Ứng dụng mạng nơ ron nhân tạo đánh giá mức độ ổn định của hệ thống điện

90 777 5
Ứng dụng mạng nơ ron nhân tạo đánh giá mức độ ổn định của hệ thống điện

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

bộ giáo dục đào tạo đại học bách khoa hà nội Phạm Hữu Phước ứng dụng mạng nơ ron nhân tạo đánh giá mức độ ổn định hệ thống điện Ngành: Kỹ thuật điện luận văn thạc sỹ kỹ thuật điện người hướng dẫn: ts nguyễn đức huy Hà Nội, tháng năm 2016 Mục lục Mục lục i Danh sách hình vẽ vi Danh sách bảng viii Các thuật ngữ viết tắt ix Giới thiệu chung 1.1 Mục tiêu nghiên cứu 1.2 Cấu trúc luận văn 2 Đánh giá ổn định độ hệ thống điện 2.1 Một số định nghĩa 2.1.1 Hệ thống điện 2.1.2 Chế độ hệ thống điện 2.1.3 Yêu cầu chế độ hệ thống điện 2.2 Ổn định hệ thống điện 2.2.1 Sự cân công suất 2.2.2 Các phân loại ổn định hệ thống điện 2.3 Đánh giá ổn định độ phương pháp cân diện tích 2.3.1 Phương trình mô tả chuyển động quay máy phát 2.3.2 Phương pháp cân diện tích 2.3.3 Phương pháp xác định thời gian cắt tới hạn CCT dựa mô 2.4 Kết luận chương 4 8 12 12 14 i 22 26 Contents Các phương pháp trí tuệ nhân tạo đánh giá ổn định hệ thống điện 3.1 Tổng quan mạng nơ ron nhân tạo 3.1.1 Nơron nhân tạo 3.1.2 Mô hình mạng nơron 3.1.3 Huấn luyện mạng ANN 3.1.4 Mạng nhiều tầng truyền thẳng MLP 3.1.5 Mạng SVM 3.2 Cây định 3.3 Một số công cụ trí tuệ nhân tạo khác 3.4 Ứng dụng mạng ANN đánh giá ổn định động HTĐ Ứng dụng công cụ trí tuệ nhân tạo đánh giá phân loại mức độ ổn định 4.1 Quy trình tính toán 4.2 Lưới điện IEEE nút 4.2.1 Kết phân loại với công cụ Neural Network Toolbox (MATLAB) 4.2.2 Kết phân loại với công cụ Support Vector Machine 4.2.3 Kết phân loại với công cụ Multi-class Neural Network Microsoft Azure 4.2.4 Kết phân loại với công cụ Two Class Boosted Decision Tree Microsoft Azure 4.3 Lưới điện IEEE 39 nút 4.3.1 Mô tả chung lưới điện 4.3.2 Kết phân loại với mạng trí tuệ nhân tạo 4.3.3 Một số phân tích định tính Kết luận ii 28 29 29 31 33 35 36 42 46 48 51 51 54 58 59 59 60 61 61 63 66 70 A Một số code chương trình sử dụng luận văn 72 A.1 Chương trình chuẩn bị số liệu cho MS Azure Machine Learning 72 A.2 Chương trình MATLAB huấn luyện mạng nơ ron 75 Contents Tài liệu tham khảo iii 78 Lời cảm ơn • Đầu tiên cho gửi lời cảm ơn đến toàn thể thầy cô giáo môn Hệ thống điện - Đại học Bách khoa Hà Nội tạo điều kiện cho hoàn thành luận văn thạc sỹ Đây hội tốt để thực hành kỹ năng, kiến thức học giảng đường giúp ngày tự tin vào thân • Tôi xin gửi lời cảm ơn chân thành tới TS Nguyễn Đức Huy suốt thời gian qua nhiệt tình dạy giúp đỡ hoàn thành tốt luận văn thạc sỹ • Tôi xin gửi lời cảm ơn sâu sắc tới toàn thể người thân, bạn bè, nhữn người bên cạnh ủng hộ suốt thời gian qua • Do thời gian có hạn, chắn luận văn không tránh khỏi thiếu sót Tôi kính mong thầy cô bảo, đóng góp ý kiến để hoàn thiện, tiếp tục nghiên cứu phát triển đề tài iv Lời cam đoan Tôi xin cam đoan vấn đề trình bày luận văn nghiên cứu riêng cá nhân Các số liệu thống kê, báo cáo, tài liệu khoa học luận văn sử dụng công trình khác nghiên cứu thích đủ, quy định Hà Nội, ngày tháng 04 năm 2016 Tác giả luận văn v Danh sách hình vẽ 2.1 2.2 Phân loại trình ổn định [1, 2] Đồ thị đặc tính công suất máy phát theo góc áp dụng phương pháp cân diện tích Sơ đồ máy phát - vô lớn Phương pháp cân diện tích Đặc tính công suất-góc theo phương pháp cân diện tích trường hợp hệ thống ổn định Đặc tính công suất-góc theo phương pháp cân diện tích trường hợp hệ thống ổn định Thuật toán xác định CTT Phương pháp xác định đồng trình mô Xác định mô ổn định dựa phân kỳ góc máy phát so với tâm quán tính 26 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 Mô hình nơ ron nhân tạo Mạng truyền thẳng Mạng phản hồi Mạng MLP tổng quát Bài toán phân lớp tuyến tính Siêu phẳng phân tách H0 siêu phẳng lề H+ , H− Ví dụ định Giao diện Azure Web Portal 30 32 33 35 37 38 43 48 4.1 4.2 4.3 4.4 Quy trình tạo sở liệu từ số liệu hệ thống điện mẫu Tiêu chí đánh giá khả phân loại công cụ trí tuệ nhân tạo Sơ đồ lưới điện IEEE nút Phân bố giá trị CCT chế độ làm việc, lưới IEEE nút 2.3 2.4 2.5 2.6 2.7 2.8 2.9 vi 12 15 17 18 20 20 24 25 52 54 55 56 List of Figures 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 Đánh giá kết phân loại dựa MATLAB Neural network Toolbox Sơ đồ lưới IEEE 39 nút (New England) Kịch ổn định máy phát G7 Kịch ổn định máy phát G8 Kịch ổn định máy phát G9 Phân bố điểm làm việc theo P9-Q9 Độ nhạy mạng SVM dự báo CCT cố máy phát G9 với biến đầu vào Phân bố điểm làm việc theo P8-P9 Độ nhạy mạng SVM dự báo CCT cố máy phát G8 với biến đầu vào vii 58 61 62 62 62 66 67 68 69 Danh sách bảng 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 Cấu trúc thông số đầu vào huấn luyện Số liệu CCT máy phát G2, lưới IEEE nút Kết phân loại CCT với mạng nơ ron, lưới IEEE nút Kết phân loại CCT với mạng SVM, lưới IEEE nút Kết phân loại CCT với mạng nơ ron AZUREML, lưới IEEE nút Kết phân loại CCT với định AZUREML, lưới IEEE nút Kết phân loại CCT lưới IEEE 39, cố đầu cực máy phát G7 Kết phân loại CCT lưới IEEE 39, cố đầu cực máy phát G8 Kết phân loại CCT lưới IEEE 39, cố đầu cực máy phát G9 viii 54 57 59 59 60 60 64 65 65 Các thuật ngữ viết tắt ANN Mạng nơron nhân tạo (Artifical Neural Networks) CCT Thời gian cắt tới hạn (Critical Clearing Time) COA Tâm góc (Center Of Angle) COI Tâm quán tính (Center Of Inertia) EAC Phương pháp cân diện tích (Equal Area Criterion) FA Cảnh báo sai cố không nguy hiểm (False Alarm) FD Loại trừ sai cố nguy hiểm (False Dismissal) HTĐ Hệ thống điện MAPE Sai số trung bình phần trăm tuyệt đối (Mean Absolute Percent Error) QTQĐ Quá trình độ SIME Mô hình đẳng trị máy phát (Single Machine Equivalent) ix Chương Ứng dụng công cụ trí tuệ nhân tạo đánh giá ổn định 4.3.3 66 Một số phân tích định tính Để có đánh giá định tính ảnh hưởng thông số chế độ xác lập đến thời gian cắt tới hạn CCT, hình 4.10 4.12 biểu diễn cặp giá trị biến đầu vào Trên hình 4.10 vị trí điểm làm việc dựa công suất tác dụng phản kháng máy phát G9 Một xu hướng quan sát rõ hình này, tăng công suất tác dụng máy G9, mức độ ổn định cố đầu cực máy G9 bị suy giảm Tuy nhiên, ổn định cố lại tăng thêm tăng công suất phản kháng phát đầu cực máy G9 Đây kết phản ánh xác quy luật định tính phương pháp diện tích 100 Không ổn định Ổn định 80 60 40 20 -20 -40 740 760 780 800 820 840 860 880 900 920 Công suất tác dụng máy G9 (MW) Hình 4.10: Phân bố điểm làm việc theo P9-Q9 Để đánh giá khả công cụ trí tuệ nhân tạo việc "học" quy luật trên, tiến hành đánh giá độ nhạy mạng trí tuệ nhân Chương Ứng dụng công cụ trí tuệ nhân tạo đánh giá ổn định 67 tạo theo dao động thông số đầu vào Để làm việc này, mạng trí tuệ nhân tạo cần huấn luyện với đầu vào chuẩn hóa (các biến đầu vào có trung bình 0, độ lệch quân phương nhau) Đối với mạng SVM sử dụng hàm truyền tuyến tính, độ nhạy đầu mạng theo biến đầu vào hệ số véc tơ w sau huấn luyện mạng Hình 4.11 đánh giá độ nhạy mạng SVM đánh giá CCT cố máy G9, với biến đầu vào Pg Ug Kết cho thấy quy luật rõ nét, để tăng CCT máy 9, cần giảm công suất máy tăng điện áp đặt máy 10 U9 Độ nhạy P9 -5 -10 -15 -20 -25 10 Biến đầu vào 15 20 Hình 4.11: Độ nhạy mạng SVM dự báo CCT cố máy phát G9 với biến đầu vào Trên hình 4.12 biểu diễn công suất tác dụng máy G8 máy G9 Dựa đáp ứng hình 4.8, thấy cố dẫn đến đáp ứng phức tạp Thời gian cắt tới hạn cố phụ thuộc mạnh vào công suất tác dụng máy phát G8 G9 Có thể xác định ranh giới ổn định dựa hai tham số P8 P9, hình 4.12 Tuy cách phân loại tạo nhiều ngoại lệ: số chế độ làm việc có P8 P9 nhỏ có đáp ứng không ổn định Chương Ứng dụng công cụ trí tuệ nhân tạo đánh giá ổn định Không ổn định 68 Ổn định 1000 950 900 850 800 750 700 650 400 450 500 550 600 650 Công suất máy G8 (MW) Hình 4.12: Phân bố điểm làm việc theo P8-P9 Tương tự trường hợp đánh giá CCT máy G9, hình 4.13 trình bày kết đánh giá độ nhạy mạng SVM đánh giá CCT máy số 8, theo yếu tố đầu vào chuẩn hóa (công suất máy từ G1 đến G10) Có thể thấy kết độ nhạy tương đồng với phân bố hình 4.12 Một nhận xét khác dựa hình 4.12, có nhiều điểm ngoại lệ (outlier ): Một số điểm làm việc có công suất máy G8 G9 thấp không ổn định Điều giải thích dựa độ nhạy hình 4.13 Đây điểm làm việc có điện áp đặt máy G8 G9 thấp, dẫn đến mức độ ổn định bị suy giảm Hai ví dụ phân tích độ nhạy nêu cho thấy mạng trí tuệ nhân tạo "học" quy luật phụ thuộc biến đầu vào đầu Khi huấn luyện Chương Ứng dụng công cụ trí tuệ nhân tạo đánh giá ổn định 69 0.5 Độ nhạy -0.5 U8 -1 U9 -1.5 P8 -2 P9 -2.5 -3 10 Biến đầu vào 15 20 Hình 4.13: Độ nhạy mạng SVM dự báo CCT cố máy phát G8 với biến đầu vào mạng trí tuệ nhân tạo, ta công cụ đánh giá mức độ ổn định, mà số quy luật định tính liên quan đến tương quan đầu vào đầu thể qua việc đánh giá độ nhạy Thực tế, với ví dụ đơn giản lưới IEEE9 IEEE39, việc đánh giá độ nhạy cho biết mạng trí tuệ nhân tạo huấn luyện có thực học cách xác quy luật biết theo lý thuyết ổn định độ Chương Kết luận Trong trình vận hành hệ thống điện, việc đánh giá xác mức độ ổn định hệ thống điện có ý nghĩa quan trọng Nhằm giảm bớt khối lượng tính toán đánh giá độ ổn định, sử dụng sở liệu chế độ làm việc hệ thống điện để huấn luyện mạng trí tuệ nhân tạo Thông qua đó, mức độ ổn định chế độ làm việc đánh giá cách tương đối xác mà không cần tiến hành mô dựa phương pháp tích phân số Luận văn tiến hành thử nghiệm việc sử dụng mạng trí tuệ nhân tạo việc phân loại chế độ làm việc theo điều kiện ổn định độ Các kết thử nghiệm cho thấy mạng trí tuệ nhân tạo phân loại với độ xác tương đối cao mức độ ổn định độ hệ thống điện Không phân loại chế độ làm việc, quy luật định tính phụ thuộc vào mạng trí tuệ nhân tạo "học" được, thể việc kiểm chứng với số hệ thống điện đơn giản Vì vậy, kết luận việc 70 Kết luận 71 sử dụng công cụ trí tuệ nhân tạo nhằm phân loại chế độ làm việc theo điều kiện ổn định độ khả thi Quy trình thực luận văn mở rộng cho việc phân loại chế độ làm việc theo dạng ổn định khác ổn định điện áp Trong luận văn tiến hành thử nghiệm với nhiều công cụ trí tuệ nhân tạo khác nhau, nguồn khác Tuy nhiên, tham số lựa chọn cho mạng (số lớp ẩn, số nơ ron lớp) tham số huấn luyện lớn, khuôn khổ luận văn không đưa kết luận so sánh mạng trí tuệ nhân tạo phù hợp với mục tiêu phân loại chế độ làm việc Nhìn chung, với tất mạng trí tuệ nhân tạo, đạt mức độ phân loại với độ xác tương đối cao việc lựa chọn cấu trúc mạng thông số huấn luyện hợp lý Việc đánh giá ưu việt mạng trí tuệ nhân tạo so với mạng khác cần nghiên cứu chi tiết Các hướng phát triển luận văn bao gồm mở rộng quy trình mô phân loại chế độ làm việc theo điều kiện ổn định khác ổn định điện áp Bên cạnh đó, nghiên cứu áp dụng phương pháp giảm chiều cho tín hiệu đầu vào, nhằm tạo số liệu huấn luyện với số đầu vào thu gọn không làm ảnh hưởng đến độ xác Phụ lục A Một số code chương trình sử dụng luận văn A.1 Chương trình chuẩn bị số liệu cho MS Azure Machine Learning # The script MUST contain a function named azureml_main # which is the entry point for this module # # The entry point function can contain up to two input arguments: # Param: a pandas.DataFrame # Param: a pandas.DataFrame def azureml_main(dataframe1 = None, dataframe2 = None): 72 Phụ lục A Mã chương trình 73 # Execution logic goes here print(’Input pandas.DataFrame #1:\r\n\r\n{0}’.format(dataframe1)) # If a zip file is connected to the third input port is connected, # it is unzipped under ".\Script Bundle" This directory is added # to sys.path Therefore, if your zip file contains a Python file # mymodule.py you can import it using: # import mymodule # Index of data PGIDX = range(0,10,1) QGIDX = range(10,20,1) UBIDX = range(20,59,1) THETAIDX = range(59,98,1) UGIDX = [49,50,51,52,53,54,55,56,57,58] CCTIDX = 98; # Now the selection of input pg = qg = ub = theta = ug = # Prep data idx = [] if pg: for ii in PGIDX: Phụ lục A Mã chương trình idx.append(ii) if qg: for ii in QGIDX: idx.append(ii) if ub: for ii in UBIDX: idx.append(ii) if theta: for ii in THETAIDX: idx.append(ii) if ug: for ii in UGIDX: idx.append(ii) # Finally, add the output idx.append(CCTIDX) # dataframe1 = dataframe1.drop([11]) print idx for ii in idx: if (dataframe1.iloc[0,ii] == 0): idx.remove(ii) print idx frame_out = dataframe1[idx] # Return value must be of a sequence of pandas.DataFrame return frame_out, 74 Phụ lục A Mã chương trình A.2 Chương trình MATLAB huấn luyện mạng nơ ron clear all; close all % load(’data.mat’) % input=data1.input; % output=data1.output; %% PGIDX = 1:10; QGIDX = 11:20; UBIDX = 21:59; THETAIDX = 60:98; PQLOADIDX = 99:176; CCTIDX = 177:185; % input = data; % input = data; Macidx 75 = 9; switch Macidx case Phụ lục A Mã chương trình 76 load newCCT_G7.mat; Macidx = 7; CCT_thr = 0.191; % Classification will be carried out for this case load newCCT_ALL8.mat; Macidx = 8; CCT_thr = 0.204; % Classification will be carried out for this case load newCCT_ALL99.mat; Macidx = 9; CCT_thr = 0.103; % Classification will be carried out for this end; output = data(:,CCTIDX(Macidx)); %% % % input = [data(:,PGIDX) data(:,PQLOADIDX)]; % input = [data(:,PGIDX) data(:,QGIDX) ]; % input = [data(:,PGIDX)]; % input = [data(:,PGIDX) data(:,THETAIDX)]; input = [data(:,PGIDX) data(:,UBIDX(end-9:end))]; % input = [data(:,UBIDX) data(:,THETAIDX)]; %% Remove zero inputs % input = input’;input = mapminmax(input);input = input’; %% Prep data X = input; Y = output > CCT_thr; %% net = patternnet(10); net.divideParam.trainRatio = 70/100; Phụ lục A Mã chương trình 77 net.divideParam.valRatio = 15/100; net.divideParam.testRatio = 15/100; ns = size(Y,1); yy = zeros(ns,2); for ii = 1:ns switch Y(ii) case yy(ii,1) = 1; case yy(ii,2) = 1; end; end; [net,tr] = train(net,X’,yy’); figure;plotperform(tr); yy1 = sim(net,X’); figure;plotconfusion(yy1,yy’); Tài liệu tham khảo [1] L V Út, Phân tích điều khiển ổn định Hệ thống điện NXB KHKT, 2000 [2] IEEE/CIGRE Joint Task Force on Stability Terms and Definitions, “Definition and classification of power system stability,” IEEE Transactions on Power systems, vol 19, no 2, pp 1387–1401, 2004 [3] L A Wehenkel, Automatic Learning Techniques in Power Systems 1998 [4] K V S R R G G Krishna, D Rama; Murthy, “Application of artificial neural networks in determining critical clearing time in transient stability studies,” in IEEE 2008 Joint International Conference on Power System Technology and IEEE Power India Conference (POWERCON) - New Delhi, India, 2008 [5] B Jayasekara and U Annakkage, “Derivation of an accurate polynomial representation of the transient stability boundary,” IEEE Transactions on Power systems, vol 21, no 4, 2006 78 Tài liệu tham khảo 79 [6] T G H Hadj Abdallah, M Chtourou and A Ouali, “Feedforward neural network-based transient stability analysis of electric power systems,” International Transactions on Electrical Energy Systems, vol 16, pp 577–590, 2006 [7] A Karami, “Estimation of the critical clearing time using MLP and RBF neural networks,” International Transactions on Electrical Energy Systems, vol 20, pp 206–217, 2010 [8] Y Xu, Z Y Dong, R Zhang, and K Wong, “Real time transient stability assessment model using extreme learning machine,” IET Generation, Transmission and Distribution, vol 5, no 3, 2010 [9] L Moulin, A P da Silva, M A El-Sharkawi, and R J M II, “Support vector machines for transient stability analysis of large scale power systems,” IEEE Transactions on Power systems, vol 19, no 2, 2004 [10] P T T Bách, Ổn định hệ thống điện NXB Bách khoa Hà Nội, 2001 [11] P Kundur, Power System Stability and Control EPRI Power Systems Engineering Series, 1994 [12] M Pavella, D Ernst, and D Ruiz-Vega, Transient Stability of Power System, a Unified Approach to Assessement and Control 1999 [13] C E Shannon and W Weaver, “The mathematical theory of communication,” 1949 [14] U Jayasekara, B.; Annakkage, “Incorporating dynamic security into market dispatch using accurate transient stability constraints,” in 2006 IEEE Power Engineering Society General Meeting, 2006 Tài liệu tham khảo 80 [15] R D Zimmerman, C E Murillo-Sanchez, , and R J Thomas, “MATPOWER: Steady state operations, planning and analysis tools for power systems research and education,” IEEE Transactions on Power Systems, vol 26, no 1, 2011 [16] MatDyn, “http://www.esat.kuleuven.be/electa/teaching/matdyn.” [17] C.-C Chang and C.-J Lin, “LIBSVM: A library for support vector machines,” ACM Transactions on Intelligent Systems and Technology, vol 2, pp 27:1–27:27, 2011 Software available at http://www.csie.ntu.edu.tw/ ~cjlin/libsvm ... đánh giá ổn định độ hệ thống điện – Chương 3: Giới thiệu mạng nơ ron nhân tạo phương pháp trí tuệ nhân tạo nhằm đánh giá ổn định hệ thống điện – Chương 4: Ứng dụng mạng nơ ron nhân tạo đánh giá. .. phương pháp trí tuệ nhân tạo đánh giá ổn định hệ thống điện 3.1 Tổng quan mạng nơ ron nhân tạo 3.1.1 N ron nhân tạo 3.1.2 Mô hình mạng n ron ... Một số công cụ trí tuệ nhân tạo khác 3.4 Ứng dụng mạng ANN đánh giá ổn định động HTĐ Ứng dụng công cụ trí tuệ nhân tạo đánh giá phân loại mức độ ổn định 4.1 Quy trình tính

Ngày đăng: 19/07/2017, 22:54

Từ khóa liên quan

Mục lục

  • Mục lục

  • Danh sách hình vẽ

  • Danh sách bảng

  • Các thuật ngữ viết tắt

  • 1 Giới thiệu chung

    • 1.1 Mục tiêu nghiên cứu

    • 1.2 Cấu trúc luận văn

  • 2 Đánh giá ổn định quá độ hệ thống điện

    • 2.1 Một số định nghĩa cơ bản

      • 2.1.1 Hệ thống điện

      • 2.1.2 Chế độ của hệ thống điện

      • 2.1.3 Yêu cầu đối với các chế độ của hệ thống điện

    • 2.2 Ổn định hệ thống điện

      • 2.2.1 Sự cân bằng công suất

      • 2.2.2 Các phân loại ổn định của hệ thống điện

    • 2.3 Đánh giá ổn định quá độ bằng phương pháp cân bằng diện tích

      • 2.3.1 Phương trình mô tả chuyển động quay của máy phát

      • 2.3.2 Phương pháp cân bằng diện tích

      • 2.3.3 Phương pháp xác định thời gian cắt tới hạn CCT dựa trên mô phỏng

    • 2.4 Kết luận chương

  • 3 Các phương pháp trí tuệ nhân tạo đánh giá ổn định hệ thống điện

    • 3.1 Tổng quan về mạng nơ ron nhân tạo

      • 3.1.1 Nơron nhân tạo

      • 3.1.2 Mô hình mạng nơron

      • 3.1.3 Huấn luyện mạng ANN

      • 3.1.4 Mạng nhiều tầng truyền thẳng MLP

      • 3.1.5 Mạng SVM

    • 3.2 Cây quyết định

    • 3.3 Một số công cụ trí tuệ nhân tạo khác

    • 3.4 Ứng dụng mạng ANN trong đánh giá ổn định động của HTĐ

  • 4 Ứng dụng các công cụ trí tuệ nhân tạo đánh giá và phân loại mức độ ổn định

    • 4.1 Quy trình tính toán

    • 4.2 Lưới điện IEEE 9 nút

      • 4.2.1 Kết quả phân loại với công cụ Neural Network Toolbox (MATLAB)

      • 4.2.2 Kết quả phân loại với công cụ Support Vector Machine

      • 4.2.3 Kết quả phân loại với công cụ Multi-class Neural Network của Microsoft Azure

      • 4.2.4 Kết quả phân loại với công cụ Two Class Boosted Decision Tree của Microsoft Azure

    • 4.3 Lưới điện IEEE 39 nút

      • 4.3.1 Mô tả chung về lưới điện

      • 4.3.2 Kết quả phân loại với các mạng trí tuệ nhân tạo

      • 4.3.3 Một số phân tích định tính

  • 5 Kết luận

  • A Một số code chương trình sử dụng trong luận văn

    • A.1 Chương trình con chuẩn bị số liệu cho MS Azure Machine Learning

    • A.2 Chương trình MATLAB huấn luyện mạng nơ ron

  • Tài liệu tham khảo

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan