(Luận văn thạc sĩ) mạng nơron lai đánh giá ổn định động hệ thống điện

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ ĐOÀN VĂN PHÚC MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN – 60520202 S K C0 Tp Hồ Chí Minh, tháng năm 2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ ĐOÀN VĂN PHÚC MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Tp Hồ Chí Minh, tháng năm 2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ ĐOÀN VĂN PHÚC MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN – 60520202 Hướng dẫn khoa học: PGS.TS QUYỀN HUY ÁNH Tp Hồ Chí Minh, tháng năm 2017 %Ӝ*,È2'Ө&9¬ĈҤ27Ҥ2 75ѬӠ1*ĈҤ,+Ӑ&6Ѭ3+Ҥ0.Ӻ7+8Ұ7 7+¬1+3+Ӕ+Ӗ&+Ë0,1+ 3+,ӂ81+Ұ1;e7/8Ұ19Ă17+Ҥ&6Ƭ 'jQKFKRJLҧQJYLrQKѭӟQJGүQ 7rQÿӅWjLOXұQYăQWKҥFVӻ0ҥQJQѫURQODLÿiQKJLiәQÿӏQKÿӝQJKӋWKӕQJÿLӋQ 7rQWiFJLҧ Ĉ2¬19Ă13+Ị& MSHV: 1520633 Ngành: ӻWKXұWÿLӋQ Khóa: 2015 +ӑYjWrQQJѭӡLKѭӟQJGүQK͕FKjPK͕FY͓): 3*6764X\ӅQ+X\ÈQK &ѫTXDQF{QJWiF KRDĈLӋQĈLӋQWӱ ĈLӋQWKRҥLOLrQKӋ 3+Ҫ11+Ұ1;e7 Nhұn xét vӅ tinh thҫǡ–Šž‹¯ӝ làm viӋc nghiên cӭu cӫa hӑc viên: +ӑFYLrQFyWLQKWKҫQYjWKiLÿӝOjPYLӋF1&.+QJKLrPW~F Nhұn xét vӅ kӃt quҧ thӵc hiӋn cӫa luұ˜£ǣ 2.1 ˰X QK˱ͫFÿL͋P ѬXÿLӇP+RjQWKjQKWҩWFҧFiFQKLӋPYөQJKLrQFӭXÿӅUD1ӝLGXQJWUuQKEj\FyWtQKNKRDKӑFU}UjQJ súc tích 1KѭӧFÿLӇP+RjQFKӍQKQӝLGXQJOXұQYăQWKHRJySêFӫDFiFWKjQKYLrQKӝLÿӗQJ 2.2 ĈL͋PPͣLJLiWU͓WK͹FFͯDÿ͉WjL: ĈӅ[XҩWTX\WUuQKYj[k\GӵQJPҥQJQѫURQODLĈk\OjPҥQJQѫURQNӃWKӧSQKLӅXPҥQJQѫURQFRQVRQJ VRQJYӟLPөFÿtFKQkQJFDRÿӝFKtQK[iF.ӃWTXҧQJKLrQFӭXFyWKӇÿѭӧFVӱGөQJOjPWjLOLӋXWKDPNKҧR FKRFiF1&6KӑFYLrQFDRKӑF1JjQK.ӻWKXұWÿLӋQWURQJEjLWRiQQJKLrQFӭXQKұQGҥQJәQÿӏQKKӋWKӕQJ ÿLӋQ 2.3 1KͷQJW͛QW̩LQ͇XFy  7LӃSWөFQJKLrQFӭXSKiWWULӇQYjKRjQWKLӋQÿӅWjL KӂT LUҰN ĈҥW\rXFҫXOXұQYăQWKҥFVƭ1JjQK.ӻWKXұWÿLӋQ 73+&0QJj\WKiQJQăP *LҧQJYLrQKѭӟQJGүQ ê JKLU}KӑWrQ 3*6764X\ӅQ+X\ÈQK %Ӝ*,È2'Ө&9¬ĈҤ27Ҥ2 75ѬӠ1*ĈҤ,+Ӑ&6Ѭ3+Ҥ0.Ӻ7+8Ұ7 7+¬1+3+Ӕ+Ӗ&+Ë0,1+ 3+,ӂ81+Ұ1;e7/8Ұ19Ă17+Ҥ&6Ӻ 'jQKFKRJLҧQJYLrQSKҧQELӋQ 7rQÿӅWjLOXұQYăQWKҥFVӻ 0ҥQJQѫURQODLÿiQKJLiәQÿӏQKÿӝQJKӋWKӕQJÿLӋQ 7rQWiFJLҧ Ĉ2¬19Ă13+Ị& MSHV: 1520633 Ngành: ӻWKXұWÿLӋQ Khóa: 2015 Ĉӏnh Kѭӟng: ӬQJGөQJ +ӑYjWrQQJѭӡLSKҧQELӋQ 3*6767UѭѫQJ9LӋW$QK &ѫTXDQF{QJWiF KRDĈLӋQĈLӋQWӱ ĈLӋQWKRҥLOLrQKӋ 0913117659 ,é.,ӂ11+Ұ1;e7 9ӅKuQKWKӭF NӃWFҩXOXұQYăQ 1ӝLGXQJOXұQYăQJӗPFKѭѫQJEDRJӗPFiFQӝLGXQJFKtQKQKѭVDX/êWKX\ӃWәQÿӏKKӋWKӕQJÿLӋQWәQJ TXDQYj[k\GӵQJPҥQJQHXURQÿiQKJLiәQÿӏQKKӋWKӕQJÿLӋQJLӟLWKLӋXPҥQJQHXURQODLÿiQKJLiKӋ WKӕQJÿLӋQPi\EXV1HZ(QJODQG 9ӅQӝLGXQJ 2.1 Nh̵n xét v͉–ÀŠŠ‘ƒŠб…ǡ”Ù”‰ǡЛ…ŠŽЛ…ǡŠï……Š‹Ъ––”‘‰OX̵QYăQ 7iFJLҧWUuQKEj\U}UjQJGӉWKHRG}LOұSOXұQORJLF ӃWFҩXOXұQYăQWKHRÿ~QJPүXFӫDSKzQJÿjRWҥRFӫDWUѭӡQJÿҥLKӑF6ѭ3KҥP.ӻ7KXұWWS+&0 2.2 Nh̵š±–¯žŠ‰‹ž˜‹Ю…•у†о‰Š‘Ц…–”À…Š†РЪ–“—М…пƒ‰рк‹Šž……ׯ“—‹¯аŠ Š‹ЮŠŠ…пƒ’Šž’Ž—С–•лŠф—–”À–—Ю Ĉ~QJTX\ÿӏQKKLӋQKjQK 2.3 Nh̵š±–˜Ыͭc tiêu nghiên cͱu, ph˱˯ng pháp nghiên cͱu s͵ dͭng LVTN 6ӱGөQJPҥQJQHXURQWURQJYLӋFÿiQKJLiәQÿӏQKKӋWKӕQJÿLӋQOjJLҧLSKiSSKKӧS7X\QKLrQWiFJLҧFҫQ FKӍU}FiFKWKӭF[k\GӵQJEӝPүXKXҩQOX\ӋQPҥQJQHXURQNKLSKөWҧLF{QJVXҩWPi\SKiWFҩXKuQKYұQ KjQKOѭӟLWKD\ÿәLYjÿһFELӋWOjWK{QJVӕFiFEӝNtFKWӯPi\SKiWNҧQăQJÿLӅXFKӍQKF{QJVXҩWWiFGөQJ FӫDPi\SKiWWURQJFiFWәPi\NKiFQKDX 2.4 Nh̵n xét T͝ng quan cͯƒ¯͉ tài 3KҫQWәQJTXDQYӅPҥQQJQHXURQÿѭӧFWUuQKEj\ÿҫ\ÿӫѭXÿLӇPYjQKѭӧFÿLӇPFӫDPӝWVӕORҥLPҥQJ QHXURQQQKkQWҥRWK{QJGөQJYjFiFӭQJGөQJFӫDFK~QJ 2.5 ŠСš±–¯žŠ‰‹ž˜͉ n͡‹†—‰Ƭ…ŠН–Žрн‰…пƒ 13KҫQOêOXұQWULӇQNKDLPҥQJQHXURQYjRYLӋFÿiQKJLiәQÿӏQKFӫDKӋWKӕQJÿLӋQFKѭDFyOұSOXұQU}UjQJ ÿӇQJѭӡL[HPKLӇXU}EjLWRiQYjOêGRFKӑQORҥLPҥQJQHXURQQKѭFKѭѫQJ5 23KҫQWULӇQNKDLӭQJGөQJPҥQJQHXURQODLYjROѭӟLÿLӋQPүX39EXV1HZ(QJODQGFKѭDWUuQKEj\U}UjQJ FiFK[k\GӵQJEӝGӳOLӋXGҥ\KӑFFKRPҥQJQHXURQĈLӅXQj\FyWKӇGүQÿӃQQKӳQJWUѭӡQJKӧSFyWURQJ WKӵFWӃYұQKjQKPjNK{QJQҵPWURQJWұSPүXKӑFFӫDPҥQJQHXURQ 2.6 ŠСš±–¯žŠ‰‹ž˜͉ kh̫£‰ͱng dͭ‰ǡ‰‹ž–”а–Šх…–‹Э…ͯƒ¯͉ tài /XұQYăQFyWKӇOjPWjLOLӋXQJKLrQFӭXVkXYӅYҩQÿpÿiQKJLi{QÿӏQKKӋWKӕQJÿLӋQ 2.7 Lu̵˜£…О…ŠЯŠ•уƒǡ„е•—‰Šф‰з‹†—‰‰¿ȋ–Š‹͇t sót t͛n t̩i): Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Hàm khoảng cách Divergence Divergence tiêu chuẩn đo lường độ phân tán hai lớp liệu Khoảng cách D hai lớp trình bày biểu thức (4.5) Biến có khoảng cách D lớn liệu hai lớp phân tán quan trọng [21] σ 22 σ12 1 D  (   2)  (m1  m2 ) (  ) σ1 σ 2 σ1 σ (4.5) Trong đó:  12  22 phương sai lớp lớp biến; m1 m2 trung bình lớp lớp biến Trong phương pháp xếp hạng theo trọng số, tiêu biểu giải thuật Relief đề nghị áp dụng đề tài để so sánh với phương pháp chọn biến sử dụng hai hàm khoảng cách Fisher Divergence Giải thuật Relief có ưu điểm tính tốn trọng số biến dựa mẫu, sau cập nhật trọng số biến xếp hạng theo thứ tự quan trọng biến từ cao đến thấp, làm cho biến đặc trưng lựa chọn có độ tách biệt liệu lớp ổn định không ổn định cao giúp nâng cao ̣ xác nhâ ̣n da ̣ng 4.4.2.4 Tiêu chuẩn dừng Thông qua thực nghiệm huấn luyện nhiều lần để tìm tâ ̣p biế n với độ xác nhâ ̣n da ̣ng kỳ vo ̣ng Việc tìm kiếm đánh giá biến dừng số biến đa ̣t giá tri ̣yêu cầ u độ xác nhận dạng đa ̣t giá tri ̣kỳ vọng 4.5 Phân cụm liệu 4.5.1 Giới thiệu phân cụm liệu: Hệ thống điện có tính phi tuyến cao phức tạp, nên quy mô liệu ổn định động hệ thống điện lớn Đồng thời, phương pháp phân loại đại mạng nơron nhân tạo, yêu cầu liệu tinh gọn, để giảm chi phí tính tốn, HVTH: Đoàn Văn Phúc Trang 56 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh giảm nhớ lưu trữ, tăng tốc độ tính tốn đáp ứng u cầu làm việc nhanh Do giảm khơng gian mẫu u cầu đặt Nhiều phương pháp phân cụm liệu áp dụng nhằm thu gọn tập liệu ổn định động hệ thống điện, tức giảm liệu ban đầu đến tập liệu nhỏ mang tính đại diện 4.5.2 Định nghĩa phân cụm liệu Phân cụm liệu (Data Clustering) q trình nhóm tập đối tượng thành nhiều nhóm đối tượng tương tự hay gần khơng gian hình học 4.5.3 Phương pháp phân cụm liệu Kmeans K- means thuật toán phân cụm dựa khoảng cách đối tượng liệu cụm với trung tâm cụm Thuật toán khởi tạo tập trung tâm cụm ban đầu, thơng qua lặp lại bước, bao gồm gán đối tượng tới cụm liệu có tâm gần nhất, tính tốn lại tâm cụm sở đối tượng cập nhật chúng [12] Quá trình dừng trung tâm cụm không thay đổi Các bước thuật tốn trình bày giống Hình 4.3 Trong phương pháp Kmeans, chọn giá trị k sau chọn ngẫu nhiên k trung tâm đối tượng liệu Tính tốn khoảng cách đối tượng liệu với tâm cụm để tìm kiếm tâm cụm gần thêm vào cụm Từ tính tốn lại tâm cụm lặp lại trình đối tượng liệu thành phần k cụm k tâm cụm khơng đổi Ví dụ phân cụm Kmeans thực chia liệu thành cụm thể Hình 4.4 Trong Hình 4.4, liệu ban đầu phân thành cụm liệu phương pháp Kmeans qua bước sau: Khởi tạo ngẫu nhiên tâm cụm ban đầu, sau tính tốn khoảng cách đường chéo Euclide từ điểm đến tâm cụm, để tìm tâm cụm gần điểm liệu Phân chia điểm liệu vào cụm liệu với tâm cụm khác (Hình 4.12) HVTH: Đồn Văn Phúc Trang 57 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Khởi tạo Cập nhật trọng tâm Tính tốn khoảng cách Cập nhật lại trọng tâm Tiêu chuẩn dừng Thay đổi Không thay đổi Kết Hình 4.3: Mơ tả giải thuật Kmean Cập nhật lại tâm cụm liệu xác nhận trung bình cộng vector đối tượng liệu (Hình 4.4b) Tính tốn lại khoảng cách đường chéo Euclide từ điểm đến tâm cụm để cập nhật lại phân loại cụm điểm liệu (Hình 4.4c) Quá trình cập nhật lại tâm cụm phân loại lại điểm liệu tiếp tục tâm cụm liệu khơng thay đổi (Hình 4.4d) HVTH: Đồn Văn Phúc Trang 58 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh (a) (b) (d) (c) Hình 4.4: Sử dụng Kmeans để phân cụm liệu Mục đích hàm Kmeans tạo k cụm liệu S={S1,S2,…,Sk} từ tập liệu chứa n đối tượng không gian d chiều Xi={x1,x2,…,xn} cho hàm tiêu chuẩn E đạt giá trị tối thiểu phương trình (4.6): k E    x - mi (4.6) i 1 xỴ Si Trong đó, mi trung tâm cụm Si 4.5.4 Các bước thuật toán Kmeans Input: Số lượng k tâm cụm ban đầu m11 , m21 , mk1 Output: k cụm liệu S={S1,S2,…,Sk} hàm tiêu chuẩn cực tiểu E Begin: Bước 1: Khởi tạo Chọn k tâm cụm ban đầu m11 , m21 , mk1 không gian d chiều Xi Việc lựa chọn ngẫu nhiên theo kinh nghiệm Bước 2: Tính tốn khoảng cách HVTH: Đồn Văn Phúc Trang 59 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Đối với điểm xi 1  i  n  , tính tốn khoảng cách tới tâm cụm mjt  1  j  k  Sau tìm tâm cụm gần điểm xi để cập nhật điểm xi vào cụm liệu Bước 3: Cập nhật lại trọng tâm Sau cập nhật lại điểm xi 1  i  k  vào cụm liệu, tiến hành t 1 cập nhật trọng tâm cụm mj  1  j  k  cách xác nhận trung bình cộng vector đối tượng liệu mi(t 1)  S it  x x j Si t  (4.7) i Điều kiện dừng: Lặp lại bước tâm cụm liệu không thay đổi End 4.5.5 Hàm Kmeans phần mềm Matlab Cú pháp [17] [IDX,C] = kmeans(X,k) Trong đó, [IDX, C]=kmeans(X, k) phân cụm mẫu ma trận liệu ban đầu X[n x p] thành k cụm ma trận C[k x p] Số hàng ma trận liệu đầu vào X tương ứng với số mẫu, số cột tương ứng với số biến Hàm kmeans trả vector IDX [n x 1] có chứa vị trí n mẫu ban đầu k cụm liệu C Theo mặc định, kmeans sử dụng khoảng cách đường chéo Euclide Khi X vector, kmeans xử lý vector ma trận liệu [nx1], bất chấp hướng 4.6 Quy trình rút gọn liệu Luận văn áp dụng quy trình phân cụm liệu Kmeans đưa vào huấn luyện mạng nơron nhân tạo Quy trình phân cụm trình bày sau: HVTH: Đồn Văn Phúc Trang 60 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Bước Bộ mẫu ban đầu: Sau lựa chọn biến đặc trưng, chia mẫu ban đầu thành tập mẫu ổn định tập mẫu không ổn định, Data(Strain,Utrain) Bước Rút gọn mẫu: Áp dụng giải thuật phân cụm để rút gọn hai tập mẫu ổn định Strain không ổn định Utrain ban đầu Tâm cụm tập mẫu gồm tập ổn định SR tập không ổn định UR, Data(SR, UR), để đưa vào huấn luyện ANN Bước Huấn luyện kiểm tra: Áp dụng mạng nơron để thực huấn luyện ổn định hệ thống điện với mẫu phân cụm Để chọn mẫu đại diện có kết huấn luyện kiểm tra tốt nhất, áp dụng phương pháp kết hợp cho mẫu nhóm ổn định với mẫu rút gọn nhóm khơng ổn định; q trình thực tiếp tục cho tồn mẫu rút gọn Hình 4.5 Dữ liệu huấn luyện tập liệu phân cụm Data(SR,UR) Bước Đánh giá: Bộ mẫu chọn mẫu gồm số tâm cụm SR UR có độ xác nhận dạng cao Dữ liệu kiểm tra tập liệu ban đầu không phân cụm SR S1 S2 S3 ……… Sn U1 D(S1,U1) D(S2,U1) D(S3,U1) D(S…,U1) D(Sn,U1) U2 D(S1,U2) D(S2,U2) D(S3,U2) ……… D(Sn,U2) U3 D(S1,U1) …… ……… ……… ……… ……… ……… ……… ……… ……… ……… Un D(S1,Un) ……… ……… ……… D(Sn, Un) UR Hình 4.5: Phương pháp kết hợp để chọn số tâm cụm liệu HVTH: Đoàn Văn Phúc Trang 61 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 4.7 Mơ hình mạng Nơron lai nhận dạng ổn định động hệ thống điện Việc xây dựng mơ hình mạng nơron đánh giá ổn định động hệ thống điện có ý nghĩa quan trọng rút ngắn thời gian tính tốn, xử lý kịp thời xác, nhằm làm tăng đáp ứng cho việc vận hành hệ thống điện Mặc dù, trước có cơng trình nghiên cứu [3, 4] đưa nhiều phương pháp tính toán nhanh để rút ngắn thời gian tăng hiệu suất đánh giá huấn huấn luyện ANN Trong [3], tác giả tập trung vào khâu lựa chọn biến đặc trưng nhằm loại bỏ biến thừa cho phân lớp, chưa giải khâu thu gọn mẫu vấn đề xử lý giảm không gian mẫu tác giả [4] nghiên cứu Tuy nhiên, giải thuật Kmean phụ thuộc mạnh vào tâm khởi tạo ban đầu, minh họa Hình 4.4 Thực Kmean ba lần khác dẫn đến tâm khác Hình 4.4a, 4.4b, 4.4c Vì vậy, học riêng lẻ mẫu dẫn đến mặt phẳng phân cách hay biên nhận dạng khác nhau, minh họa hình 4.6a, 4.6b, 4.6c + + + * * * * + + * * * ** ** + ** *** * + + + + + ++ + + ++ ** + ++ * **** * + ++ + + * ** * * + + ++ * * ** ** + * ** ** ** **** ** * * * * * * * * * * ** * + + + * * * * + + * * * ** ** + ** ** * + + + + + ++ + + ++ ** + ++ * **** * + ++ + + * * ** + * * ** + ++ * + * ** ** ** **** ** * * * * * * * * * * ** * (a) + + + * * * * + + * * * ** ** + ** ** * + + + + + ++ + + ++ ** + ++ * **** * + ++ + + * ** * * + * * ** + ++ * + * ** ** ** **** ** * * * * * * * * * * ** * (b) + * * * + * * * + * * ** * + + * + ** * * + + + + ++ * ** + + * ** *+ + + * + ++ + * ** ++ + * * * * + * + + ** * + + * ** ** * * ** * * * * + * * * * * * * * * * * * (d) Hình 4.6: Bộ nhận dạng kết hợp HVTH: Đoàn Văn Phúc Trang 62 (c) Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Từ quan sát thực thi kết hợp song song nhận dạng bao quát biên tâm cụm, điều dẫn đến kết nhận dạng tốt thể Hình 4.6d Vì vậy, người thực luận văn đề xuất quy trình xây dựng mơ hình nhận dạng mạng nơron lai đánh giá ổn định động hệ thống điện Hình 4.7, gồm giai đoạn sau: Rút gọn mẫu Huấn luyện Chuẩn bị liệu vào Button Kmean Button ANN Button Kmean Button ANN Buttongiá Đánh Button Button n Kmean Kết Button n ANN Hình 4.7: Mơ hình nhận dạng mạng nơron lai Giai đoạn Chuẩn bị liệu vào Giai đoạn Rút gọn mẫu Giai đoạn Huấn luyện ANN Giai đoạn Đánh giá độ xác nhận dạng Giai đoạn Chọn kết Trong đó, giai đoạn bao gồm: thu thập liệu thực thông qua mô offline phần mềm PowerWorld Cơ sở liệu ổn định động kiểm tra loại bỏ mẫu có giá trị trùng để mơ hình nhận dạng tăng độ xác giảm trường hợp nhận dạng nhầm thực chuẩn hóa liệu HVTH: Đồn Văn Phúc Trang 63 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Lựa chọn biến đặc trưng sử dụng giải thuật Relief để đánh giá xếp hạng biến đặc trưng, quy trình trình bày [3] Giai đoạn Phân cụm liệu áp dụng giải thuật Kmean để thu gọn mẫu đầu vào ban đầu [4] Tuy nhiên, Kmean có tính chất phụ thuộc vào tâm khởi tạo ban đầu trình bày phần nên giai đoạn thực nhiều lần, để tìm mẫu rút gọn cho giai đoạn huấn luyện Giai đoạn huấn luyện, mẫu huấn luyện gồm mạng nơron song song nhận liệu từ khâu rút gọn mẫu Giai đoạn đánh giá cách vẽ đồ thị quan hệ độ xác số mạng nơron song song Số mạng nơron song song chọn với độ xác cao có số mạng nhỏ vùng khảo sát Giai đoạn chọn kết quả, bước quan trọng định số mạng song song đầu Trong luận văn này, tác giả tập trung vào giai đoạn 2, 3, 5, huấn luyện mạng GRNN song song đánh giá hiệu suất ổn định động HTĐ 4.8 Kết luận chương Chương trình bày tổng quan mơ hình nơron đánh giá ổn định động hệ thống điện Lựa chọn biến đặc trưng phương pháp sử dụng bước áp dụng giải thuật Relief để đánh giá xếp hạng biến đặc trưng Trình bày tổng quan kỹ thuật phân cụm liệu, sử dụng phương pháp phân cụm liệu dựa vào giải thuật Kmeans Cuối cùng, tác giả đề xuất quy xây dựng mơ hình nhận dạng mạng nơron lai HVTH: Đoàn Văn Phúc Trang 64 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh CHƯƠNG MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10-MÁY 39-BUS NEW ENGLAND 5.1 Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England Hệ thống điện IEEE 10-máy 39-bus New England hệ thống điện tương đương hệ thống vùng đông bắc Hoa Kỳ Canada Hệ thống gồm có 39 bus, 10 bus bus máy phát, 12 máy biến áp, 10 máy phát, 34 đường dây truyền tải 19 tải 10 máy phát kết nối từ bus 30 đến bus 39, bus 31 coi bus Slack, bus gọi bus PV, 29 bus lại gọi bus PQ, có cấp điện áp khác 345kV 20kV Hệ thống cho Hình 5.1, sử dụng nhằm tạo sở liệu để huấn luyện ANN Hình 5.1: Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England HVTH: Đoàn Văn Phúc Trang 65 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 5.2 Mơ hình mạng Nơron lai nhận dạng ổn định động hệ thống điện Trong toán đánh giá ổn định động hệ thống điện việc ứng dụng mạng nơron có ý nghĩa quan trọng cần phải nhận thơng tin xác cực nhanh để đưa biện pháp xử lý nhanh chóng, nhằm giữ cho hệ thống điện ổn định Quy trình tổng qt bước xây dựng mơ hình nhận dạng mạng nơ ron lai đánh giá ổn định động hệ thống điện trình bày cụ thể phần (4.7) 5.3 Dữ liệu đầu vào Dữ liệu huấn luyện xác định gồm bước trình bày giai đoạn quy trình Dữ liệu kế thừa từ luận văn [4] Được trình cụ thể số liệu qua Bảng 5.1 Nội dung TT Số liệu 3200 (2400 mẫu OĐ, Tập mẫu học Biến ban đầu 104 biến Biến đầu (0, 1) biến Số biến chọn 15 biến Tập mẫu thu gọn 800 mẫu OKĐ) 1100 (800 mẫu OĐ, 300 mẫu OKĐ) Bảng 5.1: Dữ liệu đầu vào quy trình 5.4 Đánh giá mơ hình đề nghị 5.4.1 Mạng nơron đơn 5.4.1.1 Cấu hình mạng nơron đơn Huấn luyện áp dụng mơ hình mạng GRNN Mạng có cấu trúc tương tự hình 3.10 bao gồm lớp ngõ vào, lớp ẩn hàm xuyên tâm lớp ngõ tuyến tính Hàm kích hoạt lớp ẩn lớp ngõ hàm radbas hàm purelin HVTH: Đoàn Văn Phúc Trang 66 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 5.4.1.2 Kết huấn luyện kiểm tra Tiến hành huấn luyện kiểm tra mạng GRNN với thông số sau: - Số biến đặc trưng 15 biến - Số mẫu huấn luyện 1100 mẫu - Hàm huấn luyện hàm net = newgrnn(x,t,spread) x Dữ liệu đầu vào t Dữ liệu đầu spread Độ rộng - Giao diện huấn luyện Hình 5.2: Giao diện huấn luyện mạng nơron GRNN HVTH: Đoàn Văn Phúc Trang 67 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh - Kết huấn luyện trình bày Bảng 5.2 Huấn luyện (lần) 97.28 97.38 10 97.34 97.28 97.43 97.25 Độ xác (%) Huấn luyện (lần) 97.40 97.00 97.13 97.34 11 12 13 14 15 Độ xác (%) 97.28 97.34 97.18 97.31 97.15 Bảng 5.2: Kết nhận dạng độ xác sau lần huấn luyện mạng GRNN 5.4.1.3 Nhận xét Phân tích bảng 5.2 cho thấy khâu đánh giá độ xác nhận dạng thay đổi theo số lần huấn luyện Vì vậy, cấu trúc mạng GRNN đơn cần phải cải tiến 5.4.2 Mạng nơron lai 5.4.2.1 Cấu hình mạng Cấu hình mạng nơron lai trình bày Hình 3.14 Trong số nơron chọn số lẽ Mỗi mạng nơron đơn huấn luyện độc lập Các mạng nơron có trọng số khác Trình tự xác định số lượng mạng nơron lai trình bày sau:  Bước 1: Từ liệu ban đầu, thực huấn luyện 15 mạng nơron đơn  Bước 2: Tính đô ̣ chin ́ h xác huấ n luyê ̣n và kiể m tra của 3, 5,…, 15 ma ̣ng nơron song song, tổng hợp đầu áp dụng cơng thức tính luật bình bầu theo số đơng trình bày (3.17)  Bước 3: Vẽ đồ thị quan ̣ giữa số ma ̣ng nơron song song với đô ̣ chin ́ h xác huấ n luyê ̣n, đô ̣ chính xác kiể m tra HVTH: Đoàn Văn Phúc Trang 68 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh  Bước 4: Cho ̣n số ma ̣ng nơron song song có đô ̣ chính xác kiể m tra cao nhấ t, số ma ̣ng nơron song song ít nhấ t 5.4.2.2 Kết huấn luyện kiểm tra 98 97.9 97.8 97.7 Tỉ lệ % 97.6 97.5 97.4 97.3 97.2 97.1 97 11 13 15 Số mạng nơron GRNN Hình 5.3: Đồ thị biểu diễn mối quan hệ độ xác nhận dạng số mạng nơron GRNN song song 5.5 Nhận xét Từ đồ thị biểu diễn mối quan hệ độ xác nhận dạng số mạng nơron GRNN song song cho thấy huấn luyện mạng nơron GRNN song song 3, 5, 7, 9, 11, 13, 15 độ xác nhận dạng mẫu kiểm tra 97.47%, 97.59%, 97.75%, 97.72%, 97.59%, 97.59%, 97.59% Khi số mạng nơron song song từ độ xác nhận dạng giảm xuống, đến 11 mạng kết gần khơng đổi Vì vậy, chọn mạng nơron lai gồm mạng nơron đơn với độ xác nhận dạng 97.75% Do đó, cấu hình mạng nơron lai đươ ̣c cho ̣n Hiǹ h 5.4, gồ m: lớp đầu vào, mạng nơron lai gồm mạng đơn lớp đầu HVTH: Đoàn Văn Phúc Trang 69 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ANN ANN ANN ANN Tổng hợp đầu Đầu vào Đầu ANN ANN ANN Hình 5.4: Mơ hình mạng nơron lai với số nơron 5.11 Kết luận chương Chương trình bày tổng quan sơ đồ hệ thống điện IEEE 10-máy 39-bus chi tiết bước thực xây dựng mơ hình ANN nhận dạng ổn định động hệ thống điện kết hợp với kỹ thuật xử lý liệu, bao gồm lựa chọn biến đặc trưng phân cụm liệu Luận văn chọn hệ thống nhận dạng nơron lai với lớp đầu vào, bảy nhận dạng GRNN lớp đầu Số biến đặc trưng 15, ̣ số spread GRNN là 0.1 Kết đầu chọn theo phương pháp bình bầu Như vậy, việc áp dụng mạng nơron đề xuất nhận dạng ổn định động hệ thống điện giúp tăng độ xác giúp phương pháp nhận dạng làm việc nhanh HVTH: Đoàn Văn Phúc Trang 70 ... 60 4.7 Mơ hình mạng Nơron lai nhận dạng ổn định động hệ thống điện .62 4.8 Kết luận chương 64 CHƯƠNG MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10 – MÁY 39 –... học: Kỹ Thuật điện Tên luận văn: MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN HVTH: Đoàn Văn Phúc Trang i Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Ngày & nơi bảo vệ luận văn: ngày 16/4/2017...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ ĐOÀN VĂN PHÚC MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN - 60520202