(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu(Luận văn thạc sĩ) Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu
LỜI CAM ĐOAN Tơi cam đoan đây là cơng trình nghiên cứu của tơi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai cơng bố trong bất kỳ cơng trình nào khác Tp Hồ Chí Minh, ngày tháng năm 2018 ii LỜI CÁM ƠN Trước tiên, tôi xin được gửi lời cảm ơn đến tất cả quý Thầy Cô đã giảng dạy trong chương trình Sau Đại Học lớp Kỹ Thuật Điện – Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh, những người đã truyền đạt cho tơi kiến thức mới, làm cơ sở cho tơi thực hiện tốt luận văn này. Tơi xin chân thành cảm ơn Thầy TS .Lê Mỹ Hà đã tận tình hướng dẫn cho tơi trong thời gian thực hiện luận văn. Mặc dù trong q trình thực hiện luận văn có giai đoạn khơng được thuận lợi nhưng Thầy đã tận tình hướng dẫn, chỉ bảo cho tơi nhiều kiến thức mới. Tơi cũng xin gửi lời cảm ơn đến Phịng Đào tạo Sau Đại Học đã giúp đỡ tơi trong suốt q trình học và bảo vệ luận văn. Sau cùng tơi xin gửi lời biết ơn sâu sắc đến gia đình đã ln tạo điều kiện tốt nhất cho tơi trong suốt q trình học cũng như thực hiện luận văn này. Do thời gian có hạn và kinh nghiệm nghiên cứu khoa học chưa nhiều nên luận văn cịn nhiều thiếu sót, rất mong nhận được ý kiến góp ý của Thầy, Cơ và các Anh Chị học viên. TP Hồ Chí Minh, ngày tháng Học Viên Nguyễn Ngọc Mạnh iii năm 2018 TĨM TẮT Nhận dạng những hư hỏng trong hệ thống điện là một bài tốn khó tuy nhiên nó vẫn ln thu hút được nhiều sự quan tâm nghiên cứu của các nhà khoa học. Đặc biệt là trong giai đoạn hiện nay “ Cách mạng cơng nghệ 4.0” đang được hưởng ứng và phát triển trên thế giới , chính vì thế ứng dựng nhận dạng hư hỏng trong hệ thống điện thơng qua trí tuệ nhân tạo đang được quan tâm hơn bao giờ hết. Cũng như nhiều bài tốn nhận dạng những hư hỏng khác, thì độ chính xác của hệ thống vẫn tiếp tục cần phải cải thiện nhằm vươn tới khả năng nhận dạng nhanh với độ chính xác tuyệt đối . Luận văn đề xuất sử dụng mạng neuron để phát hiện và phân loại các dạng sự cố trên đường dây truyền tải của hệ thống điện 5 nút IEEE trên cơ sở tạo mẫu bằng phần mềm PowerWorld và huấn luyện mạng bằng phần mềm Matlab. Xuất phát từ yêu cầu thực tế, đang rất cần có nhưng nghiên cứu về vấn đề này. Chính vì vậy học viên đã chọn đề tài “Chẩn đốn sự cố hệ thống điện dùng mạng neuron học sâu” làm luận văn với mong muốn phần nào áp dụng vào bài tốn thực tế. Bài tốn đã đặt ra phải giải quyết được những u cầu sau: Nhận dạng sự cố hệ thống điện thơng qua sử dụng mạng neuron học sâu (deep learning ) theo phương pháp Stack auto encoders (SAE) Đánh giá kết quả và so sánh với mơ hình mạng neuron lan truyền thẳng (FEED FORWARD BACKPROP ) Mở rộng nhận diện vị trí sự cố hệ thống điện iv ABSTRACT Identified power system failure is a difficult math problem but it attracted a lot of research from scientists. Especially in the current period of "Technology Revolution 4.0" It is developing strong and popular in the world. Therefore, identified power system failure by deep learning neuron network is of great interest However, the accuracy of the system still needs to be improved in order to achieve rapid identification with absolute accuracy. This thesis proposed using neural networks to detect and classify the types of electrical faults on transmission lines of the power system based on IEEE 5 buses to create samples by using Power World software and online training with Matlab software From the above problem, students chose the topic “System fault diagnosis using deep learning neural networks” to be want to be applied into the application. The thesis dealt with the following requirements: - Identified power system failure through the deep learning neuron network (DLNN) in the encoders auto stack method (SAE) - Evaluation and comparison results with the network FEED FORWARD BACKPROP - Expand to identify the power system faults location. v MỤC LỤC Trang QUYẾT ĐỊNH GIAO ĐỀ TÀI . BIÊN BẢN CHẤM LUẬN VĂN TÔT NGHIỆP…………………………………… LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN ii LỜI CÁM ƠN . iii TÓM TẮT iv ABSTRACT v DANH SÁCH CÁC CHỮ VIẾT TẮT .viii DANH SÁCH CÁC BẢNG ix DANH SÁCH CÁC HÌNH x Chương 1: . 1 TỔNG QUAN . 1 1.1 Tổng quan chung về vấn đề cần nghiên cứu : . 1 1.2 Tình hình nghiên cứu trong nước & ngồi nước 3 1.2.1 Nghiên cứu phương pháp xác định vị trí sự cố trên đường dây tải điện dựa trên mạng neuron MLP [21] 3 1.2.2 Phương pháp neuron mờ (Fuzzy neuron) để phân loại sự cố cho đường dây truyền tải [15] . 3 1.2.3 Thuật toán mạng neuron cải tiến cho việc phân loại sự cố trên đường dây truyền tải [16] . 4 1.2.4 Nhận dạng sự cố trong hệ thống điện dùng MLP [19] 4 Chương 2: . 6 MƠ HÌNH MẠNG NEURON . 6 VÀ MƠ HÌNH HỌC SÂU 6 2.1. Tổng quan về mơ hình mạng neuron 6 2.1.1. Giới thiệu về mạng Neuron 6 2.1.2. Cấu trúc và hoạt động của mạng Neuron 10 2.1.3 So sánh các phương pháp học của mạng neuron 17 Chương 3 : 18 vi GIỚI THIỆU PHƯƠNG PHÁP CHẨN ĐOÁN SỰ CỐ HỆ THỐNG ĐIỆN DÙNG MẠNG NEURON HỌC SÂU DEEP LEARNING NEURON NETWORK (DLNN) 18 3.1. Giới thiệu . 18 3.2 So sánh sự khác nhau giữa mạng đa lớp và DLNN : 19 3.3 Ưu nhược DLNN . 20 3.4 Sơ bộ về phương pháp học sâu (DLNN): 21 Chương 4 : 28 ÁP DỤNG DLNN TRONG CHẨN ĐỐN SỰ CỐ HỆ THỐNG ĐIỆN 28 4.1 Tính khả dụng của dữ liệu . 29 4.2 Sơ chế dữ liệu 31 4.3 Lập mơ hình và điều chỉnh thơng số 31 4.4 Thí nghiệm mơ phỏng 33 Chương 5 : 43 THẢO LUẬN VÀ SO SÁNH KẾT QUẢ THỰC NGHIỆM . 43 5.1 Kết quả huấn luyện 43 5.2 Kiểm tra mẫu thực tế 44 5.3 Nhận xét kết quả 45 5.4 So sánh SAE_DLNN với MLP . 52 5.5 Mở rộng chẩn đốn vị trí xảy ra sự cố từ chẩn đốn sự cố : 53 Chương 6 : 55 KẾT LUẬN & HƯỚNG NGHIÊN CỨU PHÁT TRIỂN . 55 6.1 Kết luận chung 55 6.2 Hướng phát triển của đề tài : 55 Phụ lục 1 . 56 Chương trình chẩn đốn sự cố trên MATLAB 2018a 56 TÀI LIỆU THAM KHẢO 59 vii DANH SÁCH CÁC CHỮ VIẾT TẮT DLNN Mạng neuron học sâu IEEE Viện kỹ nghệ điện – điện tử (Institute of Electrical and Electronics Engineer) MLP Mạng neuron đa lớp (Multilayer Perceptron) ANN Mạng neuron nhân tạo (Artificial Neural Network) SAE Bộ mã hóa giải mã (stack auto encorder ) AB Ngắn mạch 2 dây ABC Ngăn mạch 3 dây AN Ngắn mạch 1 dây chạm đất ABN Ngắn mạch 2 dây chạm đất viii DANH SÁCH CÁC BẢNG Bảng 1. 1 : Xác xuất xảy ra sự cố ngắn mạch 3 Bảng 4. 1: Dữ liệu 1600 mẫu trên Excel …………… ………………… ………37 Bảng 5. 1: Tổng kết so sánh lỗi traning dữ liệu……………………………………43 Bảng 5. 2: Tổng kết so sánh lỗi kiểm tra 80 dữ liệu ngẫu nhiên trong 1600 lỗi 44 Bảng 5. 3: Tổng kết so sánh lỗi kiểm tra dữ liệu thực tế khơng có trong 1600 mẫu 45 Bảng 5. 4: Ảnh hưởng số neuron đến kết quả huấn luyện và chẩn đoán sự cố 46 Bảng 5. 5: Tổng kết mẫu thử nghiệm mơ phỏng và kiểm tra chẩn đốn sự cố hệ thống điện 48 Bảng 5. 6: Tham số trong thử nghiệm 49 Bảng 5. 7: Hiệu suất so sánh 2 phương pháp (Compared Performance) . 52 Bảng 5. 8: Tổng kết so sánh kết quả huấn luyện theo phương pháp mở rộng tập mẫu . 54 Bảng 5. 9 : Tổng kết so sánh kết quả tìm vị trí lỗi theo phương pháp mở rộng tập mẫu . 54 ix DANH SÁCH CÁC HÌNH Hình 2. 1: Cấu trúc của một neuron sinh học điển hình 10 Hình 2. 2: : Cấu trúc của một neuron 12 Hình 2. 3: Cấu trúc chung của mạng neuron 13 Hình 2. 4: Mạng tự kết hợp 15 Hình 2. 5: Mạng kết hợp khác kiểu 15 Hình 2. 6: Mạng truyền thẳng 16 Hình 2. 7: Mạng phản hồi 16 Hình 3. 1: Mơ hình cơ bản SAE 21 Hình 3. 2 : Mơ hình SAE 22 Hình 3. 3: Ngun lý SAE 22 Hình 3. 4: Bộ mã hóa tự động (SAE) 23 Hình 3. 5: Bộ mã hóa tự động xếp chồng 26 Hình 3. 6: Mạng neuron học sâu với SAE 27 Hình 4. 1: Các bước trong nhận dạng hư hỏng của hệ thống điện 28 Hình 4. 2: LOGO phần mềm Powerworld 29 Hình 4. 3: Mạng điện tiêu chuẩn khi mơ phỏng 30 Hình 4. 4: Bảng mơ phỏng sự cố và trích xuất số liệu 30 Hình 4. 5: Mạng của chẩn đốn sự cố trong mơ phỏng 32 Hình 4. 6: Mạng điện mẫu kiểm tra sự cố 33 Hình 4. 7: Trạng thái đóng bus 5 & bus 4 của mạng điện 34 Hình 4. 8: Trạng thái ngắt bus 5 & bus 4 của mạng điện 34 Hình 4. 9: Mơ phỏng 4 sự cố ngắn mạch của mạng điện 35 Hình 4. 10: Mơ phỏng 10 vị trí sự cố ngắn mạch của mạng điện 35 x Hình 4. 11: Mơ phỏng điện trở của sự cố ngắn mạch của mạng điện 36 Hình 4. 12: Cơng suất mạng điện khi mơ phỏng sự cố 36 Hình 4. 13 : Lưu đồ huấn luyện chẩn đốn sự cố và mở rộng chẩn đốn vị trí sự cố bằng phương pháp SAE_DLNN 38 Hình 4. 14: Sơ đồ encoder – decoder 1 39 Hình 4. 15: Q trình chạy Encoder -decoder 1 với 6 dữ liệu ngõ ra 6 dữ liệu ngỏ ra 39 Hình 4. 16: Quá trình chạy 1000 epoch tại ecorder1 40 Hình 4. 17: Sơ đồ encoder – decoder 2 40 Hình 4. 18: Quá trình epoch tại encoder 2 41 Hình 4. 19 : Quá trình softmax layer 41 Hình 4. 20: Quá trình chạy softmax layer 42 Hình 4. 21: Tồn bộ chu trình huấn luyện và kết xuất dữ liệu SAE_DLNN 42 Hình 4. 22: Sơ đồ khối tồn bộ chu trình huấn luyện và kết xuất dữ liệu SAE_DLNN 42 Hình 5. 1: Ảnh hưởng số neuron đến kết quả huấn luyện 50 Hình 5. 2: Ảnh hưởng số neuron đến kết quả chẩn đốn 80 mẫu trong 1600 mẫu 50 Hình 5. 3: Ảnh hưởng số neuron đến kết quả kiểm tra thực tế 20 mẫu 50 Hình 5. 4 : Mối quan hệ tuyến tính giữa ngỏ ra và mục tiêu huấn luyện 51 Hình 5. 5: Matlab 2018a chạy huấn luyện MLP 52 Hình 5. 6: Mở rộng tập mẫu sau khi chẫn đốn sự cố 53 xi 15 15 15 85.8 87.8 100 16 15 20 99.4 100 100 17 15 25 99.4 100 100 18 15 30 99.4 100 100 19 20 99.4 100 100 20 20 10 99.4 100 100 21 20 15 99.4 100 100 22 20 20 99.4 100 100 23 20 25 99.4 100 100 24 20 30 99.4 100 100 25 25 99.1 97.5 100 26 25 10 99.4 100 100 27 25 15 99.4 100 100 28 25 20 99.4 100 100 29 25 25 99.4 100 100 30 25 30 99.4 100 100 31 30 99.4 100 100 32 30 10 99.4 100 100 33 30 15 99.4 100 100 34 30 20 99.4 100 100 35 30 25 99.4 100 100 36 30 30 99.4 100 100 47 Bảng 5: Tổng kết mẫu thử nghiệm mô kiểm tra chẩn đoán cố hệ thống điện Fault modes 1 pha 2 pha 2 pha 3 pha chạm chạm chạm chạm đất đất nhau nhau 400 400 400 400 390 400 397 400 97,5% 100% 99,3% 100% 20 20 20 20 100% 100% 100% 100% Số mẫu huấn luyện Số mẫu huấn luyện thành công Số mẫu được kiểm tra được lấy từ mẫu huấn luyện và tỉ lệ nhận diện thành cơng Số mẫu được kiểm tra được lấy từ 5 5 5 5 thực tế (khơng có trong dữ liệu huấn luyện) và tỉ lệ nhận diện thành 100% 100% 100% 100% cơng Mối quan hệ giữa tỷ lệ chính xác của chẩn đốn và số lần được trình bày trong Bảng 5.6, Quan sát thấy rằng tỷ lệ này tăng lên khi sự gia tăng số lượng thời 48 kỳ. Hơn nữa, cường độ gia tăng là lớn giữa các giai đoạn từ 20 đến 30 trên mỗi encorder và có xu hướng trơn tru khi số lượng thời gian là trên 30. Kết quả của thí nghiệm mơ phỏng có thể giải thích được bởi vì mạng neuron học tập sâu hơn gần với mạng lý tưởng hơn nhiều so với việc được đào tạo theo các mẫu huấn luyện . Mối quan hệ giữa tỷ lệ chính xác của chẩn đốn và kích cỡ của mẻ được thể hiện trong Hình 5.3 & Hình 5.4 & Hình 5.5 trong đó các thơng số khác được chọn là Bảng 6: Tham số thử nghiệm Parameters Value Input Units( ngỏ vào) 6 Output Units (ngỏ ra) 4 L2 weight regularizer 0.001 Sparsity regularizer to 4 4 Sparsity proportion to 0.05. 0.05 Number of Hidden Layer 2 ( số lớp ẩn ) Number of Each Hidden Units 30 (số neuron mỗi lớp ) Dấu hiệu ,lớp ẩn cần thiết để phân loại sự cố trong hệ thống điện theo những bảng thống kê trên , đây là phương pháp thử đúng sai , và theo quan sát kết quả chẩn đốn đúng nhất khi số neuron mỗi lớp là 30 , khi vượt ngồi hay chưa đạt tới số neuron này thì kết quả khơng đạt được tốt nhất (Hình 5.1& Hình 5.2 & Hình 5.3) 49 Hình 1: Ảnh hưởng số neuron đến kết huấn luyện Hình 2: Ảnh hưởng số neuron đến kết chẩn đoán 80 mẫu 1600 mẫu Hình 3: Ảnh hưởng số neuron đến kết kiểm tra thực tế 20 mẫu 50 Hình : Mối quan hệ tuyến tính ngỏ mục tiêu huấn luyện 51 5.4 So sánh SAE_DLNN với MLP Thí nghiệm mơ phỏng được thực hiện theo cùng một cách dựa trên mạng lưới thần kinh lan truyền thẳng (FFB) . Tuy nhiên, tốn nhiều thời gian hơn để đào tạo mạng cho các mẫu hệ thống điện do sự khuếch tán các gradient. Hơn nữa,độ chính xác khơng đạt như kỳ vọng Bảng 7: Hiệu suất so sánh phương pháp (Compared Performance) Phương pháp chẩn đốn Độ chính xác Phương Pháp học sâu Deep Learning Neuron Network – Stack auto encode 100% (SAE) Huấn luyện bằng phương pháp lan truyền thẳng ( FEED FORWARD BACKPROP ) 95% Hình 5: Matlab 2018a chạy huấn luyện MLP 52 Kết luận rằng hiệu năng của mạng neuron học sâu nói chung tốt hơn so với mạng neuron lan truyền ngược 5.5 Mở rộng chẩn đốn vị trí xảy cố từ chẩn đốn cố : Kết quả chẩn đốn sự cố trên hệ thống điện ta có thể tổng hợp thêm 1 tập mẫu khác với 10 thơng số mới Hình 6: Mở rộng tập mẫu sau chẫn đốn cố Dựa vào SEA_DLNN ta tiếp tục huấn luyện với ngõ ra lúc này là vị trí sự cố ( gia số 10%) có tổng cộng 10 vị trí Mức độ chẩn đốn chính xác lúc này khơng cịn được cao ( gần 76%) Tuy nhiên chúng ta có thể khắc phục bằng cách tăng tập mẫu , tăng kiểm tra chéo kết quả hay tăng thơng số ngỏ vào ở từng tạp mẫu. - Hiệu suất chẩn đốn vị trí có thể cai thiện bằng cách tăng tập mẫu đồng thời tăng số neuron của lớp Theo kết quả thống kê như trên ta có thể thấy hiệu quả của phương pháp SAE của DLNN có hiệu suất cao hơn phương pháp lan truyền thẳng (feed forward neuron network) . Trong hệ thống điện để đảm bảo quá trình phát hiện lỗi nhanh là rất quan trọng, với phương pháp SAE của DLNN ta có thời gian huấn luyện mẫu thấp , thời gian đáp ứng nhanh nên SAE phù hợp với phân tích hệ thống điện Ngoải ra ta cịn có thể chẩn đốn mở rộng thêm nhiều sự cố khác. 53 Bảng 8: Tổng kết so sánh kết huấn luyện theo phương pháp mở rộng tập mẫu Bảng : Tổng kết so sánh kết tìm vị trí lỗi theo phương pháp mở rộng tập mẫu 54 Chương : KẾT LUẬN & HƯỚNG NGHIÊN CỨU PHÁT TRIỂN 6.1 Kết luận chung Luận văn này đã hoàn thành những nhiệm vụ sau : - Giới thiệu việc áp dụng mạng neuronhọc sâu để chẩn đoán lỗi hệ thống điện. Phương pháp được tiếp cận là phương pháp Stack Autoencoder (SAE_DLNN) .Phương pháp này nhằm giải quyết ba vấn đề chính của mạng neuron truyền thống, bao gồm sự sẵn có của dữ liệu, tối ưu địa phương tốt hơn, và sự khuếch tán gradient. - Dữ liệu về hoạt động của hệ thống điện trong luận văn được lấy từ phần mềm Powerworld trong việc quản lý nguồn điện mẫu tiêu chuẩn hồn tồn có thể mơ phỏng và áp dụng trên mạng điện địa phương (dữ liệu cần được chiết xuất và xử lý trước) và đưa vào cơ sở dữ liệu để đào tạo mạng. Các tính năng ẩn được quan sát ở các kích thước khác nhau để chúng ta có thể sơ bộ đánh giá lỗi này. Sau đó, phương pháp SAE_DLNN được đào tạo trên cơ sở dữ liệu được sử dụng chẩn đốn . Người phân loại mạng nhằm phản ánh các loại và khả năng chẩn đốn. Kết quả chứng minh tính khả thi và tính chính xác của phương pháp. 6.2 Hướng phát triển đề tài : - Cần cải tiến mẫu sự cố bằng cách tăng thông số mẫu ngõ vào và tăng số lượng mẫu, tăng chất lượng mẫu - Tập mẫu cần tự phát triển qua từng bước nhận dạng sự cố và cập nhật vào tập mẫu chính để tăng khả năng chẩn đốn chính xác từ đó có thể chẩn đốn các sự cố khác chính xác hơn dẩn đến chẩn đốn nhiều sự cố trên tập mẫu - Kết hợp nhiều phương pháp khác để tăng độ chính xác - Tăng tốc độ chẩn đốn để có thể ứng dụng trên mạng điện online 55 Phụ lục Chương trình chẩn đốn cố MATLAB 2018a Chương trình huấn luyện và kiểm tra kết quả chẩn đốn sự cố trên hệ thống điện bằng phương pháp DLNN Stack autoencoders trên MATLAB 2018a Construct Deep Network Using Autoencoders %Nhập dữ liệu được trích xuất từ bảng EXCEL inputs = X; targets = T; % Đào tạo bộ mã hóa tự động với lớp ẩn kích thước 30 neuron cho 2 lớp và chức năng truyền tuyến tính cho bộ giải mã. Đặt trình cân bằng trọng số L2 thành 0,001, bộ chỉnh sửa độ chụm thành 4 và tỷ lệ phần trăm thưa thớt thành 0,05 hiddenSize = 30; autoenc1 = trainAutoencoder(X,hiddenSize, 'L2WeightRegularization',0.001, 'SparsityRegularization',4, 'SparsityProportion',0.05, 'DecoderTransferFunction','purelin'); % Trích xuất các tính năng trong lớp ẩn. features1 = encode(autoenc1,X); %Traning bộ mã hóa tự động thứ hai bằng các tính năng dữ liệu từ bộ mã hóa tự động đầu tiên. Khơng scale dữ liệu. 56 hiddenSize = 30; autoenc2 = trainAutoencoder(features1,hiddenSize, 'L2WeightRegularization',0.001, 'SparsityRegularization',4, 'SparsityProportion',0.05, 'DecoderTransferFunction','purelin', 'ScaleData',false); %Trích xuất các tính năng trong lớp ẩn. features2 = encode(autoenc2,features1); %Đào tạo lớp softmax để phân loại bằng các feature, feature2, từ thứ hai autoencoder, autoenc2. softnet = trainSoftmaxLayer(features2,T,'LossFunction','crossentropy'); %Chồng các bộ mã hóa và lớp softmax để tạo thành một mạng sâu. deepnet = stack(autoenc1,autoenc2,softnet); %Traning mạng neuron hoc sâu với dữ liệu sự cố hệ thống điện trong bảng Excel deepnet = train(deepnet,X,T); 57 outputs=deepnet(X1); outputs=deepnet(X2); %Ước tính các sự cố bằng DLNN_SAE faults_type = deepnet(X); faults_type1 = deepnet(X1); faults_type2 = deepnet(X2); view(deepnet) % In confusion matrix. Plotregression(T,faults_type,'Train 1600 mẫu ', T1,faults_type1,'Validation 80 mẫu’T2,faults_type2,' Test thực tế 20 mẫu') Figure,plotconfusion(T,faults_type,'Bảng1600mẫu tranning',T1,faults_type1,'Bảng 80 mẫu đánh giá', T2,faults_type2,'Bảng 20 mẫu đánh giá thuc tế '); 58 TÀI LIỆU THAM KHẢO [1] F. Q. Lauzon, An introduction to deep learning, in 11th International Conference on Information Science, Signal Processing and their Applications(ISSPA), 1438-1439, 2012. [2] J. Schmidhuber, Deep learning in neuron networks: An overview, in Neuron Networks, Elsevier, 61, 85-117, 2015. [3] G. E. Hinton, R. R. Salakhutdinov, Reducing the dimensionality of data with neuron networks, in Science, sciencemag.org, 313(5786), 504-507, 2006. [4] G. E. Hinton, S. Osindero, Y.W. Teh, A fast learning algorithm for deep belief nets, in Neuron computation, Cambridge, USA: the MIT Press, 18, 1527-1554, 2006. [5] Y. LeCun, Y. Bengio, G. E. Hinton, Deep learning, in Nature, Nature Publishing Group, 521(7553), 436-444, 2015. [6] Y. Bengio, P. Lamblin, D. Popovici, etc, Greedy layer-wise training of deep networks, in Advances in Neuron Information Processing Systems, Cambridge, USA: the MIT Press, 19, 153160, 2007. [7] Y. Bengio, Learning Deep architectures for AI, in Foundations and trends in Machine Learning, dl.acm.org, 2(1), 1-127, 2009. [8] D. Erhan, Y. Bengio, A. Courville, etc, Why does unsupervised pre-training help deep learning?, in The Journal of Machine Learning Research, Cambridge, USA: the MIT Press, 11, 625660, 2010. [9] Y. Bengio, A. C. Courville, P. Vincent, Unsupervised feature learning and deep learning: A review and new perspectives, in Department of Computer Science and Operations Research, Montreal: University of Montreal, 2012. [10] I. Arel, D. C. Rose, T. P. Karnowski, Deep machine learningA new frontier in artificial intelligence research, in IEEE Computational Intelligence Magazine, Knoxville: The University of Tennessee, 5(4), 13-18, 2010. [11] D Yu, L Deng, Deep learning and its applications to signal and information processing, in Signal Processing Magazine, IEEE, 28(1), 145-154, 2011. 59 [12] L Zhang, Y Liang, A fast method of face detection in video image, in The 2nd IEEE International Conference on Advanced Computer Control(ICACC 2010), 490-494, 2010. [13] P. C. Fritzen, G. Cardoso, J. M. Zauk, etc, Alarm processing and fault diagnosis in power systems using artificial neuron networks and genetic algorithms, in International Conference on Industrial Technology, Chile: Vi a del Mar, 891-896, 2010. [14] F. Wang, Fault diagnosis for power systems based on neuron networks, in 2nd International Conference on Software Engineering and Service Science, 352-355, 2011. [15] Huishen Wang ,W.W.L keerthipala ,Fuzzy-neral Approach to Fault Classification for Transmission,IEEE Transactions on Power Delivery,Vol.13,No.4,October 1998,pp.1093-1104 [16] S.Vasilic, M.Kezunovic, An Improved Neural Network Algorithm for Classifying the Transmission Line Faults,IEEE,2002,pp.918-923 [17] Andrew Ng, Unsupervised feature learning and deep learning tutorial, in openclassroom.stanford.edu. [18] Deep Learning Neuron Network for Power System Fault Diagnosis WANG Yixing 1,2, LIU Meiqin1,2 BAO Zhejing2 E-mail : {wangyixing,liumeiqin,zjbao }@zju.edu.cn [19] Quyền Huy Ánh, Nguyễn Phát Lợi. Nhận dạng sự cố trong hệ thống điện. Tạp chí Khoa học Giáo dục Kỹ thuật, số 30, tr. 21, 2014. [20] Nghiên cứu mơ hình học sâu (deep-learning) và ứng dụng trong nhận dạng chữ viết tay - Thạc sĩ Vũ Mạnh Hùng [21] Nghiên cứu phương pháp xác định vị trí sự cố trên đường dây tải điện dựa trên mạng neuron MLP ( Tuấn Anh Trương –ĐHBK Hà Nội-2014) 60 ... 6: Mạng neuron học sâu với SAE 27 Chương : ÁP DỤNG DLNN TRONG CHẨN ĐOÁN SỰ CỐ HỆ THỐNG ĐIỆN Nó được thảo luận làm thế nào để áp dụng? ?sâu? ?mạng? ?neuron? ? để? ?chẩn? ?đốn lỗi hệ? ?thống? ?điện? ?. Ý tưởng chính là trích xuất dữ liệu hữu ích từ một khối lượng lớn dữ ... phương pháp. Luận? ?văn? ?? ?Chẩn đốn cố hệ thống điện dùng mạng neuron học sâu ” được thực hiện với mục đích giải quyết một lớp con các bài tốn nhận dạng? ?sự? ?cố? ? trong ? ?hệ? ?thống? ?điện? ?thơng qua trí tuệ nhân tạo ... 2.1.3 So sánh các phương pháp? ?học? ?của? ?mạng? ?neuron? ? 17 Chương 3 : 18 vi GIỚI THIỆU PHƯƠNG PHÁP CHẨN ĐOÁN SỰ CỐ HỆ THỐNG ĐIỆN DÙNG MẠNG NEURON? ? HỌC SÂU DEEP LEARNING NEURON? ? NETWORK