Hệ thống nhận dạng thông minh chẩn đoán nhanh ổn định động hệ thống điện tt

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ******** NGUYỄN NGỌC ÂU HỆ THỐNG NHẬN DẠNG THƠNG MINH CHẨN ĐỐN NHANH ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN TÓM TẮT LUẬN ÁN TIẾN SỸ NGÀNH: KỸ THUẬT ĐIỆN MÃ SỐ: 62520202 Tp Hồ Chí Minh, 6/2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ******** NGUYỄN NGỌC ÂU HỆ THỐNG NHẬN DẠNG THƠNG MINH CHẨN ĐỐN NHANH ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN TÓM TẮT LUẬN ÁN TIẾN SĨ NGÀNH: KỸ THUẬT ĐIỆN – 62520202 Tp Hồ Chí Minh, 6/2018 i ii TÓM TẮT Hệ thống điện đại đối mặt thách thức với nhiều thay đổi Đầu tƣ nguồn phát không đáp ứng kịp nhu cầu phát triển phụ tải gây áp lực lên hệ thống điện phải vận hành gần giới hạn ổn định Trong đ , hệ thống điện vận hành gặp phải trƣờng hợp cố bất thƣờng Các cố gây hại đến ổn định động hệ thống điện dẫn đến tan r hệ thống điện Đánh giá ổn định độ hệ thống điện dao động lớn cố gây ra, phƣơng pháp truyền thống tỏ k m hiệu Vì vậy, nhu cầu cần hệ thống nhận dạng nhanh ổn định động hệ thống điện nhằm cảnh báo sớm hội để điều khiển đƣa hệ thống điện trở trạng thái ổn định Thế giới chứng kiến trỗi dậy cách mạnh mẽ trí thơng minh nhân tạo ứng dụng vào lĩnh vực khoa học công nghệ năm đầu kỷ 21 thời gian tới Trong đ , ứng dụng cơng nghệ tính tốn thơng minh nhân tạo chẩn đốn ổn định hệ thống điện đƣợc nhiều nhà khoa học quan tâm Qua nghiên cứu, tác giả nhận thấy ứng dụng mạng thần kinh nhân tạo cho toán chẩn đoán ổn định hệ thống điện gặp phải vấn đề phức tạp liệu cần xử lý để nâng cao độ xác Luận án đề xuất hƣớng nghiên cứu ứng dụng hệ thống thơng minh vào xây dựng mơ hình chẩn đoán ổn định động hệ thống điện gồm ba vấn đề cụ thể cần giải quyết: Một vấn đề lựa chọn tập biến Hai vấn đề giảm không gian mẫu Ba cải tiến mơ hình mạng nơ-ron để nâng cao độ xác nhận dạng Tóm tắt đ ng g p luận án nhƣ sau: Đề xuất quy trình xây dựng tập biến cho toán nhận dạng ổn định động hệ thống điện Giới thiệu áp dụng thành công hai giải thuật chọn biến, SFFS FR, vào giảm không gian biến cách hiệu Kết kiểm tra sơ đồ IEEE 39-bus, giải thuật SFFS cho kết chọn biến tốt phƣơng pháp FR nhờ vào mở rộng khơng gian tìm kiếm iii Áp dụng thành công giải thuật giảm không gian mẫu K-means lai (Hybrid Kmeans – HK), cải tiến từ giải thuật phân cụm liệu tiếng K-means, khai phá liệu ổn định động hệ thống điện Kết kiểm tra cho thấy giải thuật HK đ khắc phục đƣợc nhƣợc điểm K-means, giúp nâng cao chất lƣợng phân cụm liệu, giảm không gian mẫu cách hiệu Việc giảm khơng gian mẫu làm cho nhóm mẫu có tâm đại điện Điều c ý nghĩa quan trọng làm cho mơ hình khơng tăng dung lƣợng nhớ lƣu trữ mẫu mới, linh hoạt việc cập nhật làm giàu tri thức mới, giúp mơ hình nâng cao khả bao phủ liệu, thích nghi với mẫu cao Đề xuất quy trình xây dựng hệ thống nhận dạng thơng minh chẩn đốn nhanh ổn định động hệ thống điện dựa sở mạng nơ-ron, khai phá liệu Luận án đ phát triển thành cơng mơ hình mạng nơ-ron song song cải tiến cho toán nhận dạng ổn định động hệ thống điện Mơ hình đề xuất đạt đƣợc mục tiêu quan trọng nâng cao độ xác phân lớp Với cách tiếp cận trình bày luận án, khâu thực đ đƣợc quy trình h a, điều giúp mơ hình nhận dạng hồn tồn mở rộng cho trƣờng hợp nhiễu lớn khác Bài toán nhận dạng đề tài tổng hợp cho tốn điều khiển ổn định hệ thống điện chẳng hạn nhƣ điều khiển sa thải phụ tải Xây dựng cách tiếp cận nhận dạng nhanh trạng thái ổn định động hệ thống điện có cố ngắn mạch nghiêm trọng xảy dựa biến đầu vào độ thay đổi công suất tác dụng tải, độ thay đổi công suất tác dụng nhánh, sụt điện áp nút Kết kiểm tra cho độ xác nhận dạng cao trạng thái ổn định hệ thống điện mà không cần giải hệ phƣơng trình vi phân nhƣ phƣơng pháp truyền thống Hệ thống nhận dạng thơng minh đƣợc xây dựng đƣợc sử dụng nhƣ công cụ trợ giúp điều độ viên đề chiến lƣợc điều khiển iv tình khẩn cấp, huấn luyện điều độ viên hệ thống điện xử lý tình dựa kịch cố Việc giảm không gian biến c ý nghĩa lớn việc giảm chi phí thiết bị đo lƣờng cảm biến, đơn giản h a sơ đồ đấu nối, giúp hệ thống tăng tốc độ xử lý Việc giảm không gian mẫu c ý nghĩa quan trọng việc tiết kiệm nhớ lƣu trữ mẫu, giảm chi phí thu thập liệu, giúp mơ hình dễ dàng cập nhật liệu v ABSTRACT Modern power systems are forced to operate under highly stressed operating conditions closer to their stability limits due to the rapid growth of electricity demand The power system operates in the event of unusual problems These problems damage the power system and can lead to system blackout Evaluating the transient stability of the power system in large oscillations caused by the incident, traditional methods are ineffective The need is to fast identify the unstable power system for early warning, so that the opportunity driving power system into re-stability state can be easier The world is witnessing a strong rise of artificial intelligence applied to the field of science and technology in the early 21st century and in the coming time In particular, artificial intelligence applications in the diagnosis of power system stability are many scientists concerned In study, the author found that the artificial neural network application for the power system diagnostics encountered a complex problem of data processing and classification accuracy From anayzing, the author proposed three specific issues to solve: feature selection, sample reduction space, and improved classification accuracy Summary of theoretical and academic contribution of the dissertation: Approach of builiding fast recognition method for dynamic power system stability prediction is caused by faults The selected features are variables that characterize at fault-on mode of power system such as voltage drops in the nodes, changes in active power flows in transmission lines, and nodal active powers The test results have high accuracy classification of the stability status of the power system without solving the differential equation as a traditional method vi Propose the process of building the feature set for dynamic power system stability prediction Successfully applied two reduction feature space algorithms that are SFFS and FR The tested results on IEEE 39-bus power net showed that the SFFS algorithm gives better results than the FR method because of its expanded search space Successfully applied Hybrid K-means algorithm in the data mining of power system stability, the test results show that the HK algorithm overcomes the K-means disadvantage, improves the quality of clustering, and reduces the sample space efficiently Reducing the sample space, each cluster has a representative center This helps the model not increase the memory capacity, flexibility in updating knowledge, and helps the model improve data coverage With the approach presented in the thesis, the implementation process has been clearly defined, which makes the model can completely expand to the case of different large noises The problem of recognition in the thesis can be synthesized for the problem of controlling the power system stability such as the load shedding control The built intelligent recognition system can be used as a tool to assist operators to develop control strategies in emergency situations, and a training tool for handling situations based on incident scenarios Feature reduction space is significant in reducing the cost of sensor measurement, simplifying the connection diagram, and helping the system to work faster Sample reduction space is important for the system to save sample storage space, reduce data collection cost, and update data vii MỤC LỤC Trang tựa TRANG LỜI CAM ĐOAN ii MỤC LỤC viii CHƢƠNG MỞ ĐẦU ………………………………………………………… 1.1 Tính cần thiết 1.2 Mục tiêu luận án 1.3 Đối tƣợng phạm vi nghiên cứu 1.4 Cách tiếp cận phƣơng pháp nghiên cứu 1.5 Điểm mặt khoa học luận án 1.6 Ý nghĩa thực tiễn luận án 1.7 Bố cục luận án CHƢƠNG TỔNG QUAN VỀ TÌNH HÌNH NGHIÊN CỨU ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN ………………………………………………………… 2.1 Tổng quan 2.2 Ổn định động hệ thống điện 2.3 2.2.1 Các chế độ làm việc hệ thống điện 2.2.2 Ổn định hệ thống điện Các phƣơng pháp phân tích ổn định động hệ thống điện 2.3.1 Phƣơng pháp tích phân số viii Tóm tắt  Khâu tách m u: Áp dụng giải thuật HK để tách liệu đầu vào thành tập Mỗi ộ phân lớp học với liệu tập riêng, nhƣ ộ phân lớp c thông số khác đƣợc huấn luyện độc lập ữ liệu kiểm tra liệu ban đầu, liệu chƣa giảm không gian mẫu  Khâu đánh giá: Đây khâu đánh giá độ xác nhận dạng để chọn số phân lớp 5.8.3.2 Vận hành mơ hình Luận án đề nghị mơ hình Classifer1 APCM nhƣ Hình 5.10, gồm phận: cách, ộ tính tốn khoảng ộ phân phối, Input Distant Calculator ộ nhận dạng, ộ chọn ngõ D I S T R I B U T O R Classifer2 S E L E C T O R Output Classiferm Hình 5.10 Mơ hình APCM đề nghị  Bộ t nh toán kho ng cách Distant Calculator : Trong q trình thiết kế mơ hình tâm cụm con, thực thi khâu tách mẫu, đƣợc lƣu trữ CCRk(cRk), k=[1,m] Mẫu xi đƣa vào mơ hình trƣớc tiên phải qua tính khoảng cách ộ tính tốn khoảng cách tính khoảng cách Euclide, từ x i đến tâm CCRk(cRk) Giá trị khoảng cách nhỏ đến tâm tập mẫu xi đƣợc gán nh n thuộc phân lớp tƣơng ứng theo luật: d(Xi, CCRk(cRk)) (5.4) Nếu {d(Xi,(CCRk(cRk))}=min Xi Clusterk and lebelled Xi is ‘k’, k=[1,m]  Bộ phân phối m u Distributor : ộ phân phối c nhiệm vụ phân phối mẫu kiểm tra đến phân lớp n theo luật: Nếu lebelled Xi is ‘k’, k=[1,m] Xi  Classifierm  Bộ nhận dạng Classifier : (5.5) ộ nhận dạng gồm ộ phân lớp kết nối song song Các phân lớp nhận tín hiệu từ ộ phân phối mẫu, tính tốn gửi kết đến ộ lựa chọn ngõ 21 Tóm tắt  Bộ chọn ngõ (Selector): Nh n lớp mẫu đƣợc gán nh n số nhị phân Lớp ổn định đƣợc gán nh n lớp không ổn định đƣợc gán nh n Giá trị đầu phân lớp đƣợc tính tốn nhƣ luật: Nếu y≤ y=0; Nếu y>0.5 y=1 Nếu y=1 ‘Ổn định’; Nếu y=0 ‘Mất ổn định’ (5.6) 5.9 TÓM TẮT CHƢƠNG Trong chƣơng tác giả trình bày vấn đề gồm:  Đề xuất quy trình lấy mẫu, quy trình chọn biến, kết nghiên cứu đ đƣợc công bố báo đ công bố chƣơng  Vấn đề giảm không gian mẫu: Tác giả đ nghiên cứu đề xuất quy trình giảm khơng gian mẫu cho toán nhận dạng ổn định động hệ thống điện Kết nghiên cứu đƣợc công bố báo (I) chƣơng  Trong khâu biểu diễn kết phân lớp tác giả đ giới thiệu công cụ trực quan hiển thị trạng thái ổn định động hệ thống điện Kết nghiên cứu đƣợc công bố báo (III)  Vấn đề xây dựng mơ hình mạng nơ-ron song song cải tiến cho toán nhận dạng ổn định động hệ thống điện: Luận án đ nghiên cứu phát đề xuất đƣợc phƣơng pháp để phân chia liệu thành tập làm sở xây dựng mơ hình mạng nơ-ron song song Phƣơng pháp tách tập liệu thành tập dựa vào lƣợng mẫu đƣợc công bố báo (II) Phƣơng pháp đề xuất giải đƣợc mục tiêu quan trọng cho mơ hình nhận dạng ổn định động HTĐ nâng cao độ xác phân lớp Ý tƣởng tách tập mẫu thành tập gần thành c ng nh m dựa vào giải thuật phân cụm liệu đƣợc trình bày chƣơng 22 Tóm tắt Chƣơng ỨNG DỤNG M H NH APCM CHẨN ĐOÁN NHANH ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE -BUS 6.1 GIỚI THIỆU SƠ ĐỒ HỆ THỐNG ĐIỆN CHUẨN IEEE 39-BUS Sơ đồ hệ thống điện IEEE 39 bus đƣợc trình bày Hình 6.1 Hình 6.1 Sơ đồ hệ thống điện IEEE 39 bus 6.2 X Y ỰNG TẬP MẪU VÀ TẬP IẾN AN ĐẦU Mô off-line để thu thập liệu cho đánh giá ổn định động HTĐ với mức tải từ ( ,3 ,…,1 ) tải bản, thời gian cắt ngắn mạch cài đặt ms Các cố đƣợc xem x t ngắn mạch ba pha, pha chạm đất, hai pha tất g p dọc đƣờng dây truyền tải với khoảng cách đƣờng dây y{1, iến đầu vào: x{delVbus, delPload, delPflow , biến chiều dài iến đầu ra: {1 ‘ổn định’, ‘ ’ ‘không ổn định’ Kết mô c 3551 mẫu với 649 mẫu ổn định (S) mẫu không ổn định (U), ký hiệu tập D(S,U)=D(2649,902) 6.3 CHỌN IẾN ĐẶC TRƢNG Bƣớc Tập bi n ban đầu: Tổng số biến đầu vào biến, x Số biến đầu biến, y{1, mẫu (S,U)= ( 649,9 Tập ) Bƣớc Tìm ki m tập bi n ứng viên:  Gi i thuật áp dụng chọn bi n: Hai giải thuật đƣợc giới thiệu áp dụng R giải thuật S S 23 Tóm tắt  Tiêu chuẩn áp dụng chọn bi n: Kết tính tốn giá trị khoảng cách ( ) 0.7 xếp hạng biến theo chuẩn isher đƣợc trình 0.6 0.5 Kết tính tốn giá trị 0.4 F bày Hình khoảng cách ( ) xếp hạng biến theo 0.3 0.2 chuẩn ivergence đƣợc trình bày Hình 0.1 Kết tính tốn giá trị khoảng cách (JSM) theo chuẩn SM giải thuật S S 20 40 60 d (Feature) 80 100 120 Hình 6.2 Xếp hạng biến, Fisher trình bày Hình 6.4 2.5 25 20 15 D J SM 1.5 10 0.5 0 20 40 60 d (Feature) 80 100 13 14 120 Hình 6.3 Xếp hạng biến, Divergence 15 16 17 18 d (Feature) 19 20 21 Hình 6.4 Giá trị khoảng JSM, SFFS  Bƣớc Hu n luyện: ộ phân lớp K-NN (1-NNC, K=1): 1-NNC Tập mẫu: D(S,U)=D(2649,902) Tập mẫu ban đầu đƣợc chia ngẫu nhiên thành tập (kfold=1 ) Mỗi tập học c 834 mẫu S 81 mẫu U, tập kiểm tra c 65 mẫu S mẫu U Kết đánh giá độ xác đƣợc tính trung bình lần thực  Bƣớc Đánh giá: Kết tính 0.956 tốn đánh giá độ xác kiểm 6.5 AccRate(%) tra đƣợc trình bày đồ thị Hình 0.955 0.954 0.953 0.952 SFFS Divergence Fisher 0.951 0.95 13 15 17 Feature (d) 19 21 Hình 6.5 Đánh giá chọn tập biến  Bƣớc K t qu chọn tập bi n đ c trƣng: ảng trình bày kết đánh giá kiểm tra 15 biến đƣợc chọn biến ban đầu, 1-NN, kfold=1 Tập biến đƣợc chọn có 15 biến, ảng 6.2 24 Tóm tắt Bảng 6.1 Độ xác kiểm tra phân lớp 1-NN, d=15 d=1 4, kfold=1 ộ phân lớp d(feature) AccRate(%) 104 95,60 1-NN 15 95,63 Bảng 6.2 Các biến đƣợc chọn STT iến Ký hiệu delVBus2 Độ lệch điện áp us X1 delVBus20 Độ lệch điện áp us X2 delVBus25 Độ lệch điện áp us X3 delVBus30 Độ lệch điện áp us X4 delVBus37 Độ lệch điện áp us 37 X5 delPLoad15 Độ lệch công suất tác dụng tải 15 X6 delPLoad23 Độ lệch công suất tác dụng tải X7 delPLoad31 Độ lệch công suất tác dụng tải 31 X8 delPFlow2-30 Độ lệch công suất tác dụng nhánh -30 X9 10 delPFlow10-32 Độ lệch công suất tác dụng tải -32 X10 11 delPFlow16-21 Độ lệch công suất tác dụng tải 16-21 X11 12 delPFlow19-33 Độ lệch công suất tác dụng tải 19-33 X12 13 delPFlow20-34 Độ lệch công suất tác dụng tải -34 X13 14 delPFlow26-29 Độ lệch công suất tác dụng tải 6-29 X14 15 delPFlow28-29 Độ lệch công suất tác dụng tải 8-29 X15 6.4 GIẢM KHÔNG GIAN MẪU Sau thực xây dựng mẫu qua khâu chọn biến bƣớc giảm không gian mẫu Bƣớc Chuẩn bị tập m u ban đầu: Tập mẫu gồm 15 biến nhƣ , tập mẫu kiểm tra tập mẫu nguyên thủy (S,U)= ( 649,9 ) ảng Bƣớc Xây d ng tập m u con:  Gi i thuật áp dụng: K-means (KM) giải thuật K-means lai (HK)  Th c hiện: Thực thi rút gọn liệu tập mẫu S tập mẫu U để hình thành tập mẫu nhƣ Hình 6.6 Hình 6.7 trình bày đặc tính hội tụ giải thuật KM HK thực thi phân cụm giảm không gian mẫu SRi 100 150 200 250 1400 URj 100 150 200 250 500 Hình 6.6 Các nh m mẫu tập S tập U đƣợc rút gọn 25 Tóm tắt 3500 9000 KM(UR=400) 8000 KM(SR=900) 7000 HK(SR=900) 3000 HK(UR=400) 2500 6000 D E 2000 5000 D E 1500 4000 1000 3000 500 2000 1000 0 10 15 Nint 20 25 10 Nint 15 20 Hình 6.8 Đặc tuyến hội tụ giải thuật HK KM UR=400 Bƣớc Tìm ki m tập SR1 100 ứng viên: Hình 6.9 trình URj 100 bày thể khả SR2 150 URj 100 SR27 1400 URj 100 rút gọn CL(SRi,URj) 30 Hình 6.7 Đặc tuyến hội tụ giải thuật HK KM SR=900 kết hợp hình thành tập mẫu CL(SR1,UR9)=CL(100,500) 150 200 250 500 150 200 250 500 150 200 250 500 Hình 6.9 Các khả kết hợp hình thành tập mẫu rút gọn Bƣớc Hu n luyện  Bộ phân lớp: 1-NNC Các liệu đ kết hợp bƣớc 3, CL(SRi,URj), đƣợc sử dụng làm tập học Tập mẫu nguyên thủy, (S,U), đƣợc sử dụng làm tập kiểm tra Hình 6.10 Hình 11 kết đánh giá độ xác kiểm tra chọn tập mẫu c độ xác cao v ng khảo sát, kết đƣợc trình bày ảng 6.3 26 Tóm tắt 0.94 0.98 CL(U1=100) 0.92 CL(U2=150) CL(U4=250) 0.88 CL(U5=300) 0.86 CL(U6=350) CL(U3=200) CL(U5=300) 0.92 CL(U6=350) CL(U7=400) CL(U8=450) CL(U8=450) 0.82 CL(U4=250) 0.94 0.9 CL(U7=400) 0.84 0.8 CL(U2=150) 0.96 CL(U3=200) AccRate(%) AccRate(%) 0.9 CL(U1=100) CL(U9=500) 0.88 CL(U9=500) 0.86 100 400 800 1200 1400 100 CL(Si) 400 800 1200 1400 CL(Si) Hình 6.10 Đánh giá độ xác, rút liệu với giải thuật KM, 1-NNC Hình 6.11 Đánh giá độ xác, rút liệu với giải thuật HK, 1-NNC Bảng 6.3 Độ xác kiểm tra phân lớp 1-NN với khơng gian mẫu giảm Giải thuật KM HK Cụm liệu CL(700,500) CL(900,400) AccRate(%) 93,6 98,0 ảng 3, Với giải thuật KM c độ xác phân lớp cao v ng khảo sát đạt 93,6 đạt 98 cụm liệu CL(7 cụm liệu CL(9 ,4 ,5 ), với HK c độ xác phân lớp ) Với kết này, tiến hành huấn luyện với phân lớp MLPC, GRNNC, SVMC  Bộ phân lớp mạng nơron M P, GRNN SVM:  Bộ phân lớp M P: Mạng neural perceptron (MLP) gồm lớp lớp vào, lớp ẩn lớp Trong đ , iến đầu vào có 15 biến, lớp neural ẩn d ng hàm kích hoạt sigmoid lớp d ng hàm tuyến tính purelin, số biến đầu Các thơng số đƣợc cài đặt cho tồn lần huấn luyện: Sai số =1e-5, số chu trình huấn luyện=1e3, giải thuật học cập nhật trọng số Levenberg-Marquardt, thông số khác chọn theo giá trị mặc định  Bộ phân lớp GRNN: Hình trình bày kết thực nghiệm tìm số nơ-ron ẩn, thể quan hệ độ xác phân lớp với số nơ-ron ẩn (Ni) c giá trị từ nơ-ron đến nơ-ron 27 Tóm tắt GRNN gồm lớp ngõ vào, lớp ẩn hàm xuyên tâm, lớp tổng lớp ngõ tuyến tính Hình 13 trình bày kết thực nghiệm tìm hệ số Spread 0.99 0.98 0.8 AccRate(%) AccRate(%) 0.97 0.6 0.4 0.96 0.95 0.94 0.2 0.93 0 10 12 14 16 18 20 22 24 26 28 30 0.92 32 Ni 0.2 0.4 0.6 0.8 1.0 Spread Hình 6.12 Thực nghiệm tìm số nơ-ron ẩn Hình 6.13 Thực nghiệm tìm hệ số Spread  Bộ phân lớp SVM: Thuật toán SVM đƣợc hỗ trợ phần mềm Matlab, đ việc xây dựng mơ hình phân lớp SVM qua tìm kiếm tập thông số (C,Ks) tốt cho phân lớp cho kết nhận dạng tập kiểm tra cao Các giá trị C Ks C={exp(-5),exp(-4),…,exp(5) Ks={exp(-5),exp(-4),…,exp(5) kết độ xác phân lớp với tập liệu huấn luyện CL(9 ảng 6.4, ,4 ) Pre, Rec, F-score trình bày ảng 6.5 Ni 17 Bảng 6.4 Độ xác phân lớp với MLPC, GRNNC SVMC MLPC GRNNC SVMC AccRate(%) AccRate(%) AccRate(%) (C,Ks) Huấn Kiểm Sp Huấn Kiểm Huấn Kiểm luyện tra luyện tra luyện tra 92.7 95.2 0.051 100 98.1 (0.4493,3.004) 96.5 98.0 Bảng 6.5 Độ xác, độ hồi tƣởng hệ số -Score MLPC GRNNC SVMC Pre 0.9702 0.9849 0.9947 Rec 0.9658 0.9898 0.9788 F-Score 0.9679 0.9873 0.9867 6.5 ÁP DỤNG MƠ HÌNH CẢI TIẾN Bƣớc Chọn bi n m u ban đầu: Tập mẫu đƣợc chọn 15 biến nhƣ ảng 6.2, tập mẫu ban đầu D(S,U)=D(2649,902) Bƣớc Gi m không gian m u: Tập mẫu đ rút gọn tìm đƣợc CL(900,400) giải thuật HK nhƣ Bảng 6.3 28 Tóm tắt Bƣớc Tách m u: Áp dụng giải thuật HK tách nhóm liệu CL(900,400) số nhóm từ đến 10 Số mẫu tập tách đƣợc trình bày Bảng 6.5 Bƣớc Hu n luyện Tiến hành huấn luyện với liệu tập cho mạng nơron MLP, GRNN, SVM Độ xác phân lớp kiểm tra đƣợc trình bày Hình 6.14 Kết đánh giá độ xác phân lớp kiểm tra đạt cao số nhóm đƣợc tách 99 98.5 98 AccRate(%) 97.5 97 96.5 GRNN SVM MLP 96 95.5 95 m 10 Hình 6.14 Đồ thị độ nhận dạng với số Bộ phân lớp song song Bảng 6.6 Số mẫu đƣợc tách nhóm từ CL(900,400) Số nh m tách ộ mẫu đ rút gọn CL(900,400) CL1(173,25),CL2(184,145), CL3(69,68), CL4(387,85), CL5(87,77) Kết đánh giá độ xác phân lớp trình bày ảng 6.7, ảng 6.8, ảng 6.9 Pre, Rec F-score đƣợc trình bày ảng cho mơ hình APCM gồm phân lớp song song Bảng 6.7 Kết đánh giá trung bình với MLPC song song MLPC Số nh m tách AccRate(%) Số neural ẩn Huấn Kiểm luyện tra 18 28 15 19 11 95,4 97,3 Bảng 6.8 Kết đánh giá trung bình với GRNNC song song GRNNC Số nh m tách AccRate(%) Hệ số Spread Huấn Kiểm luyện tra 0,01 0,216 0,178 0,01 0,01 99,3 98,7 Bảng 6.9 Kết đánh giá trung bình với SVMC song song SVMC Số nhóm tách (C,Ks) (1.6487, 0.3697) (2.0138, 0.3679) ( 0.6065, 0.2231) ( 4.4817, 0.4066) 29 (0.8187, 0.2466) AccRate (%) Huấn Kiểm luyện tra 97.3 98.5 Tóm tắt Bảng 6.10 Độ xác, độ hồi tƣởng hệ số F-Score mô hình APCM 5MLPC Số phân lớp Pre 0.9964 0.9501 Rec 0.9691 0.9675 F-Score 0.9826 0.9587 5GRNNC Pre 0.9859 0.9760 Rec 0.9964 0.9645 F-Score 0.9911 0.9702 5SVMC Pre 1.000 0.9820 Rec 0.9793 0.9686 F-Score 0.9895 0.9753 K t qu xây d ng m hình: 1.000 0.9939 0.9937 0.9775 0.9727 0.9754 0.9886 0.9833 0.9845 0.9908 0.9845 0.9953 0.9986 0.9931 0.9915 1.000 1.000 1.000 0.9908 0.9979 1.000 1.000 0.9821 0.9876 0.9954 0.9899 0.9938 ảng 6.7, 6.8, cho thấy phân GRNNC1 lớp áp dụng GRNN cho kết nhận dạng cao phân lớp MLP 1,4 phân lớp SVM ,1 Input Nhƣ vậy, GRNN đƣợc chọn áp dụng cho mơ hình Mơ hình APCM&GRNN gồm phân lớp làm việc song song, Hình 6.15 Distant Calculator D I S T R I B U T O R GRNNC2 GRNNC3 GRNNC4 S E L E C T O R Output GRNNC5 Hình 6.15 Mơ hình APCM gồm phân lớp song song GRNNC 6.6 NHẬN XÉT  Gi m không gian bi n:  Kết chọn biến Hình 14 c độ xác nhận dạng cho tập biến đƣợc chọn giải thuật S S cao giải thuật xếp hạng R  C 15 biến đƣợc chọn từ giải thuật S S ảng hay số biến giảm 6,9 lần so với biến ban đầu nhƣng độ xác kiểm tra không suy giảm  Gi m không gian m u:  Hình 6.7, giải thuật KM giảm khơng gian mẫu với ( 649) xuống CL(SR=9 ) số lần lặp lần, giải thuật HK lặp c lần Hình 8, giải thuật KM giảm không gian mẫu với (UR=902) xuống CL(UR=4 ) số lần lặp 19 lần, HK lặp c lần Kết cho thấy giải thuật HK có giá trị hàm mục tiêu cải thiện đáng kể so với giải thuật KM 30 Tóm tắt  Hình 6.10 11, giải thuật KM, 1-NNC, độ xác phân lớp cao v ng khảo sát đạt 93,6 HK CL(3 CL(7 ,5 ), mẫu giảm đến 66, Trong khi, ,15 ), mẫu giảm đến 87,3 , với độ xác phân lớp kiểm tra đạt 95,2%  Kết số mẫu rút gọn đƣợc chọn ảng 6.3, HK, số mẫu từ giảm xuống CL(9 ,4 giảm 44,3  ), mẫu ổn định giảm 33,87 ( 649,9 ) mẫu khơng ổn định so với số mẫu ban đầu, kết kiểm tra đạt 98 So với KM, HK đề nghị áp dụng cải thiện độ xác, hội tụ nhanh Điều khẳng định HK đ khắc phục nhƣợc điểm hội tụ địa phƣơng KM  ảng 4, mẫu rút gọn CL(9 ,4 ) làm liệu học, độ xác kiểm tra phân lớp GRNNC cho kết cao MLPC SVMC tƣơng ứng 2,9% 0,1%  Xây d ng mơ hình mạng nơ-ron song song c i ti n APCM:  Hình 6.14 trình bày kết thực nghiệm độ xác phân lớp với số mạng nơron song song từ đến , ảng 6.5 Kết đánh giá độ xác phân lớp kiểm tra đạt cao số nh m đƣợc tách Trong đ , độ xác kiểm tra GRNNC, MLPC, SVMC tƣơng ứng 98,7%, 98,5% 97,3%  Mơ hình song song gồm c phân lớp APCM&MLP độ xác kiểm tra tăng ,1 ảng ảng 6, với so với mơ hình đơn ảng 6.4 ảng 6.7, APCM&GRNN độ xác kiểm tra tăng ,6 so với mơ hình đơn so với mơ hình ảng 6.4 6.8, APCM&SVM độ xác tăng ,5 đơn Điều khẳng định mơ hình đề xuất đ cải thiện độ xác phân lớp 6.7 TĨM TẮT CHƢƠNG Tác giả đ áp dụng quy trình chọn biến, giảm khơng gian mẫu mơ hình mạng nơ-ron song song cải tiến vào xây dựng mơ hình chẩn đốn ổn định hệ thống điện Kết nghiên cứu cho thấy hiệu việc giảm không liệu với quy trình giải thuật đề xuất Mơ hình mạng nơ-ron song song cải tiến đề xuất giải đƣợc mục tiêu nâng cao độ xác phân lớp 31 Tóm tắt Chƣơng KẾT LUẬN 7.1 KẾT QUẢ ĐẠT ĐƢỢC Luận án đ hoàn thành nội dung khoa học thực tiễn sau: Đề xuất quy trình xây dựng tập biến cho toán nhận dạng ổn định động hệ thống điện Giới thiệu áp dụng thành công hai giải thuật chọn biến, SFFS FR, vào giảm không gian biến cách hiệu Kết kiểm tra sơ đồ IEEE 39-bus, giải thuật SFFS cho kết chọn biến tốt phƣơng pháp FR nhờ vào mở rộng khơng gian tìm kiếm Áp dụng thành cơng giải thuật giảm khơng gian mẫu K-means lai (Hybrid Kmeans – HK), cải tiến từ giải thuật phân cụm liệu tiếng K-means, khai phá liệu ổn định động hệ thống điện Kết kiểm tra tập mẫu sơ đồ IEEE 39-bus cho thấy giải thuật HK đ khắc phục đƣợc nhƣợc điểm Kmeans, giúp nâng cao chất lƣợng phân cụm liệu, giảm không gian mẫu cách hiệu Việc giảm không gian mẫu làm cho nhóm mẫu có tâm đại điện Điều c ý nghĩa quan trọng làm cho mô hình khơng tăng dung lƣợng nhớ lƣu trữ mẫu mới, linh hoạt việc cập nhật làm giàu tri thức mới, giúp mơ hình có khả bao phủ liệu, thích nghi với mẫu cao Đề xuất quy trình xây dựng hệ thống nhận dạng thơng minh chẩn đốn nhanh ổn định động hệ thống điện dựa sở mạng nơ-ron, khai phá liệu Luận án đ phát triển thành công mô hình mạng nơ-ron song song cải tiến cho tốn nhận dạng ổn định động hệ thống điện Mơ hình đề xuất đạt đƣợc mục tiêu quan trọng nâng cao độ xác phân lớp Với cách tiếp cận trình bày luận án, khâu thực đ đƣợc quy trình h a, điều giúp mơ hình nhận dạng hồn tồn mở rộng cho trƣờng hợp nhiễu lớn khác Bài toán nhận dạng đề tài tổng hợp cho toán điều khiển ổn định hệ thống điện chẳng hạn nhƣ điều khiển sa thải phụ tải 32 Tóm tắt Xây dựng cách tiếp cận nhận dạng nhanh trạng thái ổn định động hệ thống điện có cố ngắn mạch nghiêm trọng xảy dựa biến đầu vào độ thay đổi công suất tác dụng tải, độ thay đổi công suất tác dụng nhánh, sụt điện áp nút Kết kiểm tra cho độ xác nhận dạng cao trạng thái ổn định hệ thống điện mà khơng cần giải hệ phƣơng trình vi phân nhƣ phƣơng pháp truyền thống Hệ thống nhận dạng thông minh đƣợc xây dựng đƣợc sử dụng nhƣ cơng cụ trợ giúp điều độ viên đề chiến lƣợc điều khiển tình khẩn cấp, huấn luyện điều độ viên hệ thống điện xử lý tình dựa kịch cố Việc giảm không gian biến c ý nghĩa lớn việc giảm chi phí thiết bị đo lƣờng cảm biến, đơn giản h a sơ đồ đấu nối, giúp hệ thống tăng tốc độ xử lý Việc giảm không gian mẫu c ý nghĩa quan trọng việc tiết kiệm nhớ lƣu trữ mẫu, giảm chi phí thu thập liệu, giúp mơ hình dễ dàng cập nhật liệu nhƣ tính thích nghi với mẫu cao 7.2 HƢỚNG PHÁT TRIỂN Từ kết nghiên cứu luận án, kiến nghị cho nghiên cứu cần tiếp tục triển khai tƣơng lai nhƣ sau:  Nghiên cứu phối hợp với khâu điều khiển khẩn cấp để giữ ổn định hệ thống điện trƣờng hợp ổn định, chẳng hạn nhƣ điều khiển sa thải phụ tải  Nghiên cứu mở rộng áp dụng phƣơng pháp nghiên cứu đề tài cho nhận dạng ổn định điện áp, ổn định tần số  Nghiên cứu mở rộng áp dụng mơ hình đề xuất vào lƣới điện Việt Nam 33 Tóm tắt DANH MỤC CÁC CƠNG TRÌNH CƠNG BỐ Các báo c ng bố I Ngoc Au Nguyen, Trong Nghia Le, Huy Anh Quyen, Thi Thanh Binh Phan,‟‟Data reduction for dynamic stability classification in power system‟’, IETE Journal of Research,DOI:10.1080/03772063.2017.1417752, ISSN: 0377-2063 (Print) 0974-780X (Online), Jan 2018 (SCIE) II III IV V VI VII Ngoc Au Nguyen, Trong Nghia Le, Huy Anh Quyen, Binh Phan Thi Thanh, Thai Binh Nguyen„‟Hybrid Classifer Model for Dynamic Stability rediction in ower System‟‟, IEEE International Conference On System Science And Engineering (ICSSE 2017), p 67-70, 2017 IEEE Nguyen Ngoc Au, Quyen Huy Anh, Phan Thi Thanh Binh, „‟Dynamic Stability Recognition Of Power System Using Generalized Regression Neural Networks‟‟ Journal of Technical Education Science, N0 40A(10/2017), ISSN 1859-1272, 2017 Nguyen Ngoc Au, Quyen Huy Anh, Phan Thi Thanh Binh,‘‟Feature subset selection in dynamic stability assessment power system using artificial neural networks‟’ Science & Technology Development Journal, ISSN 1859-0128, Vol.18, p 15-24, No.K3 – 2015 Nguyen Ngoc Au, Quyen Huy Anh, Phan Thi Thanh Binh, „‟Dynamic stability assessment of power system using Multilayer feedforward neural networks with Reduced feature selection’’, The 2nd International Conference on Green Technology and Sustainable Development, 2014 (GTSD'14) Nguyen Ngoc Au, Quyen Huy Anh, Phan Viet Thinh, ”Feature Selection For Dynamic Stability Prediction Of Power System Using Neural Network”, Journal of Technical Education Science, N0 34(2015), ISSN 1859-1272, 2015 Quyen Huy Anh, Nguyen Ngoc Au, Nguyen Vu Phuong Thao, „‟Design dual input power system stabilizer for multi-machine system based on focused-time-delay neural netwok‟‟, Journal of Technical Education Science, N0 25(2013), ISSN 1859-1272 Các báo liên quan VIII Nguy n Ngọc Âu, Lê Trọng nghĩa, Quyền Huy Ánh, Phan Thị Thanh Bình, ‘Sa thải phụ tải dựa nhận dạng nhanh ổn định động hệ thống điện’, 34 Tóm tắt ISSN 1859-1531 Tạp Chí Khoa Học Và Cơng Nghệ, Đại Học Đà Nẵng-Số 11(129).2017 QUYỂN 2, p 6-11, 2017 IX Trong Nghia Le, Ngoc Au Nguyen, Huy Anh Quyen, ‘’Emergency control of load shedding based on coordination of artificial neural network and analytic hierarchy process algorithm’’, IEEE International Conference on System Science and Engineering (ICSSE 2017), p 67-70, 2017 IEEE X L.T Nghia, T.T Giang, N.N Au, Q.H Anh, D.N An, „‟Emergency Control of Load Shedding Based on Fuzzy-AH Algorithm‟‟, International Journal of Engineering Research & Technology (IJERT), ISSN: 2278-0181, Vol Issue 09, p 185-191, September – 2017 XI Phan Thị Thanh Bình, Nguyễn Thụy Mai Khanh, Nguy n Ngọc Âu „‟ hân tích tĩnh ổn định điện áp có máy phát điện gió DFIG‟‟, Tạp chí Phát triển KH&CN, Tập 19, Số K5-2016, trang 5-12, 2016 XII Trong Nghia Le, Huy Anh Quyen, Ngoc Au Nguyen,‟‟Application of fuzzy-analytic hierarchy process algorithm and fuzzy load profile for load shedding in power systems‟‟, Electrical Power and Energy Systems 77 (2016) 178–184, 2016 (SCIE) Chủ nhiệm đề tài c p trƣờng trọng m: “Hệ thống nhận dạng đánh giá ổn định động hệ thống điện”, 2016-2017, T201768TĐ „‟ ng d ng mạng th n kinh nhân tạo chẩn đoán ổn định động hệ thống điện nhiều máy‟‟, 2015-2016, T2016-48TĐ „‟ a ch n m u đánh giá thông minh ổn định động hệ thống điện‟‟, 21014-2015, T2015-34TĐ ‘‟Đánh giá ổn định hệ thống điện nhiều máy phát‟‟, 2012-2013, T2013- 35 TĐ ... loại ổn định hệ thống điện theo IEEE CIGRE 2.3 CÁC PHƢƠNG PHÁP PH N T CH ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN Phân tích ổn định động hệ thống điện xem x t khả hệ thống điện chuyển sang làm việc ổn định. .. Hình 2.2 Ổn định hệ thống điện Ổn định g c rotor Ổn định g c rotor cố nhỏ Ngắn hạn Ổn định tần số Ổn định Ổn định điện áp Ổn định điện áp cố nhỏ độ Ngắn hạn ài hạn Ngắn hạn Ổn định điện áp cố lớn... cứu Hệ thống nhận dạng thơng minh chẩn đốn nhanh ổn định động hệ thống điện 1.2 MỤC TIÊU CỦA LUẬN ÁN  Nghiên cứu phƣơng pháp giảm kích thƣớc khơng gian liệu  Xây dựng hệ thống nhận dạng thông