(Luận văn thạc sĩ) đánh giá ổn định hệ thống điện sử dụng mạng nơron cải tiến

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN THANH TÍNH ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN SỬ DỤNG MẠNG NƠ RON CẢI TIẾN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 S K C0 2 Tp Hồ Chí Minh, tháng 04/2016 Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh Chƣơng TỔNG QUAN 1.1 Tổng quan chung lĩnh vực nghiên cứu 1.1.1 Thực trạng hệ thống điện Hệ thống điện (HTĐ) đóng vai trị quan trọng phát triển kinh tế quốc gia sở hạ tầng quan trọng kinh tế quốc dân HTĐ thƣờng phân chia thành ba phần chính: Phần phát điện bao gồm nhà máy phát điện nhƣ: nhiệt điện chạy than, nhiệt điện chạy khí, nhà máy thủy điện, nhà máy điện hạt nhân, số loại máy phát điện khác Với phần truyền tải, đƣợc coi hệ thống xƣơng sống HTĐ, bao gồm đƣờng dây siêu cao áp, cao áp máy biến áp truyền tải Phần phân phối, nơi điện áp đƣợc hạ thấp để cung cấp trực tiếp cho phụ tải Đây phần có nhiều nút có chiều dài lƣới lớn HTĐ với nhiều loại phụ tải khác Để đảm bảo cho HTĐ vận hành chế độ bình thƣờng HTĐ cần thoả mãn điều kiện ổn định, tin cậy, đảm bảo chất lƣợng điện yêu cầu kinh tế Tuy nhiên, HTĐ không Việt Nam mà nhiều nƣớc phát triển giới phải đối mặt với nhiều khó khăn thách thức: + Thứ tăng trƣởng nhanh phụ tải, đặc biệt nƣớc phát triển nhƣ Việt Nam, tỉ lệ tăng trƣởng phụ tải khoảng 15-20% năm đặt thách thức lớn cho ngành điện phải đáp ứng kịp thời nhu cầu phụ tải + Thứ hai cạn kiệt tài nguyên thiên nhiên nhƣ than đá, dầu mỏ, khí đốt nguồn nƣớc làm cho việc phát triển loại nhà máy phát điện ngày bị giới hạn Việt Nam nƣớc giới nhận thức phải đối mặt với cạn kiệt lƣợng sơ cấp giá nhiên liệu ngày tăng bình diện quốc tế Năng lƣợng thủy điện nguồn lƣợng giá rẻ, kinh tế an tồn dần cạn kiệt đƣợc phát khai thác gần hết Việc ứng dụng công nghệ hạt nhân sản xuất điện phổ biến nhiều nƣớc giới HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh nhƣng nƣớc ta nguồn lƣợng lạ vấn đề công nghệ, lo ngại an toàn, nguồn cung cấp nhiên liệu, vốn đầu tƣ lớn đặc biệt vấn đề môi trƣờng cố xảy + Thứ ba xuất sử dụng ngày nhiều nguồn lƣợng tái tạo nhƣ nguồn lƣợng gió, lƣợng mặt trời nguồn lƣợng phân tán góp phần giảm thiểu gánh nặng cho ngành điện, đáp ứng phần nhu cầu phụ tải gia tăng, làm giảm tổn thất, tiết kiệm chi phí truyền tải phân phối điện Cùng với xuất thiết bị điện tử công suất phần truyền tải phân phối điện làm thay đổi khái niệm HTĐ truyền thống, làm khó khăn quản lý, vận hành, giám sát điều khiển HTĐ Việc đảm bảo chất lƣợng điện năng, tính liên tục cung cấp điện thách thức lớn đặt với ngành điện Một số cố lớn gần Việt Nam giới gây hậu to lớn kinh tế nguy rã lƣới toàn hệ thống ổn định HTĐ trở nên hữu Trong việc đánh giá ổn định động cho HTĐ phức tạp thực vấn đề khó khăn, đặc biệt xét hệ thống vận hành thời gian thực Do đó, vấn đề nghiên cứu ổn định động HTĐ nhiệm vụ cấp thiết 1.1.2 Lý chọn đề tài Đánh giá ổn định động hệ thống điện nhiệm vụ quan trọng trình thiết kế vận hành hệ thống điện Năm 1920, ổn định động hệ thống điện lần đƣợc ý đến nhƣ nhiệm vụ quan trọng việc thiết kế vận hành hệ thống điện nhỏ đƣợc nối kết với thành hệ thống lớn Qua 50 năm, với nhiều cơng trình nghiên cứu nhiều tác giả khác giới với phát triển công nghệ bán dẫn công nghệ thông tin, lý thuyết nhƣ công cụ phân tích đánh giá ổn định động hệ thống điện hình thành Tuy vậy, từ năm 1990 yêu cầu điện tăng vƣợt bậc, nhiều hệ thống điện lớn liên kết hệ thống điện vùng quốc gia nhiều quốc gia nhƣ hệ thống điện 500 kV HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh Việt Nam, hệ thống điện Bắc Mỹ hình thành Việc đánh giá ổn định động cho hệ thống điện phức tạp vấn đề khó khăn, đặc biệt xét hệ thống vận hành thời gian thực Để đánh giá hệ thống ổn định hay không ổn định sau cố lớn, có nhiều phƣơng pháp đƣợc áp dụng Phƣơng pháp mơ theo miền thời gian cho kết xác để đánh giá ổn định độ hệ thống điện nhƣng không cho biết biên ổn định hệ thống, tốn nhiều thời gian phải giải hệ phƣơng trình vi phân phi tuyến sau cố [4,9,8,10], không phù hợp đánh giá trực tuyến Phƣơng pháp không cung cấp thông tin mức độ ổn định không ổn định [4,5,7] Phƣơng pháp số cho câu trả lời xác ổn định độ hệ thống điện, nhƣng gặp khó khăn giải phƣơng trình vi phân bậc 2, nhiều thời gian giải [15] Phƣơng pháp hàm lƣợng xác định ổn định hệ thống điện dựa hàm lƣợng, tránh việc giải bƣớc nhƣ phƣơng pháp mô theo miền thời gian, nhiên ứng dụng thực tế cịn tiếp tục nghiên cứu, ngun hệ thống điện lớn nhiều máy phát cần phải đơn giản hóa mơ hình [6,22], cần nhiều tính toán để xác định số ổn định [14,4,24] Nhƣ vậy, phƣơng pháp truyền thống tốn nhiều thời gian tính tốn, khơng phù hợp đánh giá thời gian thực, với yêu cầu khắc khe thời gian tính tốn, tính nhanh nhƣng phải xác xuất nhu cầu ứng dụng phƣơng pháp khác hiệu Phƣơng pháp kỹ thuật nhận dạng mẫu áp dụng đánh giá ổn định động hệ thống điện bỏ qua giải tích thay cách học quan hệ mẫu đầu vào đầu [10], tiếp cận theo hƣớng [10,11] phân loại đƣợc huấn luyện off-line kiểm tra on-line Trong [12], tác giả chọn tín hiệu đầu vào biến đặc trƣng chế độ xác lập tiền cố để chẩn đoán cố qua số thời gian cắt tới hạn (CCT – Critical Clearing Time), nhiên tìm mối liên hệ biến đặc trƣng trạng thái xác lập cấp ổn định thách thức HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh Hệ thống nhận dạng mẫu cầ n mẫu thông tin đặc trƣng quan trọng làm mẫu liệu đầu vào, việc trích xuất giảm biến đặc trƣng giúp cho hệ thống xử lý liệu cách nhanh chóng nâng cao độ xác Kỹ thuật nhận dạng tốt cho toán tách biệt tuyến tính lớp, nhƣng tách biệt lớp phi tuyến chƣa thực đƣợc [18] Vẫn cịn thách thức cho nhà nghiên cứu tìm mối liên hệ biến trạng thái xác lập tiền cố cấp ổn định hệ thống điện, việc giảm biến đặc trƣng nhƣng phải nâng cao độ xác dự báo Mạng nơ ron nhân tạo (ANN – Artificial Neural Network) phƣơng pháp tiếp cận đánh giá ổn định hệ thống điện thu hút đƣợc nhiều quan tâm nhà nghiên cứu khả học hỏi nhanh chóng quan hệ phi tuyến vào/ Bài báo [16,13,21] ứng dụng (MLPNN - Multilayer Perceptron Neural Network) để ƣớc lƣợng biên ổn định độ hệ thống điện Trong chẩn đoán ổn định động có giai đoạn Một chẩn đốn dựa vào biến đặc trƣng tiền cố trạng thái xác lập gồm công suất máy phát, công suất đƣờng dây, điện áp bus, chẩn đoán mang tính dự phịng ngăn chặn tích cực sớm, vấn đề áp dụng [14,17,20,23,28] Hai là, chẩn đoán ổn định động dựa vào biến đặc trƣng sau cố nhƣ số mức độ nghiêm trọng, góc , quỹ đạo điện áp, chẩn đoán cho biết trạng thái ổn định tới hệ thống điện cố gây Trong [25], tác giả kết hợp mạng nơ ron logic mờ có khả tự học học liên tục, [27] kết hợp phƣơng pháp truyền thống với mạng nơ ron để tăng độ xác chẩn đốn Trong đánh giá ổn định động đƣợc chia làm hai loại chẩn đốn đánh giá Chẩn đoán ổn định động thƣờng tập trung vào số CCT hệ thống cố, CCT thời gian cắt cố dài cho phép để hệ thống giữ ổn định ứng với góc cơng suất cắt chuẩn, giai đoạn cố mà hệ thống điện trải qua: trƣớc cố, cố sau cố Trong đánh giá ổn định động, không cần quan tâm CCT mà cần quan sát trình độ xảy gặp cố, câu hỏi mấu chốt đánh giá ổn định động sau dao động độ kết hệ thống điện ổn định hay HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh khơng ổn định [19,26], tốn chẩn đốn ổn định độ thƣờng xem xét trình trƣớc cố sau cố, chẩn đoán ổn định qua xác định góc đồng thời gian từ lúc dao động Các nghiên cứu theo hƣớng nhận dạng, mạng nơ ron đánh giá ổn định động hệ thống điện, việc đánh giá dựa vào biến trạng thái cố thách thức lớn q trình học cịn lỗi khơng tránh khỏi Do vậy, cần thiết phát triển hệ thống nhận dạng thông minh có khả đánh giá ổn định hệ thống điện thỏa mãn độ xác nâng cao độ tin cậy Do tính phức tạp hệ thống điện giải phƣơng pháp truyền thống nhiều thời gian gây nên chậm trễ việc định, cần giải pháp đánh giá nhanh tin cậy Hệ thống nhận dạng thông minh kết hợp phƣơng pháp ANN, có ƣu điểm lớn khả tính tốn song song, nhanh xác cao Một điều quan trọng rằng, để hệ thống nhận dạng thơng minh có hiệu suất cao biến đặc trƣng đầu vào phải đƣợc chọn hiệu quả, biến đặc trƣng lại gia tăng theo kích cỡ hệ thống điện, cần phải tìm giải pháp trích xuất giảm biến đặc trƣng, phân loại nhóm liệu biến đặc trƣng giúp cho hệ thống nhận dạng thông minh xử lý liệu cách nhanh chóng nâng cao độ xác, điều cơng trình cơng bố cịn hạn chế, địi hỏi phải có cách phân loại mẫu hiệu quả, giúp giải toán chẩn đoán nhanh ổn định hệ thống điện cảnh báo sớm trƣờng hợp khơng ổn định ANN cơng cụ tính tốn thơng minh hiệu suất cao đƣợc lựa chọn cho đánh giá ổn định động hệ thống điện Hiệu suất ANN ứng dụng để đánh giá ổn định động hệ thống điện yêu cầu trình huấn luyện ANN để bao trùm toàn dƣ̃ liê ̣u của kịch vận hành hệ thống không ảnh hƣởng đến cấu hình hệ thống mức cơng suất phụ tải Vì vậy, trình lựa chọn biến đặc trƣng phù hợp yêu cầu để xây dựng cơng cụ tối ƣu để đánh giá xác ổn định động hệ thống điện HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh So sánh với phƣơng pháp đánh giá ổn định khác, đặc điểm bật ANN gồm: tốc độ đánh giá ổn định theo thời gian thực, yêu cầu liệu hơn, khả tổng hợp mở rộng cao Điển hình phát triển hệ thống nhận dạng gồm bƣớc sau: - Tạo sở liệu trình đánh giá ổn định hệ thống điện - Thiết lập mẫu liệu ngõ vào/ ngõ ra, lựa chọn biến đặc trƣng hệ thống phù hợp nhƣ ngõ vào mục ổn định cho ngõ - Trích xuất tri thức mà bao gồm mối quan hệ mẫu liệu ngõ vào ngõ thuật toán học - Phê chuẩn, so sánh hiệu suất ANN Nhận xét chung hƣớng nghiên cứu chẩn đoán/đánh giá ổn định hệ thống điện hƣớng ứng dụng ANN, nhận dạng, … hƣớng đƣợc nhiều tác giả quan tâm tập trung nghiên cứu nhiều năm gần Lựa chọn biến đặc trƣng quan trọng bƣớc xây dựng hệ thống nhận dạng thông minh đánh giá ổn định động hệ thống điện dùng mạng nơ ron Vấn đề đƣợc tác giả [44] thực nhƣng độ xác cần phải đƣợc nghiên cứu thêm Vì vậy, cần nhấn mạnh đến cần thiết giới thiệu số phƣơng pháp để làm phong phú thêm phƣơng pháp nhận dạng Mục tiêu luận văn nhằm bổ sung điểm cần thiết đề xuất áp dụng mạng nơ ron song song để nâng cao độ xác nhận dạng 1.1.3 Giá trị thực tiễn đề tài Kết nghiên cứu đƣợc sử dụng làm tài liệu tham khảo cho học viên cao học ngành kỹ thuật điện điều độ viên hệ thống điện nghiên cứu toán đánh giá ổn định động hệ thống điện mạng nơ ron HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh 1.2 Mục tiêu đề tài Xây dựng mạng nơ ron cải tiến bao gồm mạng nơ ron mắc song song sử dụng giải thuật bình bầu để tăng độ xác đánh giá ổn định động hệ thống điện 1.3 Nhiệm vụ đề tài giới hạn đề tài 1.3.1 Nhiệm vụ đề tài  Nghiên cứu phƣơng pháp đánh giá ổn định HTĐ  Nghiên cứu phần mềm PowerWorld, Neural Network Toolbox giai đoạn tạo mẫu xây dựng mạng nơ ron  Đánh giá hiệu nhận dạng ổn định động hệ thống điện mạng nơ ron đề xuất 1.3.2 Giới hạn đề tài Đánh giá ổn định động hệ thống điện chuẩn: GSO - 37 bus, máy phát với dạng cố xảy 1.4 Phƣơng pháp nghiên cứu Nghiên cứu tài liệu; Mô hình hóa mơ phỏng; Mạng nơ ron; Phân tích, tổng hợp HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh Chƣơng ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN 2.1 Các chế độ hệ thống điện Các chế độ làm việc hệ thống điện đƣợc chia làm loại chính: chế độ xác lập chế độ độ - Chế độ xác lập: chế độ thơng số hệ thống không thay đổi thay đổi khoảng thời gian tƣơng đối ngắn, biến thiên nhỏ xung quanh trị số định mức, chế độ bình thƣờng lâu dài hệ thống điện, cịn đƣợc gọi chế độ xác lập bình thƣờng Chế độ sau cố hệ thống đƣợc phục hồi làm việc tạm thời thuộc chế độ xác lập, mà đƣợc gọi chế độ xác lập sau cố - Chế độ độ: chế độ trung gian chuyển từ chế độ xác lập sang chế độ xác lập khác Chế độ độ thƣờng diễn sau cố thao tác đóng cắt phần tử mang cơng suất mà thƣờng đƣợc gọi kích động lớn Chế độ độ đƣợc gọi chế độ độ bình thƣờng tiến đến chế độ xác lập Trong trƣờng hợp thông số hệ thống bị biến thiên nhƣng sau thời gian lại trở trị số gần định mức thay đổi Ngƣợc lại, diễn chế độ độ với thông số hệ thống biến thiên mạnh, sau tăng trƣởng vơ hạn giảm đến Chế độ độ đƣợc gọi chế độ độ cố 2.2 Ổn định hệ thống điện Ổn định hệ thống điện đề cập đến khả máy phát điện dịch chuyển từ trạng thái vận hành xác lập đến trạng thái vận hành xác lập khác sau bị kích động mà khơng đồng bộ, có loại ổn định hệ thống điện: ổn định tĩnh ổn định động HVTH: Nguyễn Thanh Tính trang Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh 2.2.1 Ổn định tĩnh Bao hàm biến thiên nhỏ chậm điểm vận hành Nghiên cứu ổn định tĩnh thƣờng đƣợc thực chƣơng trình tính tốn phân bố cơng suất, đảm bảo góc pha điện áp đƣờng dây không lớn, điện áp nút gần với điện áp định mức, máy phát, máy biến áp, đƣờng dây truyền tải thiết bị khác khơng bị q tải Hình 2.1: Sơ đồ hệ thống điện đơn giản P P(δ) Pe Pm a b δ01 δ02 P0 Hình 2.2: Đặc tính cơng suất máy phát đặc tính cơng suất Tuabin Để có khái niệm rõ tính chất ổn định tĩnh, xét trạng thái cân công suất máy phát hệ thống điện đơn giản nhƣ Hình 2.1, tƣơng ứng với đặc tính cơng suất điện từ máy phát đặc tính cơng suất Tuabin Hình 2.2 Trong đó: cơng suất Tua-bin đƣợc coi không đổi công suất điện từ máy phát đƣợc biểu diễn dƣới dạng nhƣ (2.1) P    EU sin   Pe sin  XH HVTH: Nguyễn Thanh Tính trang (2.1) Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh mang{z}=net; end netscg=net; save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\ketqua'); save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\netscg'); PHỤ LỤC 2: CHƢƠNG TRÌNH HUẤN LUYỆN MẠNG NEURAL ĐƠN Chƣơng trình huấn luyện mạng ANN đơn clear all; clc; close all; %==tai du lieu ============================================================ load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\learn1'); load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\test1'); ======================================================================== %load('SFFS20'); d=20; % chjo so bien ======================================================================= load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\inds_Fisher'); inds= inds_Fisher(1:d); % chon so bien %====================================================================== learn=learn1(inds,:); test=test1(inds,:); %==chon so neural ========================================================= Ni=15; %====================================================================== t=[ones(1,100) zeros(1,100); % dau huan luyen zeros(1,100) ones(1,100)]; targettest=[ones(1,20) zeros(1,20); zeros(1,20) ones(1,20)]; % %====================================================================== z=0; for i=1 % chay lan z=z+1; x=learn; net=newff(x,t,[Ni],{'tansig','purelin'},'trainlm'); tStart=tic; [net,tr] = train(net,x,t); tElapsed(z) = toc(tStart); y=net(x); kk=net(test); % tinh ket qua kiem tra yy = vec2ind(y); % tinh chuyen ket qua huan luyen xx=vec2ind(kk); % tinh chuyen ket qua test tt=vec2ind(t); % tinh chuyen ket qua dich %====================================================================== tar=vec2ind(targettest); % tinh chuyen ket qua dich kiem tra %===tinh ket qua huan luyen & kiem tra ========================================== correct_classifications_traing = 100*length(find(yy==tt))/length(tt); correct_classifications_testing = 100*length(find(xx==tar))/length(tar); %===hien thi ket qua======================================================== disp('traning time:tElapsed= s') disp(tElapsed) disp('ti_le_phan_tram_training%= ') disp(correct_classifications_traing) HVTH: Nguyễn Thanh Tính trang 77 Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh disp('ti_le_phan_tram_test%= ') disp(correct_classifications_testing) ======================================================================= ketqua(1,z)=correct_classifications_traing; ketqua(2,z)=correct_classifications_testing; mang{z}=net; end netlm=net; save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\ketqua'); save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\netlm'); PHỤ LỤC 3: CHƢƠNG TRÌNH HUẤN LUYỆN MẠNG NEURAL ĐƠN Chƣơng trình huấn luyện mạng ANN đơn clear all; clc; close all; %==tai du lieu ============================================================ load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\learn1'); load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\test1'); ======================================================================== %load('SFFS20'); d=20; % chjo so bien ======================================================================= load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\inds_Fisher'); inds= inds_Fisher(1:d); % chon so bien %====================================================================== learn=learn1(inds,:); test=test1(inds,:); %==chon so neural ========================================================= Ni=15; %====================================================================== t=[ones(1,100) zeros(1,100); % dau huan luyen zeros(1,100) ones(1,100)]; targettest=[ones(1,20) zeros(1,20); zeros(1,20) ones(1,20)]; % %====================================================================== z=0; for i=1 % chay lan z=z+1; x=learn; net=newff(x,t,[Ni],{'tansig','purelin'},'trainbr'); tStart=tic; [net,tr] = train(net,x,t); tElapsed(z) = toc(tStart); y=net(x); kk=net(test); % tinh ket qua kiem tra yy = vec2ind(y); % tinh chuyen ket qua huan luyen xx=vec2ind(kk); % tinh chuyen ket qua test tt=vec2ind(t); % tinh chuyen ket qua dich %====================================================================== tar=vec2ind(targettest); % tinh chuyen ket qua dich kiem tra %===tinh ket qua huan luyen & kiem tra ========================================== correct_classifications_traing = 100*length(find(yy==tt))/length(tt); correct_classifications_testing = 100*length(find(xx==tar))/length(tar); HVTH: Nguyễn Thanh Tính trang 78 Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh %===hien thi ket qua======================================================== disp('traning time:tElapsed= s') disp(tElapsed) disp('ti_le_phan_tram_training%= ') disp(correct_classifications_traing) disp('ti_le_phan_tram_test%= ') disp(correct_classifications_testing) ======================================================================= ketqua(1,z)=correct_classifications_traing; ketqua(2,z)=correct_classifications_testing; mang{z}=net; end netbr=net; save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\ketqua'); save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\netbr'); PHỤ LỤC 4: CHƢƠNG TRÌNH HUẤN LUYỆN MẠNG NEURAL ĐƠN Chƣơng trình huấn luyện mạng ANN đơn clear all; clc; close all; %==tai du lieu ============================================================ load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\learn1'); load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\test1'); ======================================================================== %load('SFFS20'); d=20; % chjo so bien ======================================================================= load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\inds_Fisher'); inds= inds_Fisher(1:d); % chon so bien %====================================================================== learn=learn1(inds,:); test=test1(inds,:); %==chon so neural ========================================================= Ni=15; %====================================================================== t=[ones(1,100) zeros(1,100); % dau huan luyen zeros(1,100) ones(1,100)]; targettest=[ones(1,20) zeros(1,20); zeros(1,20) ones(1,20)]; % %====================================================================== z=0; for i=1 % chay lan z=z+1; x=learn; net=newff(x,t,[Ni],{'tansig','purelin'},'traingd'); tStart=tic; [net,tr] = train(net,x,t); tElapsed(z) = toc(tStart); y=net(x); kk=net(test); % tinh ket qua kiem tra yy = vec2ind(y); % tinh chuyen ket qua huan luyen xx=vec2ind(kk); % tinh chuyen ket qua test tt=vec2ind(t); % tinh chuyen ket qua dich HVTH: Nguyễn Thanh Tính trang 79 Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh %====================================================================== tar=vec2ind(targettest); % tinh chuyen ket qua dich kiem tra %===tinh ket qua huan luyen & kiem tra ========================================== correct_classifications_traing = 100*length(find(yy==tt))/length(tt); correct_classifications_testing = 100*length(find(xx==tar))/length(tar); %===hien thi ket qua======================================================== disp('traning time:tElapsed= s') disp(tElapsed) disp('ti_le_phan_tram_training%= ') disp(correct_classifications_traing) disp('ti_le_phan_tram_test%= ') disp(correct_classifications_testing) ======================================================================= ketqua(1,z)=correct_classifications_traing; ketqua(2,z)=correct_classifications_testing; mang{z}=net; end netgd=net; save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\ketqua'); save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\netgd'); PHỤ LỤC 5: CHƢƠNG TRÌNH HUẤN LUYỆN MẠNG NEURAL SONG SONG Chƣơng trình huấn luyện mạng ANN song song clear all; clc; =========================================================================== load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\learn1'); load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\test1'); =========================================================================== d=20; % chon so bien =========================================================================== load('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\inds_Fisher'); inds= inds_Fisher(1:d); % chon so bien %========================================================================== learn=learn1(inds,:); test=test1(inds,:); %end; %==chon so neural ============================================================= Ni=15; %========================================================================== t=[ones(1,100) zeros(1,100)]; targettest=[ones(1,20) zeros(1,20)]; %========================================================================== z=0; % so mang neural song song %///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////// zt=0; for so_mang_neural=3:2:13 ; zt=zt+1 %//////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////// for i=1:so_mang_neural % chay 20 lan z=z+1; HVTH: Nguyễn Thanh Tính trang 80 Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh x=learn; net=newff(x,t,[Ni],{'tansig','purelin'},'trainlm'); net.trainParam.goal=1e-3; tStart=tic; [net,tr] = train(net,x,t); tElapsed(z) = toc(tStart); y=net(x); kk=net(test); % tinh ket qua kiem tra yy = round(y); % tinh chuyen ket qua huan luyen xx=round(kk); % tinh chuyen ket qua test tt=round(t); % tinh chuyen ket qua dich %========================================================================== tar=round(targettest); % tinh ket qua kiem tra %===tinh ket qua huan luyen & kiem tra ============================================== correct_classifications_traing = 100*length(find(yy==tt))/length(tt); correct_classifications_testing = 100*length(find(xx==tar))/length(tar); =========================================================================== ketqua(1,z)=correct_classifications_traing; ketqua(2,z)=correct_classifications_testing; allnet{z}=net; ketqua; % =========================================================================== net=[]; end save('C:\Program Files\MATLAB\R2010b\bin\DSA_GSO_37_bus\allnet'); [columclasifer nclassifier]=size(allnet); % %==bau chon ket qua============================================================ z=0; for i=1:nclassifier % chay mang z=z+1; net=allnet{i}; %tinh ket qua y=net(x); kk=net(test); yy = round(y); xx=round(kk); tt=(t); %========================================================================= tar=(targettest); %==tinh chinh xac huan luyen va kiem tra ========================================== correct_classifications_traing = 100*length(find(yy==tt))/length(tt); correct_classifications_testing = 100*length(find(xx==tar))/length(tar); tonghoptrain(z,:)=yy; tonghoptest(z,:)=xx; %========================================================================= ketquatrain(1,i)=correct_classifications_traing; ketquatest(1,i)=correct_classifications_testing; yy=[];xx=[]; end %====bau chon ket qua huan luyen================================================ bauchontrain1=(sum(tonghoptrain(:,1:100))>floor(1+nclassifier/2)); bauchontrain11=sum((bauchontrain1)==1); bauchontrain2=(sum(tonghoptrain(:,101:200))floor(1+nclassifier/2)); HVTH: Nguyễn Thanh Tính trang 81 Luận văn thạc sĩ GVHD:PGS.TS Quyền Huy Ánh bauchontest11=sum(bauchontest1==1); bauchontest2=(sum(tonghoptest(:,21:40))