Tổng quan về hướng nghiên cứu
Chất lượng điện năng hiện nay là yếu tố quan trọng trong việc cung cấp điện cho các ngành công nghiệp và hộ tiêu thụ Khách hàng ngày càng yêu cầu cao hơn, không chỉ về công suất mà còn về độ ổn định và liên tục trong quá trình vận hành Số lượng tải cung cấp cần tỷ lệ thuận với khả năng phát của nguồn điện, đồng thời ngành điện cũng phải dự trữ một nguồn đủ lớn để đáp ứng nhu cầu khi có sự thay đổi về tải Tuy nhiên, yêu cầu này vẫn chưa được đảm bảo do hệ thống điện còn nhiều nhiễu loạn, dẫn đến tình trạng mất điện.
Sự cố nhiễu loạn trong hệ thống điện thường xảy ra do mất điện từ máy phát điện hoặc do thay đổi tải đột ngột Khi những sự cố này xảy ra, hệ thống dễ dàng rơi vào tình trạng mất ổn định Mức độ mất ổn định phụ thuộc vào thời gian và cường độ của các sự nhiễu loạn.
Tiêu chuẩn đánh giá ổn định chất lượng điện năng trong hệ thống bao gồm tần số và điện áp Sự thay đổi của một trong hai thông số này có thể dẫn đến mất cân bằng công suất và gây ra nhiễu loạn Cụ thể, tần số ảnh hưởng đến công suất tác dụng, trong khi điện áp tác động đến công suất phản kháng Do đó, bất kỳ sự bất ổn nào về tần số hoặc điện áp đều có thể gây ra nhiễu loạn, và nếu tình trạng này kéo dài, nó sẽ dẫn đến sự tan rã của hệ thống.
Gần đây, các sự cố mất điện diện rộng trên toàn cầu đã làm dấy lên lo ngại về độ tin cậy của các phương pháp sa thải phụ tải thích nghi và thông thường trong việc ngăn chặn sự sụp đổ hệ thống Điều này dẫn đến nhu cầu cấp thiết về việc phát triển các phương pháp sa thải phụ tải đáng tin cậy hơn, đảm bảo tính nhanh chóng và chính xác nhằm ngăn chặn sự cố hệ thống.
Trong những năm gần đây, Việt Nam đã trải qua nhiều sự cố mất điện trên diện rộng, dẫn đến thời gian mất điện kéo dài và gây ra tổn thất nghiêm trọng cho nền kinh tế.
Vào lúc 14g19 ngày 22/5/2013, sự cố trên đường dây 500kV Di Linh - Tân Định đã làm mất liên kết hệ thống điện 500kV Bắc - Nam, dẫn đến việc tất cả các tổ máy phát điện miền Nam ngừng hoạt động, gây ra mất điện toàn bộ với công suất khoảng 9400 MW Trong bối cảnh Việt Nam là một nước đang phát triển với nhu cầu phụ tải ngày càng tăng, việc dự báo nhu cầu này trong những năm tới theo quy hoạch điện VII trở thành thách thức lớn cho các nhà hoạch định hệ thống điện Để đảm bảo cung cấp điện ổn định và liên tục, việc nhanh chóng đưa các thông số về trạng thái ban đầu sau khi xảy ra sự cố là rất quan trọng, nhằm hạn chế tối đa nguy cơ sụp đổ hệ thống Do đó, sa thải phụ tải trở thành một phương pháp được lựa chọn, với số lượng tải cần ngắt và thời gian cắt là những yếu tố quyết định trong việc ổn định hệ thống Việc lựa chọn phương pháp sa thải phụ tải tối ưu là vấn đề cấp bách và cần thiết.
Mô hình sa thải phụ tải được đề xuất nhằm đảm bảo ổn định động hệ thống điện khi xảy ra sự cố ngắn mạch, kết hợp giải thuật K-means, mạng nơ ron và giải thuật AHP Mô hình này giúp giảm thời gian ra quyết định và thời gian phục hồi tần số, đồng thời nâng cao độ ổn định tần số so với các phương pháp truyền thống.
Tổng quan về các nghiên cứu liên quan
Việc đảm bảo cung cấp điện liên tục là tiêu chí quan trọng trong môi trường điện cạnh tranh, nơi mọi khâu từ nguồn phát, truyền tải đến phân phối đều phải đối mặt với sự cạnh tranh gay gắt.
Việc sa thải phụ tải nhanh chóng và chính xác là ưu tiên hàng đầu trong tất cả các giải pháp sa thải, luôn được xem là mối quan tâm lớn từ cả nhà cung cấp và khách hàng.
Việc sa thải phụ tải sử dụng mạng nơ-ron nhân tạo (ANN) đã được phát triển và công bố qua nhiều đề tài, nhấn mạnh tính hữu dụng của công nghệ này trong việc quản lý điện năng cho ba người dùng.
Phương pháp sa thải phụ tải và phục hồi hệ thống đã được áp dụng rộng rãi trong ngành điện toàn cầu, chủ yếu dựa vào sự suy giảm tần số Tuy nhiên, việc sử dụng yếu tố tần số để sa thải thường dẫn đến độ tin cậy kém Các cải tiến trong các phương pháp truyền thống đã thúc đẩy sự phát triển của kỹ thuật sa thải phụ tải dựa trên tần số và tốc độ thay đổi của tần số, nâng cao độ chính xác của chương trình sa thải Tại Việt Nam, phương pháp sa thải phụ tải chủ yếu được thực hiện theo trị số bằng rơ-le 81.
Khi tần số giảm đến điểm nhận đầu tiên, phần trăm tổng phụ tải sẽ được sa thải Nếu tần số tiếp tục giảm và đạt điểm nhận thứ hai, tỷ lệ phần của tải còn lại cũng sẽ bị sa thải Quá trình này tiếp tục cho đến khi tần số tăng trở lại trên giới hạn dưới Tổng nguồn phát điện, tổng phụ tải trong hệ thống, tốc độ suy giảm tần số và tỷ lệ thay đổi điện áp trong hệ thống điện đều được xem xét trong quá trình này.
- Tần số HTĐ quốc gia phải duy trì ở mức: 50Hz ± 0,2Hz
- Khi chƣa ổn định, cho phép làm việc ở mức: 50Hz ± 0,5Hz
Là đáp ứng của AGC nhằm duy trì tần số mức 50Hz ± 0,1Hz
Là điều chỉnh tự động hoặc bằng tay các tổ MPĐ nhằm đƣa tần số ngoài khoảng 50Hz ± 0,5Hz về trong khoảng 50Hz ± 0,2Hz
Là điều chỉnh bằng lệnh điều độ để đƣa tần số HTĐ vận hành ổn định và đảm bảo phân bổ kinh tế công suất phát các tổ MPĐ
Cấp điều độ cần thường xuyên theo dõi công suất dự phòng điều tần cấp I và xu hướng thay đổi phụ tải của hệ thống điện Việc này giúp chủ động điều chỉnh công suất phát của các nhà máy điện, đảm bảo mức dự phòng quay theo quy định.
Cấp điều độ có quyền điều tần cho một hoặc nhiều nhà máy điện (NMĐ) tham gia điều tần cấp I Dựa trên nhiệm vụ được phân công, các NMĐ cấp I sẽ điều chỉnh công suất và tần số của các bộ tự động để phù hợp với thực tế Khi lượng công suất dự phòng cho điều tần gần hết, các NMĐ này cần kịp thời thông báo cho cấp điều độ có quyền điều khiển.
Tất cả các nhà máy điện (NMĐ) không tham gia điều tần cấp I phải tham gia điều tần cấp II, trừ khi có sự chấp thuận của cấp điều độ có quyền điều khiển Khi tần số hệ thống điện (HTĐ) vượt quá mức 50Hz ± 0,5Hz trong hơn 15 giây, các NMĐ tham gia điều tần cấp II phải điều chỉnh tần số về mức 50Hz ± 0,2Hz theo khả năng của tổ máy Sau khi tần số được điều chỉnh về mức quy định, các NMĐ tham gia giữ nguyên công suất và thông báo cho cấp điều độ có quyền điều khiển để xác nhận thanh toán dịch vụ điều tần theo quy trình do Cục Điều tiết Điện lực ban hành.
6 Biện pháp điều tần a) Điều chỉnh công suất phát hữu công các NMĐ theo thứ tự sau:
- Các tổ MPĐ cung cấp dịch vụ điều tần
- Các tổ MPĐ cung cấp dịch vụ dự phòng quay khi mức dự phòng điều tần thấp hơn mức quy định
- Các tổ MPĐ căn cứ trên thứ tự huy động theo các bản chào hoặc giá bán điện
- Các tổ MPĐ dự phòng khởi động nhanh căn cứ trên chi phí thấp nhất b) Ngừng dự phòng nguồn điện:
Khi tần số hệ thống điện (HTĐ) vượt quá 50,5Hz mà không có biện pháp điều chỉnh, cấp điều độ có quyền yêu cầu các nhà máy điện (NMĐ) ngừng hoạt động một số tổ máy dự phòng Quyết định này sẽ được thực hiện sau khi xem xét các yếu tố như an toàn của HTĐ, tính kinh tế, điều kiện kỹ thuật và khả năng huy động lại.
Khi tần số giảm xuống dưới 49,5Hz và nguồn dự phòng đã cạn kiệt, cấp điều độ có quyền điều chỉnh STPT để duy trì sự ổn định của hệ thống điện và nâng tần số lên trên 49,5Hz Đồng thời, các cấp điều độ cũng được phép điều chỉnh điện áp trong khoảng ± 5% so với điện áp danh định nhằm thay đổi tần số.
7 khu vực HTĐ Quốc gia
Khu vực 1: Lưới điện Tây Bắc Bắc Bộ
Khu vực 2: Lưới điện Tây nam Bộ
Khu vực 3: Lưới điện Đồng Nai – Bà Rịa V ng Tàu
Khu vực 4: Lưới điện Nam Trung Bộ
Khu vực 5: Lưới điện Miền Bắc trừ khu vực 1
Khu vực 6: Lưới điện Miền Nam trừ khu vực 2,3,4
Khu vực 7: Lưới điện Miền Trung trừ khu vực 4
Mất điện đường dây 500kV là nguyên nhân phổ biến gây sụt tần số nghiêm trọng cho hệ thống điện miền Để đảm bảo ổn định động lượng công suất truyền, công suất trên đường dây 500kV không được vượt quá 700MW, và lượng phụ tải sa thải cần duy trì ở mức 50-55% Giới hạn phụ tải tối đa cho hệ thống điện Việt Nam là 55% Mức cắt tải được xác định cho từng cấp tần số, với độ lệch tần số giữa các cấp là 0.2Hz trong khoảng 49.0 - 47.6Hz, và thời gian tác động là 0s Trong hầu hết các tình huống sự cố, tỷ lệ mất công suất không vượt quá 20-30%, do đó, các cấp tần số từ 49.0 - 48.0Hz được chỉnh định cắt tải 5%, trong khi 47.8Hz và 47.6Hz lần lượt là 10% và 15% Lượng phụ tải sa thải để hỗ trợ phục hồi tần số cần đạt 10% trở lên, với mức tần số cắt tải được thiết lập tại 49.0Hz và thời gian trễ 10s.
Lượng phụ tải sa thải ở các mức thời gian 15s, 20s, 25s là 2.5%, và việc sử dụng tính năng cắt tải theo độ dốc là cần thiết Kết quả tính toán cho thấy rơ-le tần số hoạt động hiệu quả trong chế độ cắt tải, giúp phục hồi tần số và tránh rã lưới Tuy nhiên, một số khu vực, như miền Tây Nam bộ, chỉ liên kết với hệ thống qua một đường dây truyền tải Khi xảy ra sự cố mất đường dây trong bối cảnh khu vực đang nhận công suất cao (trên 50% phụ tải), sẽ dẫn đến sụt giảm tần số nghiêm trọng mà các biện pháp cắt tải hiện tại không đủ để khôi phục Do đó, cần áp dụng cắt tải theo độ dốc tần số để ngăn chặn khả năng tách lưới giữ tự dùng của các tổ máy trong khu vực.
Sự ổn định trong hệ thống điện, đặc biệt là thông số điện áp, ngày càng được coi trọng Sụt áp có thể xảy ra do nhiễu loạn hoặc tải tăng nhanh không đáp ứng kịp, dẫn đến hiện tượng nhấp nháy gây khó chịu cho người sử dụng và ảnh hưởng đến thiết bị điện Để khắc phục tình trạng này, chương trình sa thải phụ tải dưới áp thường sử dụng rơ-le để điều khiển.
Các thông số như rơ-le và các giải thuật sử dụng trong điều kiện ổn định chưa đủ nhanh để đáp ứng kịp thời cho việc sa thải tức thì Việc áp dụng mạng nơ-ron nhân tạo (ANN) trong chương trình tự động hóa không chỉ nâng cao độ an toàn mà còn đảm bảo tính ổn định cho hệ thống.
Ổn định tần số và điện áp là nguyên tắc cơ bản trong vận hành hệ thống điện, nhưng các dạng ngắn mạch, gia tăng phụ tải, và thiếu hụt công suất nguồn phát có thể gây ra nhiễu loạn, đe dọa an ninh hệ thống Tình trạng tần số và điện áp không ổn định có thể dẫn đến việc chia tách hệ thống điện thành các phần nhỏ hơn và gây ra sự cố mất điện, cũng như nguy hiểm cho thiết bị Do đó, tối ưu hóa việc sa thải phụ tải trong các tình huống ngẫu nhiên trở thành một vấn đề quan trọng trong phân tích ổn định hệ thống.
7 frequency load shedding using artificial neural networks in isolated power system”
Tính cấp thiết của đề tài
Trong bối cảnh hiện nay, nhu cầu về điện năng và chất lượng điện ngày càng gia tăng Khách hàng không chỉ yêu cầu cung cấp đủ công suất mà còn mong muốn duy trì nguồn điện liên tục trong giới hạn cho phép Do đó, việc đảm bảo sự ổn định của hệ thống điện trở nên cực kỳ quan trọng, góp phần vào việc vận hành hiệu quả và ngăn chặn sự cố lan rộng trong hệ thống điện.
Để duy trì ổn định động hệ thống điện, việc sa thải một phần phụ tải là một giải pháp quan trọng được các nhà nghiên cứu và vận hành hệ thống quan tâm Giải pháp này không chỉ giúp chống mất ổn định động mà còn ngăn chặn sự cố lan rộng trong hệ thống.
Để phục hồi tần số nhanh chóng và đạt giá trị tần số chấp nhận được, việc xây dựng chiến lược sa thải phụ tải hợp lý là rất quan trọng Điều này đòi hỏi nghiên cứu chuyên sâu về việc phối hợp các giải thuật công nghệ tri thức và mạng nơ ron nhằm tạo ra mô hình đánh giá tình huống sự cố một cách nhanh chóng Việc ra quyết định kịp thời và hạn chế sa thải phụ tải ở mức thấp nhất hiện nay là yêu cầu bức thiết.
Mục tiêu nghiên cứu
Mục tiêu của nghiên cứu này là phát triển mô hình sa thải phụ tải nhằm duy trì sự ổn định của hệ thống điện Mô hình này kết hợp các thuật toán công nghệ tri thức như Kmeans, AHP và mạng nơ ron, cho phép đưa ra quyết định nhanh chóng về chiến lược sa thải phụ tải Qua đó, nghiên cứu nhằm nâng cao hiệu quả trong việc phục hồi tần số của hệ thống điện.
Nghiên cứu tập trung vào việc vận hành và điều khiển hệ thống điện nhằm chống lại các sự cố và duy trì sự ổn định Đối tượng chính của nghiên cứu bao gồm các sự cố trong hệ thống điện và ứng dụng giải thuật Kmeans để phân tích và xử lý dữ liệu liên quan.
ANN, và giải thuật AHP; phần mềm PowerWorld, Neuron Toolbook.
Nhiệm vụ và giới hạn đề tài
- Nghiên cứu lý thuyết ổn định hệ thống điện, chiến lƣợc sa thải phụ tải
- Nghiên cứu giải thuật Kmeans, mạng nơ ron nhân tạo và giải thuật AHP
- Nghiên cứu và mô phỏng tạo cơ sở dữ liệu đánh giá ổn định hệ thống điện chuẩn IEEE 39 bus 10 máy phát sử dụng phần mềm PowerWorld
- Sử dụng công cụ Neuron ToolBook trong Matlab để huấn luyện và phân loại tình huống và lựa chọn chiến lƣợc điều khiển
Mô hình sa thải phụ tải được xây dựng nhằm duy trì sự ổn định động cho hệ thống điện chuẩn IEEE 39 bus với 10 máy phát Mô hình này kết hợp giải thuật Kmeans, mạng nơ ron và giải thuật AHP để tối ưu hóa quá trình quản lý tải điện Việc áp dụng các giải thuật này giúp nâng cao hiệu quả trong việc duy trì sự ổn định và giảm thiểu rủi ro cho hệ thống điện.
Phương pháp nghiên cứu
- Phương pháp tham khảo tài liệu
- Phương pháp mô hình hóa-mô phỏng
- Phương pháp phân tích và tổng hợp.
Các bước thực hiện
- Tồng quan về kết quả nghiên cứu trong và ngoài nước, mục tiêu nghiên cứu, phương pháp nghiên cứu, giới hạn đề tài
- Cơ sở lý thuyết về ổn định hệ thống điện, các phương pháp sa thải phụ tải, mạng nơ ron nhân tạo, giải thuật Kmeans, giải thuật AHP
- Xây dựng mô hình điều khiển khẩn cấp sa thải phụ tải trên cơ sở phối hợp giải thuật K-means, Mạng nơ ron nhân tạo và giải thuật AHP
- Thử nghiệm, đánh giá hiệu quả của mô hình đề xuất đồi với hệ thống điện chuẩn IEEE 39 bus 10 máy phát
- Kết luận và hướng nghiên cứu phát triển
Ổn định hệ thống điện (HTĐ)
Ổn định hệ thống điện là khả năng phục hồi hoạt động bình thường sau khi bị tác động bởi nhiễu, là điều kiện cần thiết để hệ thống điện tồn tại và hoạt động hiệu quả Điều này bao gồm việc duy trì ổn định các thông số như điện áp và công suất trong mọi tình huống, cả trong điều kiện vận hành bình thường và sau khi xảy ra sự cố.
Hệ thống điện cần duy trì sự ổn định để tránh tình trạng mất điện, có thể dẫn đến việc cắt hàng loạt tổ máy và phụ tải Sự mất ổn định này không chỉ làm tan rã lưới điện mà còn gây thiệt hại nghiêm trọng cho nền kinh tế.
Nghiên cứu về ổn định hệ thống điện, có hai loại ổn định:
Ổn định tĩnh là khả năng của hệ thống phục hồi về trạng thái ban đầu hoặc gần với trạng thái ban đầu sau khi chịu tác động từ những kích động nhỏ, chẳng hạn như sự thay đổi công suất của phụ tải.
Ổn định động là khả năng phục hồi của hệ thống điện sau các kích động lớn, đưa nó trở về trạng thái ban đầu hoặc gần với trạng thái đó Những kích động này có thể xuất phát từ hiện tượng ngắn mạch, đóng cắt các phần tử trong lưới điện, hoặc từ sự thay đổi đột ngột của tải Để nắm rõ về ổn định hệ thống điện và xử lý các quá trình quá độ, cần khử bỏ các kích động lớn và nhỏ tác động lên hệ thống, nhằm thiết lập một chế độ hoạt động mới ổn định.
- Các kích động nhỏ thì thông số lệch nhỏ, sau thời gian dao động, hệ thống trở về vị trí ban đầu và tiếp tục hoạt động
Các kích động lớn như ngắn mạch và sét gây ra những biến thiên mới trong hệ thống điện, dẫn đến sự chuyển đổi sang chế độ ổn định mới Để khắc phục các vấn đề mất ổn định trong hệ thống điện, cần áp dụng nhiều phương pháp khác nhau, tập trung vào hai vấn đề chính: thiết kế và vận hành Điều quan trọng là đảm bảo quá trình này diễn ra một cách bình thường để duy trì sự ổn định của hệ thống.
Trong 13 tối ưu có lợi nhất, việc điều khiển hệ thống nhanh chóng để thiết lập chế độ mới với các thông số cho phép là rất quan trọng Trong số các phương pháp, sa thải phụ tải được xem là một trong những phương pháp mạnh mẽ và hiệu quả nhất giúp duy trì sự ổn định của hệ thống điện trong các tình huống khẩn cấp.
Khái niệm về sa thải phụ tải
Sa thải phụ tải là hành động cắt giảm một phần tải từ hệ thống điện nhằm duy trì sự ổn định cho phần còn lại của hệ thống Đây là biện pháp khẩn cấp được thực hiện khi các thông số vượt quá quy chuẩn, gây ra nguy cơ lớn cho hoạt động của hệ thống điện Mục tiêu của sa thải phụ tải là đảm bảo hệ thống vận hành bình thường trong các tình huống nguy hiểm.
Sa thải phụ tải là biện pháp cuối cùng để đối phó với sự nhiễu loạn trong hệ thống điện, thường xảy ra khi có sự chênh lệch giữa công suất phát và công suất tải do tăng tải đột ngột Khi hệ thống gặp phải tình trạng nhiễu loạn hoặc quá tải, và các thiết bị bảo vệ không hoạt động kịp thời, việc sa thải phụ tải trở nên cần thiết để đảm bảo an toàn và ổn định cho hệ thống.
2.2.1 Các phương pháp sa thải phụ tải a Phương pháp sa thải phụ tải truyền thống:
Sa thải phụ tải bằng rơle tần số thấp là phương pháp phổ biến và vẫn được áp dụng rộng rãi trên toàn cầu, bao gồm cả Việt Nam.
Khi tần số lưới điện giảm xuống dưới mức cho phép, rơle sẽ tự động cắt giảm từng mức phụ tải để ngăn chặn sự sụt giảm tần số hệ thống Nếu không có cơ chế điều khiển này, hậu quả nghiêm trọng nhất có thể xảy ra là hiện tượng rã lưới, dẫn đến mất điện trên diện rộng.
Tần số là chỉ số quan trọng phản ánh sự biến động của lưới điện, đồng thời thể hiện sự cân bằng giữa tải tiêu thụ và nguồn cung cấp, ảnh hưởng trực tiếp đến chất lượng điện năng, đặc biệt trong các tải công nghiệp Do đó, tần số được coi là thông số cài đặt chính cho sự an toàn, ổn định và chất lượng của hệ thống điện Hiện nay, có nhiều loại rơle sa thải phụ tải dưới tần số được phát triển, trong đó có những loại sử dụng thông số biến thiên df/dt.
Ví dụ về ERCOT [12], Hội đồng điện tin cậy của Texas, có chương trình sa thải tải dưới tần số
Bảng 2.1: Chương trình sa thải tải của ERCOT
Tần số sa thải Tải sa thải
Theo bảng trên, có ba cấp độ sa thải phụ tải tương ứng với các mức tần số khác nhau Khi tần số giảm xuống 58.5Hz, 25% phụ tải sẽ bị sa thải Ưu điểm của phương pháp này là
- Nguyên lý làm việc đơn giản nên đƣợc ứng dụng rất rộng rãi
- Việc cắt tải gần nhƣ diễn ra tức thời khi tần số thấp
- Phát triển sa thải phụ tải dựa vào df/dt, cho phép ứng dụng rộng hơn
Bất kỳ tình huống quá tải nào cũng đều áp dụng chiến lược sa thải phụ tải, tuy nhiên, mức độ quá tải không thể xác định được số lượng và chất lượng của việc sa thải này.
- Việc cắt tải khi tần số thấp phải phụ thuộc vào việc cài đặt, chọn chủng loại phù hợp với mạng điện đó
- Phụ thuộc vào người thiết kế HTĐ, vào sự hiểu biết của người đó Vậy nên có khả năng có lỗi
- Không phù hợp về lâu dài, vì HTĐ có khả năng thay đổi lớn b Sa thải phụ tải thông minh (ILS) [4]:
Hệ thống sa thải phụ tải hiện đại sử dụng công nghệ thu thập dữ liệu rộng rãi và cập nhật liên tục để tối ưu hóa lưới điện Thông qua sự hỗ trợ của máy tính và mạng máy tính, hệ thống áp dụng các thuật toán huấn luyện mạng, cho phép nó học hỏi và cải thiện dần dần Phương pháp này đảm bảo chỉ cắt giảm lượng phụ tải cần thiết, được gọi là sa thải phụ tải thông minh (ILS), thông qua việc kích hoạt các rơle dưới tần số theo một chương trình đã định.
15 thải tải thông minh đang thay đổi động lực Chương trình này bao gồm các thành phần chính như cơ sở tri thức, danh sách nhiễu loạn và các công cụ tính toán ILS.
Hệ thống này phải có các khả năng sau:
- Khả năng bản đồ một hệ thống năng lƣợng phi tuyến phức tạp
- Cấu hình hệ thống nhớ tự động, các điều kiện vận hành nhƣ là tải, năng lƣợng, đáp ứng hệ thống với các dao động
- Nhận dạng các mẫu hệ thống khác để dự đoán đáp ứng hệ thống cho các nhiễu loạn khác
- Tận dụng vào sự hiểu biết ban đầu có thể cải thiện được bằng các trường hợp đã xác định đƣợc khách hàng
- Khả năng thích nghi huấn luyện tự động và hệ tự học của cơ sở kiến thức hệ thống dẫn đến các thay đổi hệ thống
- Ra các quyết định nhanh, đ ng, và tin cậy trong việc ƣu tiên sa thải phụ tải dựa vào tình trạng tải thực tế của lưới
- Sa thải lƣợng phụ tải nhỏ nhất để duy trì sự ổn định của hệ thống và tần số thông thường
- Sự kết hợp tối ƣu để sa thải của các máy cắt với sự hiểu biết đầy đủ vào các ràng buộc của hệ thống
Thông số các cơ sở tri thức cần có cho hệ thống ILS bao gồm:
- Năng lượng trước và sau dao động
- Khả năng nguồn phát trước và sau dao động
- Đặc điểm cơ năng máy phát trong lưới điện
- Tải thực tế và cập nhật tình trang thay đổi của phụ tải
Hình 2.1: Cấu tr c tổng quát của chương trình ILS
Cơ sở tri thức sử dụng thông tin đầu vào để kết nối với công cụ tính toán, kiểm soát phân loại và gửi tín hiệu cắt tới các rơle nhằm sa thải phụ tải Nhờ vào cơ chế tự học và huấn luyện theo diễn tiến của lưới điện, cơ sở tri thức sẽ ngày càng hoàn thiện, đảm bảo quá trình cắt tối ưu nhất.
Ngoài những ƣu điểm đã nêu trên, thì hệ thống còn có một số ƣu điểm:
- Tối ƣu hóa lƣợng phụ tải sa thải
- Cơ chế tự học và luôn theo sát tình hình trên lưới điện, đưa ra đáp ứng nhanh và kịp thời
- Hệ thống có nhiều thành phần tham gia vào, việc sa thải phụ tải sẽ trải qua nhiều bước
- Vì có nhiều thành phần nên đòi hỏi chế độ bảo dƣ ng hợp lý, giám sát
- Có quá nhiều dữ liệu đầu vào cần đƣợc đƣa vào hệ thống
2.2.2 Tổng quan chung về các nghiên cứu sa thải phụ tải trên thế giới Ở các nước đang phát triển, nhu cầu sử dụng điện ngày càng cao đòi hỏi sự phân phối hiệu quả nguồn điện có sẵn Khi có sự mất cân bằng công suất xảy ra giữa nguồn và tải, đặt biệt là công suất tiêu thụ điện cao hơn công suất phát điện,
Việc sa thải phụ tải điện là một biện pháp cần thiết để duy trì ổn định hệ thống điện, đặc biệt trong các tình huống khẩn cấp như sự cố ngắn mạch hoặc máy phát bất ngờ Ở các nước đang phát triển như Ấn Độ, sự mất cân bằng giữa nguồn và tải thường dẫn đến việc phải sa thải phụ tải để đảm bảo sự ổn định Trong bối cảnh nhu cầu điện ngày càng tăng, việc sử dụng và phân phối điện hiệu quả trở nên quan trọng hơn bao giờ hết Tuy nhiên, do hệ thống thiếu công suất, sa thải phụ tải là điều khó tránh khỏi và có thể gây thiệt hại lớn nếu thực hiện quá mức Do đó, nhiều nghiên cứu đã được thực hiện nhằm giảm tác động của sa thải phụ tải thông qua việc áp dụng kỹ thuật sa thải phụ tải điện thông minh, từ đó nâng cao hiệu quả phân phối điện.
Các trung tâm điều độ hệ thống điện (LDC) chịu trách nhiệm phân bố công suất cho từng trạm biến áp dựa trên nguồn phát điện hiện có Khi xảy ra tình trạng thiếu hụt công suất, việc sa thải phụ tải điện là điều cần thiết, tuy nhiên, trong chương trình hiện tại, toàn bộ phát tuyến sẽ bị ngắt kết nối mà không phân biệt loại phụ tải, dẫn đến việc tiêu thụ điện năng gần như tương đương với lượng phụ tải bị sa thải Kỹ thuật này có thể gây ra tình trạng sa thải phụ tải quá mức, mặc dù vẫn còn công suất khả dụng Cần lưu ý rằng một phát tuyến duy nhất có thể cung cấp điện cho nhiều loại phụ tải khác nhau, bao gồm hộ gia đình, công nghiệp và thương mại Theo chương trình hiện hành, các phụ tải điện công nghiệp được ưu tiên giữ điện cao hơn do doanh thu lớn, mà không có cơ sở phân tích chi phí cho việc sa thải phụ tải.
Không có một chiến lược tối ưu duy nhất để cải thiện các yếu tố như chi phí hay tiện nghi Để đảm bảo nguồn cung điện liên tục cho những phụ tải quan trọng, như các trung tâm thành phố lớn, việc cắt giảm điện được thực hiện ở các vùng nông thôn và ngoại ô trong khoảng 12-14 giờ mỗi ngày.
Hiện tại, việc kiểm soát sa thải phụ tải điện cho từng hộ gia đình và công ty chưa được thực hiện hiệu quả, dẫn đến thiệt hại kinh tế cho người tiêu dùng và doanh thu cho các công ty phân phối điện Để đảm bảo cung cấp điện chính xác vào thời điểm cần thiết, hệ thống lưới điện thông minh mang lại nhiều lợi thế so với hệ thống truyền thống nhờ vào khả năng linh hoạt trong kiểm soát Một lưới điện thông minh không chỉ phục vụ hàng triệu khách hàng mà còn tích hợp hạ tầng thông tin thông minh, đảm bảo an ninh và cung cấp thông tin cần thiết cho nền kinh tế số Việc điều khiển sa thải phụ tải điện thông qua chuyển mạch từ xa cho phép quản lý hiệu quả và độc lập từng tải điện dựa trên dữ liệu hiện có, từ đó tối ưu hóa công suất sa thải phụ tải.
Mạng nơron nhân tạo (ANN) [5]
2.3.1 Các khái niệm cơ bản
Mạng nơ ron nhân tạo là hệ thống nơ ron được thiết kế tương tự như hệ thống nơ ron của con người, sử dụng thiết bị điện tử và các phần tử cơ nhạy Những hệ thống này nhằm mục đích sao chép các phương pháp xử lý thông minh của con người, bao gồm học tập, tự cải tiến và tạo ra suy diễn.
Mô hình toán của mạng nơ ron, được đề xuất bởi Mc Culloch và Pitts vào năm 1943, được gọi là mạng M-P Trong mô hình này, phần tử xử lý thứ j tổng hợp trọng lượng của các đầu vào và quyết định đầu ra yj, với yj = 1 khi "bắn" (firing) hoặc yj = 0 khi "không bắn" (not firing), tùy thuộc vào việc tổng đầu vào trọng lượng có vượt qua ngư ngưỡng (threshold) j hay không.
Y j (t +1) = f ((w ij x j (t) - j )) (2.1) Trong đó, hàm tác động f(net) là hàm bước nhảy (unit step): f(net) = (2.2)
Trọng lượng W ij thể hiện cường độ của đường dẫn synapse, biểu thị sự kết nối giữa nơ ron nguồn thứ i và nơ ron đích thứ j Trọng lượng dương tương ứng với synapse kích thích, trong khi trọng lượng âm liên quan đến synapse ức chế.
= 0 thì không có sự kết nối giữa chúng
Hình 2.2: Mô hình toán đơn giản của một nơ ron 2.3.2 Các thành phần cơ bản của nạng nơ ron nhân tạo
Mạng nơ ron nhân tạo (ANN) bao gồm ba thành phần chính: mô hình nơ ron, cấu trúc kết nối tương tự như synapse, và quy trình huấn luyện hoặc các quy tắc học để cập nhật trọng số kết nối.
PE (Phần tử xử lý) Wi2
Mô hình nơ ron là một phần tử xử lý có khả năng kết nối giữa đầu vào và đầu ra Nó sử dụng một hàm tổng hợp net để tổ hợp thông tin từ các đầu vào, thường là một hàm tuyến tính với các đầu vào x j.
(2.3) Trong đó: wij là các hệ số trọng lƣợng của kết nối đầu vào thứ i và đầu ra thứ j; j là ngƣ ng của phần tử thứ j
Các hàm tổng hợp net c ng có thể có dạng là: Hàm bình phương (Quadratic function); Hàm mặt cầu (Sherical Funtion),…
Mạng nơ ron nhân tạo (ANN) được cấu thành từ các phần tử xử lý kết nối với nhau thông qua các hệ số trọng lượng Mỗi phần tử này không chỉ kết nối với các phần tử khác mà còn có thể kết nối với chính nó Do đó, cấu trúc tổ chức và sự kết nối hình học giữa các phần tử xử lý trong ANN cần phải được xác định rõ ràng Một ví dụ điển hình là mạng nơ ron đơn giản với một nút xử lý.
Mạng nơ ron phản hồi dương một lớp (Single layer feedforward network) là loại mạng nơ ron gồm các phần tử xử lý cùng mức, trong đó mỗi phần tử thứ j kết nối với các đầu vào x1, x2, , xI thông qua các hệ số trọng lượng w11, w21,…, wIJ Đầu ra của phần tử thứ j được mô tả rõ ràng trong Hình 2.3.
Hình 2.3: Mạng Feedforward 1 lớp b Mạng nơ ron phản hồi dương đa lớp (Multi layer feedforward network)
Có thể kết nối nhiều mạng phản hồi dương một mức lại nhau để tạo thành một mạng đa mức phản hồi dương như được mô tả ở Hình 2.4:
Hình 2.4: Mạng Feedforward đa lớp
Lớp đầu vào của mạng nơ ron nhận tín hiệu từ các đầu vào, trong khi lớp đầu ra chứa các nơ ron đầu ra Các lớp nằm giữa lớp đầu vào và đầu ra được gọi là lớp ẩn Mạng nơ ron phản hồi âm (Feedback network) là một loại mạng nơ ron đặc biệt.
Mạng nơ ron phản hồi âm là loại mạng mà các đầu ra có thể được định hướng trở lại như các đầu vào của cùng một lớp hoặc các đầu vào ở lớp trước Khi các mạng phản hồi âm này có cấu trúc vòng kín, chúng được gọi là mạng đệ qui.
Mạng nơ ron đệ qui đơn giản nhất là vòng phản hồi âm, trong đó chỉ có một phần tử xử lý và nhận phản hồi âm từ chính nó, như minh họa trong Hình 2.5.
Các lớp ẩn Lớp xuaát
Hình 2.6 trình bày mạng đệ qui (hồi tiếp) một lớp (single recurrent network) và Hình 2.7 mô tả mạng nơ ron đệ quy (hồi tiếp) đa lớp (multilayer recurrent network)
Hình 2.7: Mạng nơ ron hồi tiếp đa lớp
Các qui tắc học là thành phần quan trọng trong mạng nơ ron, bao gồm hai loại học: học thông số và học cấu trúc Học thông số tập trung vào việc cập nhật các hệ số trọng lượng kết nối, trong khi học cấu trúc liên quan đến việc thay đổi cấu trúc mạng, bao gồm số lượng phần tử xử lý và kiểu kết nối Trong bài viết này, chúng ta sẽ chỉ trình bày các phương pháp học thông số.
Trong một mạng nơ ron nhân tạo với n phần tử xử lý, mỗi phần tử này có m hệ số trọng lượng thích nghi Ma trận hệ số trọng lượng, hay còn gọi là ma trận kết nối, được xác định bởi các hệ số này.
Hình 2.5: Nơ ron có hồi tiếp về chính nó Hình 2.6: Mạng nơ ron hồi tiếp một lớp
Trong đó, w = (wi1, wi2, …, wim) với i = 1, 2, …, n là vectơ hệ số trọng lượng của phần tử xử lý thứ j Hệ số trọng lượng wij thể hiện mức độ liên kết từ phần tử xử lý thứ i (n t nguồn) đến phần tử xử lý thứ j (n t đích).
Ma trận hệ số trọng lượng w chứa các phần tử thích nghi của mạng nơ ron nhân tạo, xác định các cấu hình xử lý thông tin khả thi cho mạng Để thực hiện quá trình xử lý thông tin mong muốn, mạng nơ ron cần sử dụng ma trận w phù hợp Các hệ số trọng lượng này mã hóa vùng nhớ dài hạn (LTM) và trạng thái tác động của các nơ ron trong vùng nhớ ngắn hạn (STM) Để phát triển mạng nơ ron sử dụng học hệ số trọng lượng, cần xây dựng các quy tắc học hiệu quả nhằm dẫn dắt ma trận w đạt đến ma trận mong muốn Các quy tắc học được chia thành ba loại chính: học giám sát, học củng cố và học không giám sát.
- Học giám sát (Supervised learning)
Trong học giám sát, mạng nơ ron nhân tạo nhận một chuỗi các cặp đầu vào và đầu ra mong muốn, được biểu diễn dưới dạng (x(k), d(k)) Khi đầu vào x(k) được đưa vào mạng, đầu ra mong muốn d(k) cũng được cung cấp Sự khác biệt giữa đầu ra thực y(k) và đầu ra mong muốn d(k) được đo bằng bộ phát sinh tín hiệu sai, từ đó tạo ra các tín hiệu lỗi để điều chỉnh các hệ số trọng lượng của mạng, nhằm đưa đầu ra thực gần hơn với đầu ra mong muốn Hình minh họa sau đây mô tả quá trình học giám sát trong mạng nơ ron.
Hình 2.8: Học có giám sát
Thiết kế mạng truyền thẳng
Mặc dù lý thuyết cho rằng có thể xây dựng một mạng neural đạt độ chính xác bất kỳ cho một bài toán, việc tìm ra cấu trúc mạng tối ưu không hề đơn giản Để xác định chính xác số lượng lớp ẩn và số lượng đơn vị xử lý trong mỗi lớp cho từng bài toán cụ thể là một thách thức lớn.
Dưới đây trình bày một số vấn đề cần quan tâm khi ta thiết kế một mạng
Các mạng nơ-ron với hai lớp ẩn có khả năng biểu diễn các hàm với hình dạng bất kỳ, do đó, lý thuyết cho thấy không cần thiết phải sử dụng mạng có nhiều hơn hai lớp ẩn.
Nghiên cứu đã chỉ ra rằng, đối với hầu hết các bài toán cụ thể, chỉ cần một lớp ẩn là đủ để đạt hiệu suất tốt Việc sử dụng hai lớp ẩn rất hiếm gặp trong thực tế, và ngay cả khi cần nhiều hơn một lớp, một lớp ẩn thường mang lại hiệu quả cao hơn Hơn nữa, việc huấn luyện mạng trở nên chậm hơn khi số lớp ẩn tăng lên Do đó, việc hạn chế số lượng lớp ẩn là một lựa chọn tối ưu trong nhiều trường hợp.
Hầu hết các thuật toán huấn luyện mạng nơron truyền thẳng sử dụng phương pháp gradient Việc thêm các lớp vào mạng yêu cầu phải lan truyền lỗi, dẫn đến sự không ổn định của vector gradient Thành công của bất kỳ thuật toán tối ưu nào dựa trên gradient phụ thuộc vào sự ổn định của hướng khi các tham số thay đổi.
Số lượng cực trị địa phương gia tăng đáng kể khi có nhiều lớp ẩn trong mạng nơ-ron Các thuật toán tối ưu dựa trên gradient chủ yếu chỉ tìm thấy các cực trị địa phương, dẫn đến khả năng không xác định được cực trị toàn cục Mặc dù thuật toán luyện mạng có khả năng tìm ra cực trị toàn cục, nhưng có nguy cơ cao là chúng ta sẽ bị kẹt lại ở cực trị địa phương sau nhiều lần lặp, buộc phải bắt đầu lại Đối với các bài toán cụ thể, việc sử dụng nhiều lớp ẩn với ít đơn vị thường hiệu quả hơn so với việc sử dụng ít lớp ẩn với số lượng lớn đơn vị, đặc biệt khi cần học các hàm không liên tục Do đó, nên xem xét trước tiên việc sử dụng mạng chỉ với một lớp ẩn; nếu không đạt hiệu quả với một lớp ẩn có nhiều đơn vị, thì có thể thêm một lớp ẩn nữa với ít đơn vị hơn.
- Số đơn vị trong lớp ẩn
Một yếu tố quan trọng trong thiết kế mạng nơ-ron là xác định số lượng đơn vị trong mỗi lớp Nếu sử dụng quá ít đơn vị, mạng có thể không nhận diện đầy đủ các tín hiệu trong tập dữ liệu phức tạp, dẫn đến tình trạng thiếu chính xác Ngược lại, việc sử dụng quá nhiều đơn vị sẽ kéo dài thời gian huấn luyện, có thể khiến quá trình này trở nên không khả thi trong khung thời gian hợp lý Do đó, việc cân nhắc số lượng đơn vị là rất cần thiết để tối ưu hóa hiệu suất mạng.
Tình trạng thừa ăn khớp có thể xảy ra khi mạng nơ-ron nhận quá nhiều thông tin, hoặc khi tập dữ liệu mẫu không đủ các đặc trưng cần thiết để huấn luyện mạng hiệu quả.
Số lượng tốt nhất của các đơn vị ẩn phụ thuộc vào nhiều yếu tố, bao gồm số lượng đầu vào và đầu ra của mạng, số trường hợp trong tập mẫu, độ nhiễu của dữ liệu đích, độ phức tạp của hàm lỗi, cấu trúc mạng và thuật toán huấn luyện mạng.
Có rất nhiều “luật” để lựa chọn số đơn vị trong các lớp ẩn, chẳng hạn:
[ ] – nằm trong khoảng kích thước lớp vào, ra
tổng kích thước lớp vào và ra
– nhỏ hơn hai lần kích thước lớp vào
√ – căn bậc 2 của tích kích thước lớp vào và ra
Các luật về kích thước lớp chỉ là lựa chọn thô, không phản ánh đầy đủ thực tế vì chỉ xem xét kích thước đầu vào và đầu ra mà bỏ qua các yếu tố quan trọng khác như số lượng trường hợp huấn luyện, độ nhiễu của đầu ra mong muốn, độ phức tạp của hàm lỗi, cấu trúc mạng, và thuật toán học Thông thường, không có phương pháp dễ dàng nào để xác định số lượng tối ưu các đơn vị trong lớp ẩn mà không cần thử nghiệm với nhiều kích thước khác nhau và đánh giá lỗi tổng quát hóa Phương pháp thử - sai là cách hiệu quả nhất, trong khi phương pháp lựa chọn tiến hoặc lùi có thể được áp dụng để xác định số lượng đơn vị trong lớp ẩn.
Lựa chọn tiến bắt đầu bằng việc chọn một luật hợp lý để đánh giá hiệu năng của mạng Tiếp theo, cần chọn một số lượng nhỏ các đơn vị ẩn, tiến hành luyện và thử nghiệm mạng, đồng thời ghi lại hiệu suất đạt được Sau đó, tăng dần số lượng đơn vị ẩn, tiếp tục luyện và thử nghiệm cho đến khi đạt được mức lỗi chấp nhận được hoặc không còn có sự tiến triển đáng kể so với các lần thử trước.
Lựa chọn lùi là phương pháp bắt đầu với một số lượng lớn các đơn vị trong lớp ẩn và sau đó giảm dần Mặc dù quá trình này tốn thời gian, nhưng nó giúp chúng ta xác định được số lượng đơn vị phù hợp cho lớp ẩn.
Các thuật toán huấn luyện
Có 4 thuật toán huấn luyện Matlab khuyên dùng trong bài toán nhận dạng: Levenberg - Marquardt, Bayesian, Scaled Conjugate Gradient và Resillient Backpropagation
2.5.1 Thuật toán huấn luyện Lenvenberg – Marquardt (trainlm)
Giải thuật Levenberg – Marquardt, tương tự như phương pháp Quasi-Newton, được phát triển để đạt được đặc tính hội tụ 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 là H = J^T J, trong khi gradient được tính bằng g = J^T e.
Ma trận Jacobian, ký hiệu là J, đại diện cho đạo hàm bậc nhất của sai số mạng tại điểm trọng số và ngưỡng hiện tại, trong khi e là vector sai số mạng Việc tính toán ma trận Jacobian được thực hiện bằng kỹ thuật backpropagation, vì vậy nó ít phức tạp hơn so với việc tính toán ma trận Hessian.
Giải thuật Levenberg_Marquardt sử dụng phép gần đ ng này với ma trận
Hessian trong phương pháp Newton:
Phương pháp Newton được biểu diễn bằng công thức J J I J e x x k + 1 = k - T + μ - 1 T Khi μ = 0, phương pháp này hoạt động như phương pháp Newton truyền thống Tuy nhiên, khi μ lớn, nó chuyển thành phương pháp 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 khó khăn lớn do yêu cầu lưu trữ nhiều ma trận lớn Kích thước ma trận Jacobian là Q x n, trong đó Q là số mẫu huấn luyện và n là số trọng số của mạng Để giảm thiểu bộ nhớ, có thể không cần tính và lưu trữ toàn bộ ma trận Một giải pháp là chia ma trận Jacobian thành hai ma trận con, từ đó tính toán ma trận Hessian tương ứng một cách hiệu quả.
Do đó, ma trận đầy đủ không phải tính một lần net.trainFcn = 'trainlm'
Hàm huấn luyện Trainlm sử dụng thuật toán tối ưu Levenberg-Marquardt để cập nhật trọng số và ngưỡng của mạng Đây là thuật toán lan truyền ngược nhanh nhất, được ưa chuộng hơn so với các phương pháp khác Để thiết lập mạng với chức năng huấn luyện này, ta sử dụng lệnh net.trainFcn = 'trainlm'.
[net,tr] = train(net, ) huấn luyện mạng với trainlm
Các thông số mặc định của mạng bao gồm: số chu kỳ huấn luyện tối đa là 1000 (net.trainParam.epochs), giá trị mục tiêu cài đặt là 0 (net.trainParam.goal), và số lỗi xác nhận tối đa là 6 (net.trainParam.max_fail) Độ dốc kết quả sai số được đặt ở mức 1e-7 (net.trainParam.min_grad), với tốc độ là 0.001 (net.trainParam.mu) Các tham số giảm và tăng trọng số lần lượt là 0.1 (net.trainParam.mu_dec) và 10 (net.trainParam.mu_inc), trong khi trọng số tối đa được giới hạn ở 1e10 (net.trainParam.mu_max) Thông số hiển thị được cài đặt để hiện mỗi 25 chu kỳ (net.trainParam.show), và giao diện huấn luyện sẽ được hiển thị (net.trainParam.showWindow true), trong khi dòng lệnh suất không được tạo ra (net.trainParam.showCommandLine false) Thời gian tối đa để huấn luyện là vô hạn (net.trainParam.time inf).
2.5.2 Thuật toán huấn luyện Bayesian (trainbr)
Thuật toán Bayes dựa trên định lý Bayes đƣợc phát biểu nhƣ sau:
| | (2.7) Theo tính chất độc lập điều kiện:
Xác suất thuộc phân lớp i khi biết mẫu X được ký hiệu là P(C i | X) Trong đó, P(C i) là xác suất của phân lớp i, và P(x k | C i) là xác suất của thuộc tính thứ k có giá trị x k khi đã biết rằng X thuộc phân lớp i.
Các bước thực hiện thuật toán Bayes:
Bước 1: Huấn luyện Bayes (dựa vào tập dữ liệu), tính P(Ci) và P(x k C i )
Bước 2: Phân lớp X new = (x 1 ,x 2 , x n ), tính xác suất thuộc từng phân lớp khi đã biết trước X new X new được gán vào lớp có xác suất lớn nhất theo công thức:
Hàm huấn luyện mạng Trainbr cho phép cập nhật trọng số và ngưỡng, nhằm giảm thiểu sự kết hợp của các lỗi bình phương và trọng số Quá trình này xác định sự kết hợp chính xác để tạo ra một mạng nơ ron có khả năng khái quát tốt, được gọi là quy tắc Bayes Để thiết lập mạng, sử dụng lệnh net.trainFcn = 'trainbr'.
[net,tr] = train(net, ) Huấn luyện mạng với trainbr
Các thông số mặc định cho quá trình huấn luyện mô hình bao gồm: số chu kỳ tối đa là 1000 (net.trainParam.epochs), giá trị mục tiêu là 0 (net.trainParam.goal), tốc độ học là 0.005 (net.trainParam.mu), và các tham số điều chỉnh tốc độ học với giảm trọng số là 0.1 (net.trainParam.mu_dec), tăng trọng số là 10 (net.trainParam.mu_inc), và trọng số tối đa là 1e10 (net.trainParam.mu_max) Ngoài ra, số lỗi xác nhận tối đa là 0 (net.trainParam.max_fail), độ dốc sai số tối thiểu là 1e-7 (net.trainParam.min_grad), và thông số hiển thị là 25 (net.trainParam.show) Thêm vào đó, không tạo ra dòng lệnh suất (net.trainParam.showCommandLine false) nhưng vẫn hiển thị giao diện huấn luyện (net.trainParam.showWindow true), với thời gian tối đa để đào tạo là vô hạn (net.trainParam.time inf).
2.5.3 Thuật toán huấn luyện Scaled Conjugate Gradient (trainscg)
Trong thuật toán conjugate gradient, việc xác định hướng tìm kiếm ở mỗi vòng lặp là rất quan trọng và phức tạp, vì nó yêu cầu mạng nơ ron phải xử lý tất cả ngõ vào huấn luyện qua nhiều lần tính toán Để giảm thiểu thời gian tính toán trong mỗi bước tìm kiếm, thuật toán Scaled Conjugate Gradient được phát triển bởi Moller Mặc dù việc mô tả thuật toán này có phần phức tạp, nhưng ý tưởng cốt lõi của nó là kết hợp phương pháp tiếp cận khu vực độc.
36 quyền (The model-trust region approach) bằng cách sử dụng thuật toán Levenberg- Marquardt kết hợp với thuật toán Conjugate Gradient
Hàm trainscg là một phương pháp huấn luyện mạng, giúp cập nhật trọng số và ngưỡng của các giá trị bằng phương pháp liên hiệp Để thiết lập mạng, sử dụng lệnh net.trainFcn = 'trainscg'.
[net,tr] = train(net, ) : huấn luyện mạng
Các thông số mặc định cho quá trình huấn luyện mạng nơ-ron bao gồm số chu kỳ tối đa là 1000 (net.trainParam.epochs), hiển thị thông số sau mỗi 25 chu kỳ (net.trainParam.show), không hiển thị dòng lệnh (net.trainParam.showCommandLine false), và hiện giao diện huấn luyện (net.trainParam.showWindow true) Giá trị mục tiêu được cài đặt là 0 (net.trainParam.goal), thời gian tối đa để huấn luyện là vô hạn (net.trainParam.time inf), độ dốc sai số tối thiểu là 1e-6 (net.trainParam.min_grad), và số lỗi xác nhận tối đa là 6 (net.trainParam.max_fail) Thêm vào đó, sự thay đổi trong trọng số cho xấp xỉ hàm bậc hai được xác định bởi net.trainParam.sigma 5.0e-5, và thông số điều chỉnh tính không rõ ràng của ma trận Hess là 5.0e-7 (net.trainParam.lambda).
2.5.4 Thuật toán huấn luyện Resillient backpropagation (trainrp)
Các mạng đa lớp thường áp dụng hàm truyền sigmoid trong các lớp ẩn, được biết đến như là hàm nén (squashing functions) vì khả năng chuyển đổi dữ liệu đầu vào vô hạn thành đầu ra hữu hạn Một đặc điểm quan trọng của hàm sigmoid là độ dốc của nó trở nên bằng không khi giá trị đầu vào lớn, điều này gây ra vấn đề khi sử dụng thuật toán độ dốc lớn nhất để huấn luyện mạng Kết quả là gradient có biên độ rất nhỏ, dẫn đến việc trọng số và ngưỡng chỉ thay đổi một cách không đáng kể, ngay cả khi chúng còn xa giá trị tối ưu.
Thuật toán huấn luyện phục hồi mạng backpropagation nhằm khắc phục các nhược điểm liên quan đến biên độ của các đạo hàm riêng phần, chỉ sử dụng dấu của chúng để cải thiện hiệu suất trong quá trình học.
Đạo hàm được sử dụng để xác định hướng cập nhật trọng số, trong khi biên độ của đạo hàm không ảnh hưởng đến việc này Độ thay đổi trọng số phụ thuộc vào giá trị cập nhật riêng lẻ Giá trị cập nhật của mỗi trọng số sẽ tăng lên khi đạo hàm của hàm hiệu suất tại những thời điểm nhất định cùng dấu với hai lần lặp tiếp theo Ngược lại, giá trị cập nhật sẽ giảm khi đạo hàm của trọng số hiện tại đổi dấu so với lần lặp trước Nếu đạo hàm bằng không, giá trị cập nhật sẽ giữ nguyên Khi trọng số dao động, sự thay đổi trọng số sẽ giảm, và nếu trọng số tiếp tục thay đổi theo cùng một hướng qua nhiều vòng lặp, biên độ thay đổi trọng số cũng sẽ giảm Phương pháp này thường nhanh hơn so với thuật toán giảm độ dốc nhất chuẩn (Rprop algorithm).
Giải thuật K-means
Nhiều giải thuật cho phép giảm số lượng mẫu ban đầu bằng cách nhóm các mẫu có đặc tính tương đồng, từ đó lấy tâm nhóm làm mẫu đại diện cho các mẫu lân cận Phương pháp này giúp giảm số lượng mẫu mà không ảnh hưởng đến độ chính xác nhận dạng, đồng thời tiết kiệm thời gian huấn luyện và dung lượng bộ nhớ Một trong những giải thuật hiệu quả là K_mean, với các bước thực hiện cụ thể như sau:
Bước 1: Tùy ý lựa chọn K tâm lớp ban đầu z 1 (1), z 2 (1), z 3 (1),…….z k (1) Thường các tâm lớp này được chọn từ K mẫu ban đầu
Bước 2: Ở bước lặp thứ K tập mẫu {x} thuộc về lớp thứ K tuân theo điều kiện sau
Đối với mọi i=1,2,…,K và i≠j, tập hợp Sj(k) bao gồm các mẫu thuộc lớp có tâm lớp là zj(k) Bước 3 yêu cầu xác định tâm lớp mới zj(k+1) cho j=1,2,…,K, dựa trên kết quả từ bước 2, với điều kiện tổng bình phương khoảng cách giữa các mẫu trong lớp phải được tính toán.
S j (k) và tâm lớp mới phải cực tiểu Nói cách khác, các tâm lớp mới z j (k+1) đƣợc lựa chọn bằng cách cực tiểu hóa hàm mục tiêu
(2.11) Các tâm lớp mới đƣợc xác định theo biểu thức:
(2.12) Ở đây, N j là số lƣợng mẫu của lớp S j (k)
Bước 4: Điều kiện hội tụ của thuật toán lặp là: z j (k+1) = z j (k), với j= 1,2, K (2.13)
Thuật toán AHP [4]
Phương pháp tiếp cận này sử dụng kỹ thuật Analytic Hierarchy Process (AHP) để hỗ trợ ra quyết định trong việc sắp xếp các đơn vị trong chuỗi giá trị.
AHP (Phương pháp phân tích thứ bậc) là một công cụ hữu ích trong việc ra quyết định, giúp trình bày các phương án và tiêu chí đánh giá một cách cân bằng Phương pháp này cho phép thực hiện phân tích và định lượng, đặc biệt phù hợp trong các tình huống có nhiều phương án và tiêu chí tương tác phức tạp AHP hỗ trợ người dùng trong việc tổng hợp thông tin để đưa ra quyết định cuối cùng một cách hiệu quả.
Các bước của thuật toán AHP có thể được trình bày như sau:
Bước 1: Thiết lập mô hình hệ thống phân cấp
Hình 2.11: Mô hình mạng phân cấp của việc sắp xếp các đơn vị Bước 2: Xây dựng ma trận phán đoán
Giá trị của các thành phần trong ma trận phán đoán thể hiện hiểu biết của người sử dụng về tầm quan trọng của mối liên hệ giữa các cặp hệ số.
PI 4 tiêu chí 4 Đơn vị 1 Đơn vị 2 Đơn vị 3
Ma trận phán đoán có thể được xây dựng dựa trên phương pháp tỷ lệ, được gọi là “phương pháp tỷ lệ 9” Khi biểu diễn hai chỉ số A và B, mối quan hệ giữa chúng có thể được thể hiện một cách rõ ràng nếu áp dụng phương pháp này.
Nếu cả hai chỉ số A và B quan trọng nhƣ nhau thì hệ số tỷ lệ sẽ là “1”
Nếu biểu diễn chỉ số A quan trọng hơn chỉ số B một ch t thì hệ số tỷ lệ của
Nếu biểu diễn chỉ số A quan trọng hơn chỉ số B thì hệ số tỷ lệ của A so với B là “5”
Nếu biểu diễn chỉ số A quan trọng khá nhiều hơn chỉ số B thì hệ số tỷ lệ của
Nếu biểu diễn chỉ số A cực kỳ quan trọng hơn chỉ số B thì hệ số tỷ lệ của A so với B là “9”
Một cách tương tự, “2”, “4”, “6”, “8” là giá trị trung bình của những phán đoán kề cận tương ứng
Để tính toán trị riêng lớn nhất và vector riêng tương ứng của ma trận phán đoán, bước thứ ba là áp dụng phương pháp lấy căn để xác định trị riêng lớn nhất.
(1) Nhân tất cả các thành phần trong mỗi hàng của ma trận phán đoán
M i i X ij ,i 1, ,n; j 1, ,n (2.14) Ở đây: n là hạng của ma trận phán đoán A, X ij là phần tử của ma trận A
Bằng cách này có đƣợc vector riêng của ma trận A,
(4) Tính toán trị riêng lớn nhất max của ma trận phán đoán i n nW
(2.19) Ở đây: (AW) i đại diện cho thành phần thứ i của vector AW
Bước 4: Sắp xếp phân cấp và kiểm tra tính nhất quán của các kết quả
