Ứng dụng mạng nơron đánh giá ổn định động hệ thống điện: luận văn thạc sĩ kỹ thuật điện

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** CHÂU NGỌC DANH ỨNG DỤNG MẠNG NƠRON ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN Đồng Nai, tháng 06 năm 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** CHÂU NGỌC DANH ỨNG DỤNG MẠNG NƠRON ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN CHUYÊN NGÀNH: KỸ THUẬT ĐIỆN MÃ SỐ: 8520201 LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN Người hướng dẫn khoa học: PGS.TS QUYỀN HUY ÁNH Đồng Nai, tháng 06 năm 2018 i LỜI CẢM ƠN Tôi chân thành cảm ơn Quý thầy cô Ban Giám Hiệu, Chủ nhiệm khoa Cơ điện - Điện tử, phòng Quản lý sau đại học trƣờng Đại Học Lạc Hồng - tỉnh Đồng Nai tạo điều kiện cho tơi học tập, nghiên cứu để hồn thành tốt luận văn thời gian qua Tôi xin chân thành biết ơn đến thầy PGS.TS Quyền Huy Ánh tận tình hƣớng dẫn, giúp đỡ tơi q trình học tập, nghiên cứu thực luận văn này, gửi lời cảm ơn đến NCS Nguyễn Ngọc Âu, ngƣời hỗ trợ nhiều chuyên môn suốt thời gian qua Tôi xin chân thành cảm ơn tình cảm gia đình, bạn bè ln động viên góp ý giúp đỡ tơi q trình thực Tôi chân thành biết ơn quý thầy cô khoa Cơ điện - Điện tử trƣờng Đại học Lạc Hồng - tỉnh Đồng Nai truyền đạt kinh nghiệm quý báo, kiến thức chuyên môn kỹ thiết thực giúp tơi hồn thành tốt khóa học bƣớc đệm cho công tác nghiên cứu sau Tơi xin trân trọng cảm ơn! Bình Dƣơng, ngày 01 tháng 06 năm 2018 Tác giả luận văn ii LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu tơi Các thơng số, số liệu, kết nhận đƣợc luận văn trung thực chƣa đƣợc công bố cơng trình khác Bình Dương, ngày 01 tháng 06 năm 2018 Tác giả luận văn Châu Ngọc Danh iii TÓM TẮT LUẬN VĂN Trong vận hành, hệ thống điện phải đối diện nhiều dao động bất thƣờng từ bên lẫn bên hệ thống Những dao động gây cân công suất nghiêm trọng dẫn đến hệ thống điện ổn định nhanh chóng tan rã Có nhiều phƣơng pháp nghiên cứu để đánh giá ổn định động hệ thống điện có dao động lớn nhƣ: phƣơng pháp mô theo miền thời gian, phƣơng pháp số, phƣơng pháp hàm lƣợng … Tuy nhiên, phƣơng pháp phân tích truyền thống thƣờng nhiều thời gian giải dẫn đến chậm trễ việc định Với u cầu khắc khe thời gian tính tốn để đƣa quyến định nhanh chóng, cần nghiên cứu phƣơng pháp khác đáp ứng tốt yêu cầu nêu Phƣơng pháp nhận dạng trạng thái ổn định động mạng nơron đƣợc khuyến nghị nhƣ phƣơng pháp phù hợp để giải khó khăn tốc độ nhận dạng nhƣ hiệu suất học Bằng trình học sở liệu bao gồm mẫu ổn định không ổn định cho trƣớc, phân tích mối quan hệ phi tuyến vào/ra thơng số vận hành hệ thống mạng, mạng nơron nhanh chóng đƣa định tình trạng hệ thống điện Dựa sở đó, luận văn xây dựng mơ hình mạng nơron đánh giá ổn định động hệ thống điện, kết hợp kỹ thuật phân cụm liệu sử dụng phƣơng pháp K-Means để giảm số mẫu học kỹ thuật Relief nhằm giảm số dấu hiệu mô tả mẫu, nhận dạng đƣợc sử dụng mạng nơron hồi quy tổng quát GRNN (Generalized Regression Nơron Network) Hiệu nhận dạng mạng nơron đề xuất đƣợc kiểm chứng sơ đồ IEEE 10-máy 39-bus, kết cho thấy độ xác nhận dạng đạt 98,2% iv MỤC LỤC LỜI CẢM ƠN……………………………………………………………… i LỜI CAM ĐOAN ………………………………………………………… ii TÓM TẮT LUẬN VĂN ………………………………………….……… iii MỤC LỤC ………………………………………………………………… iv DANH MỤC CÁC CHỮ VIẾT TẮT …………………………………… vii DANH MỤC BẢNG ……………………………………………………… viii DANH MỤC HÌNH VẼ ………………………………………………… ix Chƣơng 1: TỔNG QUAN ……………………………………………… 1.1 Lý chọn đề tài ……………………………………………….…… 1.2 Mục tiêu nhiệm vụ 1.3 Đối tƣợng phạm vi nghiên cứu …………………………………… 1.3.1 Đối tƣợng nghiên cứu ………………………………………….… 1.3.2 Phạm vi nghiên cứu ……………………………………………… 1.4 Phƣơng pháp thực ……………………………………………… 1.5 Ý nghĩa khoa học giá trị thực tiễn ………………………………… Chƣơng 2: TỔNG QUAN VỀ ỔN ĐỊNH HỆ THỐNG ĐIỆN ……….… 2.1 Dẫn nhập ……………………………………………………………… 2.2 Các chế độ hệ thống điện ………………………………………… 2.2.1 Chế độ xác lập …………………………………………………… 2.2.2 Chế độ độ …………………………………………………… 2.3 Phân loại ổn định hệ thống điện ………………………………….…… 2.3.1 Điều kiện ổn định ……………….……………………………… 2.3.2 Ổn định tĩnh (Static Stability) …………………………………… 2.3.3 Ổn định động (Dynamic Stability) ……………………………… 11 2.4 Phân tích ổn định động hệ thống điện ………………………………… 12 2.4.1 Các phƣơng pháp nghiên cứu …………………………………… 12 2.4.2 Phƣơng trình dao động …………………………………………… 14 2.4.3 Ổn định hệ thống nhiều máy phát điện ………………………… 17 2.5 Các nghiên cứu trƣớc …………………………………………… 19 2.6 Kết luận chƣơng …………………………………………………… 20 v Chƣơng 3: TỔNG QUAN VỀ MẠNG NƠRON ……………………… 21 3.1 Khái niệm chung ……………………………………………………… 21 3.2 Nơron sinh học …………………………………………………… … 21 3.3 Nơron nhân tạo ……………… ……………………………………… 22 3.4 Phân loại mạng noron nhân tạo ……………………………………… 23 3.4.1 Mạng nơron đơn ………………………………………………… 24 3.4.2 Mạng nơron nhiều lớp …………………………………………… 25 3.4.3 Mạng Perceptron nhiều lớp ……………………………………… 25 3.4.4 Mạng hàm truyền xuyên tâm …………………………………… 27 3.4.4.1 Mạng hồi quy tổng quát …………………………………… 28 3.4.4.2 Mạng nơron xác suất ……………………………………… 31 3.5 Luật đầu phân loại ………………………………………… 32 3.6 Đánh giá mơ hình nhận dạng ………………………………………… 33 3.7 Kết luận chƣơng …………………………………………………… 33 Chƣơng 4: XÂY DỰNG MẠNG NƠRON ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN ……………………………… ……………………… 34 4.1 Xây dựng mơ hình mạng nơron đánh giá ổn định động hệ thống điện … 34 4.2 Các bƣớc thực …………………………………………………… 35 4.2.1 Tạo sở liệu đầu vào ……………………………………… 35 4.2.2 Chuẩn hóa liệu ……………………………………………… 36 4.2.3 Lựa chọn biến đặc trƣng ………………………………………… 36 4.2.4 Rút gọn liệu ………………………………………………… 41 4.2.4.1 Thuật toán K-Means ………………………………………… 41 4.2.4.2 Ví dụ minh họa thuật tốn K-Means ……………………… 42 4.2.4.3 Hàm K-Means Matlab ………………………………… 46 4.2.4.4 Quy trình rút gọn mẫu ……………………………………… 47 4.2.5 Huấn luyện mạng nơron ………………………………………… 48 4.2.6 Đánh giá kết nhận dạng ……………………………………… 48 4.3 Kết luận chƣơng ……………………………… …………………… 48 Chƣơng 5: ỨNG DỤNG MẠNG NƠRON ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN ………… ……………….………………… 49 vi 5.1 Sơ đồ hệ thống điện IEEE 10 máy 39-bus New England …………… 49 5.2 Xây dựng sở liệu đầu vào ……………………………………… 50 5.3 Chuẩn hóa liệu …………………………………………………… 50 5.4 Lựa chọn biến đặc trƣng ……………………………………………… 51 5.5 Rút gọn liệu huấn luyện ………………………………………… 53 5.5.1 Các thông số đƣợc cài đặt ………………………………………… 55 5.5.2 Các điều kiện dừng huấn luyện ……………………………… 56 5.5.3 Tiến hành huấn luyện kiển tra ………………………………… 56 5.6 Đánh giá kết ………………………………………………………… 59 5.7 Kết luận chƣơng ……………………………………………………… 60 Chƣơng 6: KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN … 61 6.1 Kết luận ……………………………………………………………… 61 6.2 Hƣớng nghiên cứu phát triển …………………………………………… 61 TÀI LIỆU THAM KHẢO PHỤ LỤC vii DANH MỤC CÁC CHỮ VIẾT TẮT STT Chữ viết tắt ANN GRNN Nghĩa tiếng Anh Artificial Neural Network Generalized Regression Nghĩa tiếng Việt Mạng nơron nhân tạo Mạng nơron hồi quy tổng quát Neural Network Institute of Electrical and IEEE Viện kỹ nghệ Điện Điện tử Electronics Engnineers K-NN MLP K nearest neighbors Multilayer Perceptron K láng giềng gần Mạng nơron Perceptron đa lớp Neural Network RBFN Radial Basis Function Network Mạng hàm truyền xuyên tâm viii DANH MỤC BẢNG Bảng 2.1 Tƣơng quan công suất công suất điện máy phát TRANG 11 Bảng 4.1 Thuộc tính mẫu trƣớc nhóm 42 Bảng 4.2 Thuộc tính mẫu sau nhóm xong 46 Bảng 5.1 Bảng tổng hợp số biến đầu vào 50 Bảng 5.2 Số lƣợng mẫu ổn định động sau phân cụm 53 Bảng 5.3 Kết rút gọn mẫu giải thuật K-Means 53 Bảng 5.4 Kết huấn luyện 54 Bảng 5.5 Kết nhận dạng mạng GRNN 55 Bảng 5.6 Các thông số cài đặt 55 Bảng 5.7 Kết nhận dạng mạng MLP 59 54 Hình 5.5 Quan hệ số mạng nơron tỉ lệ xác huấn luyện  Bước 5: Nhận xét, từ đồ thị Hình 5.5, chọn D(980, 300) huấn luyện nơron cho kết tỉ lệ % nhận dạng cao vùng khảo sát (98,2%), 980 mẫu ổn định 300 mẫu khơng ổn định đƣợc trình bày Bảng 5.5 Bảng 5.4 Kết huấn luyện 55 Bảng 5.5 Kết nhận dạng mạng GRNN Độ xác kiểm tra (%) Bộ mẫu Kiểm tra D(2400, 800) 98,2% Huấn luyện D(SR,UR)=D(980, 300) Đồng thời tác giả đề xuất áp dụng mạng Perceptron nhiều lớp MLP để so sánh Mạng Perceptron nhiều lớp MLP Quy trình huấn luyện phổ biến mạng Perceptron học có giám sát với giải thuật lan truyền ngƣợc Giải thuật học cập nhật trọng số dựa thuật toán Levenberg-Marquardt phƣơng pháp có hiệu suất cao, tốc độ hội tụ nhanh đƣợc cơng trình nghiên cứu trƣớc đề xuấp áp dụng [23] Ở đây, chọn mạng nơron có lớp Trong đó, lớp ngõ vào, lớp ẩn lớp ngõ Dùng phƣơng pháp thực nghiệm thử sai huấn luyện nhiều lần để tìm số nơron ẩn phù hợp Kết chọn số nơron ẩn 20 với tỉ lệ nhận dạng xác 94,7% hệ số spread 0,1 Trong Matlab, ký hiệu thuật toán Levenberg-Marquardt hàm Trainlm cú pháp là: [net,tr] = train(net, ) 5.5.1 Các thông số đƣợc cài đặt đƣợc mặc định nhƣ Bảng 5.6 Bảng 5.6 Các thơng số cài đặt Net.trainParam.epochs 1000 Số chu trình huấn luyện tối đa Net.trainParam.goal Giá trị mục tiêu cài đặt Net.trainParam.max_fail Các lỗi xác nhận tối đa Net.trainParam.min_grad 1e-7 Độ dốc kết sai số Net.trainParam.mu 0.001 Hệ số moment Net.trainParam.mu_dec 0.1 Hệ số moment giảm Net.trainParam.mu_inc 10 Hệ số moment tăng Net.trainParam.mu_max 1e10 Hệ số moment tối đa Net.trainParam.show 25 Hiển thị thông số Net.trainParam.showCommandLine False Tạo dòng lệnh suất Net.trainParam.showWindow True Hiện giao diện huấn luyện Net.trainParam.time Inf Thời gian tối đa để huấn luyện 56 5.5.2 Các điều kiện dừng huấn luyện:  Số chu trình đạt giá trị tối đa cài đặt  Thời gian đạt giá trị tối đa  Cực tiểu sai số huấn luyện  Độ giảm dốc sai số nhỏ độ giảm dốc cực tiểu  Hệ số moment vƣợt giá trị tối đa 5.5.3 Tiến hành huấn luyện kiểm tra  Số mẫu huấn luyện là: D(980, 300)  Số mẫu kiểm tra liệu ban đầu: D(2400, 800)  Mạng nơron có lớp gồm: lớp đầu vào với 16 biến, lớp ẩn với số nơron ẩn 20 lớp đầu với biến  Giải thuật huấn luyện Levenberg-Marquardt  Giao diện huấn luyện mạng MLP với giải thuật trainlm đƣợc trình bày Hình 5.6 57 Hình 5.6 Giao diện huấn luyện mạng nơron MLP Sau q trình huấn luyện hồn tất, cần kiểm tra chất lƣợng huấn luyện thông qua tiêu sau: o Kiểm tra sai số bình phƣơng trung bình đƣợc trình bày Hình 5.7, số chu trình huấn luyện 22, sai số bình phƣơng trung bình đạt giá trị 0.068113 o Hình 5.8 nhận thấy giá trị R đạt 0,84693 hay ~ 85% 58 Hình 5.7 Biểu đồ sai số bình phƣơng trung bình Hình 5.8 Biểu đồ mối quan hệ tuyến tính ngõ mẫu huấn luyện Kết độ xác nhận dạng mạng MLP trình bày Bảng 5.7 59 Bảng 5.7 Kết nhận dạng mạng MLP Độ xác kiểm tra Bộ mẫu Kiểm tra D(2400, 800) Huấn luyện D(SR,UR)=D(980, 300) 95,5313% Giao diện tính tốn kết kiểm tra tỉ lệ phần trăm nhận dạng đƣợc thể Hình 5.9 Hình 5.9 Giao diện tính tốn nhận dạng mạng MLP 5.6 Đánh giá kết So sánh độ xác nhận dạng kiểm tra phƣơng pháp nhận dạng ANN áp dụng, mẫu phân cụm để chọn kết chấp nhận đƣợc Dữ liệu kiểm tra tập liệu ban đầu GRNN đạt 98,2% Để khách quan, tiến hành huấn luyện với mạng MLP cho mẫu D(980,300) nhƣ Bảng 5.5 Bảng 5.6, nhận thấy mạng GRNN cho kết độ xác nhận dạng kiểm tra cao so với MLP 2,6687 % 60 Nhƣ vậy, nhận dạng GRNN đƣợc chọn để giải toán đánh giá ổn định động hệ thống điện 5.7 Kết luận chƣơng Chƣơng áp dụng quy trình xây dựng mơ hình nhận dạng ổn định động hệ thống điện cho hệ thống điện IEEE 10-máy, 39-bus Kết cho thấy số biến giảm 84,6%, số mẫu giảm 60% độ xác kiểm tra GRNN đạt 98,2% Điều cho thấy, quy trình đề xuất giảm mẫu biến hiệu quả, độ xác nhận dạng cao 61 Chƣơng KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN 6.1 Kết luận Luận văn xây dựng mơ hình mạng nơron GRNN đánh giá ổn định động hệ thống điện hoàn thành mục tiêu đặt ra, kết đạt đƣợc nhƣ sau: - Phân tích tổng quan lĩnh vực nghiên cứu: Nghiên cứu lý thuyết ổn định hệ thống điện, nghiên cứu liên quan nƣớc nƣớc ngồi cơng bố Phƣơng pháp chọn biến đặc trƣng, phƣơng pháp xử lý mẫu  Nghiên cứu lý thuyết mạng nơron mơ hình nhận dạng, đề xuất xây dựng mơ hình mạng nơron đánh giá ổn định động hệ thống điện  Nghiên cứu phƣơng pháp xếp hạng biến nhằm giảm không gian biến  Nghiên cứu phân cụm liệu K-Means để rút gọn tập liệu đầu vào  Kiểm chứng hiệu mơ hình nơron nhận dạng ổn định động hệ thống điện chuẩn IEEE 10-máy 39-bus Từ kết thu đƣợc nhận thấy mạng nơron GRNN đánh giá ổn định động hệ thống điện cho tỉ lệ xác cao 6.2 Hƣớng 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 trƣờng hợp ổn định hệ thống điện./ TÀI LIỆU THAM KHẢO [1] Thông tư số 25/2016/TT-BCT Quy định hệ thống điện truyền tải, Bộ Công thƣơng ban hành ngày 30 tháng 11 năm 2016, p 16 [2] Thông tư số 28/2014/TT-BCT Quy định quy trình xử lý cố hệ thống điện quốc gia, Bộ Công thƣơng ban hành ngày 15 tháng 09 năm 2014, p 33 [3] Phạm Hữu Đức Dục, Mạng nơron ứng dụng điều khiển tự động, Nhà xuất Khoa học Kỹ thuật, Hà Nội, 2009 [4] Lã Văn Út, Phân tích Điều khiển Ổn định hệ thống điện, Nhà xuất Khoa học Kỹ thuật, Hà Nội, 2000 [5] D Rama Krishna, Murthy KVS Ramachandra, and Rao G Govinda, "Application of artificial neural networks in determining critical clearing time in transient stability studies", IEEE,p.1-6, 2008 [6] A Karami ,Esmaili SZ, "Transient stability assessment of power systems described with detailed models using neural networks", International Journal of Electrical Power & Energy Systems, 45, p 279-292, 2013 [7] Trần Bách, Ổn định hệ thống điện, Trƣờng Đại học Bách khoa Hà Nội, p.186, 2001 [8] Quyen Huy Anh, "The application of pattern recognition methods for fast analysis of the dynamic stability of electrical power system", Electrical technology, No.2, p 1-15, 1994 [9] Quyền Huy Ánh, Nguyễn Ngọc Âu, Phan Thị Thanh Bình, "Lựa chọn tập biến đánh giá ổn định động hệ thống điện sử dụng mạng thần kinh nhân tạo", Tạp chí Phát triển Khoa học Công nghệ, 18, p 15-24, 2015 [10] Reza Ebrahimpour, Abharian Easa Kazemi, "An Improved Method in Transient Stability Assessment of a Power System Using Committee Neural Networks", IJCSNS, 9, p 119-124, 2009 [11] K Shanti Swarup, "Artificial neural network using pattern recognition for security assessment and analysis", Neurocomputing, 71, p 983-998, 2008 [12] P K Olulope, et al., "Prediction of critical clearing time using artificial neural network", IEEE, 2011 [13] Phan Thị Thanh Bình, Nguyễn Hoàng Việt, Ngắn mạch ổn định hệ thống điện, Nhà xuất Đại học Quốc gia Tp.Hồ Chí Minh, TP Hồ Chí Minh, 2013 [14] K Gnana Sheela, Deepa Subramaniam N, "Review on methods to fix number of hidden neurons in neural networks", Mathematical Problems in Engineering, 2013, p.11, 2013 [15] Mulukutla S.Sarma and Thomas J Overbye Duncan Glover "Power System Analysis and design", Fifth Edition, p 579-634, 2012 [16] Phan Viết Thịnh, Mạng nơron nhân tạo nhận dạng ổn định động hệ thống điện, Đại học Sƣ phạm Kỹ thuật Tp.Hồ Chí Minh, p 88, 2015 [17] Rui Zhang, et al., "Feature selection for intelligent stability assessment of power systems", IEEE, p.1-7, 2012 [18] S Kalyani, Swarup K Shanti, "Study of neural network models for security assessment in power systems", International Journal of Research and Reviews in Applied Sciences, 1, p 104-117, 2009 [19] Madjid Khalilian, et al., "K-means divide and conquer clustering", IEEE, p 306-309, 2009 [20] Chris Ding, He Xiaofeng, "K-means clustering via principal component analysis", ACM, p 1-9, 2004 [21] Nguyễn Văn Chức, 'Thuật toán K-Means với toán phân cụm liệu', kcntt.duytan.edu.vn, truy cập ngày 02 tháng 06 năm 2018, p 11, 2008 [22] Võ Thanh An, Luận văn thạc sĩ Nghiên cứu phương pháp nhận dạng ổn định động hệ thống điện, Đại học Sƣ phạm Kỹ thuật Tp.Hồ Chí Minh, p 75, 2016 [23] Muhammad Ibn Ibrahimy, Ahsan Rezwanul, and Khalifa Othman Omran, "Design and optimization of Levenberg-Marquardt based neural network classifier for EMG signals to identify hand motions", Measurement Science Review, 13, p 142-151, 2013 PHỤ LỤC PHỤ LỤC 1: trainKNN_chon_bien clear all; clc; close all; load('E:\DAI HOC LAC HONG\code_neural\S'); load('E:\DAI HOC LAC HONG\code_neural\U'); load('E:\DAI HOC LAC HONG\code_neural\xtrain'); load('E:\DAI HOC LAC HONG\code_neural\xtest'); load('E:\DAI HOC LAC HONG\code_neural\testU'); load('E:\DAI HOC LAC HONG\code_neural\testS'); load('E:\DAI HOC LAC HONG\code_neural\Strain'); load('E:\DAI HOC LAC HONG\code_neural\Utrain'); load('E:\DAI HOC LAC HONG\code_neural\relief_RANKEDf'); load('E:\DAI HOC LAC HONG\code_neural\order_relief_WEIGHTf'); i=0; for d=10:2:20; % so bien duoc chon i=i+1 %================================================= %index= orderfisher(:,1:d); index= relief_RANKEDf(:,1:d); %================================================= xtestS=testS(index,:); xtestU=testU(index,:); xtest=[testS testU]'; %===mau huan luyen================================ xS=Strain(index,:); xU=Utrain(index,:); [mxU,nxU]=size(xU); [mxS,nxS]=size(xS); xtrain=[xS xU]'; %================================================= t=[ones(1,nxS) zeros(1,nxU)]'; %===K-NN========================================== mdl.NumNeighbors = 1; mdl = fitcknn(xtrain,t); fs = predict(mdl,xtestS'); fu=predict(mdl,xtestU'); ls=size(xtestS,2); lu=size(xtestU,2); %================================================= kquaR(1,i)=100*([length(find(fs==1))+length(find(fu==0))]/(ls+lu)) end %plot(kquaR) S16=S(:,order_relief_WEIGHTf(1:16)); U16=U(:,order_relief_WEIGHTf(1:16)); save('E:\DAI HOC LAC HONG\code_neural\S16'); save('E:\DAI HOC LAC HONG\code_neural\U16'); PHỤ LỤC 2: Huan_luyen_MLP clc;clear load('E:\DAI HOC LAC HONG\code_neural\S16'); load('E:\DAI HOC LAC HONG\code_neural\U16'); load('E:\DAI HOC LAC HONG\code_neural\CKSz'); load('E:\DAI HOC LAC HONG\code_neural\CKUz'); U300=CKUz{6}; S980=CKSz{15}; % vi tri chon so mau cua kmeans xS=S980; xU=U300; [mxS,nxS]=size(xS); [mxU,nxU]=size(xU); t=[ones(1,mxS) zeros(1,mxU)]; %========================= x=[xS;xU]'; for i=1 net=newff(x,t,[20],{'tansig','purelin'},'trainlm'); [net,tr] = train(net,x,t); mang{i}=net; %net = newgrnn(x,t,spread); %training newgrnn %=============================================== %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(S16')); tu=round(net(U16')); correct_testing (i)= 100*[length(find(ts==1))+ length(find(tu==0))]/(3200) end PHỤ LỤC 3:train_giam_mau clc;clear load('E:\DAI HOC LAC HONG\code_neural\S16'); load('E:\DAI HOC LAC HONG\code_neural\U16'); load('E:\DAI HOC LAC HONG\code_neural\CKSz'); load('E:\DAI HOC LAC HONG\code_neural\CKUz'); [nS,kmS]=size(CKSz); [nU,kmU]=size(CKUz); z=0; for k1=1:kmU z=z+1 for k2=1:kmS % vi tri chon so mau cua kmeans xU=CKUz{k1}; xS=CKSz{k2}; [mxS,nxS]=size(xS); [mxU,nxU]=size(xU); t=[ones(1,mxS) zeros(1,mxU)]; %================================================ x=[xS;xU]'; spread=0.1; tStart=tic; net = newgrnn(x,t,spread); %training newgrnn %================================================ 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); %================================================== ts=round(net(S16')); tu=round(net(U16')); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(3200); ketquatrain(k1,k2)=[correct_training]; ketquatest(k1,k2)=[correct_testing]; %ketquatime(k1,k2)=[tElapsed]; end % correct_training=[];correct_testing=[]; PHỤ LỤC 4: train_Kmeans clc;clear load('E:\DAI HOC LAC HONG\code_neural\S16'); load('E:\DAI HOC LAC HONG\code_neural\U16'); [nS,mS]=size(S16); [nU,mU]=size(U16); %% z=0 for k=700:20:1000 z=z+1 [IDXS,CKS]=kmeans(S16,k); CKSz{z}=CKS; end z=0;k=0; for k=200:20:400 z=z+1 [IDXU,CKU]=kmeans(U16,k); CKUz{z}=CKU; end save('E:\DAI HOC LAC HONG\code_neural\CKSz'); save('E:\DAI HOC LAC HONG\code_neural\CKUz'); ======================================== ... trúc hệ thống điện Ổn định động: tập ổn định hệ thống điện, khả trì đồng sau dao động lớn 5 Đánh giá ổn định động hệ thống điện: xác định xem dao động lớn xảy hệ thống điện có dẫn đến ổn định. .. NƠRON ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN 4.1 Xây dựng mơ hình mạng nơron đánh giá ổn định động hệ thống điện Việc xây dựng mạng nơron để đánh giá ổn định động hệ thống điện công việc khó khăn,... quan hệ phi tuyến vào/ra thơng số vận hành hệ thống mạng, mạng nơron nhanh chóng đƣa định tình trạng hệ thống điện Dựa sở đó, luận văn xây dựng mơ hình mạng nơron đánh giá ổn định động hệ thống điện,