Báo cáo thực té Vũ Quang Vinh - Lop DI7H2 LOI CAM DOAN Em, Vũ Quang Vĩnh, cam đoan những nội dung trong đồ án này là do em thực hiện dưới sự hướng dẫn của TS Trần Thanh Sơn.. Báo cáo thự
Trang 1Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
LOI CAM DOAN
Em, Vũ Quang Vĩnh, cam đoan những nội dung trong đồ án này là do em thực hiện dưới sự hướng dẫn của TS Trần Thanh Sơn Các số liệu và kết quả
trong bản báo cáo là trung thực và chưa được công bố Các tham khảo trong bản báo cáo đều được trích dẫn rõ ràng tên tác giả, thời gian và nơi công bố Nếu không đúng như đã nêu trên, em hoàn toàn chịu trách nhiệm về bản báo cáo của minh
Ha N6i, ngay 04 thang 12 ndm 2023 Người cam đoan
Vũ Quang Vinh
Trang 2Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
LOI CAM ON
Đề hoản thành Báo cáo thực tế này, em xin gửi lời cảm ơn đến các Quý Thay cô khoa Kỹ thuật điện, Trường Đại học Điện lực đã tạo cơ hội cho em được học tập, rèn luyện và tích lũy kiến thức, kỹ năng đề thực hiện Báo cáo
Đặc biệt, em xin gửi lời cảm ơn đến tiến sĩ Trần Thanh Sơn đã tận tình chỉ dẫn, theo dõi và đưa ra những lời khuyên bồ ích giúp em giải quyết được các vẫn
đề gặp phải trong quá trình nghiên cứu và hoàn thành Báo cáo một cách tốt nhất
Do kiến thức của bản thân còn hạn chế vả thiếu kinh nghiệm thực tiễn nên
nội dung Báo cáo khó tránh những thiếu sót Em rất mong nhận sự góp ý, chỉ dạy thêm từ các thây cô
Cuối củng, em xin chúc các thầy cô luôn mạnh khỏe và đạt được nhiều thành công trong công việc
Em xin trân trọng cảm on!
Hà Nội, ngày 04 thang 12 năm 2023
Sinh viên
Vũ Quang Vinh
Trang 3Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
NHAN XET CUA GIANG VIEN HUONG DAN
Trang 4Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
Tran Thanh Son
Trang 5Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
MUC LUC
I LỜI NÓI ĐẦU 20: t1 1111 11111111111111112111111 01H HH g 7
II GIỚI THIỆU CHUNG VỀ HỘI THẢO -:ccc cc cv xen: 7
2 Chương trình Hội thảo cccnnc nh nhe 8 2.1 Giới thiệu về chương trình ‹ccc về creo 8
III NỘI DUNG BUỔI HỘI THẢO PHÒNG 257 icon 9
1 Deep Learning và Bối cảnh năng lượng .- 9 1.1 Giới thiỆU c nnn kg ng k ng nh He 9 1.2 Các kiến trúc Deep Learnind ‹ccc cv tiiccrree 10 1.3 Sơ đồ mạng nơ-rOn ccc cành nhe 14 1.4 Bộ nhớ dài ngắn hạn (LTSM) 2c cssesssea 16
2 Mô hình hóa động và mô phỏng số của Hệ thống Giao thông
Tự động Công nghiệp (AGVS) khi xem xét tải trọng và ma sát giữa bánh xe và bề mặt đường nho 21
c1 .ằẼ 4 21
2.2 Mô hình động cc nh nnnn nen nhe 22 2.3 Thiết lập mô phỏng ccc che 24 2.4 Kết quả và thảo luận - nhe 26 2.5 KẾT lUẬN LH HH HS TH nn kg TT nến na 26
ion 27
V TÀI LIỆU THAM KHẢO tt n SE Event eg 27
Trang 6Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
DANH MUC CAC TU VIET TAT
Memory
Convolutional Neural Network - Long
Trang 7Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
DANH MUC CAC HiNH ANH, BANG BIEU
Trang 8Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
I LOI NOI DAU
Trong bối cảnh phát triển nhanh chóng của khoa học công nghệ và sự tiến bộ trong lĩnh vực thông tin, Khu vực Thông minh tích hợp trở thành một vấn đề quan trọng đối với sự phát triển bền vững và hiệu quả của xã hội Tại buổi hội thảo về Khu vực Thông minh tích hợp, thông qua bài thuyết trình, thảo luận của các giáo sư, tiến sĩ và các bạn sinh viên, cùng với việc tìm hiểu, nghiên cứu, đánh giá, phân tích hiện trạng, tiến triển và thách thức mà Khu vực Thông minh tích hợp đang đối mặt, em hy vọng rằng những thông tin và nhận định trong Báo cáo thực tế này sẽ góp phần cung cấp cơ sở dữ liệu hỗ trợ quyết định chiến lược và định hình tương lai của Khu vực Thông minh Tích hợp và là
nguồn thông tin hữu ích cho mọi đối tượng quan tâm đến sự phát triển thông minh và hiện đại
II GIỚI THIỆU CHUNG VỀ HỘI THẢO
1 Mục đích
Hội thảo là một diễn đàn quốc tế, nơi gặp gỡ, trao đổi kinh nghiệm và trình bày các đề tài nghiên cứu khoa học về các hệ thống năng lượng từ các nhà khoa học, giảng viên các Trường Đại học, cán bộ các Viện nghiên cứu, các cơ quan, đơn vị trong lĩnh vực năng lượng và tổ chức quốc tế tại Việt Nam
Hội thảo nhằm mục đích cung cấp cái nhìn tổng quan về các vấn đề khoa học, kỹ thuật, kinh tế và xã hội về việc áp dụng
kỹ thuật điện trong bối cảnh các tác động môi trường liên quan nhằm tạo động lực cho nền kinh tế xanh và đưa ra những quan điểm mới trong lĩnh vực này Đồng thời, đây là một sự kiện quan trọng hội tụ những tâm huyết và nỗ lực của Trường Đại học Điện lực cũng như các đơn vị hợp tác, các đối tác trên toàn cầu nhằm
Trang 9Báo cáo thực té Vũ Quang Vinh - Lop DI7H2 hướng tới xây dựng một tương lai bền vững cho hệ thống năng lượng và môi trường
2 Chương trình Hội thảo
M2-TS5 8h50 10h00
@ Room 257
2.1 Giới thiệu về chương trình
Chương trình Khu vực Thông minh tích hợp là một sáng kiến đột phá hướng đến việc tích hợp công nghệ và các giải
pháp thông minh vào các khu vực đô thị và nông thôn, nhằm tối
ưu hóa hiệu suất và chất lượng cuộc sống cho cộng đồng
Chương trình này không chỉ là một nỗ lực nhằm tạo ra môi
Trang 10Báo cáo thực té Vũ Quang Vinh - Lop DI7H2 trường số thông minh mà còn là một hành trình để đáp ứng những thách thức phức tạp của thế giới hiện đại
2.1.1 Mục tiêu chính
Chương trình Smart Sector Integration (SSI) đánh dấu bước tiến quan trọng trong sự phát triển và nghiên cứu của sinh viên, hướng đến việc kết hợp trí tuệ nhân tạo và công nghệ thông minh vào các lĩnh vực chuyên ngành cụ thể Mục tiêu của chương trình là thúc đẩy sự sáng tạo, đồng thời tối ưu hóa khả năng ứng dụng của kiến thức trong thực tế
2.1.2 Tổng quan
Chương trình Smart Sector Integration không chỉ là một phần quan trọng của quá trình học tập mà còn là một cơ hội để sinh viên xây dựng sự hiểu biết sâu rộng về ứng dụng của công nghệ thông minh trong ngành của mình Đây là cơ hội để họ thể hiện sự sáng tạo và đóng góp vào sự phát triển của xã hội thông minh và tiến bộ
III NỘI DUNG BUỔI HỘI THẢO PHÒNG 257
Thông qua bài thuyết trình của giáo sư Silvia Licciardi - Bộ môn Kỹ thuật Điện - Đại học Palermo, Ý và nhóm các sinh viên đến từ Đại học Bách khoa Hà Nội, cùng với những nội dung và hình ảnh tự nghiên cứu, tham khảo qua sách, bảo, Internet, em xin nêu ra 2 nội dung sau đây:
1 Deep Learning và Bối cảnh năng lượng
1.1 Giới thiệu
Deep Learning ngày càng trở nên quan trọng hơn trong nhiều lĩnh vực khác nhau Do đó, ta có thể ứng dụng trong bối cảnh năng lượng, như:
° Giám sát thời gian thực của “Lưới điện thông minh”
10
Trang 11Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
° Dự báo sản xuất năng lượng, từ các nguồn năng lượng tái tạo
Đó là hai ví dụ về cách các kiến trúc mạng Nơ Ron nhân tạo tiên tiến có thể được sử dụng rộng rãi và hữu ích trong các lĩnh vực này Hồ sơ sản xuất - tiêu thụ - tương tác với các vectơ năng lượng khác, dữ liệu dự báo thời tiết là cần thiết để đảm bảo cân bằng dịch vụ hoặc tự tiêu thụ năng lượng hiệu quả ở các quận lớn hoặc nhỏ về năng lượng => Mô hình bản sao Kỹ thuật số
1.2 Các kiến trúc Deep Learning
- Machine Learning (Công nghệ học máy) rất hữu ích vì tính linh hoạt của nó, đặc biệt, các phương pháp Deep Learning cung cấp một số kiến trúc khác nhau Thực tế, trong bối cảnh điện, một số loại mạng Nơ ron nhân tạo đã được triển khai, với hai mục tiêu đặc biệt:
1.2.1 Phân loại
Hình 1.1: Phân loại (được giám sát - dự đoán)
11
Trang 12Báo cáo thực té Vũ Quang Vinh - Lop DI7H2 1.2.2 Hồi quy
10
@ Data points 5 Linear regression
8
0 1 2 3 4
Hình 1.2: Hồi quy (được giám sát - dự đoán) Phân loại tín hiệu, đặc biệt là tín hiệu Điện, có thể được sử dụng, ví dụ: để chia sẻ dữ liệu từ các véc tơ năng lượng khác nhau, hãy chuyển thông tin đến bản sao kỹ thuật số để quyết định bước tiếp theo hoặc phát hiện các lỗi trong lưới điện thông minh
Hồi quy rất hữu ích cho các vấn đề dự đoán về sản xuất điện, từ các nguồn tái tạo, như các nhà máy quang điện, với bộ
dữ liệu một biến hoặc đa biến
12
Trang 13Báo cáo thực tế Vũ Quang Vinh - Lop DI7H2
1.5
Hinh 1.3: Tin hiéu hinh sin Các mục tiêu khác sẽ được giới thiệu trong các bước tiếp theo, cho các mục đích được mô tả hoặc các ứng dụng khác, ví dụ:
b Clustered data objects
Hình 1.4: Phân cụm (không được giám sát - mô tả) Phân nhóm: là quá trình nhóm các điểm dữ liệu tương tự lại với nhau Đây là một hình thức học không giám sát và nhằm mục đích khám phá cấu trúc hoặc mô hình trong dữ liệu dựa trên
sự liên kết của các điểm dữ liệu Phương pháp này được sử dụng
Trang 14Báo cáo thực té Vũ Quang Vinh - Lop DI7H2 trong nhiều lĩnh vực như phân tích dữ liệu, bao gồm cả hình ảnh, phân đoạn khách hàng, và nhiều lĩnh vực khác Quan trọng nhất,
nó có thể được sử dụng để tiền xử lý dữ liệu trong các kiến trúc mạng nơ-ron khác
dữ liệu một cách đáng kể Nó được áp dụng trong nhiều lĩnh vực khác nhau, bao gồm phát hiện gian lận, an ninh mạng, giám sát thiết bị công nghiệp, kiểm soát chất lượng Một trong những mục tiêu của họ là phát hiện lỗi trong thời gian thực trong lưới điện thông minh
14
Trang 15Báo cáo thực té Vũ Quang Vinh - Lop DI7H2 1.3 Sơ đồ mạng nơ-ron
Input Hidden Hidden Hidden Output layer L; layer Ly layer Ly layer Ls layer Ly
4
15
Trang 16Báo cáo thực té Vũ Quang Vinh - Lop DI7H2 tric RNN dién hinh bao gom một đơn vị tái phát nhận đầu vào từ bước thời gian hiện tai va dau ra từ bước thời gian trước đó Điều này cho phép mạng duy trì một "bộ nhớ" nội bộ có thê được sử dụng đề bắt kịp các phụ thuộc dai han trong
dữ liệu tuần tự
- Việc sử dụng Mạng Nơ-ron Hồi quy (RNN), cùng với các kiến trúc Mạng Nơ-ron Tích chập (CNN) và Bộ Nhớ Dài Ngắn Hạn (LSTM), cũng như trong dạng kết hợp, đã được xem xét Các cấu trúc Conv-LSTM và CNN-LSTM đã được triển khai cho những mục đích này
® _CNN thường được sử dụng đề nhận diện hình ảnh thông qua việc trích xuất đặc trưng từ đữ liệu có cấu trúc không gian;
°©_ LSTM được sử dụng để nhận diện dữ liệu tuần tự trong khi duy trì bộ nhớ dài hạn
- Những kiến trúc kết hợp này được sử dụng rộng rãi trong các ứng dụng như xử lý video, dự báo thời tiết, và nhiều lĩnh vực khác nơi quan trọng là bắt giữ các phụ thuộc không gian và thời gian trone đữ liệu, chăng hạn như dự báo sản xuất năng lượng mặt trời dựa trên dữ liệu khí tượng không gian, ví dụ như trong các nhà máy điện mặt trời (PV) Cũng quan trọng là lưu ý rằng các mô hình kết hợp như vậy không chỉ có khả năng xử lý cả ảnh và chuỗi đữ liệu như đầu vào
mà còn có thê xử lý dữ liệu kết hợp, thực tế, trong quá trình huấn luyện các kiến trúc NN, đầu vào của loại ID, 2D hoặc cả hai có thể được sử dụng cho các mục tiêu khác nhau Một trong những ứng dụng của chúng là trong lĩnh vực nghiên cứu về nhà máy điện mặt trời dị động, lĩnh vực nghiên cứu của nhóm công việc
1ó
Trang 17Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
- Đầu ra được tạo ra là một phân phối xác suất, được xác định bởi Định lý Bayes, xác định giá trị "đặc biệt” cuôi cùng của chuỗi
Bảng 1.1: Bảng chức năng kích hoạt, phương trình và đồ
thị 1D 1.4 Bộ nhớ dài ngắn hạn (LTSM)
- Mạng Nơ-ron Hồi quy (RNN), khi được huấn luyện bằng thuật toán lan truyền ngược, có thể gặp phải các vấn đề như biến mất độ dốc hoặc, ít thường xuyên hơn, nổ dốc, điều này có thể làm cho quá trình huấn luyện trên các chuỗi dữ liệu rất dài trở nên khó khăn khi cần phải bắt kịp các phụ thuộc thời gian
Trang 18Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
Để giải quyết vấn đề này, các biến thể tiên tiến hơn của RNN đã được phát triển, như Long Short-Term Memory (LSTM), giới thiệu các hàm kích hoạt và cơ chế cổng phức tạp hơn để quản lý tốt hơn luồng độ dốc và bắt kịp các phụ thuộc dài hạn
- Đặc điểm chính là khả năng bắt kịp các phụ thuộc dài hạn trong chuỗi dữ liệu thông qua việc sử dụng các đơn vị bộ nhớ chuyên biệt được gọi là "ô nhớ LSTM" Mỗi ô nhớ LSTM có thể lưu trữ thông tin trong thời gian dài và quyết định khi nào cập nhật, đọc hoặc ghi thông tin vào bộ nhớ Do đó, chúng có khả năng học được phần nào của thông tin cần giữ lại và phân nào cần quên bỏ Điều này làm cho chúng đặc biệt phù hợp cho việc xử
lý các chuỗi phức tạp, như nhận diện ngôn ngữ tự nhiên, tín hiệu
có chu kỳ và không có chu kỳ, dịch máy và dự báo thời gian
Trang 19Báo cáo thực té Vũ Quang Vinh - Lop DI7H2
» Trạng thái 6 nhé (Cell state): La phan trung tam cua
mô hình LSTM, biểu thị bộ nhớ dài hạn; có thể được cập nhật, đọc, hoặc đặt lại trong quá trình huấn luyện chuỗi
» Trạng thái ẩn (Hidden state): Là phiên bản lọc của trạng thái ô nhớ; biểu thị bộ nhớ hiện tại của mô hình LSTM và được sử dụng để dự đoán hoặc ra quyết định dựa trên dữ liệu đầu vào hiện tại
» Cổng đầu vào (Input gate): Kiểm tra thông tin mới nào nên được thêm vào trạng thái ô nhớ dựa trên đầu vào hiện tại và trạng thái ẩn trước đó
» Cổng quên (Forget gate): Quyết định thông tin nào trong
ô nhớ nên bị quên hoặc xóa bỏ, dựa trên đầu vào hiện tại và trạng thái ẩn trước đó
» Cổng đầu ra (Output gate): Xác định phần nào của trạng thai 6 nhớ nên được cung cấp làm đầu ra Đầu ra được tính toán dựa trên trạng thái ô nhớ hiện tại và đầu vào hiện tại
* Tham số siêu học - Kết quả huấn luyện
- Đối với các đợt huấn luyện này, bộ dữ liệu bao gồm 107 hoặc 5*103 chuỗi thử nghiệm đã biết, tương tự như các tín hiệu điện (chu kỳ, siêu Gaussian, ham Bessel, hinh sin, ham logistic ) với việc thêm nhiễu trắng Một số tham số siêu được
sử dụng như sau Đã sử dụng 100 hoặc 200 lớp ẩn Tài nguyên phần cứng sử dụng là 1 bộ xử lý của Matlab trực tuyến Số lần lặp (Đơn vị số lần huấn luyện)/(Kích thước mini-batch) Các phương pháp đầu tiên được sử dụng là Phương pháp Điều chỉnh Ngẫu Nhiên (SGDM), sau đó, Phương pháp Thich nghi (ADAM) được áp dụng, theo các kết quả đạt được từng bước một Việc huấn luyện của các nhóm 1°, 2° và 3° đã sử dụng lớp bilstm
19