(Luận văn thạc sĩ hcmute) ứng dụng mạng nơron cải tiến nâng cao độ chính xác nhận dạng chế độ hệ thống điện trong dao động lớn

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÂM VIỆT PHONG ỨNG DỤNG MẠNG NƠRON CẢI TIẾN NÂNG CAO ÐỘ CHÍNH XÁC NHẬN DẠNG CHẾ ÐỘ HỆ THỐNG ÐIỆN TRONG DAO ÐỘNG LỚN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 S K C0 Tp Hồ Chí Minh, tháng 04/2018 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÂM VIỆT PHONG ỨNG DỤNG MẠNG NƠRON CẢI TIẾN NÂNG CAO ĐỘ CHÍNH XÁC NHẬN DẠNG CHẾ ĐỘ HỆ THỐNG ĐIỆN TRONG DAO ĐỘNG LỚN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Tp Hồ Chí Minh, tháng 04 năm 2018 Luan van Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÂM VIỆT PHONG ỨNG DỤNG MẠNG NƠRON CẢI TIẾN NÂNG CAO ĐỘ CHÍNH XÁC NHẬN DẠNG CHẾ ĐỘ HỆ THỐNG ĐIỆN TRONG DAO ĐỘNG LỚN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Hướng dẫn khoa học: PGS.TS QUYỀN HUY ÁNH Tp Hồ Chí Minh, tháng 04 năm 2018 Luan van Luan van i Luan van ii Luan van iii Luan van iv Luan van v Luan van Chương KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN 6.1 Kết luận Luận văn tìm hiểu, xây dựng mơ hình ma ̣ng nơron cải tiến đánh giá ổ n đinh ̣ động ̣ thố ng điê ̣n hoàn thành mục tiêu đặt ra, kết đạt sau: - Phân tích tổng quan lĩnh vực nghiên cứu: Lý thuyết ổn định hệ thống điện, lựa chọn biến đặc trưng, biện pháp xử lý mẫu, chia liệu theo tiêu chuẩn lượng - Nghiên cứu lý thuyết nhận dạng, mạng nơron, đề xuất xây dựng mơ hình mạng nơron cải tiến nhận dạng ổn định động hệ thống điện - Nghiên cứu kỹ thuật phân cụm liệu Kmeans để rút gọn tập liệu đầu vào - Đề xuất quy trình xây dựng mơ hình mạng nơron cải tiến nhận dạng ổn định động hệ thống điện - Kiểm chứng hiệu mơ hình nơron cải tiến nhận dạng ổn định động hệ thống điện chuẩn IEEE 10-máy 39-bus mơ hình đề xuất Tỷ lệ rút gọn mẫu ổn định không ổn định tương ứng nhóm 48.5% 59.2%, nhóm 60.8% 62.8%, nhóm 47% 60% - Kết luận mạng nơron cải tiến có độ xác nhận dạng 98.06% so với mơ hình nơron đơn độ xác đạt 97.78% Điều cho thấy hiệu mơ hình mạng nơron cải tiến so với mạng nơron đơn toán đánh giá ổn định động hệ thống điện 6.2 Hướng nghiên cứu phát triển Xây dựng ANN có khả tự học tự cập nhật liệu đánh giá ổn định động hệ thống điện Từ mơ hình nhận dạng ổn định động hệ thống điện, tiến hành nghiên cứu kết hợp với mơ hình điều khiển khẩn cấp trường hợp ổn định HTĐ 70 Luan van TÀI LIỆU THAM KHẢO TIẾNG VIỆT Quyền Huy Ánh, Vận hành tối ưu hệ thống điện, Đại học Sư phạm Kỹ thuật Tp.Hồ Chí Minh, 2012, 146 trang Lã Văn Út, Phân tích Điều khiển Ổn định hệ thống điện, Nhà xuất Khoa học Kỹ thuật, 2000, 210 trang Nguyễn Hoàng Việt Phan Thị Thanh Bình, Ngắn mạch Ổn định hệ thống điện, Nhà xuất Đại học Quốc gia Tp.Hồ Chí Minh, 2013, 370 trang Phạm Hữu Đức Dục, Mạng nơron ứng dụng điều khiển tự động, Nhà xuất Khoa học Kỹ thuật, 2009, 292 trang Bùi Cơng Cường Nguyễn Dỗn Phước, Hệ mờ Mạng nơron ứng dụng, Nhà xuất Khoa học Kỹ thuật, 2006, 199 trang Phan Viết Thịnh, Luận văn Thạc sĩ: Mạng Nơron nhận dạng ổn định động hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2015 Võ Thanh An, Luận văn Thạc sĩ: Nghiên cứu phương pháp nhận dạng ổn định hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 Nguyễn Thái Bình với luận văn Thạc sĩ Mạng nơrơn song song đánh giá ổn định động hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 Đoàn Văn Phúc với luận văn Thạc sĩ Mạng nơrơn lai đánh giá ổn định động hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 TIẾNG NƯỚC NGỒI 10 Prabha Kundur, Power System Stability and Control, New York: McGraw Hill, 1994 11 J Duncan Glover, Mulukutla S Sarma, and Thomas J Overbye, Power System Analysis and Design, Fifth Edition, pp.579-634 71 Luan van 12 Ahmed M A Haidara, M W Mustafab, Faisal A F Ibrahimc, Ibrahim A Ahmed, Transient stability evaluation of electrical power system using Generalized Regression Neural Networks, Applied Soft Computing 11, 2011, pp.3558-3570 13 K.R Niazi, C.M Arora, S.L Surana, Power system security evaluation using ANN feature selection using Divergence, Sciencedirect 2003, pp.1-7 14 K Kira and L Rendell, A practical approach to feature selection, In D Sleeman and P Edwards, editors, Int Conf on Machine Learning, Aberdeen, Scotland, Morgan Kaufmann, 1992, page 249-256 15 Mania Pavella, Damien Ernst, Daniel Ruiz-Vega, Transient stability of power systems a unified approach to assessment and control, Kluwer Academic Publishers, 2000 16 Madjid Khalilian, Farsad Zamani Boroujeni, Norwati Mustapha, Md Nasir Sulaiman, K-Means Divide and Conquer Clustering, International Conference on Computer and Automation Engineering, 2009 17 Rui Zhang, Yan Xu, Zhao Yang Dong and David J Hill, Feature Selection For Intelligent Stability Assessment of Power Systems, 2012 IEEE, pp.1-7 18 B Verma, “Chapter 14 Nerual Network Based Classifier Ensembles: A comparative Analysic”, Central Queensland University, Australia 19 Taylor, Computational methods of feature selection, Edited by Huan Liu, Horoshi Motoda, 2008, pp.169-176 20 Mania Pavella, Damien Ernst, Daniel Ruiz-Vega, Transient stability of power systems a unified approach to assessment and control, Kluwer Academic Publishers, 2000 21 D Rama Krishna, K V S Ramachandra Murthy, and G Govinda Rao, Application of Artificial Neural Networks in Determining Critical Clearing Time in Transient Stability Studies, 2008 IEEE, pp.1-6 72 Luan van PHỤ LỤC Chia liệu clear all; clc; close all; load('C:\Program_files\Matlab\R2014\Bin\3_Result_devide_three_gruop\GroupTrain1'); load('C:\Program_files\Matlab\R2014\Bin\3_Result_devide_three_gruop\GroupTrain2'); load('C:\Program_files\Matlab\R2014\Bin\3_Result_devide_three_gruop\GroupTrain3'); load('C:\Program_files\Matlab\R2014\Bin\3_Result_devide_three_gruop\GroupTest1'); load('C:\Program_files\Matlab\R2014\Bin\3_Result_devide_three_gruop\GroupTest2'); load('C:\Program_files\Matlab\R2014\Bin\3_Result_devide_three_gruop\GroupTest3'); SS1=[Strain1 Stest1]; UU1=[Utrain1 Utest1]; SS2=[Strain2 Stest2]; UU2=[Utrain2 Utest2]; SS3=[Strain3 Stest3]; UU3=[Utrain3 Utest3]; save('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\SS1'); save('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\UU1'); save('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\SS2'); save('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\UU2'); save('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\SS3'); save('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\UU3'); Chương trình phân cụm Kmeans với tập mẫu tối ưu Data(1100,300) clear all; clc; close all; load('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\UU1'); load('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\SS1'); xtrainS=SS1; xtrainU=UU1; X.xtrainS=xtrainS; X.xtrainU=xtrainU; [nS,mS]=size(xtrainS); [nU,mU]=size(xtrainU); z=0; for k=1100 k z=z+1; [IDXSS1,CSS1] = kmeans(xtrainS',k); X.kmeanS{z}=CSS1; IDX.ClearnS{z}=IDXSS1; end z=0; k=[]; for k=300 k z=z+1; [IDXUU1,CUU1] = kmeans(xtrainU',k); X.kmeanU{z}=CUU1; IDX.ClearnU{z}=IDXUU1; end 73 Luan van X1=X; IDX_Kmean1=IDX; save('C:\Program_files\Matlab\R2014\Bin\4_Result_group_kmeans\Result_group_1_kmean\X1'); save('C:\Program_files\Matlab\R2014\Bin\4_Result_group_kmeans\Result_group_1_kmean\IDX_Kmean1'); Chương trình đánh giá độ xác nhận dạng sử dụng GRNN với mẫu phân cụm Kmeans lựa chọn biến Relief tập mẫu Data(1100, 300) clear all; clc; close all; load('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\SS1'); load('C:\Program_files\Matlab\R2014\Bin\3_Result_group_SS_UU\UU1'); load('C:\Program_files\Matlab\R2014\Bin\4_Result_group_kmeans\Result_group_1_kmean\X1'); %======================================================================== [nS,mS]=size(X1.xtrainS); [nU,mU]=size(X1.xtrainU); [knS,kmS]=size(X1.kmeanS); [knU,kmU]=size(X1.kmeanU); %===mau kiem tra========================================================= xtestS=X1.xtrainS; xtestU=X1.xtrainU; z=0; xU=X1.kmeanU{1,1}; xS=X1.kmeanS{1,1}; [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=net; tElapsed = toc(tStart); 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)); ketqua1.ts=ts; ketqua1.tu=tu; correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(mS+mU) ketquatrain=[correct_training]; ketquatest=[correct_testing]; ketquatime=[tElapsed]; correct_training=[];correct_testing=[]; [a,b]=max(ketquatest); [c,d]=max(a); index=b(d); [p,q]=size(xS); 74 Luan van [h,r]=size(xU); ti_le_rut_S=p/mS; ti_le_rut_U=h/mU; NNtrain_KmeanONLINE=ketquatrain; NNtest_KmeanONLINE=ketquatest; NNtime_KmeanONLINE=ketquatime; save('C:\Program_files\Matlab\R2014\Bin\5_Result_group_trainGRNN\Result_group_1_trainGRNN\NNtrai n_KmeanONLINE'); save('C:\Program_files\Matlab\R2014\Bin\5_Result_group_trainGRNN\Result_group_1_trainGRNN\NNtim e_KmeanONLINE'); save('C:\Program_files\Matlab\R2014\Bin\5_Result_group_trainGRNN\Result_group_1_trainGRNN\ketqua 1'); Chương trình đánh giá độ xác nhận dạng sử dụng mạng GRNN kết hợp với ba mạng GRNN đơn theo luật bình bầu clc;clear all; close all; load('C:\Program_files\Matlab\R2014\Bin\5_Result_group_trainGRNN\Result_group_1_trainGRNN\ketqua 1'); load('C:\Program_files\Matlab\R2014\Bin\5_Result_group_trainGRNN\Result_group_1_trainGRNN\ketqua 2'); load('C:\Program_files\Matlab\R2014\Bin\5_Result_group_trainGRNN\Result_group_1_trainGRNN\ketqua 3'); kqs=[ketqua1.ts;ketqua2.ts;ketqua3.ts]; kqsums=sum(kqs); kqu=[ketqua1.tu;ketqua2.tu;ketqua3.tu]; kqsumu=sum(kqu); a=length(find(kqsums>1)); b=length(find(kqsumu0.5* L, a là ký hiê ̣u hàm floor làm tròn về giá tri ̣ nhỏ LT là số lươ ̣ng đươ ̣c bầ u cho ̣n ổn định (1) 4.4 Phâm cụm liệu Phân cụm Kmeans tập hợp đối tượng liệu mà phần tử tương tự hay gần phi tương tự với đối tượng cụm khác áp dụng theo cơng thức 4.6 Đánh giá độ xác nhận dạng 4.5 Huấn luyện Phần trăm độ xác nhận dạng mơ hình huấn luyện kiểm tra tính trung bình k lần thực Độ xác nhận dạng mơ hình đánh giá theo tỷ lệ phần trăm huấn luyện kiểm tra xác định theo công thức (7) [6] R %CorrectCla ssification  x100% (7) S Mạng nơron nhân tạo huấn luyện trình học sở liệu, phân tích mối quan hệ phi tuyến vào thông số vận hành hệ thống điện và tiǹ h tra ̣ng ổ n đinh ̣ hệ thống điện, sau tính tốn đánh giá kết Dựa tính chất ANN, phân loại sau: 79 Luan van Trong đó: R tổng số mẫu đúng, S tổng số mẫu Giá trị kỳ vọng độ xác nhận dạng mơ hình đề nghị phải đạt 90% New England Hệ thống gồm có 39 bus, 10 bus bus máy phát, 12 máy biến áp, 10 máy phát, 34 đường dây truyền tải 19 tải 10 máy phát kết nối từ bus 30 đến bus 39, bus 31 coi bus Slack, bus gọi bus PV, 29 bus cịn lại gọi bus PQ, có cấp điện áp khác 345kV 20kV Hệ thống cho Hình Cấu trúc mạng nơron song song Qua quy trình thực mạng nơron đơn trên, đề tài nhận thấy có khó khăn sau: - Số lượng mẫu hệ thống thực tế nhiều - Các mạng nơron đơn thường khó khăn việc huấn luyện mẫu liệu có kích thước lớn, nên áp dụng nhận dạng chế độ hệ thống điện độ xác, độ tin cậy khơng cao Từ đề tài đề xuất xây dựng cấu trúc (Hình 2) bao gồm số mạng nơron đặt song song hoạt động Các mạng nơron song song xem xét với đặc tính đầu vào đầu Thực chất mạng liên kết chức năng, có trọng số riêng độc lập Ngõ vào Bộ lựa chọn ANN Ngõ ANN Ngõ Hình 4: Sơ đồ hệ thống điện IEEE 10-máy 39bus New England Dữ liệu tạo thông qua mô offline phần mềm PowerWorld, thực hệ thống IEEE 10-máy 39-bus, xét cố ngắn mạch pha cân bus dọc đường dây truyền tải, với mức tải từ 20% đến 120% tải bản, với thời gian cắt ngắn mạch cài đặt 50ms Kết thu tập mẫu liệu gồm 3200 mẫu, có 2400 mẫu ổn định 800 mẫu không ổn định, Data(2400,800) Dữ liệu chuẩn hóa dạng chuẩn áp dụng theo cơng thức ANN n Ngõ Hình 3: Cấu trúc mạng nơron song song Mạng nơron song song cấu tạo từ nơron riêng biệt nhau, sử dụng cấu trúc mạng hồi quy tổng quát, có hàm mục tiêu ngõ giống nhau, khác: - Bộ liệu đầu vào: từ kỹ thuật chia liệu chia mẫu có mức lượng giống nhóm liệu, nhóm liệu liệu đầu vào cho nơron song song - Độ rộng hàm xuyên tâm: giá trị độ rộng hàm xuyên tâm liệu khác nhau, giá trị cần kiểm tra thực nghiệm nhiều lần để tìm giá trị tối ưu cho mạng nơron song song Lựa chọn biến đặc trưng Biến biểu diễn dạng vectơ x=[Vbus, Pload, Pflow] Tổng số biến đầu vào 104 biến (39+19+46), bao gồm 39 biến độ sụt điện áp bus, 19 biến độ lệch công suất phụ tải, 46 biến độ lệch công suất tác dụng phân bố đường dây truyền tải Trong [3] Kỹ thuật xếp hạng biến ổn định động đặc trưng sử dụng giải thuật Relief nhờ III KẾT QUẢ Dữ liệu đầu vào Bài báo tiến hành kiểm tra độ xác PNNM hệ thống điện IEEE 10-máy 39-bus 80 Luan van  Kết huấn luyện kiểm tra tập liệu nhóm kết huấn luyện huấn luyện với số biến 15 với hỗ trợ phần mềm Matlab Chia liệu Áp dụng cơng thức (1) tính lượng mẫu cho nhóm S nhóm U, kết lượng tập liệu ổn định không ổn định Từ liệu ban đầu Data(2400,800) Tác giả thấy số lượng mẫu hệ thống nhiều gây khó khăn việc huấn luyện Vì vậy, chia liệu ban đầu thành tập Hình 6: Độ xác huấn luyện với tập mẫu phân cụm Kmeans Data(SR2,UR2)  Kết huấn luyện kiểm tra tập liệu nhóm liệu nhỏ Bảng 1: Số liệu đầu vào Dữ liệu đầu vào Ổn định Khơng ổn định Nhóm 2268 504 Nhóm 115 191 Nhóm 17 105 Số mẫu liệu Trong đó: + Tập liệu nhóm Data(2268,504) + Tập liệu nhóm Data(115,191) + Tập liệu nhóm Data(17,105) Hình 7: Độ xác huấn luyện với tập mẫu phân cụm Kmeans Data(SR3,UR3)  Chọn kết phân cụm Bảng 2: Kết huấn luyện GRNN mơ hình nơron đơn nhóm 1, nhóm nhóm Tỷ lệ rút mẫu Huấn luyện - Đánh giá 4.1 Kết huấn luyện kiểm tra mạng GRNN đơn  Kết huấn luyện kiểm tra tập liệu nhóm Bộ mẫu GRNN (%) S (%) U (%) Nhóm D(1100,300) 98.23 48.5 59.2 Nhóm D(70,120) 97.05 60.8 62.8 Nhóm D(8,100) 98.36 47 60 Hình 5: Độ xác huấn luyện với tập 97.78 mẫu phân cụm Kmeans Data(SR1,UR1)  Nhận xét chung 81 Luan van Phân tích kết từ hình 5, cho thấy khâu đánh giá độ xác nhận dạng thay đổi theo số lần huấn luyện Vì vậy, cấu trúc mạng GRNN đơn cần phải cải tiến Để giải vấn đề trên, Vì cần xây dựng cấu hình mạng nơron cải tiến bao gồm mạng nơron song song Số mạng nơron song song 4.2 Mạng nơron song song Hình 9: Đồ thị biểu diễn mối quan hệ độ xác nhận dạng số mạng nơron GRNN song song nhóm  Kết đánh giá kiểm tra với mạng GRNN nhóm Các bước xác định số lượng mạng nơron song song: + Bước 1: Dữ liệu đầu vào nhóm Data(1100,300), Data(70,120), Data(8,100) + Bước 2: Thực huấn luyện 13 mạng nơron đơn cho nhóm + Bước 3: Tiń h đô ̣ chiń h xác huấ n luyê ̣n và kiể m tra của 3, 5,…, 13 ma ̣ng nơron song song, tổng hợp đầu áp dụng cơng thức tính luật bình bầu theo số đông + Bước 4: Vẽ đồ thị quan ̣ giữa số ma ̣ng nơron song song với đô ̣ chiń h xác huấ n luyê ̣n, đô ̣ chiń h xác kiể m tra + Bước 5: Cho ̣n số ma ̣ng nơron song song có đô ̣ chiń h xác kiể m tra cao nhấ t, số ma ̣ng nơron song song it́ nhấ t  Kết đánh giá kiểm tra với mạng GRNN nhóm Số mạng nơron song song Hình 10: Đồ thị biểu diễn mối quan hệ độ xác nhận dạng số mạng nơron GRNN song song nhóm  Kết luận Bảng 3: Kết huấn luyện GRNN mơ hình mạng nơron song song nhóm 1, nhóm nhóm Nhóm Số mạng nơron song song Hình 8: Đồ thị biểu diễn mối quan hệ độ xác huấn luyện số mạng nơron GRNN song song nhóm  Kết đánh giá kiểm tra với mạng GRNN nhóm Nhóm Nhóm Số mạng nơron song song Độ xác (%) 98.45 97.39 98.36 Trung bình 98.06 Căn vào bảng 5.7 cho thấy nhận dạng mơ hình nơron song song nhóm 98.45%, 97.39% 98.36% Vì vậy, cấu hình mạng nơron song song đươ ̣c cho ̣n hình 5.9 gồ m: lớp đầu vào, nhóm có mạng đơn, nhóm có mạng nơron đơn, nhóm 82 Luan van có mạng nơron đơn ngỏ Dữ liệu đầu vào Bộ chọn mạng ANN Bình bầu Đầu mạng ANN Bình bầu Đầu mạng ANN Bình bầu Đầu - Kiểm chứng hiệu mô hình nơron cải tiến nhận dạng ổn định động hệ thống điện chuẩn IEEE 10-máy 39-bus mơ hình đề xuất Tỷ lệ rút gọn mẫu ổn định không ổn định tương ứng nhóm 48.5% 59.2%, nhóm 60.8% 62.8%, nhóm 47% 60% - Kết luận mạng nơron cải tiến có độ xác nhận dạng 98.06% so với mơ hình nơron đơn độ xác đạt 97.78% Điều cho thấy hiệu mơ hình mạng nơron cải tiến so với mạng nơron đơn toán đánh giá ổn định động hệ thống điện Hình 11: Mơ hình mạng nơron song song IV KẾT LUẬN Bài báo nghiên cứu đề xuất quy trình xử lý liệu: chia liệu theo tiêu chuẩn lượng, kỹ thuật lựa chọn mạng nơron TÀI LIỆU THAM KHẢO Madjid Khalilian, Farsad Zamani Boroujeni, Norwati Mustapha, Md Nasir Sulaiman, K-Means Divide and Conquer Clustering, International Conference on Computer and Automation Engineering, 2009 M.A Pai, Energy Function Analysis for Power System Stabili1y, University of Illinois at Champaign/ Urbana, 1989 Phan Viết Thịnh, Luận văn Thạc sĩ: Mạng Nơron nhận dạng ổn định động hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2015 Võ Thanh An, Luận văn Thạc sĩ: Nghiên cứu phương pháp nhận dạng ổn định hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 Prabha Kundur, Power System Stability and Control, New York: McGraw Hill, 1994 I S Isa, Z Saad, S Omar, M K Osman, K A Ahmad, H A Mat Sakim, Suitable MLP Network Activation Functions for Breast Cancer and Thyroid Disease Detection, 2010 IEEE, pp.39-44 Nguyễn Thái Bình với luận văn Thạc sĩ Mạng nơrơn song song đánh giá ổn định động hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 Thơng tin liên hệ tác giả (người chịu trách nhiệm viết): Họ tên: Lâm Việt Phong Đơn vị: Học viên Cao học Trường Đại Học Sư Phạm Kỹ Thuật Tp Hồ Chí Minh Điện thoại: 0939 738 819 Email: lamvietphong.010191@gmail.com XÁC NHẬN CỦA GIÁO VIÊN HƯỚNG DẪN 83 Luan van S K L 0 Luan van ... thuyết mạng nơron mơ hình nhận dạng Chương 4: Xây dụng mạng nơron cải tiến nhận dạng ổn định động hệ thống điện Chương 5: Ứng dụng mạng nơron cải tiến nhận dạng ổn định động hệ thống điện IEEE... THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÂM VIỆT PHONG ỨNG DỤNG MẠNG NƠRON CẢI TIẾN NÂNG CAO ĐỘ CHÍNH XÁC NHẬN DẠNG CHẾ ĐỘ HỆ THỐNG ĐIỆN TRONG DAO ĐỘNG LỚN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Hướng dẫn... THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÂM VIỆT PHONG ỨNG DỤNG MẠNG NƠRON CẢI TIẾN NÂNG CAO ĐỘ CHÍNH XÁC NHẬN DẠNG CHẾ ĐỘ HỆ THỐNG ĐIỆN TRONG DAO ĐỘNG LỚN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Tp Hồ Chí