùng chết, tức là phải phản ứng ngay cả khi có tín hiệu Nhờ vào độ nhạy vượt trội, MPĐ có khả năng hoạt động hiệu quả trong các vùng ổn định nhân tạo.
Máy cắt điện sử dụng máy cắt điện cắt nhanh sự cố là biện pháp cơ bản để đảm bảo ổn định động của HTĐ
Đường dây tải điện đóng vai trò quan trọng trong việc nâng cao ổn định của hệ thống điện (HTĐ) nhờ vào điện thế của nó khi đi xa Việc này giúp giảm điện kháng tương đối của đường dây tải điện so với các thành phần khác trong hệ thống.
2.3.2 Thêm vào hệ thống các phân tử phụ
Nối đất các điểm trung tính của máy biến thế qua điện kháng hoặc điện trở tác dụng
Ghìm điện là một biện pháp quan trọng trong hệ thống điện (HTĐ) nhằm nâng cao độ ổn định động khi xảy ra các trường hợp cắt điện rất nhỏ Trong những tình huống này, khả năng bảo vệ của rơle và máy cắt có thể không đủ để xử lý, hoặc nếu có thực hiện được, thì độ dự trữ ổn định động không đảm bảo Do đó, việc áp dụng ghìm điện trở nên cần thiết để cải thiện hiệu suất và độ tin cậy của hệ thống.
Kết luận chương 2
Chương 2 đã trình bày tổng quan về lý thuyết ổn định hệ thống điện, các biện pháp nâng cao tính ổn định Trong chương 3, giới thiệu tổng quan về nhận dạng và mạng nơron.
Lý thuyết nhận dạng và mạng nơron
Các khái niệm và tính chất của nhận dạng
Lý thuyết nhận dạng là một lĩnh vực khoa học quan trọng, đã đạt được nhiều thành tựu đáng kể cả về lý luận lẫn ứng dụng thực tiễn Điều này cho thấy khả năng của máy tính trong việc mô hình hóa các chức năng phức tạp của trí tuệ con người Nhận dạng dựa trên việc học từ các mẫu đã có để phân loại các đối tượng mới.
Nhận dạng là quá trình phân loại các đối tượng theo một mô hình và gán chúng vào các lớp dựa trên quy luật và mẫu chuẩn Quá trình này được chia thành hai loại: nhận dạng có thầy, dựa trên các mẫu đã biết trước, và nhận dạng không có thầy, dựa trên các mẫu không biết trước.
Trong nghiên cứu này, chúng tôi áp dụng phương pháp nhận dạng dựa trên kỹ thuật ANN, một phương pháp mô phỏng hoạt động của hệ thần kinh con người Kỹ thuật này cho phép đoán nhận, lưu trữ và phân biệt các đối tượng mà không cần qua giai đoạn cải thiện Thay vào đó, các đối tượng được thu nhận sẽ ngay lập tức được tổng hợp và so sánh với các mẫu đã lưu trữ để thực hiện quá trình nhận dạng hiệu quả.
Mô hình nhận dạng được phát triển dựa trên lý thuyết thống kê về nhận dạng, áp dụng các phương pháp toán thống kê để nghiên cứu các vấn đề ngẫu nhiên với lượng thông tin lớn Hiện nay, cơ sở toán học của lý thuyết nhận dạng đã được xây dựng và phát triển theo nhiều hướng chính khác nhau.
- Lý thuyết thống kê về nhận dạng
- Lý thuyết cấu trúc về nhận dạng
- Lý thuyết đại số về nhận dang
Mỗi lý thuyết nói trên đều có mục đích, đối tượng nghiên cứu, và phương
Lý thuyết thống kê về nhận dạng là một lĩnh vực phát triển từ thống kê toán học, áp dụng các phương pháp cơ bản của toán thống kê để nghiên cứu các vấn đề nhận dạng có tính ngẫu nhiên và yêu cầu lượng thông tin đủ lớn.
Lý thuyết cấu trúc về nhận dạng nghiên cứu các đối tượng, trong đó các đối tượng này được hình thành từ tập hợp các đối tượng sơ cấp liên kết với nhau thông qua những liên kết chuẩn.
Lý thuyết đại số về nhận dạng: nhằm mục đích xây dựng cấu trúc đại số cho các đối tượng và thuật toán nhận dạng
Trước nhu cầu cấp bách giải quyết các vấn đề trong sản xuất và nghiên cứu khoa học kỹ thuật hiện đại, đặc biệt là sự phát triển mạnh mẽ của công nghệ thông tin, nhiều chuyên gia từ các lĩnh vực khác nhau đã đề xuất và áp dụng các mô hình và thuật toán nhận dạng dựa trên phương pháp thực nghiệm theo cách tiếp cận heuristic.
Song song với việc phát triển lý thuyết về nhận dạng, nhiều nghiên cứu mạnh mẽ đã được thực hiện trên nhiều lĩnh vực khác nhau tại nhiều quốc gia trên thế giới.
Các hướng nghiên cứu và ứng dụng lý thuyết nhận dạng hiện nay chủ yếu tập trung vào trí tuệ nhân tạo và sự trao đổi thông tin giữa con người và máy móc.
Kết quả là đã xây dựng được 4 bộ chương trình máy tính tương ứng với bốn phương hướng giải quyết vấn đề nhận dạng:
Xây dựng một bộ thuật toán nhận dạng và các thành phần riêng lẻ của mô hình, được mô tả qua số điểm trong không gian pha Mỗi thuật toán sẽ tương ứng với một hàm đánh giá chất lượng, từ đó giúp lựa chọn thuật toán tốt nhất cho các đối tượng thử nghiệm cụ thể.
Hệ làm việc tin cậy được xây dựng từ các phần tử không tin cậy, với cơ sở là các thành phần heuristic Mỗi heuristic này thường hoạt động không tin cậy và kết quả của chúng được cải thiện thông qua một quá trình chỉnh lý Quyết định nhận dạng chủ yếu dựa vào thuật toán siêu phẳng phân cách, giúp giải quyết các bài toán nhận dạng có giám sát và không giám sát.
Dùng các phương pháp cây logic, tiến hành các phép thử điều kiện trên các tập học
Xây dựng những phân hoạch tuyến tính của từng loại tư liệu học nhằm đảm bảo độ chính xác cao.
Nhận dạng mẫu trên cơ sở hình thức hóa tri thức
Các luật quyết định có thể được rút ra từ những khái niệm chung của lớp, biểu thị những luật cơ bản và tính chất riêng của các mẫu trong lớp Khái niệm là thông tin riêng về tập mẫu, được thể hiện qua bộ giá trị dấu hiệu, phản ánh các đặc tính đặc trưng cho lớp hoặc nhóm Qua các quan hệ logic giữa giá trị của các dấu hiệu, ta có thể xác định xem một đối tượng thuộc về lớp hay không Khái niệm và luật chỉ bao gồm các giá trị chính của dấu hiệu đặc trưng cho nhóm mẫu tổng thể, không bao gồm các giá trị riêng của từng phần tử Nhóm mẫu tương ứng với khái niệm được gọi là đối tượng của khái niệm, trong khi việc xác định sự bao gồm hay không bao gồm của mẫu trong một tập các khái niệm được gọi là các đối tượng dương hoặc âm của khái niệm Việc thành lập khái niệm cho một tập mẫu P có thể được thực hiện theo những phương pháp nhất định.
GọiO là tập mẫu với O∩P≠Φ và P không phải là tập con của O(PO).Đối với một đối tượng X thuộc O (X∈O), nếu X∈P thì Xlà đối tượng dương và nếu
Trong nghiên cứu về tập O, X được xác định là đối tượng âm, từ đó cần phân tích để xây dựng khái niệm phân chia giữa các đối tượng dương và âm Những khái niệm này sẽ giúp áp dụng các luật nhận dạng, cho phép nhận diện tất cả các mẫu dương hoặc âm trong nhóm O, tức là tập học Thông thường, các khái niệm này được phát triển từ việc giải quyết một bài toán cụ thể, liên quan chặt chẽ đến khái niệm tập P Mức độ tương đồng giữa các khái niệm phụ thuộc vào tính chất biểu thị của tập học, phản ánh khả năng tập học thể hiện đầy đủ các đặc điểm riêng của tập P.
Khái niệm được thể hiện dưới dạng biểu thức luận lý, trong đó các biến số đại diện cho giá trị của dấu hiệu và các toán tử như VÀ, HOẶC Dưới dạng này, khái niệm được diễn đạt như một vị từ của các đối tượng thông qua mối quan hệ luận lý giữa các giá trị của dấu hiệu đặc trưng cho nhóm Nhận dạng mẫu theo khái niệm này có thể thực hiện bằng cách tính giá trị của biểu thức luận lý, trong đó biến số tương ứng với mẫu được nhận dạng sẽ có giá trị 1, trong khi các biến còn lại nhận giá trị 0 Nếu vị từ biểu thị mẫu có giá trị 1, thì đối tượng đó được coi là dương; ngược lại, nếu vị từ có giá trị 0, mẫu sẽ là đối tượng âm.
Chất lượng của khái niệm được đánh giá dựa trên khả năng nhận dạng các đối tượng không có trong tập học, phản ánh độ chính xác nhận dạng của những đối tượng mới Mức độ tổng quát của khái niệm phụ thuộc vào hiệu quả của thủ thuật xây dựng khái niệm và sự lựa chọn tập biến đặc trưng ban đầu Khái niệm thường được biểu diễn dưới dạng VÀ, HOẶC từ các biến, hoặc là PHỤ của các biến này Biến đặc trưng là sự tổng quát hóa giá trị của các dấu hiệu X i, với i=1,2, ,n.
Sự lựa chọn VÀ trong việc hình thành khái niệm nhằm mục đích tối ưu hóa độ ngắn gọn của khái niệm, với việc sử dụng các biểu thức VÀ để truyền đạt thông tin một cách hiệu quả nhất Điều này giúp xác định rõ ràng các mẫu dương, trong khi loại trừ các mẫu âm Trong quá trình nhận dạng, một mẫu được xem là dương khi mô tả của nó chứa đầy đủ các đặc điểm của mẫu dương và hoàn toàn không có bất kỳ đặc điểm nào của mẫu âm.
Từ những điều trên thuật toán hình thành khái niệm có thể bao gồm các bước:
Trong quá trình phân tích các mẫu, chúng ta cần xác định các giá trị của dấu hiệu hoặc nhóm giá trị dấu hiệu có mặt trong mô tả của các mẫu dương, nhưng không xuất hiện trong mô tả của các mẫu âm Nếu đạt được điều này, chúng ta sẽ tìm ra một nhóm dấu hiệu mô tả cho mẫu dương và hoàn tất thuật toán tìm kiếm.
Khái niệm trong trường hợp này sẽ bao gồm thuật toán VÀ của tất cả những giá trị của dấu hiệu có trong nhóm
Nếu thuật toán không đạt được cho một nhóm giá trị dấu hiệu, quá trình giải thuật sẽ tiếp tục được thực hiện với tất cả các mẫu âm Trong tình huống này, khái niệm sẽ trở thành PHỤ của thuật toán VÀ của tất cả các giá trị dấu hiệu trong nhóm đã tìm được.
Nếu cả hai phương pháp trước đó không mang lại kết quả, cần xác định những giá trị của dấu hiệu thường gặp nhất trong mô tả các mẫu dương Tập học sẽ được chia thành hai lớp: lớp thứ nhất bao gồm các mẫu chứa giá trị của những dấu hiệu đã tìm được, và lớp thứ hai chứa tất cả các mẫu còn lại Nếu giữa hai lớp tồn tại một tập có cả mẫu dương và mẫu âm, cần áp dụng lại tất cả các giải thuật đã nêu.
Thuật toán sẽ dừng lại nếu như không tồn tại bất kỳ một tập phụ nào có chứa cả những mẫu âm và mẫu dương
Dựa trên các khái niệm đã được xây dựng, việc tổng hợp thiết bị nhận dạng trở nên dễ dàng với sự hỗ trợ của các phần tử không tiếp điểm, thực hiện các toán tử logic như VÀ, HOẶC, và KHÔNG.
Quy trình nhận dạng
Việc xây dựng mô hình mạng ANN để đánh giá ổn định động hệ thống điện rất quan trọng, giúp rút ngắn thời gian tính toán và nâng cao độ chính xác, từ đó cải thiện khả năng vận hành hệ thống điện Mô hình nhận dạng sử dụng ANN bao gồm các bước thu thập dữ liệu qua mô phỏng offline trên phần mềm PowerWorld, kiểm tra và loại bỏ những mẫu trùng lặp để tăng độ chính xác và giảm sai sót Quá trình xử lý dữ liệu nhằm trích xuất tập dữ liệu đại diện cho hệ thống điện, bao gồm lựa chọn biến đặc trưng và phân cụm dữ liệu Cuối cùng, ANN được áp dụng để đánh giá độ chính xác của quá trình nhận dạng.
Giới thiệu mạng nơron
Mạng nơron nhân tạo là hệ thống nơron mô phỏng cấu trúc nơron của con người thông qua thiết bị điện tử và các phần tử cơ nhạy Những hệ thống này được thiết kế để tái tạo các phương pháp xử lý thông minh của con người, bao gồm học tập, tự cải tiến và suy diễn.
Mạng nơron nhân tạo (ANN) bao gồm nhiều nơron kết nối với nhau, hoạt động tương tự như bộ não con người ANN có khả năng học hỏi, gọi lại thông tin và tổng hợp dữ liệu thông qua quá trình luyện tập với các mẫu và dữ liệu.
Mạng nơ-ron nhân tạo (ANN) đã có một lịch sử phát triển kéo dài từ năm 1943, khi McCulloch và Pitts đề xuất những liên kết cơ bản đầu tiên Đến năm 1949, Hebb giới thiệu các quy luật thích nghi trong ANN Năm 1958, Rosenblatt phát triển cấu trúc Perception, nhưng vào năm 1969, Minsky và Papert đã phân tích và chỉ ra những giới hạn của mô hình này Năm 1976, Grossberg dựa trên các đặc điểm sinh học để đề xuất những cấu trúc hệ động học phi tuyến với các tính chất mới, mở ra hướng đi mới cho nghiên cứu ANN.
Năm 1982, Hopfield đã giới thiệu mạng hồi quy một lớp Hopfield, đánh dấu bước tiến quan trọng trong lĩnh vực mạng nơ-ron Đến năm 1986, Rumelhart đã phát triển mô hình xử lý song song cùng với một số kết quả từ thuật toán này Cũng trong năm 1986, thuật toán lan truyền ngược (Backpropagation) được Rumelhart, Hinton và Williams đề xuất, mở ra hướng đi mới cho việc huấn luyện mạng nơ-ron đa lớp (MLFNN) Gần đây, nhiều nghiên cứu đã đề xuất các cấu trúc và luật học mới cho nhiều loại mạng truyền thẳng, góp phần nâng cao hiệu quả của các mô hình học máy.
Dữ liệu Chuẩn hóa dữ liệu
Chọn biến đặc trưng Huấn luyện Đánh giá độ chính xác nhận dạng
Kết quả hồi quy mới có nhiều ưu điểm ANN hiện đạng được ứng dụng trong nhiều lĩnh vực kinh tế, kỹ thuật [11, 13]
Mạng nơron nhân tạo (ANN) được phát triển dựa trên cấu trúc của bộ não con người, mang đến một phương pháp tiếp cận mới trong 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.
3.4.1 Mô hình nơron sinh học
Bộ não con người có khoảng 10 11 nơron sinh học ở nhiều dạng khác nhau [11]
Mô hình nơron sinh học bao gồm ba phần chính: thân, nhánh và sợi trục Thân nơron chứa nhân, trong khi nhánh kết nối với nhân thông qua các dây thần kinh Sợi trục có cấu trúc dài và đơn, với phần cuối phân nhánh Mỗi nhánh chứa khớp thần kinh, cho phép nơron giao tiếp với các nơron khác thông qua tín hiệu Thông tin được nơron thu nhận từ nhánh hoặc nhân, dưới dạng xung điện.
Hình 3.2: Mô hình nơron sinh học
Mạng nơron nhân tạo (ANN) được phát triển nhằm tái hiện các đặc điểm của mạng nơron sinh học, mô phỏng hoạt động của bộ não con người Những tính năng nổi bật của ANN bao gồm khả năng học hỏi từ dữ liệu, nhận diện mẫu và xử lý thông tin tương tự như cách mà con người thực hiện.
- 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
3.4.2 Mô hình nơron nhân tạo
Nơron nhân tạo nhận các ngõ vào từ dữ liệu gốc hoặc từ các nơron khác trong mạng, với mỗi kết nối có trọng số (weight) w thể hiện mức độ liên kết giữa chúng Trọng số dương biểu thị sự kích thích giữa các khớp thần kinh, trong khi trọng số âm cho thấy sự kiềm chế Mỗi nơron cũng có một giá trị ngưỡng (threshold), được điều chỉnh thông qua thành phần dịch chuyển (bias) b.
Tín hiệu được truyền qua hàm kích hoạt (hay còn gọi là hàm chuyển đổi) f tạo giá trị ngõ ra nơron
Hình 3.3: Mô hình nơron nhân tạo Đặt: x = [x 1 , x 2 , x 3 , …, x R ] là vectơ ngõ vào, trọng số kết nối W = [w 1,1 , w 1,2 , w 1,3 , …, 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 truyền thống chứa nhiều chi tiết, khiến việc biểu diễn mạng nơron lớn hoặc các lớp nơron trở nên không hiệu quả Để khắc phục điều này, một ký hiệu rút gọn cho nơron đã được giới thiệu trong tài liệu [14], được áp dụng trong các mạch nơron nhiều lớp, như thể hiện trong Hình 3.4.
Hình 3.4 :Mô hình nơronvới 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 là số lượng phần tử của vectơ x Ma trận trọng số được sử dụng để tính toán và xử lý thông tin từ vectơ này.
Mạng nơron có kích thước 1×R, trong đó đầu vào được đưa vào hàm chuyển đổi f là n, là tổng của b và tích số Wx Hàm chuyển đổi f sẽ tạo ra ngõ ra nơron y Nếu có nhiều nơron, ngõ ra của mạng sẽ trở thành một vectơ.
3.4.2.2 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)
Phân loại 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 đến các nơ-ron khác thông qua các trọng số hoặc tự phản hồi về ngõ vào của chính nó Dựa trên các đặc điểm này, ANN được phân loại thành nhiều loại khác nhau.
- Mạng một lớp (mạng đơn nơron): mạng chỉ gồm 1 nơron
- Mạng nhiều lớp(mạng đa nơron): mạng gồm nhiều nơron
- Mạng truyền thẳng (mạng nuôi tiến): các tín hiệu trong mạng chỉ truyền theo một chiều từ ngõ vào đến ngõ ra
- Mạng hồi quy (mạng nuôi lùi): các tín hiệu hồi tiếp từ ngõ ra trở về ngõ vào
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 3.5: Cấu trúc một lớp của mạng Perceptron
Số lớp ẩn trong quá trình huấn luyện có thể thay đổi tùy thuộc vào dữ liệu bài toán Các nút ngõ ra có giá trị thay đổi theo lớp ngõ 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 tối ưu sai số trung bình bình phương giữa ngõ ra và ngõ ra mong muốn Trong số nhiều giải thuật huấn luyện, thuật toán Levenberg-Marquardt cho hiệu suất cao hơn và tốc độ hội tụ nhanh hơn Thông số mạng ban đầu được khởi tạo ngẫu nhiên, và quá trình huấn luyện dừng lại khi đạt số vòng lặp tối đa, sai số ở mức cho phép hoặc không còn tăng nữa MLPNN có hỗ trợ code trong phần mềm Matlab, giúp thuận tiện trong huấn luyện và thiết kế mô hình nhận dạng Tuy nhiên, việc chọn số nơron trong lớp ẩn cho MLPNN rất quan trọng, vì nó ảnh hưởng lớn đến độ chính xác của mô hình.
3.5.2 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 Mặc dù RBFN cần nhiều nơron hơn so với mạng nơron đa lớp (MLPNN), 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.
RBFN gồm có lớp ngõ vào, lớp ẩn hàm xuyên tâm và lớp ngõ ra tuyến tính
Số lượng nơron trong lớp ẩn bằng với số mẫu huấn luyện Cấu trúc RBFN được cho như Hình 3.6
Ngõ vào Lớp ẩn hàm xuyên tâm Lớp ngõ ra tuyến tính
Hình 3.6: Mạng hàm truyền xuyên tâm
Hoạt động của lớp ẩn hàm ẩn hàm xuyên tâm diễn ra như sau: Hàm dist (hàm trọng số khoảng cách Euclidean) tính toán khoảng cách giữa vectơ đầu vào và vectơ trọng số, tạo ra ngõ vào có trọng số cho mỗi nơron Ngõ vào mạng của nơron được tính toán thông qua hàm netprod, kết hợp ngõ vào có trọng số với ngưỡng bằng cách nhân phần tử với phần tử Cuối cùng, ngõ ra của nơron được tạo ra bằng cách áp dụng hàm truyền xuyên tâm radbas lên ngõ vào mạng.
RBFN can be implemented using newrbe or newrb, while Generalized Regression Neural Networks and Probabilistic Neural Networks can be designed with newgrnn and newpnn, respectively.
The newrbe network creates a structure consisting of an input layer, a radial basis function (RBF) hidden layer, and a linear output layer The RBF hidden layer utilizes radbas neurons to compute weighted inputs using the distance function (dist) and the network inputs through netprod Meanwhile, the linear output layer employs purelin neurons to calculate its weighted inputs via the dot product weight function and the network inputs using the netsum function Both the RBF hidden layer and the linear output layer in the newrbe network incorporate a bias term (b).
Trong MATLAB, hàm mạng newrbe được sử dụng với cú pháp: net = newrbe(x, t, spread) Trong đó, x đại diện cho vectơ dữ liệu đầu vào, t là ngõ ra mục tiêu, và spread là độ rộng của hàm xuyên tâm.
Hàm mạng newrb 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 ngõ vào có trọng số bằng cách sử dụng dist và netprod, trong khi lớp ngõ ra tuyến tính sử dụng dotprod và netsum để tính toán ngõ vào có trọng số Cả hai lớp ẩn hàm xuyên tâm và ngõ ra tuyến tính đều có ngưỡng b.
Trong MATLAB, hàm mạng newrb được sử dụng với cú pháp: net = newrb(x,t,goal,spread,MN,DF) Trong đó, x đại diện cho vectơ dữ liệu đầu vào, t là ngõ ra mục tiêu, goal là mục tiêu sai số trung bình bình phương, spread là độ rộng của hàm xuyên tâm, MN là số nơron tối đa, và DF là số nơron bổ sung giữa hai thời điểm hiển thị (mặc định là 25).
3.5.2.1 Mạng hồi quy tổng quát
GRNN (Mạng Nơ-ron Hồi quy Tổng quát) là một biến thể của RBFN, nổi bật trong việc ứng dụng cho bài toán nhận dạng Mặc dù GRNN yêu cầu nhiều nơ-ron hơn so với MLPNN, nhưng thời gian huấn luyện lại ngắn hơn Cấu trúc cơ bản của GRNN bao gồm lớp đầu vào, lớp ẩn hàm xuyên tâm và lớp đầu ra tuyến tính GRNN tương tự như RBFN, nhưng có sự khác biệt nhẹ ở lớp hàm tổng.
Ngõ vào Lớp ẩn hàm xuyên tâm Lớp ngõ ra tuyến tính
Hình 3.7: Mạng hồi quy tổng quát
Lớp đầu vào kết nối với lớp ẩn, trong đó mỗi nơron đại diện cho một mẫu huấn luyện và đầu ra của nó là khoảng cách giữa biến đầu vào và tâm Mỗi nơron của lớp ẩn liên kết 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 phản ánh giá trị ngõ ra mục tiêu tương ứng với mẫu đầu vào, trong khi trọng số kết nối của nơron D là đơn vị Giá trị tính toán của lớp đầu ra tương ứng với vectơ mẫu đầu vào được xác định bằng tỉ số giữa mỗi đầu ra S và mỗi đầu ra D Việc vận hành nơron D liên quan đến thông số spread, với giá trị tối ưu được xác định thông qua thực nghiệm thử sai Mạng GRNN được thiết kế sử dụng hàm newgrnn.
GRNN là các kiểu đặc biệt của mô hình tuyến tính [14, 22], được biểu diễn toán học là:
Trong đó: y i là ngõ ra của mạng, W ij là vectơ chứa trọng số RBF, là hàm cơ sở xuyên tâm, z là argument, m là số nơron trong lớp ẩn
Mỗi nơron tính toán khoảng cách Euclidean giữa biến ngõ vào và tâm Khi đó argument z được tính theo chuẩn Euclidean như sau:
Trong đó: x là vectơ dữ liệu ngõ vào, cj là tâm của nơron (tâm của hàm xuyên tâm), j là tâm thông số spread (bán kính của hàm xuyên tâm)
GRNN sử dụng hàm chuyển đổi Gaussian cho các nơron lớp ẩn:
(3.10) Đối với nơron ẩn thứ j, thay (3.9) vào (3.10), hàm Gaussian trở thành:
Trong đó: j (x) là hàm ngõ ra của nơron ẩn thứ j
Trong GRNN, nơron của lớp ngõ ra sử dụng hàm chuyển đổi tuyến tính Đối với nơron thứ k, ngõ ra mạng được tính là:
Trong đó: w 0k là hệ số chệch (có thể là 0)
Thông thường số nơron lớp ẩn bằng với số mẫu huấn luyện Huấn luyện
GRNN được thiết kế để điều chỉnh các tâm hàm cơ sở Gaussian (c j), thông số spread (σ j) và trọng số (W jk) nhằm tối thiểu hóa tổng bình phương sai số (Sum Squared Error) giữa đầu ra của mạng và đầu ra mẫu đã cho Trong nghiên cứu này, GRNN được huấn luyện bằng cách điều chỉnh hệ số spread thông qua phương pháp thực nghiệm, thử nghiệm nhiều lần với các giá trị khác nhau của hệ số spread để tìm ra kết quả tối ưu nhất.
Trong Matlab, mạng nơron hồi quy tổng quát GRNN được xây dựng thông qua hàm newgrnn, tạo thành ba lớp: lớp ngõ vào, lớp ẩn hàm xuyên tâm và lớp ngõ ra tuyến tính Lớp ẩn sử dụng các nơron radbas để tính toán ngõ vào có trọng số thông qua hàm dist và ngõ vào mạng bằng netprod Lớp ngõ ra tuyến tính gồm các nơron purelin, thực hiện tính toán ngõ vào có trọng số với normprod (Hàm Tích Chấm Đã Chuẩn Hóa) và các ngõ vào mạng qua netsum Hàm newgrnn chỉ bao gồm lớp ẩn hàm xuyên tâm với ngưỡng b.
Luật đầu ra của bộ phân loại
Kết quả đầu ra của bộ phân loại GRNN và MLPNN thường là số lẻ, dẫn đến sai số so với giá trị nhị phân đã gán nhãn Để khắc phục điều này, trong nghiên cứu [24], tác giả đề xuất áp dụng luật số lớn (Law of Large Numbers) nhằm xác định ngõ ra của các bộ phân loại này Cụ thể, nếu ngõ ra lớn hơn một ngưỡng cố định (thường là 0.5 cho trạng thái logic của hàm kích hoạt), thì ngõ ra sẽ được quy định theo cách nhất định.
Nếu mã hóa ngõ ra {1} là ổn định, và {0} là không ổn định thì:
Nếu mã hóa ngõ ra 1
1 là không ổn định, hoặc tổng quát: Giả sử có M lớp thì ma trận ngõ ra M lớp sau:
F M (x) Ngõ ra tuân theo luật số lớn, kết quả nhận dạng được xếp vào lớp thứ k nếu: k j (x) F (x)
(3.15) Trong đó Fk(x) và F j (x) là kết quả tính toán từ hàm ánh xạ mạng nơron
Ví dụ: Nếu các giá trị ngõ ra của F(x) là:
Do F 1 (x) = 0.9 > F 2 (x) = 0.1, cho nên kết quả nhận dạng được xếp vào lớp 1, ổn định
Do F 1 (x) = 0.1 < F 2 (x) = 0.9, cho nên kết quả nhận dạng được xếp vào lớp 2, không ổn định
Trong luận văn, ngõ ra của bộ phân loại GRNN và MLPNN được mã hóa theo trường hợp 1.
Huấn luyện và đánh giá mô hình nhận dạng
Quá trình huấn luyện và kiểm tra mô hình được thực hiện k lần, từ đó tính toán phần trăm độ chính xác nhận dạng Độ chính xác này được xác định bằng tỷ lệ phần trăm số lần huấn luyện hoặc kiểm tra đúng, và được tính trung bình qua k lần thực hiện theo công thức (3.17) [26].
Trong đó: R là tổng số mẫu đúng, S là tổng số mẫu Giá trị kỳ vọng độ chính xác nhận dạng của mô hình được đề nghị phải đạt hơn 90%.
Kết luận chương 3
Chương 3 đã trình bày tổng quan về ANN và mô hình ANN nhận dạng ổn định động hệ thống điện Trình bày mạng nơron RBFN (Radial Basis Function Network), và hai biến thể của RBFN là GRNN (Generalized Regression Neural Network) và Probabilistic Nơron Network Trong Chương 4, sẽ trình bày chi tiết các bước xây dựng mô hình ANN nhận dạng ổn định động hệ thống điện.
