Ứng dụng các giải thuật metaheuristic vào vấn đề loại bỏ sóng hài cho bộ nghịch lưu đa bậc

BỘ NGHỊCH LƯU ĐA BẬC VÀ PHƯƠNG PHÁP ĐIỀU KHIỂN

Bộ nghịch lưu đa bậc nối diode

Cấu hình các bộ nghịch lưu đa bậc được biểu diễn như sau:

Hình 1.1: Cấu trúc bộ nghịch lưu đa bậc dạng nối diode

Bộ biến đổi nối diode m bậc bao gồm m-1 tụ điện phía DC, cho phép tổng hợp m bậc điện áp ngõ ra Điện áp nguồn một chiều tổng là Vdc, trong khi điện áp trên mỗi tụ ở đầu vào là Vdc/m Điện áp đặt trên mỗi linh kiện tương ứng với điện áp trên mỗi tụ là Vdc/3, thông qua các diode mắc đối song.

Bộ nghịch lưu đa bậc nguồn áp nối diode có các ưu điểm là:

- Khi số bậc đủ lớn, hài bậc cao sẽ đủ thấp để không cần sử dụng bộ lọc

- Hiệu suất cao vì các khóa bán dẫn có thể được điều khiển ở tần số đóng ngắt cơ bản

- Phương pháp điều khiển đơn giản cho hệ thống kết nối dạng đối song

Cấu hình này gặp khó khăn trong thiết kế hệ thống thực tế khi yêu cầu số bậc điện áp cao (m lớn), do số lượng diode tăng theo tỷ lệ bình phương với m Hơn nữa, việc điều khiển công suất tịch cực cho các bộ biến đổi đơn cũng trở nên phức tạp.

Bộ nghịch lưu đa bậc nối tụ

Cấu hình cơ bản của một bộ nghịch lưu áp đa bậc dạng nối tụ như sau:

LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng

GVHD: PGS.TS Phan Quốc Dũng

Hình 1.2: Cấu trúc bộ nghịch lưu đa bậc dạng nối tụ

Các mức điện áp trong bộ biến đổi đa bậc nối tụ tương tự như trong trường hợp nối diode Bộ biến đổi có m bậc điện áp ngõ ra bao gồm cả bậc chuẩn, và để hoạt động, phía đầu vào cần có m-1 tụ.

Với cấu hình nối tụ:

- Khi số lượng tụ tích điện lớn sẽ có khả năng duy trì trong khoảng thời gian nhất định khi mất điện

- Cung cấp nhiều tổ hợp đóng cắt dự phòng để có thể duy trì việc cân bằng các bậc điện áp khác nhau

- Khi số bậc đủ cao, thành phần hài đủ nhỏ để loại bỏ các bộ lọc

- Có thể điều khiển lượng công suất tích cực hoặc phản kháng, giúp cho bộ nghịch lưu áp này có thể sử dụng cho ứng dụng HVDC

Việc sử dụng một lượng lớn tụ điện trong hệ thống không chỉ làm tăng kích thước mà còn dẫn đến chi phí cao Thêm vào đó, việc điều khiển bộ nghịch lưu gặp nhiều khó khăn do tần số cao và tổn thất khi đóng cắt trong quá trình truyền tải công suất thực.

Bộ nghịch lưu đa bậc dạng module ghép tầng

Dạng module ghép tầng với nguồn DC độc lập được biểu diễn như sau:

Hình 1.3: Cấu trúc bộ nghịch lưu đa bậc dạng module ghép tầng với nguồn DC độc lập

Mỗi module trong hệ thống là bộ nghịch lưu cầu 1 pha (H-bridge) với nguồn cấp độc lập, được kết nối nối tiếp để tổng hợp điện áp từ các nguồn DC như pin mặt trời hoặc ắc quy Việc kết hợp nhiều module giúp tạo ra nhiều bậc điện áp, làm giảm chênh lệch điện áp và cải thiện độ mịn của sóng điện áp đầu ra, từ đó giảm thiểu độ méo dạng sóng hài và cần ít bộ lọc hơn Ưu điểm nổi bật của hệ thống này là khả năng tận dụng nguồn độc lập, giảm thiểu số lượng diode và tụ điện, giúp tiết kiệm không gian và tránh mất cân bằng điện áp Mặc dù chi phí đầu tư cho các nguồn DC độc lập là một yếu tố cần xem xét, nhưng sự phát triển mạnh mẽ của năng lượng tái tạo hiện nay cho thấy tiềm năng ứng dụng cao của bộ nghịch lưu đa bậc ghép tầng Do đó, báo cáo này sẽ tập trung vào việc sử dụng cấu hình module ghép tầng để kiểm chứng các phương pháp điều khiển tối ưu.

Về mặt điện áp, mỗi module tạo ra 3 giá trị điện áp khác nhau: -Vdc,0, Vdc nhờ vào việc điều khiển 4 khóa công suất S1, S2, S3, S4

- Vout = 0, S1 và S2 hoặc S3 và S4 đóng

Điện áp ngõ ra được xác định bằng công thức 2*m+1, trong đó m là số module được kết nối theo kiểu nối tiếp Hình ảnh bên dưới minh họa nguyên lý hoạt động của một module H-bridge cơ bản.

Hình 1.4: Nguyên lý hoạt động của 1 module H-bridge ở 2 mức điện áp Vdc và -Vdc

Để điều khiển các khóa bán dẫn hiệu quả, cần tìm ra phương pháp đảm bảo điện áp đầu ra đạt yêu cầu, đồng thời giảm thiểu thành phần hài bậc cao, giảm số lần đóng cắt, và đảm bảo chuyển mạch an toàn Ngoài ra, cần tránh chế độ điện áp chung và cho phép điều khiển bằng vi xử lý.

Có các phương pháp điều khiển điều biến độ rộng xung thường áp dụng:

- Điều biến độ rộng xung trên cơ sở sóng mang (Carrier-Based PWM Method-

- Điều biến độ rộng xung trên cơ sở sóng mang tam giác theo nguyên lý dịch pha (Phase-shifted triangle carriers-PS)

- Điều biến độ rộng xung sử dụng vector không gian điện áp tổng (Space- Vector PWM)

- Điều biến độ rộng xung tối ưu hay nhiều bước (multistep)

Bài viết này trình bày phương pháp điều khiển PWM tối ưu, sử dụng các thuật toán metaheuristic để xác định giá trị góc đóng cắt phù hợp Một ví dụ cụ thể sẽ được minh họa để làm rõ ứng dụng của phương pháp này.

GVHD: PGS.TS Phan Quốc Dũng đã trình bày về giá trị góc đóng cắt cho bộ nghịch lưu 11 bậc, với tỉ số điều biên thay đổi từ 0.2 đến 1, cùng với bước nhảy 0.2 Thông tin này có ý nghĩa quan trọng trong việc tối ưu hóa hiệu suất của bộ nghịch lưu, góp phần nâng cao hiệu quả trong các ứng dụng công nghiệp.

Hình 1.5: Phương pháp điều khiển PWM tối ưu [7]

Trong đó, điện áp hình sin đầu ra được tổng hợp từ 5 thành phần điện áp của các module ghép nối tiếp với nhau

Tỉ số điều biên ma là tỷ lệ giữa điện áp ngõ ra và điện áp ngõ vào Trong trường hợp này, mỗi mô đun được cấp nguồn DC độc lập và ghép tầng, với điện áp ngõ vào Vin là 5Vdc Khi tỉ số điều biên ma đạt 1, điện áp ngõ ra sẽ có biên độ là 5Vdc.

Với bộ nghịch lưu 3 pha, thành phần hài bậc 3*n (n=1,2,3 ) tự triệt tiêu , các thành phần hài bậc cao được biểu diễn là tổng hợp các thành phần

(5 ), (7 ), (11 ), (13 ) … Để tìm ra thành phần hài này, tiến hành phân tích Fourier thành phần điện áp đầu ra ta có:

( ) = ∑ , , ( )( ( ) + ( ) + ⋯ + ( ))sin ( ) (1) Thành phần biên độ điện áp cơ bản: = ∑ ( ) = 5 (2)

Hệ số méo dạng toàn phần THD được xác định như sau:

Với là biên độ của thành phần cơ bản, là biên độ của hài bậc n và có giá trị phụ thuộc vào góc kích khóa bán dẫn:

Để giảm thiểu tổng hài lệch (THD) ở tín hiệu điện áp ngõ ra với n = 6k±1 (k = 1,2,3, ), hàm mục tiêu F(θ) cần được tối thiểu hóa, trong đó 0 < < < < < cho n bậc sóng hài, đồng thời phải tuân thủ các điều kiện ràng buộc của SHE Các điều kiện toán học liên quan sẽ được áp dụng để đạt được mục tiêu này.

Các phương pháp điều khiển cụ thể sẽ được trình bày kỹ hơn trong các phần sau

Các phương pháp metaheuristic như GA và GWO sẽ được áp dụng để xác định giá trị tối ưu cho các góc kích của khóa bán dẫn, nhằm đảm bảo giảm thiểu sóng hài và khắc phục những hạn chế của các phương pháp truyền thống như Rewton Rhapshon, dựa trên mối liên hệ giữa hệ số méo dạng toàn phần và góc kích.

CÁC THUẬT TOÁN METAHEURISTIC

Thuật toán metaheuristic là những phương pháp tối ưu hóa được phát triển dựa trên các nguyên tắc tự nhiên, mô phỏng các đặc điểm tích cực của thiên nhiên thông qua chọn lọc tự nhiên và sự thích nghi xã hội Những thuật toán này thường giải quyết các bài toán phức tạp ở mức độ trừu tượng và cung cấp các giải pháp gần tối ưu trong không gian tìm kiếm.

Có hai loại thuật toán chính: thuật toán dựa trên quỹ đạo và thuật toán dựa trên dân số, với sự khác biệt nằm ở số lượng lời giải dự kiến sử dụng trong mỗi bước lặp Các phương pháp như GA (Genetic Algorithm) và GWO (Grey Wolf Optimizer) là những ví dụ tiêu biểu cho thuật toán dựa trên quần thể hoặc dân số.

2.1 Thuật toán gen di truyền (Genetic Algorithm: GA)

Lấy cảm hứng từ qúa trình di truyền và chọn lọc tự nhiên, thuật toán di truyền

Giải thuật di truyền (GA) được thực hiện qua 6 bước chính: khởi tạo giá trị ban đầu, đánh giá và gán giá trị cho các cá thể trong quần thể, chọn cá thể phù hợp nhất, trao đổi chéo từ tổ hợp của cá thể bố mẹ để tạo ra cá thể con, thực hiện đột biến, và cuối cùng là chèn lại để quay về quá trình đánh giá cho đến khi đạt được độ chính xác yêu cầu Để ứng dụng giải thuật này vào bài toán tìm góc đóng cắt tối ưu cho bộ nghịch lưu đa bậc ghép tầng, cần tuân thủ quy trình thực hiện nêu trên.

Hình 2.1: Các thuật ngữ cơ bản trong giải thuật gen di truyền

- Khởi tạo quần thể (Population): là một tập hợp tất cả các lời giải cho bài toán

Nhiễm sắc thể (NST) là một yếu tố quan trọng trong việc giải quyết bài toán, cụ thể là tập hợp các giá trị góc đóng cắt cho các module.

Gen (Gene) là một phần tử vị trí trên nhiễm sắc thể, thể hiện qua các giá trị góc kích Khi các giá trị này được giữ ở dạng số thực, các gen xác định vị trí của các góc đóng cắt trong nhiễm sắc thể Ngược lại, nếu giá trị góc kích được mã hóa thành dạng nhị phân [0,1], thì gen sẽ là vị trí của các phần tử 0,1 trong chuỗi bit tương ứng với một nhiễm sắc thể.

- Allele: giá trị của 1 phần tử tại vị trí gene

- Genotype: quần thể trong không gian tính toán, có thể là tập hợp các chuổi mã nhị phân

- Phenotype: quần thể trong không gian thực, tập hợp các góc đóng cắt

Hàm Fitness là một hàm mục tiêu, dùng để kiểm tra xem các lời giải có đạt được mục tiêu ban đầu hay không Nó giúp tìm cực tiểu hoặc cực đại, đảm bảo rằng lời giải nhỏ hơn một giá trị đã đặt, hoặc thực hiện đủ số vòng lặp tối đa để xác định điều kiện dừng của bài toán.

- Toán tử di truyền (genetic operator): là các hoạt động tổ hợp gen nhằm mục đích tạo ra thế hệ mới: chọn lọc, Lai ghép, đột biến,

Các bước thực hiện được tổng quá qua lưu đồ sau:

Hình 2.3: Quá trình thực hiện giải thuật GA

Lựa chọn cách biểu diễn các lời giải là yếu tố quan trọng ảnh hưởng đến hiệu suất, với các dạng thể hiện của genotype như chuỗi bits, số thực, số nguyên và biểu diễn theo thứ bậc Việc sử dụng mã nhị phân có thể gây ra sự thay đổi lớn với chỉ một bit, do đó mã gray là một giải pháp hiệu quả Biểu diễn bằng số thực có thể hạn chế khả năng tính toán, trong khi biểu diễn bằng số nguyên thường được áp dụng cho dữ liệu rời rạc Cuối cùng, biểu diễn theo thứ bậc thường được sử dụng cho các bài toán yêu cầu đầu ra theo thứ tự.

Khi khởi tạo quần thể, kích thước cần được duy trì ổn định để tránh hiện tượng hội tụ sớm; quần thể quá lớn có thể làm chậm quá trình tính toán, trong khi quần thể quá nhỏ có thể gây khó khăn trong việc tìm kiếm giá trị tối ưu Do đó, kích thước quần thể, bao gồm số lượng NST và số lượng gen trong mỗi NST, cần được xác định qua phương pháp thử và sai trong thực nghiệm để phù hợp với dữ liệu đầu vào Việc khởi tạo có thể thực hiện bằng cách ngẫu nhiên toàn bộ quần thể hoặc kết hợp một số NST đã biết và ngẫu nhiên chọn phần còn lại.

- Hàm fitness: tính toán mức độ phù hợp của một NST, không nên để quá phức tạp để có thể đánh giá nhanh

Sau khi tính toán giá trị hàm Fitness, mỗi NST sẽ có một fitness score riêng Các giá trị này sẽ được sử dụng để đánh giá và lựa chọn nhằm tạo ra quần thể mới thông qua các phương pháp khác nhau.

Bánh xe Roulette là một phương pháp chọn lọc trong quá trình tạo ra quần thể mới dựa trên tỉ lệ phần trăm của các NST trong toàn bộ quần thể Bằng cách cố định một điểm trên vòng quay và thực hiện nhiều lần quay, mỗi lần quay sẽ chọn ra một phần tử mới cho quần thể, tương ứng với giá trị đối diện điểm cố định Sau n lần quay (với n là số lượng NST), quần thể mới sẽ được hình thành Những cá thể có fitness score cao sẽ chiếm diện tích lớn hơn trên bánh xe, do đó có xác suất quay trúng cao hơn.

Hình 2.4: Lựa chọn quần thể mới bằng bánh xe Roullete

Lấy mẫu chung ngẫu nhiên, hay còn gọi là Schotastic Universal Sampling, tương tự như bánh xe Roulette nhưng sử dụng hai điểm cố định thay vì một Một phương pháp khác là lựa chọn theo giải đấu (Tournament selection), trong đó mỗi lần chọn k phần tử ngẫu nhiên từ quần thể và chọn phần tử có fitness score cao nhất Sau n lần chọn, chúng ta sẽ có được quần thể mới, phương pháp này cũng có thể áp dụng với giá trị âm.

Lựa chọn theo xếp hạng là phương pháp sử dụng khi các cá thể có xác suất xuất hiện gần như nhau, với bánh xe Roulette được chia thành các phần đều nhau Tuy nhiên, phương pháp này thường không cho phép lựa chọn thế hệ sau tốt Ngược lại, lựa chọn ngẫu nhiên thường không mang lại kết quả tốt và ít được áp dụng trong thực tiễn.

Lai ghép (crossover) là quá trình lựa chọn nhiều hơn một nhiễm sắc thể (NST) để thực hiện lai ghép, từ đó tạo ra thế hệ mới Xác suất để tiến hành lai ghép được ký hiệu là Pc, theo nghiên cứu của Kenneth.

De Jong thì giá trị này nên là 0.6 Có các phương pháp lai ghép sau:

+ Lai ghép 1 điểm: chọn ngẫu nhiên 1 điểm tráo đầu và đuôi của 2 NST cho nhau tại vị trí điểm chọn

+ Lai ghép nhiều điểm: tương tự phương pháp trên nhưng thay vì 1 điểm thì

2 hoặc nhiều điểm được lựa chọn

+ Uniform crossover: mỗi gen được phân tách rời rạc và tiến hành tráo vị trí các gen của 2 cá thế bố và mẹ với nhau

+ Tổng hợp theo số học: các cá thể con tại vị trí k là tổ hợp toán học của bố và mẹ tại vị trí tương ứng: child = αx + (1 − α)y

Lai ghép theo bậc Davis bao gồm việc tạo ra hai điểm lai ghép ngẫu nhiên Từ phần tử cha thứ nhất, chọn những điểm nằm giữa hai điểm đã chọn và chuyển chúng vào vị trí tương ứng ở thế hệ con Đối với phần tử cha thứ hai, lấy các giá trị nằm ngoài điểm lai ghép, sau đó xáo trộn và điền vào phần còn lại của thế hệ con đầu tiên Quy trình này được lặp lại với phần tử cha thứ hai để tạo ra phần tử con thứ hai.

Ngoài ra có nhiều phương pháp lai ghép khác như: Partial Mapped, Order base, Shuffle crossover, Ring crossover, Age based, fitness based,…

Đột biến (mutation) là một sự thay đổi nhỏ trong cấu trúc của nhiễm sắc thể (NST), dẫn đến sự hình thành những giải pháp mới Xác suất xảy ra đột biến (Pm) thường thấp hơn nhiều so với xác suất lai ghép.

QUÁ TRÌNH TIẾN HÀNH

3.1 Xây dựng giải thuật GA

Bài toán tìm giá trị góc kích cho khóa bán dẫn yêu cầu các góc nằm trong khoảng (-pi/2, pi/2) và là số thập phân Việc sử dụng số thực để biểu diễn lời giải gặp phải nhiều hạn chế về tính toán Do đó, trong báo cáo này, các lời giải sẽ được chuyển đổi thành chuỗi bit, trong đó các giá trị thực của góc (radian) sẽ được mã hóa và giải mã thông qua các hàm encode và decode.

Dựa vào các bước đã trình bày trong phần 2.1, quá trình xây dựng giải thuật GA trong matlab được tiến hành như lưu đồ sau:

Hình 3.1: Các bước thực hiện giải thuật GA

3.1.1 Khởi tạo quần thể Đối với việc lựa chọn góc kích, các giá trị được lựa chọn hoàn toàn ngẫu nhiên Với bộ nghịch lưu 11 bậc, số lượng góc kích cần tìm ứng với mỗi tỉ số điều biên là 5 Do đó lựa chọn kích thước quần thể là 20÷30 NST

Độ chính xác trong việc chuyển đổi giữa mã nhị phân và số thực ảnh hưởng trực tiếp đến chất lượng điện áp ngõ ra Để đạt được độ chính xác 3 chữ số thập phân cho các giá trị góc trong khoảng [0÷15708], cần xác định độ dài chuỗi bit tương ứng với mỗi giá trị góc kích.

2 x ≥ 15708 x ≥ 14 Như vậy, mỗi giá trị góc kích có độ dài 14 bits, mỗi nhiễm sắc thể gồm 5 góc kích nên có độ dài 70 bits

Các giá trị góc kích được tạo ra ngẫu nhiên trong MATLAB bằng cách sử dụng hàm random Cụ thể, các giá trị này được tạo bằng lệnh sau: theta1 = (randi([0,15708],1,SearchAgents)); theta2 = (randi([0,15708],1,SearchAgents)); theta3 = (randi([0,15708],1,SearchAgents)); theta4 = (randi([0,15708],1,SearchAgents)); theta5 = (randi([0,15708],1,SearchAgents));.

Với “SearchAgents” là kích thước quần thể và được chọn là 20 nhiễm sắc thể

3.1.3 Tính fitness score Để đạt được mục tiêu là giảm thiểu thành phần hài bậc cao của điện áp ngõ ra cho bộ nghịch lưu 11 bậc, hàm fitness cho bài toán được đưa ra như sau:

Các giá trị góc được giữ ở dạng số thực để có thể áp dụng được vào hàm fitness này

3.1.4 Lựa chọn quần thể mới Để lựa chọn thế hệ sau cho quẩn thể các giá trị góc đóng cắt, phương pháp lựa chọn bằng giải đấu và bánh xe Roullete được áp dụng, tuy nhiên lựa chọn giải đấu (Tournemen) cho thấy kết quả tốt hơn Quá trình được mô tả như lưu đồ hình 3.2

Hình 3.2: Lựa chọn quần thể mới bằng giải thuật Tournement

Mỗi lần chọn ngẫu nhiên 5 phần tử trong quần thể, ta sẽ xác định phần tử có fitness score cao nhất Sau 20 lần lặp, một quần thể mới sẽ được hình thành từ những cá thể có điểm cao nhất Nhờ đó, chỉ sau vài lần lặp, số lượng cá thể có điểm cao sẽ tăng lên đáng kể.

Phương pháp lai ghép lựa chọn, đặc biệt là lai ghép 1 điểm, là phương pháp phổ biến trong bài toán này Cụ thể, phương pháp này bao gồm việc chọn ngẫu nhiên một điểm trên nhiễm sắc thể (NST) và tráo đổi đầu và đuôi của hai NST tại vị trí đã chọn Sau đó, các giá trị góc được dịch mã để chuyển đổi thành các bit 0 và 1.

Xác suất lai ghép được lựa chọn là 0.5

Các bước tiến hành hoán vị như sau:

B1 Khởi tạo ngẫu nhiên 20 phần tử có giá trị trong khoảng [1,20]

B2 Tính lượng NST hoán vị trong mỗi lần lặp như sau:

Kích thước (Positions) được xác định bởi số lượng quần thể là 20 Mỗi lần lặp, sẽ có N/2 cặp nhiễm sắc thể (NST) được hoán vị cho nhau, từ đó tạo ra N/2 cặp cá thể con tương ứng.

Tại vị trí thứ i trong tập ngẫu nhiên, nếu giá trị là x, cặp bố mẹ có giá trị x và x+1 sẽ được hoán vị ngẫu nhiên trong khoảng [2,69] Cặp NST con sẽ thay thế vào vị trí x và x+1 của cặp bố mẹ Sau N/2 lần lặp, chúng ta sẽ có một quần thể mới với các cá thể con được lai ghép từ các cặp bố mẹ có fitness score tốt.

Báo cáo áp dụng phương pháp đảo bit cho bài toán tìm giá trị góc đóng cắt tối ưu

Trong mỗi lần lặp, số lượng bit được chọn là nbit = 70 * SearchAgents * pm, trong đó pm là xác suất đột biến, được đặt ở mức rất nhỏ là 0.005 so với pc Bước này sử dụng quần thể đã được lai ghép làm đầu vào.

Khi tiến hành đột biến,

B1 Khởi tạo ngẫu nhiên một vector có kích thước là (1, 20*70) với giá trị trong khoảng [0,pi/2]

Lặp 20*70 vòng lặp, so sánh giá trị của vector ngẫu nhiên tại bước 1 với pm tại vị trí thứ i Nếu giá trị nhỏ hơn pm, vị trí đó sẽ được chọn cho đột biến Sau khi hoàn tất quá trình, ta thu được vector vị trí (indexArray) với kích thước count phần tử.

B3 Số lượng bit đột biến là giá trị nhỏ nhất giữa nbit và số lượng phần tử được chọn ở B2 mutationNum = min(nbit, count)

B4 Lặp mutationNum lần, tại vị trí thứ i trong indexArray, tiến hành đảo bit, các bit có giá trị 0 được đảo thành 1 và ngược lại

Quá trình lặp hoàn tất, quần thể mới thu được gồm các phần tử có fitness score cao đã được lai ghép và đột biến

Giá trị vị trí sau khi tính toán sẽ được kiểm tra và áp dụng các điều kiện biên nhằm đảm bảo không vượt ra ngoài không gian tìm kiếm Các điều kiện này được lấy từ bảng tham chiếu trong hình 3, tương ứng với các khoảng giá trị của tỷ số điều biên m.

Các giá trị được giải mã để đưa về dạng số thực và đưa về bước 2 để tính fitness score

Bài toán có điều kiện dừng là khi đạt số vòng lặp tối đa, với max_iteration được chọn là 200, 250 và 300

3.2 Xây dựng giải thuật GWO

Thuật toán GWO (Grey Wolf Optimizer) mô phỏng hành vi săn mồi của bầy sói, bao gồm các bước khởi tạo quần thể, tính toán fitness score, cập nhật vị trí và dừng lại khi đạt số vòng lặp tối đa Để áp dụng GWO vào bài toán tìm góc kích tối ưu cho bộ nghịch lưu đa bậc ghép tầng (5 bậc), quy trình thực hiện thuật toán GWO được triển khai một cách cụ thể và chi tiết.

Hình 3.3: Các bước thực hiện giải thuật GWO

Quần thể trong thuật toán GWO được thiết lập với kích thước 20 phần tử và số vòng lặp tối đa là 200, 250 hoặc 300 Ma trận tọa độ được khởi tạo trong MATLAB để thực hiện các phép tính cần thiết.

Hàm mục tiêu (fitness) cũng tương tự như giải thuật GA:

Phần tử có điểm cao nhất sau khi tính toán được gán cho alpha, phần tử cao thứ

2 là beta, phần tử cao thứ 3 là delta

3.2.3 Cập nhật lại vị trí

B1 Để cập nhật lại vị trí, a giảm từ 2 về 0

B2 Cho biến chạy lần lượt từng phần tử trong quần thể, lần lượt tính toán các giá trị A1, C1, A2, C2, A3,C3, D_alpha, D_beta, D_delta

B3 Các giá trị X1, X2, X3 được tính theo công thức (5), và vị trí tại vòng lặp lúc này được cập nhật lại theo công thức (6)

KẾT QUẢ MÔ PHỎNG

4.1 Kết quả mô phỏng với phương pháp GA

Khảo sát sự thay đổi giá trị góc kích được tính toán từ thuật toán GA cho thấy rằng khi tỉ số điều biên thay đổi từ 0.4 đến 1, các kết quả thu được với kiểu mã hóa nhị phân mang lại những biến động đáng kể.

Hình 4.1: Giá trị các góc đóng cắt khi tỉ số điều biên thay đổi từ 0.4 đến 1 với dạng mã hóa bằng mã nhị phân

Hình 4.2: Thành phần điện áp cơ bản đầu ra thay đổi khi thay đổi tỉ số điều biên

Hình 4.3: Điện áp 3 pha ngõ ra của bộ nghịch lưu 11 bậc được điều khiển bởi giải thuật GA

Các giá trị góc đóng cắt giảm dần và hội tụ về các quỹ đạo xác định khi tỉ số điều biên tăng Tuy nhiên, do đặc tính của thuật toán GA với các bước hoán vị và đột biến, những thay đổi lớn trong kết quả đầu ra có thể xảy ra, ảnh hưởng đến khả năng hội tụ và tạo ra điểm nhiễu khi số bước lặp đã đạt giới hạn nhưng kết quả chưa đủ nhỏ Sự xuất hiện của các giá trị nhiễu này dẫn đến dao động trong thành phần điện áp cơ bản khi tỉ số điều biên thay đổi Hơn nữa, tốc độ tính toán chậm do khối lượng tính toán lớn và thời gian tiêu tốn cho việc mã hóa và giải mã các NST Việc ứng dụng mã Gray cho thấy lợi thế vì sự thay đổi giá trị 0 và 1 trong mã Gray tạo ra sự thay đổi ít hơn về giá trị thực của góc kích Hình ảnh dưới đây minh họa kết quả sau khi cập nhật phương pháp GA với mã Gray.

Hình 4.4: Góc kích thay đổi theo tỉ số điều biên với dạng mã hóa bằng mã gray

Kết quả nghiên cứu chỉ ra rằng các giá trị góc đóng cắt sử dụng mã Gray ít bị nhiễu hơn so với mã nhị phân, đồng thời bám sát quỹ đạo tuyến tính tốt hơn Việc áp dụng mã Gray trong trường hợp này đã mang lại hiệu quả rõ rệt Tuy nhiên, vấn đề về thời gian tính toán chậm vẫn cần được nghiên cứu và cải thiện trong các phần tiếp theo.

4.2 Kết quả mô phỏng với phương pháp GWO

Khảo sát sự thay đổi góc kích khi tỉ số điều biên thay đổi từ 0.01 đến 1 với giải thuật GWO:

Hình 4.5: Góc kích thay đổi khi tỉ số điều biên thay đổi từ 0.01 đến 1 ứng với phương pháp GWO

Trong khoảng tỉ số điều biên nhỏ hơn 0.3, thuật toán không thể tìm ra giá trị tối ưu do sự nhiễu làm cho điện áp không tuyến tính Ngược lại, ở những khoảng tỉ số điều biên khác, các giá trị góc kích bám sát quỹ đạo với ít điểm nhiễu Hơn nữa, GWO nổi bật với khối lượng tính toán thấp và thời gian tính toán nhanh.

4.3 So sánh kết quả mô phỏng giữa GA với GWO

Hiệu quả của hai phương pháp GA và GWO sẽ được đánh giá dựa trên các chỉ tiêu như thời gian chạy, tốc độ hội tụ, giá trị sóng hài của điện áp đầu ra, và mức độ hội tụ tại các khoảng tỉ số điều biên từ 0.01 đến 1.

4.3.1 Đánh giá về mặt sóng hài Đồ thị dưới đây biểu thị giá trị các góc kích thay đổi khi thay đổi tỉ số điều biên từ 0.01 đến 1 ứng với phương pháp GA và GWO được so sánh cùng điều kiện ban đầu (cùng số vòng lặp, cùng kích thước quần thể)

GVHD: PGS.TS Phan Quốc Dũng trình bày sự thay đổi giá trị góc đóng cắt của khối điều khiển bộ nghịch lưu theo tỉ số điều biên khi áp dụng giải thuật GA và GWO Hình 4.6 so sánh hiệu quả của hai giải thuật này khi tỉ số điều biên thay đổi từ 0.01 đến 1.

Quỹ đạo thành phần alpha1 và alpha2 từ giải thuật GWO không đồng nhất và không tuân theo quỹ đạo như giải thuật GA khi tỉ số điều biên nhỏ hơn 0.3 Ngược lại, với tỉ số điều biên lớn hơn 0.3, quỹ đạo của các giá trị góc từ giải thuật GA lại xuất hiện nhiều điểm nhiễu lệch khỏi quỹ đạo.

Về mặt điện áp ngõ ra, thành phần điện áp cơ bản đầu ra của GA (Hình 4.7a) và GWO (Hình 4.7b) cho thấy một số đánh giá như sau:

Khi tỉ số điều biên thay đổi từ 0.01 đến 0.3, GWO cho thấy thành phần điện áp cơ bản dao động mạnh quanh quỹ đạo tuyến tính, với sự lệch hẳn về phía trên quỹ đạo này Ngược lại, quỹ đạo điện áp cơ bản từ giải thuật GA thể hiện mức độ sai lệch nhỏ hơn và ít dao động hơn.

- Khi tỉ số điều biên thay đổi từ 0.3 đến 1, cả hai giải thuật cho giá trị điện áp cơ bản bám sát quỹ đạo tuyến tính

Mức độ sai lệch của quỹ đạo điện áp quanh đường thẳng tuyến tính được xác định qua giá trị R² và RMSE Kết quả cho thấy R² của GA đạt 0.9978, lớn hơn so với GWO là 0.9937, trong khi RMSE của GA là 0.1899, nhỏ hơn RMSE của GWO là 0.3053 Điều này chứng tỏ rằng GA bám sát quỹ đạo lý tưởng hơn so với GWO.

GVHD: PGS.TS Phan Quốc Dũng trình bày về thành phần điện áp cơ bản của bộ nghịch lưu khi áp dụng giải thuật điều khiển GA và GWO Việc áp dụng các giải thuật này giúp tối ưu hóa hiệu suất hoạt động của bộ nghịch lưu, từ đó nâng cao hiệu quả trong các ứng dụng điện tử công suất.

Kết quả mô phỏng trong mô hình Simulink của bộ nghịch lưu ghép tầng 11 bậc cho thấy độ méo dạng sóng hài của hai phương pháp ứng với tỷ số điều biên khác nhau, được tổng hợp trong bảng dưới đây.

Bảng 4.1: So sánh về tổng độ méo dạng sóng hài (THD) của GA và GWO khi cùng số vòng lặp và tỉ số điều biên ma GA(%) GWO(%)

1 3.91 3.91 Đồ thị so sánh về giá trị sóng hài của 3 phương pháp được biểu diễn như sau:

Hình 4.7: So sánh THA% của 2 phương pháp khi tỉ số điều biên thay đổi từ 0.01-1

Kết quả thống kê cho thấy rằng giá trị THD(%) của GA và GWO tương tự nhau, dao động quanh mức 5% khi tỉ số điều biên lớn hơn 0.6 Tuy nhiên, trong khoảng giá trị này, GA lại đạt được giá trị THD(%) thấp hơn so với GWO.

Khi tỉ số điều biên nhỏ hơn 0.6, cả hai phương pháp đều cho giá trị THD(%) lớn, với GWO đạt mức cao nhất là 40.21% tại tỉ số điều biên 0.1, trong khi GA có giá trị thấp hơn là 32.39% Theo tiêu chuẩn IEC 61000 về sóng hài, mức THD(%) cho phép đối với điện áp phân phối 400kV là 5% Do đó, hai phương pháp có các vùng tỉ số điều biên thỏa mãn điều kiện từ 0.6, 0.85 và trong khoảng [0.95,1].

Hình 4.8 cho thấy đường màu xám biểu diễn tỷ lệ THD(%) theo tỷ số điều biên của phương pháp GWO, trong khi đường màu cam thể hiện THD(%) theo tỷ số điều biên của phương pháp GA Tổng quát, hai phương pháp này cho thấy sự khác biệt trong hiệu suất xử lý.

(1) Nhìn chung khi tỉ số điều biên thay đổi, giá trị THD(%) của cả 2 phương pháp cho kết quả tương tự nhau

(2) Khi ma>0.6, giá trị THD(%) của 2 phương pháp dao động quanh mức 5%

Và ngược lại, khi ma ≤ 0.6 giá trị THD(%) của 2 phương pháp tăng dần từ

NGHIÊN CỨU CẢI TIẾN VỀ MẶT THỜI GIAN

Thông thường, để dịch mã và giải mã cần thực hiện các bước sau:

B1 Chuyển từ decimal sang binary: theta1Bin = dec2bin(theta1,14);

B2 Chuyển từ binary sang mã gray: theta1Gray(i,:) = bin2gray(theta1Bin(i,:));

The "bin2gray" function converts binary values to Gray code by performing an XOR operation on adjacent bits The function initializes a character array for the Gray code output, setting the first bit equal to the first bit of the binary input It then iterates through the binary string, calculating the XOR of each pair of adjacent bits and storing the result in the Gray code array This process effectively transforms the binary representation into its corresponding Gray code format.

B1 Chuyển từ gray sang binary: x1binf = gray2bin(xbin(1:14));

B2 Chuyển từ binary sang decimal: x1 = (1/10000)*bin2dec(x1binf);

The "gray2bin" function converts Gray code to binary by performing the XOR operation on adjacent bits It initializes a character array to store the binary result, setting the first bit to match the first bit of the Gray code input A loop iterates through the remaining bits, applying the XOR operation between the previous binary bit and the current Gray bit to compute the corresponding binary value The final output is a binary representation derived from the input Gray code.

GVHD: PGS.TS Phan Quốc Dũng end

Các hàm bin2dec,dec2bin, num2str, str2num là những hàm có sẵn trong matlab

5.3 Nghiên cứu áp dụng machine learning

Phương pháp machine learning sẽ được áp dụng cho hai quá trình chính là dịch mã và giải mã, yêu cầu xây dựng hai mạng khác nhau Trong nghiên cứu về các phương pháp học máy cho bài toán hồi quy, RNN và LSTM đã cho thấy hiệu quả vượt trội nhờ khả năng ghi nhớ Đặc biệt, LSTM có khả năng ghi nhớ tốt hơn RNN nhờ vào các bước truyền thẳng và truyền ngược, mặc dù độ phức tạp cao hơn Kết quả dự báo của LSTM cũng chính xác hơn so với RNN, vì vậy LSTM được chọn để giảm thời gian chạy cho bài toán Cần xây dựng hai mô hình cho quá trình này.

- Mạng LSTM cho phép dịch từ mã gray sang decimal

- Mạng LSTM cho phép dịch từ decimal sang mã gray

Chi tiết về đầu vào, đầu ra và số lượng neuron, số lớp được chọn như sau:

5.3.1 Mạng LSTM dịch mã Gray sang Decimal

Bảng 5.1: Cấu hình mạng LSTM chuyển từ mã Gray sang Decimal

1 'input' Sequence Input Sequence input with 1 dimensions

2 'LSTM' LSTM LSTM with 70 hidden units

Với đầu vào là chuỗi bit dạng gray dài 11 bit, số mẫu được chọn phải lớn hơn 2^11 để đảm bảo bao phủ tất cả các giá trị có thể xảy ra Do đó, tập dữ liệu được sử dụng cho việc huấn luyện gồm 2500 mẫu, với kích thước tập input là 2500*1 cell, mỗi cell có kích thước 1x11.

Đầu ra của quá trình đào tạo phải có kích thước tương đương với số lượng dữ liệu đầu vào, cụ thể là 2500x1 cell, với giá trị là các số thập phân được chuyển đổi từ các chuỗi bit trong tập dữ liệu đầu vào.

Quá trình training sau 350 epochs đạt được như sau:

Hình 5.1: RMSE và Loss của quá trình training mạng LSTM chuyển từ mã Gray sang

Decimal với đầu vào 2500 data, 350 epochs, 70 neurons ở lớp ẩn

Với RMSE của tập test là 3.305 ( tập test có số lượng mẫu là 100, đầu vào và đầu ra tương tự như tập train là 100x1 cell )

5.3.2 Mạng LSTM dịch từ Decimal sang mã Gray

Mạng được sử dụng để đào tạo cho bài toán ngược tương tự như mạng cho bài toán thuận, nhưng có sự khác biệt ở chỗ bài toán này có nhiều đầu vào và đầu ra Dữ liệu đầu vào và đầu ra cũng khác biệt so với bài toán thuận.

Bảng 5.2: Cấu hình mạng LSTM chuyển từ Decimal sang mã Gray

1 'input' Sequence Input Sequence input with 1 dimensions

2 'LSTM' LSTM LSTM with 125 hidden units

Bài toán chuyển đổi từ số decimal sang mã gray yêu cầu đầu vào là chuỗi số decimal và đầu ra là chuỗi bit ở dạng gray Trong quá trình thiết kế mạng, khi giữ nguyên số đầu vào ở dạng decimal, đầu ra mã gray không hội tụ Do đó, phương pháp one-hot encoding được áp dụng để chuyển đổi các số decimal thành các vector trọng số, thể hiện vị trí của chúng trong chuỗi ký tự [0,1,2,3,4,5,6,7,8,9,’’].

Bài toán này sử dụng tập train gồm 10.000 ô, mỗi ô chứa một mảng kích thước 6x11, đại diện cho các số ở hệ thập phân sau khi áp dụng thuật toán one-hot encoding Đầu ra của mô hình là 10.000 ô, mỗi ô có kích thước 1x11, tương ứng với chuỗi mã Gray Kết quả sau khi huấn luyện được trình bày như sau:

Hình 5.2: RMSE và Loss của quá trình training mạng LSTM chuyển từ Decimal sang Gray với đầu vào 10000 data, 90 epochs, 125 neurons ở lớp ẩn

RMSE dừng lại ở giá trị 0.35 ( do tập giá trị đầu ra là các bit 0,1, nên RMSE có giá trị nhỏ nhưng mức độ sai số cao)

Các mô hình net.mat được lưu trữ sau quá trình đào tạo nhằm giải quyết bài toán tìm góc kích tối ưu Tuy nhiên, thời gian chạy của các mô hình này không đạt kỳ vọng, do thời gian tải mô hình đã được huấn luyện trong mỗi vòng lặp lâu hơn đáng kể so với thời gian giải mã từ gray sang binary, cũng như chuyển đổi giữa binary và decimal Hơn nữa, độ chính xác của lời giải cũng không cao, vì một sai số nhỏ trong quá trình mã hóa và giải mã tương tự như một phép đột biến trong di truyền, dẫn đến nhiều sai số trong kết quả cuối cùng.

GVHD: PGS.TS Phan Quốc Dũng biến xảy ra với xác suất lớn hơn làm kết quả về mặt sóng hài của bài toán không tối ưu

Một số kết luận khi áp dụng mô hình LSTM như sau:

- Thời gian load model phụ thuộc nhiều vào kích thước của mạng

- Kích thước một mạng phụ thuộc vào khối lượng tính toán: số lượng bit của dữ liệu đầu vào, số lượng epochs, số lượng các neuron ở các lớp ẩn

- Yếu tố ảnh hưởng nhiều nhất đến kích thước mạng là số lượng neuron ở các lớp ẩn

- Mặt khác, khi càng giảm thời gian load model tương ứng với việc giảm kích thước mạng thì độ chính xác của bài toán cũng giảm theo

Mạng LSTM trong bài toán ngược thường có độ chính xác thấp và việc tải model vào chương trình tốn nhiều thời gian hơn so với việc không sử dụng model.

Để đảm bảo thời gian tải mô hình đáp ứng yêu cầu, cần lựa chọn một cấu hình mạng tối ưu với độ chính xác cao và khối lượng tính toán thấp.

Báo cáo cũng nghiên cứu các phương pháp khác như SVM và regression tree, nhưng thời gian áp dụng các mô hình này lâu hơn từ 5 đến 10 lần so với thời gian tính toán thông thường Vì vậy, việc sử dụng các thuật toán machine learning trong trường hợp này không phải là lựa chọn tối ưu.

5.4 Phương pháp sử dụng bảng tham chiếu

Việc sử dụng bảng tham chiếu cho phép ghi lại tất cả các trường hợp giá trị góc kích trong khoảng xem xét, với kích thước bảng phụ thuộc vào số lượng bit được lựa chọn, có thể là 11 bit hoặc 14 bit Số lượng bit càng lớn, độ chính xác của bảng tham chiếu càng cao.

Bảng tham chiếu bao gồm hai cột: cột đầu tiên chứa giá trị thực trong không gian tìm kiếm từ 1 đến 16383 (2^14-1), trong khi cột thứ hai chứa giá trị mã gray với chiều dài 14 bit Mỗi giá trị trong cột 1 tương ứng với chỉ số của các giá trị trong cột 2, đảm bảo rằng mỗi giá trị chỉ xuất hiện một lần duy nhất và không bị trùng lặp, như mô tả trong Hình 5.3.

Hình 5.3: Minh họa cho bảng tham chiếu

Khi chưa áp dụng bảng tham chiếu, quá trình tiến hành cần trải qua 2 bước là:

Quá trình dịch mã bao gồm việc chuyển đổi từ dạng số thực sang mã nhị phân, sau đó từ mã nhị phân sang mã Gray và ngược lại Để thực hiện chuyển đổi từ mã Gray về mã nhị phân, và từ mã nhị phân trở lại dạng số thực, các giá trị thực được chia cho 10000 để đưa về miền giá trị [0, π/2] Thông thường, các bước này được thực hiện bằng cách sử dụng phép XOR giữa các bit để chuyển đổi giữa mã Gray và mã nhị phân, sau đó áp dụng các hàm dec2bin và bin2dec trong MATLAB để đạt được miền giá trị tương ứng.

Tiêu đề	Ứng Dụng Các Giải Thuật Metaheuristic Vào Vấn Đề Loại Bỏ Sóng Hài Cho Bộ Nghịch Lưu Đa Bậc
Tác giả	Nguyễn Thanh Hằng
Người hướng dẫn	PGS.TS Phan Quốc Dũng
Trường học	Đại học Bách Khoa
Chuyên ngành	Kỹ thuật điện
Thể loại	luận văn thạc sĩ
Năm xuất bản	2022
Thành phố	TP.HCM

Định dạng
Số trang	80
Dung lượng	2,95 MB