(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện

(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện(Luận văn thạc sĩ) Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện

Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Trong luận văn có sử dụng số tài liệu tham khảo nêu phần tài liệu tham khảo Tp.Hồ Chí Minh, ngày 21 tháng 03 năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang i Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CẢM TẠ Trước tiên, xin gửi lời cảm ơn chân thành đến PGS.TS Quyền Huy Ánh, người tạo điều kiện, động viên hướng dẫn tơi hồn thành luận văn Bên cạnh đó, tơi muốn gửi lời cảm ơn đến NCS Nguyễn Ngọc Âu, người hỗ trợ nhiều suốt trình thực luận án Cảm ơn quan, bạn bè, đồng nghiệp, tất cả, muốn gửi lời cảm ơn đến tất thành viên gia đình tơi, cảm ơn cha, mẹ, chia sẻ, động viên tạo điều kiện thuận lợi để tơi hồn thành nhiệm vụ học tập nghiên cứu Xin chân thành cảm ơn quý thầy, cô truyền đạt cho nhiều kinh nghiệm kiến thức quý báu trình học tập nghiên cứu Xin cảm ơn PGS.TS Quyền Huy Ánh, NCS Nguyễn Ngọc Âu hướng dẫn hỗ trợ hồn thành luận văn Tp.Hồ Chí Minh, ngày 21 tháng năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang ii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh TÓM TẮT LUẬN VĂN Cùng với phát triển kinh tế xã hội, hệ thống điện phát triển nhanh quy mơ, có tính phi tuyến cao thường có dao động cơng suất lớn xuất ngắn mạch Điều dẫn đến việc đánh giá ổn định động dựa phương pháp phân tích truyền thống tốn nhiều thời gian giải nên gây chậm trễ việc định Vì vậy, việc phát nhanh cảnh báo sớm ổn định hệ thống điện giúp điều độ viên hệ thống điều khiển định kịp thời trở thành yếu tố then chốt đảm bảo vận hành hệ thống điện ổn định Để giải vấn đề khó khăn trên, đề tài tập trung nghiên cứu phương pháp nhận dạng nhanh ổn định động hệ thống điện có độ xác cao dựa kỹ thuật mạng nơron nhân tạo kết hợp với kỹ thuật xử lý liệu Đối với hệ thống điện nhiều máy, quy mô liệu ổn định động lớn, gây tốn chi phí huấn luyện hệ thống thơng minh Do đó, cần trích xuất tập liệu đủ gọn mang tính đại diện cho hệ thống giúp huấn luyện nhanh xác ổn định động hệ thống điện Kỹ thuật xử lý liệu áp dụng luận văn kỹ thuật phân cụm liệu kỹ thuật lựa chọn biến đặc trưng Kỹ thuật phân cụm liệu áp dụng hai phương pháp phổ biến Kmeans Fuzzy Cmeans Ba phương pháp lựa chọn biến đặc trưng áp dụng Fisher, Divergence, Relief Hai nhận dạng sử dụng để đánh giá độ xác nhận dạng ma ̣ng nơron GRNN (Generalized Regression Neural Network) MLPNN (Multilayer Perceptron Neural Network) Kết kiểm tra sơ đồ IEEE 10-máy 39-bus, cho thấy nhận dạng GRNN với phương pháp chọn biến Relief, áp dụng cho mẫu phân cụm Kmeans (1100 mẫu) trình huấn luyện, cho kết độ xác nhận dạng mẫu kiểm tra đạt 97,25%, tăng 1% so với nhận dạng không phân cụm ban đầu (3200 mẫu) Kết ứng dụng mạng sau huấn luyện thể vượt trội thời gian phương pháp mô theo miền thời gian HVTH: Võ Thanh An Trang iii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ABSTRACT Along with the socio-economic development, the power systems grow rapidly in size with high nonlinearity and often have large power swings when short circuits occur Thus, leads to the dynamic stability assessment based on the traditional analysis methods take a lot of time, which causes delays in decision making Therefore, the fast assessment and an early warning system of the instability of power system helps dispatcher and control systems to take decisions in time became a key factor to ensure the stability in power system operation To solve the above problems, this thesis focused on studying the fast prediction method of dynamic stability of power system based on the artificial neural network technique combined with data processing techniques For electrical system, the size of stability data set is very great stability, causing costly training intelligent systems Therefore, the data need to extract not only compact but also representative for electrical system to help training quickly and accurately Data processing techniques to be applied in the thesis are data clustering technique and feature selection technique Data clustering technique is applied two common algorithm: Kmeans and Fuzzy Cmeans Three feature selection techniques are applied as Fisher, Divergence, Relief Two models of recognition is used to assess the recognition accuracy that is GRNN (Generalized Regression Neural Network) and MLPNN (Multilayer Perceptron Neural Network) Test results on IEEE 10-generator 39-bus system showed that the model of recognition GRNN with Relief-based feature selection method, applied to the Kmeans clustering data set (1100 samples) in the training process, the results of correct classification rate reached 97.25%, up 1% compared with the no clustering recognizer (3200 samples) Result application after training network also shows the superiority of time for time domain simulation method HVTH: Võ Thanh An Trang iv Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh MỤC LỤC Trang tựa TRANG Quyết định giao đề tài Lý lịch cá nhân Lời cam đoan i Lời cảm tạ ii Tóm tắt luận văn iii Mục lục v Danh sách chữ viết tắt ix Danh sách hình x Danh sách bảng xii Chƣơng TỔNG QUAN 1.1 Tổng quan lĩnh vực nghiên cứu 1.2 Tính cấp thiết đề tài 1.3 Mục tiêu nhiệm vụ luận văn 1.4 Phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.6 Ý nghĩa khoa học giá trị thực tiễn luận văn Chƣơng ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN 2.1 Ổn định hệ thống điện 2.2 Phân loại ổn định hệ thống điện 2.2.1 Ổn định góc quay rotor 2.2.2 Ổn định điện áp 2.2.3 Ổn định tĩnh 2.3 Phương trình dao động máy phát 12 2.4 Mơ hình đơn giản hóa máy phát hệ thống tương đương 14 2.5 Ổn định hệ nhiều máy 16 2.6 Đánh giá ổn định hệ thống điện 19 HVTH: Võ Thanh An Trang v Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 2.6.1 Quy trình mô lấy mẫu PowerWorld 20 2.6.2 Mơ tả q trình lấy mẫu 26 2.7 Kết luận chương 26 Chƣơng LỰA CHỌN BIẾN ĐẶC TRƢNG 27 3.1 Tổng quan 27 3.2 Lựa chọn biến đặc trưng 27 3.2.1 Khái niệm 27 3.2.2 Các phương pháp tiếp cận 28 3.3 Quy trình lựa chọn biến đặc trưng 30 3.3.1 Lựa chọn biến đặc trưng ban đầu 30 3.3.2 Tìm kiếm biến đặc trưng ứng viên 31 3.3.3 Đánh giá biến đặc trưng ứng viên 31 3.3.3.1 Hàm khoảng cách Fisher 31 3.3.3.2 Hàm khoảng cách Divergence 32 3.3.3.3 Giải thuật Relief 32 3.3.4 Tiêu chuẩn dừng 34 3.4 Kết luận chương 34 Chƣơng PHÂN CỤM DỮ LIỆU 35 4.1 Tổng quan 35 4.1.1 Giới thiệu phân cụm liệu 35 4.1.2 Định nghĩa phân cụm liệu 35 4.2 Các phương pháp phân cụm liệu 35 4.2.1 Phương pháp phân cụm liệu Kmeans 35 4.2.1.1 Khái niệm 35 4.2.1.2 Các bước thuật toán Kmeans 37 4.2.1.3 Hàm Kmeans phần mềm Matlab 38 4.2.2 Phương pháp phân cụm liệu Fuzzy Cmeans 38 4.2.2.1 Khái niệm 38 4.2.2.2 Hàm mục tiêu thuật toán Fuzzy Cmeans 39 HVTH: Võ Thanh An Trang vi Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 4.2.2.3 Các bước thuật toán Fuzzy Cmeans 41 4.2.2.4 Hàm Fuzzy Cmeans phần mềm Matlab 42 4.3 Quy trình rút gọn liệu 43 4.4 Kết luận chương 45 Chƣơng MẠNG NƠRON VÀ MƠ HÌNH NHẬN DẠNG 46 5.1 Giới thiệu mạng nơron 46 5.1.1 Mơ hình nơron sinh học 46 5.1.2 Mơ hình nơron nhân tạo 47 5.1.3 Hàm chuyển đổi 49 5.1.4 Phân loại mơ hình cấu trúc mạng nơron 50 5.2 Mạng Perceptron nhiều lớp 50 5.3 Mạng hàm truyền xuyên tâm 52 5.3.1 Mạng hồi quy tổng quát 53 5.3.2 Mạng nơron xác suất 55 5.4 Luật đầu phân loại 57 5.5 Huấn luyện đánh giá mơ hình nhận dạng 58 5.6 Nhận dạng phương pháp tiếp cận 59 5.7 Các giai đoạn mơ hình nhận dạng 59 5.8 Mơ hình nhận dạng 60 5.9 Kết luận chương 61 Chƣơng ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10-MÁY 39-BUS 62 6.1 Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England 62 6.2 Mơ hình mạng nơron nhận dạng ổn định động hệ thống điện 63 6.3 Tạo sở liệu ổn định động 65 6.4 Xây dựng tập mẫu học 66 6.5 Biến đầu vào biến đầu 66 6.6 Chuẩn hóa liệu 66 6.7 Phân chia liệu 66 HVTH: Võ Thanh An Trang vii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 6.8 Lựa chọn biến đặc trưng mơ hình mạng nơron 67 6.8.1 Đánh giá chọn biến đặc trưng 67 6.8.1.1 Giới thiệu 67 6.8.1.2 Các bước thực 67 6.8.1.3 Kết 68 6.8.1.4 Nhận xét 70 6.8.2 Lựa chọn biến mơ hình mạng nơron 70 6.8.2.1 Giới thiệu 70 6.8.2.2 Các bước thực 70 6.8.2.3 Kết huấn luyện nhận dạng ANN 72 6.8.2.4 Nhận xét 75 6.9 Thu gọn mẫu 75 6.9.1 Giới thiệu 75 6.9.2 Các bước thực thu gọn mẫu 76 6.9.3 Kết đánh giá độ xác 77 6.9.4 Chọn tập mẫu phân cụm 79 6.10 Ứng dụng mạng sau huấn luyện 80 6.11 Kết luận chương 81 Chƣơng KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN 83 7.1 Kết luận 83 7.2 Hướng nghiên cứu phát triển 84 TÀI LIỆU THAM KHẢO 85 PHỤ LỤC 91 HVTH: Võ Thanh An Trang viii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CHỮ VIẾT TẮT/KÝ HIỆU KHOA HỌC ANN (Artificial Neural Network) BPLNN (Backpropagation Learning Neural Network) CCT (Critical Clearing Time) CNN (Committee Neural Network) FCT (Fault Clearing Time) GRNN (Generalized Regression Neural Network) HTĐ (Hệ thống điện) IEEE (Institute of Electrical and Electronics Engnineers) MLFNN (Multilayer Feedforward Neural Network) MLPNN (Multilayer Perceptron Neural Network) PNN (Probabilistic Neural Network) RBFN (Radial Basis Function Network) HVTH: Võ Thanh An Trang ix Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Ổn định góc quay rotor chế độ độ HTĐ khác Hình 2.2: Sơ đồ phasor đơn giản máy phát, bỏ qua trở kháng 10 Hình 2.3: Đường cong góc cơng suất độ với độ dốc K1 14 Hình 2.4: Máy phát kết nối với vô hạn sơ đồ phasor 14 Hình 2.5: Mơ hình đơn giản hóa máy điện đồng 15 Hình 2.6: Máy phát điện đồng kết nối với hệ thống tương đương 16 Hình 2.7: Hệ thống điện N nút dùng cho nghiên cứu ổn định độ 17 Hình 2.8: Quy trình mơ lấy mẫu ổn định hệ thống điện 22 Hình 2.9: Quy trình cài đặt thơng số, mơ hình chuẩn kích hoạt hệ thống tự điều chỉnh hệ thống điện IEEE 39-bus 23 Hình 2.10: Quy trình chạy phân bố cơng suất tối ưu 24 Hình 2.11: Quy trình mơ ổn định q độ lấy mẫu 25 Hình 3.1: Quy trình lựa chọn biến đặc trưng 30 Hình 3.2: Mơ tả giải thuật Relief 33 Hình 4.1: Sử dụng Kmeans để phân cụm liệu 36 Hình 4.2: Quy trình phân cụm liệu 43 Hình 4.3: Phương pháp kết hợp để chọn số tâm cụm liệu 45 Hình 5.1: Mơ hình nơron sinh học 47 Hình 5.2: Mơ hình nơron nhân tạo 48 Hình 5.3: Mơ hình nơron với ký hiệu rút gọn 48 Hình 5.4: Hàm chuyển đổi log-sigmoid 49 Hình 5.5: Hàm chuyển đổi tan-sigmoid 49 Hình 5.6: Hàm chuyển đổi linear 50 Hình 5.7: Hàm chuyển đổi radial basis 50 Hình 5.8: Mạng Perceptron nhiều lớp 51 Hình 5.9: Mạng hàm truyền xuyên tâm 52 HVTH: Võ Thanh An Trang x Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Bảng 2.5: Thông số điện trở RT, điện kháng XT thông số cài đặt đầu phân áp máy biến áp From Bus 12 12 10 19 20 22 23 25 29 19 Line Data To Bus 11 13 31 32 33 34 35 36 37 30 38 20 RT 0.0016 0.0016 0.0000 0.0000 0.0007 0.0009 0.0000 0.0005 0.0006 0.0000 0.0008 0.0007 XT 0.0435 0.0435 0.0250 0.0200 0.0142 0.0180 0.0143 0.0272 0.0232 0.0181 0.0156 0.0138 Transformer Tap Magnitude 1.0060 1.0060 1.0700 1.0700 1.0700 1.0090 1.0250 1.0000 1.0250 1.0250 1.0250 1.0600 Angle 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Bảng 2.6: Thông số điện trở, điện kháng dung dẫn đường dây From Bus 1 2 3 4 5 6 10 10 10 12 12 13 14 15 16 16 16 To Bus 39 25 30 18 14 11 39 32 13 11 13 11 14 15 16 24 21 19 HVTH: Võ Thanh An Branch Device Type Line Line Line Line Transformer Line Line Line Line Line Line Line Line Line Line Line Transformer Line Line Transformer Transformer Line Line Line Line Line Line R X B 0.0035 0.0010 0.0013 0.0070 0.0000 0.0011 0.0013 0.0008 0.0008 0.0008 0.0002 0.0007 0.0006 0.0004 0.0023 0.0010 0.0000 0.0004 0.0004 0.0016 0.0016 0.0009 0.0018 0.0009 0.0003 0.0008 0.0016 0.0411 0.0250 0.0151 0.0086 0.0181 0.0133 0.0213 0.0129 0.0128 0.0112 0.0026 0.0082 0.0092 0.0046 0.0363 0.0250 0.0200 0.0043 0.0043 0.0435 0.0435 0.0101 0.0217 0.0094 0.0059 0.0135 0.0195 0.6987 0.7500 0.2572 0.1460 0.0000 0.2138 0.2214 0.1382 0.1342 0.1476 0.0434 0.1389 0.1130 0.0780 0.3804 1.2000 0.0000 0.0729 0.0729 0.0000 0.0000 0.1723 0.3660 0.1710 0.0680 0.2548 0.3040 Trang 93 Luận văn thạc sĩ 16 17 17 19 19 20 21 22 22 23 23 25 25 26 26 26 28 29 31 GVHD: PGS.TS Quyền Huy Ánh 17 27 18 33 20 34 22 35 23 36 24 37 26 29 28 27 29 38 Line Line Line Transformer Transformer Transformer Line Transformer Line Transformer Line Transformer Line Line Line Line Line Transformer Transformer 0.0007 0.0013 0.0007 0.0007 0.0007 0.0009 0.0008 0.0000 0.0006 0.0005 0.0022 0.0006 0.0032 0.0057 0.0043 0.0014 0.0014 0.0008 0.0000 0.0089 0.0173 0.0082 0.0142 0.0138 0.0180 0.0140 0.0143 0.0096 0.0272 0.0350 0.0232 0.0323 0.0625 0.0474 0.0147 0.0151 0.0156 0.0250 0.1342 0.3216 0.1319 0.0000 0.0000 0.0000 0.2565 0.0000 0.1846 0.0000 0.3610 0.0000 0.5130 1.0290 0.7802 0.2396 0.2490 0.0000 0.0000 Bảng 2.7: Thông số xác lập góp chạy phân bố công suất tối ưu 100% tải Bus 10 11 12 13 14 15 16 17 18 19 20 21 22 23 PU Volt 1.04717 1.05799 1.05413 1.05505 1.06868 1.06949 1.05580 1.05309 1.05000 1.05708 1.05994 1.04503 1.05462 1.05203 1.03755 1.04560 1.04957 1.05004 1.05471 0.99311 1.04095 1.05424 1.04884 HVTH: Võ Thanh An Volt (kV) 1.047 1.058 1.054 1.055 1.069 1.069 1.056 1.053 1.050 1.057 1.060 1.045 1.055 1.052 1.038 1.046 1.050 1.050 1.055 0.993 1.041 1.054 1.049 Angle (Deg) -14.43 -8.57 -10.96 -11.34 -10.32 -9.57 -11.95 -12.62 -15.83 -6.87 -7.80 -7.75 -7.60 -9.31 -9.51 -8.06 -9.71 -10.60 -2.40 -2.59 -5.55 -1.00 -0.84 Load MW 0.00 0.00 322.00 500.00 0.00 0.00 233.80 522.00 0.00 0.00 0.00 7.50 0.00 0.00 320.00 329.00 0.00 158.00 0.00 628.00 274.00 0.00 247.50 Trang 94 Load Mvar 0.00 0.00 2.40 184.00 0.00 0.00 84.00 176.00 0.00 0.00 0.00 88.00 0.00 0.00 153.00 32.30 0.00 30.00 0.00 103.00 115.00 0.00 84.60 Gen MW Gen Mvar Luận văn thạc sĩ 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 1.04952 1.06469 1.06438 1.05221 1.06031 1.05800 1.04750 0.98200 0.98310 0.99720 1.01230 1.04930 1.06350 1.02780 1.02650 1.03000 HVTH: Võ Thanh An GVHD: PGS.TS Quyền Huy Ánh 1.050 1.065 1.064 1.052 1.060 1.058 1.048 0.982 0.983 0.997 1.012 1.049 1.064 1.028 1.026 1.030 -7.85 -7.13 -9.99 -10.99 -9.29 -7.45 -5.21 -1.59 2.02 2.42 3.64 3.56 8.39 0.87 -2.37 -18.05 308.60 224.00 139.00 281.00 206.00 283.50 0.00 9.20 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1104.00 Trang 95 -92.00 47.20 17.00 75.50 27.60 26.90 0.00 4.60 0.00 0.00 0.00 0.00 0.00 0.00 0.00 250.00 350.00 690.00 750.00 585.60 608.00 600.00 660.00 640.00 599.53 660.00 98.88 401.20 34.53 76.32 159.97 176.30 98.35 -20.14 -41.50 22.97 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 1: Chương trình chuẩn hóa liệu phân chia tập liệu thành tập huấn luyện kiểm tra clc; clear all; load('SKOD_800'); load('SOD_2400'); U=[SKOD_800]; S=[SOD_2400]; S=S'; U=U'; [SS,UU]=chuanhoastd(S,U); [ms,ns]=size(SS); rr=randperm(ns,ns); SSrand=[];ks=0; for i=1:(ns); ks=rr(i); [SSrand]=[SSrand SS(:,ks)]; end [mu,nu]=size(UU); rru=randperm(nu,nu); UUrand=[];ku=0; for i=1:(nu); ku=rru(i); [UUrand]=[UUrand UU(:,ku)]; end k=10;z=0; for i=1:k; z=z+1; sx=[];S=[]; U=[];sy=[]; for j=1: round(ns/k); sx=[sx j]; S=[S SSrand(:,j)]; end for j=1:round(nu/k); sy=[sy j]; U=[U UUrand(:,j)]; end if z==i; testS=S; testU=U; SSrand(:,[sx])=[]; UUrand(:,[sy])=[]; learnS=SSrand; HVTH: Võ Thanh An Trang 96 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh learnU=UUrand; end inputStrain{z}=learnS; inputUtrain{z}=learnU; inputtestS{z}=testS; inputtestU{z}=testU; inputtrain.inputtrainS=inputStrain; inputtrain.inputtrainU=inputUtrain; inputtest.inputtestS=inputtestS; inputtest.inputtestU=inputtestU; SSrand=[SSrand S]; UUrand=[UUrand U]; end save('inputtrain'); save('inputtest'); save('SS'); save('UU'); Phụ lục 2: Chương trình tính khoảng cách Fisher vẽ đồ thị xếp hạng biến đặc trưng clear all; clc; load('SS'); load('UU'); Vs = diag(cov(SS'))' ; Vu = diag(cov(UU'))' ; Ms=mean(SS') ; Mu=mean(UU'); [m1,n1]=size(Ms); [p1,q1]=size(Mu); for i=1:n1; L(i)=([Ms(i)-Mu(i)])^2; K(i)=[Vs(i)+Vu(i)]; F(i,1) =([L(i)/K(i)]); end J_Fisher=F'; [E_fisher order_Fisher] = sort(J_Fisher,'descend'); save('C:\MATLAB\R2014a\bin\AN_07_02\J_Fisher'); save('C:\MATLAB\R2014a\bin\AN_07_02\E_fisher'); save('C:\MATLAB\R2014a\bin\AN_07_02\order_Fisher'); sobien = 1:1:104; x=E_fisher; y=sobien; HVTH: Võ Thanh An Trang 97 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh box off plot(y,x,'m-','linewidth',1.5) hold on hold on grid on xlabel('Feature') ylabel('Fisher Discimination') Phụ lục 3: Chương trình tính khoảng cách Divergence vẽ đồ thị xếp hạng biến đặc trưng clear all; clc; load('SS'); load('UU'); S1=cov(SS'); S2=cov(UU'); m1=mean(SS')'; m2=mean(UU')'; [m,n]=size(SS'); sigma1= diag(S1)'; sigma2=diag(S2)'; J=[]; for i=1:n; J_divergence(i) = [0.5*((sigma2(i)/sigma1(i)+sigma1(i)/sigma2(i)-2)+((m1(i)m2(i))^2)*(1/sigma1(i)+1/sigma2(i)))]; end [E_divergence order_Divergence] = sort(abs(J_divergence),'descend'); save('C:\MATLAB\R2014a\bin\AN_07_02\J_divergence'); save('C:\MATLAB\R2014a\bin\AN_07_02\E_divergence'); save('C:\MATLAB\R2014a\bin\AN_07_02\order_Divergence'); sobien = 1:1:104; x=E_divergence; y=sobien; box off plot(y,x,'r-','linewidth',1.5) hold on hold on grid on xlabel('Feature') ylabel('Divergence Discimination') HVTH: Võ Thanh An Trang 98 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 4: Chương trình tính trọng số Relief vẽ đồ thị xếp hạng biến đặc trưng close all; clc; clear all; load('SS'); load('UU'); X=[SS';UU']; [m,n]=size(SS'); [p,q]=size(UU'); Y=[ones(m,1); zeros(p,1)]; tStart=tic; [relief_RANKEDf,relief_WEIGHTf] = relieff(X,Y,10); [E_relief_RANKEDf order_relief_WEIGHTf] = sort(relief_WEIGHTf,'descend'); tElapserelieff = toc(tStart); save('C:\MATLAB\R2014a\bin\AN_07_02\relief_RANKEDf'); save('C:\MATLAB\R2014a\bin\AN_07_02\tElapserelieff'); save('C:\MATLAB\R2014a\bin\AN_07_02\relief_WEIGHTf'); save('C:\MATLAB\R2014a\bin\AN_07_02\order_relief_WEIGHTf'); sobien = 1:1:104; x=E_relief_RANKEDf; y=sobien; box off plot(y,x,'b-','linewidth',1.5) hold on hold on grid on xlabel('Feature') ylabel('Relief Weight') Phụ lục 5: Chương trình đánh giá độ xác nhận dạng sử dụng GRNN-Relief với mẫu ban đầu clear all; clc; close all; load('inputtrain'); load('inputtest'); load('order_relief_WEIGHTf'); %====================================================== d=15; index= order_relief_WEIGHTf(:,1:d); %index= order_Fisher(:,1:d); %index= orderdivergence(:,1:d); z=0; for k=1:10 %==mau huan luyen========================================= z=z+1; HVTH: Võ Thanh An Trang 99 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh xS=inputtrain.inputtrainS{k}; xU=inputtrain.inputtrainU{k}; xS=xS(index,:); xU=xU(index,:); x=[xS xU]; [mxS,nxS]=size(xS); [mxU,nxU]=size(xU); t=[ones(1,nxS) zeros(1,nxU)]; %===mau kiem tra========================================== xtestS=inputtest.inputtestS{k}; xtestU=inputtest.inputtestU{k}; xtestS=xtestS(index,:); xtestU=xtestU(index,:); [mtS,ntS]=size(xtestS); [mtU,ntU]=size(xtestU); %========================================================= spread=0.1; tStart=tic; net = newgrnn(x,t,spread); %========================================================= ketqua_mang{z}=net; tElapsed = toc(tStart); %view (net); %========================================================= rex=round(net(x)); rexS=rex(1:nxS); rexU=rex((nxS+1):end); correct_training = 100*[length(find(rexS==1))+ length(find(rexU==0))]/(nxS+nxU) %========================================================= ts=round(net(xtestS)); tu=round(net(xtestU)); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(ntS+ntU) ketqua(k,1)=correct_training; ketqua(k,2)=correct_testing; ketqua(k,3)=tElapsed; end ketquaTB=sum(ketqua)./10; NN_Relief_15bienGRNN=ketqua; save('NN_Relief_15bienGRNN'); HVTH: Võ Thanh An Trang 100 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 5: Chương trình phân cụm Kmeans với phương pháp lựa chọn biến Fisher clear all; clc; close all; load('order_Fisher'); load('SS'); load('UU'); %========================================================== d=15; % so bien duoc chon %index= order_relief_WEIGHTf(:,1:d); index=order_Fisher(:,1:d); %index= orderdivergence(:,1:d); %========================================================== xtrainS=SS(index,:); xtrainU=UU(index,:); X.xtrainS=xtrainS; X.xtrainU=xtrainU; [nS,mS]=size(xtrainS); [nU,mU]=size(xtrainU); z=0; for k=300:100:1700 k z=z+1; [IDXlearnS,ClearnS] = kmeans(xtrainS',k); X.kmeanS{z}=ClearnS; IDX.ClearnS{z}=IDXlearnS; IDXlearnS=[]; ClearnS=[]; end z=0; for k=300:50:700 k z=z+1; [IDXlearnU,ClearnU] = kmeans(xtrainU',k); X.kmeanU{z}=ClearnU; IDX.ClearnU{z}=IDXlearnU; IDXlearnU=[]; ClearnU=[]; end X_Fisher_Kmean=X; IDX_Fisher_Kmean=IDX; save('X_Fisher_Kmean'); save('IDX_Fisher_Kmean'); HVTH: Võ Thanh An Trang 101 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 6: Chương trình phân cụm Fuzzy Cmeans với phương pháp lựa chọn biến Relief clear all; clc; close all; load('order_relief_WEIGHTf'); load('SS'); load('UU'); %========================================================== d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %index= orderfisher(:,1:d); %index= orderdivergence(:,1:d); %========================================================== xtrainS=SS(index,:); xtrainU=UU(index,:); X.xtrainS=xtrainS; X.xtrainU=xtrainU; [nS,mS]=size(xtrainS); [nU,mU]=size(xtrainU); z=0; for k=1300:100:1700 k z=z+1; [centerS,US,obj_fcnS] = fcm(xtrainS',k) X.centerS{z}=centerS; B.US{z}=US; C.obj_fcnS{z}=obj_fcnS; centerS=[];US=[];obj_fcnS=[]; end z=0; for k=300:50:700 k z=z+1; [centerU,SU,obj_fcnU] = fcm(xtrainU',k) X.centerU{z}=centerU; B.SU{z}=SU; C.obj_fcnS{z}=obj_fcnU; centerU=[];SU=[];obj_fcnU=[]; end X_Relief_Fuzzy_3=X; B_Relief_Fuzzy_3=B; C_Relief_Fuzzy_3=C; save('X_Relief_Fuzzy_3'); HVTH: Võ Thanh An Trang 102 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh save('B_Relief_Fuzzy_3'); save('C_Relief_Fuzzy_3'); Phụ lục 7: Chương trình đánh giá độ xác nhận dạng sử dụng MPLNN với mẫu phân cụm Kmeans lựa chọn biến Relief clear all; clc; close all; load('order_relief_WEIGHTf'); load('SS'); load('UU'); load('X_Relief_Kmean'); %======================================================== d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %index= order_Fisher(:,1:d); %index= orderdivergence(:,1:d); %===================================================== [nS,mS]=size(X.xtrainS); [nU,mU]=size(X.xtrainU); [knS,kmS]=size(X.kmeanS); [knU,kmU]=size(X.kmeanU); %===mau kiem tra ========================================= xtestS=X.xtrainS; xtestU=X.xtrainU; %====================================================== z=0; for k1=1 z=z+1; for k2=1 % vi tri chon so mau cua kmeans xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [mxU,nxU]=size(xU); [mxS,nxS]=size(xS); t=[ones(1,mxS) zeros(1,mxU)]; %========================= x=[xS;xU]'; tStart=tic; net=newff(x,t,[20],{'tansig','purelin'},'trainlm');%'hardlim traingd'trainbr' trainlm''trainbfg'purelin [net,tr] = train(net,x,t); %========================================================= ketqua_mang{z}=net; HVTH: Võ Thanh An Trang 103 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh tElapsed = toc(tStart); %view (net); %========================================================= rex=round(net(x)); rexS=rex(1:mxS); rexU=rex((mxS+1):end); correct_training = 100*[length(find(rexS==1))+ length(find(rexU==0))]/(mxS+mxU); %========================================================= ts=round(net(xtestS)); tu=round(net(xtestU)); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(mS+mU) ketquatrain(k1,k2)=[correct_training]; ketquatest(k1,k2)=[correct_testing]; ketquatime(k1,k2)=[tElapsed]; end correct_training=[];correct_testing=[]; end [a,b]=max(ketquatest); [c,d]=max(a); index=b(d); ketquamax=ketquatest(index,d) k1=index; k2=d; xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [p,q]=size(xS); [h,r]=size(xU); ti_le_rut_S=p/mS ti_le_rut_U=h/mU MLPNNtrain_Relief_Kmean=ketquatrain; MLPNNtest_Relief_Kmean=ketquatest; MLPNNtime_Relief_Kmean=ketquatime; save('MLPNNtrain_Relief_Kmean'); save('MLPNNtest_Relief_Kmean'); save('MLPNNtime_Relief_Kmean'); Phụ lục 8: Chương trình đánh giá độ xác nhận dạng sử dụng GRNN với mẫu phân cụm Kmeans lựa chọn biến Relief clear all; clc; close all; load('order_relief_WEIGHTf'); HVTH: Võ Thanh An Trang 104 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh load('SS'); load('UU'); load('X_Relief_Kmean'); %========================================================= d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %index= order_Fisher(:,1:d); %index= orderdivergence(:,1:d); %======================================================= [nS,mS]=size(X.xtrainS); [nU,mU]=size(X.xtrainU); [knS,kmS]=size(X.kmeanS); [knU,kmU]=size(X.kmeanU); %===mau kiem tra=========================================== xtestS=X.xtrainS; xtestU=X.xtrainU; %======================================================= z=0; for k1=1:kmU z=z+1; for k2=1:kmS % vi tri chon so mau cua kmeans xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [mxU,nxU]=size(xU); [mxS,nxS]=size(xS); t=[ones(1,mxS) zeros(1,mxU)]; %========================= x=[xS;xU]'; spread=0.1; tStart=tic; net = newgrnn(x,t,spread); %========================================================= ketqua_mang{z}=net; tElapsed = toc(tStart); %view (net); %========================================================= rex=round(net(x)); rexS=rex(1:mxS); rexU=rex((mxS+1):end); correct_training = 100*[length(find(rexS==1))+ length(find(rexU==0))]/(mxS+mxU); %========================================================= HVTH: Võ Thanh An Trang 105 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ts=round(net(xtestS)); tu=round(net(xtestU)); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(mS+mU) ketquatrain(k1,k2)=[correct_training]; ketquatest(k1,k2)=[correct_testing]; ketquatime(k1,k2)=[tElapsed]; end correct_training=[];correct_testing=[]; end [a,b]=max(ketquatest); [c,d]=max(a); index=b(d); ketquamax=ketquatest(index,d) k1=index; k2=d; xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [p,q]=size(xS); [h,r]=size(xU); ti_le_rut_S=p/mS ti_le_rut_U=h/mU NNtrain_Relief_Kmean=ketquatrain; NNtest_Relief_Kmean=ketquatest; NNtime_Relief_Kmean=ketquatime; save('NNtrain_Relief_Kmean'); save('NNtest_Relief_Kmean'); save('NNtime_Relief_Kmean'); HVTH: Võ Thanh An Trang 106 S K L 0 ... nhanh ổn định hệ thống điện Điển hình, hệ thống thông minh đánh giá ổn định hệ thống điện, lựa chọn biến đặc trưng phương pháp tiếp cận đánh giá ổn định hệ thống điện nhận quan tâm nhà nghiên cứu. .. hành, hệ thống liên tục trải qua nhiễu loạn gây tổn hại đến ổn định hệ thống điện hệ thống không đảm bảo tính ổn định có tác động nhiễu này, dẫn đến sụp đổ hệ thống điện Ổn định hệ thống điện. .. [31,22] đánh giá ổn định hệ thống điện qua số CCT (Critical Clearing Time) Trong nghiên cứu theo hướng nhận dạng, ANN nhận dạng ổn định động hệ thống điện, việc nhận dạng dựa vào liệu ổn định động trước