Mạng nơron song song đánh giá ổn định động hệ thống điện

Mạng nơron song song đánh giá ổn định động hệ thống điện Mạng nơron song song đánh giá ổn định động hệ thống điện Mạng nơron song song đánh giá ổn định động hệ thống điện Mạng nơron song song đánh giá ổn định động hệ thống điện Mạng nơron song song đánh giá ổn định động hệ thống điện Mạng nơron song song đánh giá ổn định động hệ thống điện

TÓM TẮT Vận hành hệ thống điện đại phải đối mặt với nhiều khó khăn thách thức phụ tải ngày tăng làm cho quy mô hệ thống điện trở nên lớn phức tạp hơn.Trong hệ thống điện ln phải đối mặt với kích động bất thường cắt điện máy phát, ngắn mạch đường dây truyền tải hay cái.Các kích động làm gián đoạn quy trình cơng nghiệp quan trọng gây tổn thất lớn kinh tế, gây nguy hiểm đến hệ thống điện dẫn đến tan rã hệ thống điện.Ổn định động hệ thống điện đề cập đến khả hệ thống máy phát kiểm soát hoạt động tuabin - thiết bị điều tốc, hệ thống kích từ sau kích động lớn để trì đồng bộ.Để đánh giá hệ thống ổn định hay khơng ổn định sau kích động lớn có nhiều phương pháp áp dụng:Phương pháp mô theo miền thời gian, phương pháp số, phương pháp hàm lượng, phương pháp sử dụng hàm Lyapunov.Tuy nhiên phương pháp phân tích truyền thống tốn nhiều thời gian giải nên gây chậm trễ việc định, với yêu cầu khắc khe thời gian tính tốn, tính nhanh phải xác xuất nhu cầu ứng dụng phương pháp khác hiệu hơn.Phương pháp nhận dạng mạng nơron nhân tạo khuyến nghị phương pháp thay để giải vấn đề khó khăn tốc độ tính tốn hiệu suất.Bằng trình học sở liệu, phân tích mối quan hệ phi tuyến vào thông số vận hành hệ thống điện và tin ̣ h ệ thống điện, sau tính ̀ h tra ̣ng ở n đinh tốn định nhanh chóng.Luận văn tập trung nghiên cứu kỹ thuật xử lý mẫu cho khơng làm tính bao quát mẫu ban đầu, từ xây dựng mơ hình huấn luyện mạng nơron song song giúp giải yêu cầu nhận dạng chẩn đoán nhanh trạng thái ổn định hệ thống điện, sớm cảnh báo trường hợp ổn định v ABSTRACT Operation of the modern electrical system is facing many challenges since increasing load made the scale of the electrical system more complex and bigger.Meanwhile, the electrical system is always faced with irregular stimulations such as cut off the power of the generator, short-circuit on the transmition lines or on the busbars.These stimulations interrupted important industrial processes Therefore, it caused heavy losses for economic and electrical system, and it can lead to disruption of the electrical system.Power System Stability deal with ability of operation generator control system of turbine- governor device, activation system behind great stimulations to remain synchronization.There are many methods to review electrical system stable or unstable such as time domain emulation method, numerical method, energy function method, the method of using Lyapunov function.However, traditional analytical methods took a lot of time to solve, so causing decision making tardy, with stern requirements on calculation time, fast calculation but accurate appeared application demand of other methods for more effective.The method of identification by artificial neural network is recommended as a replace method to solve above difficult problems about calculation speed as well as performance.By learning about process of the database, to analyze the nonlinear relationship between input and output of the operating parameters of the electrical system and the stability of the electrical system, then to calculate and make decisions quickly.The dissertation focuses on the study of sample handling technique not lose the generality of the original sample, thence building a training model of parallel neural network in order to solve identification request and diagnostic rapidly of the stable state of the electrical system vi MỤC LỤC Lý lịch khoa học i Lời cam đoan iii Lời cảm ơn iv Tóm tắt v Abstract vi MỤC LỤC vii Danh sách chữ viết tắt x Danh sách hình xi Danh sách bảng xiii Chƣơng 1: Tổng quan .1 1.1 Tổng quan đề tài .1 1.2 Tính cấp thiết đề tài 1.3 Mục tiêu nhiệm vụ đề tài .5 1.4 Phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.6 Ý nghĩa khoa học giá trị thực tiễn Chƣơng 2: Đánh giá ổn định hệ thống điện 2.1 Khái niệm chung .7 2.2 Ổn định hệ thống điện .9 2.2.1 Cân công suất 2.2.2 Định nghĩa ổn định hệ thống điện 11 2.2.3 Ổn định tĩnh 12 2.2.4 Ổn định động 16 2.2.5 Phương trình dao động .17 2.3 Các biện pháp nâng cao tính ổn định 20 2.3.1 Cải thiện phần tử HTĐ 20 2.3.2 Thêm vào hệ thống phân tử phụ .23 vii 2.4 Kết luận chương 23 Chƣơng 3: Lý thuyết nhận dạng mạng nơron 24 3.1 Các khái niệm tính chất nhận dạng .24 3.2 Nhận dạng mẫu sở hình thức hóa tri thức 26 3.3 Quy trình nhận dạng .28 3.4 Giới thiệu mạng nơron 29 3.4.1 Mơ hình nơron sinh học 30 3.4.2 Mơ hình nơron nhân tạo 31 3.4.2.1 Ký hiệu rút gọn .32 3.4.2.2 Hàm chuyển mạng nơron 32 3.5 Phân loại mạng nơron .33 3.5.1 Mạng Perceptron .34 3.5.2 Mạng hàm truyền xuyên tâm 35 3.5.2.1 Mạng hồi quy tổng quát 37 3.5.2.2 Mạng nơron xác suất 39 3.6 Luật đầu phân loại 41 3.7 Huấn luyện đánh giá mơ hình nhận dạng 42 3.8 Kết luận chương 42 Chƣơng 4: Xây dựng mạng nơron song song đánh giá ổn định động HTĐ 43 4.1 Quy trình thực mạng nơron đơn .43 4.1.1 Tạo sở liệu ổn định động 44 4.1.1.1 Đề xuất quy trình mơ lấy mẫu PowerWorld 44 4.1.1.2 Mô tả trình lấy mẫu 45 4.1.1.3 Biến đặc trưng liệu đầu vào 45 4.1.1.4 Chuẩn hóa liệu 46 4.1.2 Lựa chọn biến đặc trưng 46 4.1.2.1 Khái niệm 47 4.1.2.2 Quy trình lựa chọn biến đặc trưng 47 4.1.2.3 Tiêu chuẩn dừng .51 viii 4.1.3 Huấn luyện ANN 51 4.1.4 Đánh giá độ xác kết nhận dạng 52 4.2 Cấu trúc mạng nơron song song .52 4.3 Đề xuất quy trình xây dựng mạng nơron song song .53 4.4 Chia liệu theo tiêu chuẩn lượng 54 4.5 Kỹ thuật kiểm tra PNN .55 4.6 Kết luận chương 56 Chƣơng 5: Ứng dụng PNN nhận dạng ổn định động HTĐ IEEE 10-máy 39-bus 57 5.1 Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England 57 5.2 Mơ hình mạng nơron song song nhận dạng ổn định động hệ thống điện .58 5.3 Dữ liệu đầu vào .58 5.4 Chuẩn hóa liệu 59 5.5 Tỷ lệ liệu huấn luyện kiểm tra 59 5.6 Lựa chọn biến đặc trưng 59 5.7 Chia liệu .60 5.8 Cấu hình mạng nơron .62 5.9 Kết huấn luyện kiểm tra 63 5.10 Xây dựng chương trình nhận dạng ổn định hệ thống điện 64 5.11 Kết luận chương 66 Chƣơng 6: Kết luận hƣớng nghiên cứu phát triển 67 6.1 Kết luận 67 6.2 Hướng nghiên cứu phát triển 68 TÀI LIỆU THAM KHẢO 69 PHỤ LỤC 72 Chương trình chia liệu theo tiêu chuẩn lượng .72 Chương trình chọn nhóm liệu .73 Chương trình huấn luyện 75 ix DANH SÁCH CÁC CHỮ VIẾT TẮT ANN Artificial Neural Network BPLNN Backpropagation Learning Neural Network CCT Critical Clearing Time CĐQĐ Chế độ độ CĐXL Chế độ xác lập CNN Committee NeuralNetwork CSTD Công suất tác dụng CSPK Công suất phản kháng FCT Fault Clearing Time GRNN Generalized Regression NeuralNetwork HTĐ Hệ thống điện IEEE Institute of Electrical and Electronics Engnineers MF Máy phát điện MLFNN Multilayer Feedforward NeuralNetwork MLPNN Multilayer Perceptron NeuralNetwork PNN Parallel NeuralNetwork RBFN Radial Basis Function Network TĐK Hệ thống tự động điều chỉnh kích từ x DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Phân loại ổn định hệ thống điện 11 Hình 2.2: Sơ đồ hệ thống điện đơn giản 12 Hình 2.3: Đặc tính cơng suất máy phát đặc tính cơng suất Tuabin 12 Hình 2.4: Sơ đồ HTĐ xét nút phụ tải tương quan cân CSPK 15 Hình 2.5: Đặc tính Q – U 15 Hình 2.6: Tác dụng điện kháng Xd MF đến ổn định HTĐ 21 Hình 2.7: Tác dụng số quán tính Tj đến ổn định HTĐ 21 Hình 2.8: Quan hệ Pmax cos MPĐ 22 Hình 3.1:Quy trình nhận dạng ANN 29 Hình 3.2: Mơ hình nơron sinh học 30 Hình 3.3: Mơ hình nơron nhân tạo 31 Hình 3.4: Mơ hình nơron với ký hiệu rút gọn 32 Hình 3.5: Cấu trúc lớp mạng Perceptron 34 Hình 3.6: Mạng hàm truyền xuyên tâm 35 Hình 3.7: Mạng hồi quy tổng quát 37 Hình 3.8: Mạng nơron xác suất 40 Hình 4.1: Quy trình thực mạng nơron đơn 43 Hình 4.2: Quy trình lựa chọn biến đặc trưng 48 Hình 4.3: Mơ tả giải thuật Relief 50 Hình 4.4: Cấu trúc mạng nơron song song PNN 52 Hình 4.5: Quy trình thực mạng nơron song song 54 Hình 4.6: Quy trình kiểm tra mạng nơron song song 56 Hình 5.1: Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England 57 Hình 5.2: Xếp hạng biến theo trọng số Relief 60 xi Hình 5.3: Phân bố mức lượng liệu ổn định 61 Hình 5.4: Phân bố mức lượng liệu không ổn định 61 Hình 5.5: Đồ thị biểu diễn mối quan hệ độ xác nhận dạng mạng nơronsong song 63 Hình 5.6: Mơ hình mạng nơronsong song với số nơroncon 64 Hình 5.7: Giao diện chương trình đánh giá ổn định động hệ thống điện 65 xii DANH SÁCH CÁC BẢNG BảNG TRANG Bảng 5.1: Bảng phân bố liệu vào nhóm nơron song song 62 Bảng5.2: Kết độ xác nhận dạng mạng nơron song song 63 xiii Chƣơng TỔNG QUAN 1.1 Tổng quan đề tài Hệ thống điện (HTĐ) đóng vai trị quan trọng phát triển kinh tế quốc gia sở hạ tầng quan trọng kinh tế.Đánh giá ổn định hệ thống điện nhiệm vụ quan trọng trình thiết kế vận hành hệ thống điện.Tuy nhiênHTĐ đại phải đối mặt với nhiều khó khăn thách thứcvì phụ tải ngày tăng hệ thống điện, điều làm cho quy mô hệ thống điện trở nên lớn phức tạp Trong hệ thống điện vận hành ln phải đối mặt với kích động bất thường cắt điện máy phát, ngắn mạch đường dây truyền tải hay [1] Các kích động làm gián đoạn quy trình cơng nghiệp quan trọng gây tổn thất lớn kinh tế, gây nguy hiểm đến hệ thống điện dẫn đến tan rã hệ thống điện Ổn định động hệ thống điện đề cập đến khả hệ thống máy phát kiểm soát hoạt động tuabin-thiết bị điều tốc, hệ thống kích từ sau kích động lớn để trì đồng [2] Ổn định góc rotor đề cập đến khả máy phát điện đồng có mối liên kết với trì tính đồng sau chịu kích động lớn [2, 3, 14] Vì vậy, việc xây dựng hệ thống đánh giá nhanh ổn định hệ thống điện cách phân tích ổn định hệ thống cảnh báo sớm để có biện pháp ngăn chặn kịp thờilà yếu tố then chốt đảm bảo vận hành hệ thống điện ổn định Để đánh giá hệ thống ổn định hay khơng ổn định sau kích động lớn có nhiều phương pháp áp dụng Phương pháp mô theo miền thời gian cho kết xác để đánh giá ổn định độ hệ thống điện không cho biết biên ổn định hệ thống, tốn nhiều thời gian phải giải hệ phương trình vi phân phi tuyến sau cố [14], không phù hợp đánh giá trực tuyến Phương pháp không cung cấp thông tin mức độ ổn định không ổn định Phương pháp số cho câu trả lời xác ổn định độ hệ thống điện, - Trường hợp phân thành 02 mạng nơron song song, giá trị lượng E để chia 02 nhóm là: EI = (40, 91.8); - Trường hợp phân thành 03 mạng nơron song song, giá trị lượng E để chia 03 nhóm là: EI = (27, 53, 91.8); - Trường hợp phân thành 04 mạng nơron song song, giá trị lượng E để chia 04 nhóm là: EI = (21, 40, 59, 91.8); - Trường hợp phân thành 05 mạng nơron song song, giá trị lượng E để chia 05 nhóm là: EI = (17, 32, 48, 63, 91.8); Từ ta có bảng phân bố liệu vào nhóm nơron song song: Số mẫu liệu Mức NL 1ANN ANN 2ANN ANN ANN 3ANN ANN ANN ANN ANN 4ANN ANN ANN ANN ANN 5ANN ANN ANN ANN 1.37 - 40 40 - 91.8 1.37 - 27 27 - 53 53 - 91.8 1.37 - 21 21 - 40 40 - 59 59 - 91.8 1.37 - 17 17 - 32 32 - 48 48 - 63 63 - 91.8 Train S 1800 1770 30 1701 86 13 1610 160 22 1511 229 32 16 Test U 600 455 145 379 143 78 337 119 79 65 304 118 81 43 54 S 600 590 10 567 29 549 41 522 55 17 U 200 152 48 126 48 26 109 43 28 20 95 43 31 15 16 Bảng 5.1: Bảng phân bố liệu vào nhóm nơron song song 5.8 Cấu hình mạng nơron Cấu hình mạng nơronsong song trình bày Hình 4.2 Mỗi mạng nơron đơn huấn luyện độc lập Các mạng nơron có trọng số khác Kết đầu tính trung bình giá trị nơron Trình tự xác định số lượng mạng nơronsong song trình bày sau: 62 - Bước 1: Từ liệu ban đầu, thực huấn luyện mạng nơron đơn - Bước 2: Áp dụng phân phối kỹ thuật kiểm tra, huấn luyện cho mạng nơron song song có 2, 3, 4, nơron song song - Bước 3: Vẽ đồ th ị quan ̣ giữa số ma ̣ng nơron song song với đô ̣ chính xác huấ n luyê ̣n, đô ̣ chiń h xác kiể m tra - Bước 4: Chọn số mạng nơron song song có đô ̣ chính xác kiể m tra cao nhấ t 5.9 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 1800 mẫu ổn định, 600 mẫu không ổn định Tổng cộng 2400 mẫu Tỷ lệ huấn luyện so với liệu đầu vào 2400/3200 mẫu, 75% - Hàm huấn luyện hàm net = newgrnn(x,t,spread) - Kết huấn luyện trình bày Bảng 5.2 Số mạng nơron song song Độ xác (%) 95.745 96.911 97.208 96.492 95.390 Bảng 5.2: Kết độ xác nhận dạng mạng nơron song song Hình 5.5: Đồ thị biểu diễn mối quan hệ độ xác nhận dạng mạng nơronsong song 63 So với kết nhận dạng chấp nhận cơng trình cơng bố gần [6] 95.75%cho thấy luận văn sử dụng mạng nơron song song, huấn luyện mạng hồi quy tổng quát (GRNN) với số mạng nơron 2, 3, 4, nơron con, với liệu đầu vào độ xác nhận dạng mẫu kiểm tra tốt 96.911%, 97.208%, 96.492%, 95.39% Ta thấy, với liệu đầu vào 3200 mẫu (2400 mẫu ổn định, 800 mẫu không ổn định) chia thành mạng nơron đạt kết xác cao Vì vậy, cấu hình mạng nơronsong song đươ ̣c cho ̣n Hin ̀ h 5.6, gồ m: lớp đầu vào, mạng nơronsong song gồm mạng nơron ĐẦU VÀO BỘ LỰA CHỌN ANN #1 ĐẦU RA ANN #2 ĐẦU RA ANN #3 ĐẦU RA Hình 5.6: Mơ hình mạng nơronsong song với số nơroncon 5.10 Xây dựng chƣơng trình nhận dạng ổn định hệ thống điện Nhằm tạo thuận lợi cho người sử dụng dễ dàng kiểm tra nhận dạng ổn định hệ thống điện, chương trình nhận dạng cố xây dựng với 02 chế độ điều khiển tự động điều khiển tay, có 15 biến liệu đầu vào, kết ngõ hiển thị dạng hình ảnh chữ Giao diện chương trình trình bày hình 5.7 64 Hình 5.7:Giao diện chương trình đánh giá ổn định động hệ thống điện Giao diện chương trình gồm nút lệnh Start, Reset, Exit Ngồi giao cịn hiển thị sơ đồ mạng IEEE 10-máy 39-bus, cho biết trạng thái HTĐ ‘Ổn định’ hay ‘Không ổn định’  Chức nút lệnh: - Start: nút chạy chương trình Ở chế độ Auto click nút hiển thị hộp thoại để nhập thời gian mơ phỏng, cịn chế độ Manual chương trình nhận dạng thực - Reset: cài đặt lại chương trình, dùng khỏi q trình mô chế độ Auto - Exit: chương trình  Chương trình có 02 chế độ:  Chế độ Auto Nhập thời gian (đơn vị tính giây) để thực nhận dạng Giả lập hệ thống có số mẫu đầu vào lần lượt: mẫu ổn định - mẫu không ổn định - mẫu ổn định - mẫu không ổn định Tổng cộng có 20 mẫu đầu vào Chương trình nhận dạng load 65 mẫu để nhận dạng - Giá trị 15 biến ngõ vào mẫu hiển thị 15 ô Input - Hiển thị mức lượng mẫu - Hiển thị mạng nơron chọn để thực việc nhận dạng - Kết hiển thị dạng hình chữ: với màu xanh hệ thống ổn định Màu đỏ hệ thống không ổn định  Chế độ Manual Chế độ tương tự chế độ Auto, có nút Input để nhập mẫu để thực việc nhận dạng 5.11 Kết luận chƣơng Chương trình bày quy trình xây dựng mơ hình ANN nhận dạng ổn định động hệ thống điện IEEE 10-máy 39-bus Trong chương này, sau phần giới thiệu tổng quan sơ đồ hệ thống điện IEEE 10-máy 39-bus, trình bày 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 Áp dụng giải thuâ ̣t Relief để lựa chọn biến đặc trưng chẩ n đoán nhanh ổn định động hệ thống điện Luận văn chọn hệ thống nhận dạng nơronsong song với liệu đầu vào, số biến đặc trưng 15, ba mạng nơron song song dùng cấu trúc mạng hồi quy tổng quát GRNN khác Như vậy, việc áp dụng mạng nơron đề xuất nhận dạng ổn định động hệ thống điện giúp tăng độ xác hiệu quả, từ đáp ứng yêu cầu đề tài đặt 66 CHƢƠNG KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN 6.1 Kết luận Luận văn tìm hiểu, xây dựng mơ hình mạng nơron song song đánh giá ổn đinh ̣ động ̣ thớ ng điê ̣nvà hồn thành mục tiêu đặt ra, kết đạt sau: - Phân tích tổng quan lĩnh vực nghiên cứu: lý thuyết ổn định hệ thống điện, lựa chọn biến đặc trưng, biện pháp xử lý mẫu - Nghiên cứu đề xuất quy trình xử lý liệu:chia liệu theo tiêu chuẩn lượng, kỹ thuật lựa chọn mạng nơron - Nghiên cứu lý thuyết nhận dạng, mạng nơron, đề xuất xây dựng mơ hình mạng nơron song song nhận dạng ổn định động hệ thống điện - Luận văn áp dụng kỹ thuật chia liệu theo tiêu chuẩn lượng,kỹ thuật lựa chọn mạng nơronđể xây dựng mơ hình nơron song song nhận dạng ổn định động hệ thống điện - Kiểm chứng hiệu mơ hình nơron song song nhận dạng ổn định động hệ thống điện chuẩn IEEE 10-máy 39-bus mơ hình đề xuất Trong đó, mạng nơron có nơron song song có độ xác nhận dạng 97.208% so với mơ hình nơron đơn độ xác đạt 95.745% Điều cho thấy hiệu mơ hình mạng nơron song song so với mạng nơron đơn toán đánh giá ổn định động hệ thống điện - Xây dựng giao diện để thực việc giả lập nhận dạng hệ thống điện chuẩn IEEE 10-máy 39-bus - Mơ hình nhận dạng xây dựng sử dụng để trợ giúp huấn luyện điều độ viên định tình khẩn cấp, sớm đưa hệ thống điện trạng thái ổn định 67 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 trường hợp ổn định HTĐ 68 TÀI LIỆU THAM KHẢO TIẾNG VIỆT Quyền Huy Ánh, Vận hành tối ưu hệ thống điện, Đại học Sư phạm Kỹ thuật Tp.Hồ Chí Minh, 2012, 146 trang Nguyễn Hồng Việt Phan Thị Thanh Bình, Ngắn mạch Ổn định hệ thống điện, Nhà xuất Đại học Quốc gia Tp.Hồ Chí Minh, 2013, 370 trang Lã Văn Út, Phân tích Điều khiển Ổn định hệ thống điện, Nhà xuất Khoa học Kỹ thuật, 2000, 210 trang Phạm Thành Nhân, Luận văn Thạc sĩ: Ứng dụng mạng Neural ổn định hệ thống điện, Đại học Bách khoa Thành phố Hồ Chí Minh, 2006 Bùi Lê Ngọc Minh,Luận văn Thạc sĩ: Ổn định hệ thống điện mạng Neural, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2008 Phan Viết Thịnh,Luận văn Thạc sĩ: Mạng Nơron nhận dạng ổn định động hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2015 Võ Thanh An,Luận văn Thạc sĩ: Nghiên cứu phương pháp nhận dạng ổn định hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016 Nguyễn Minh Cường, Ổn định Hệ thống điện, Đại học Kỹ thuật Công nghiệp, 2005 PGS.TS Trần Bách, Ổn định hệ thống điện, Trường Đại học Bách khoa Hà Nội, 2001 10 Đinh Văn Nhượng, Một số ứng dụng mạng nơron xây dựng mơ hình nhận dạng dự báo, Nhà xuất Khoa học Kỹ thuật, 2013, 131 trang 11 Phạm Hữu Đức Dục, Mạng nơron ứng dụng điều khiển tự động, Nhà xuất Khoa học Kỹ thuật, 2009, 292 trang 12 Nguyễn Thiện Thành, Trí tuệ nhân tạo, Nhà xuất Đại học Quốc gia Tp.Hồ Chí Minh, 2006 13 Bùi Cơng Cường Nguyễn Doãn Phước, Hệ mờ Mạng nơron ứng dụng, Nhà xuất Khoa học Kỹ thuật, 2006, 199 trang 69 TIẾNG NƢỚC NGOÀI 14 Prabha Kundur, Power System Stability and Control, New York: McGraw Hill, 1994 15 D Rama Krishna, K V S Ramachandra Murthy, and G Govinda Rao, Application of Artificial Neural Networks in Determining Critical Clearing Time in Transient Stability Studies, 2008 IEEE, pp.1-6 16 K Shanti Swarup, Artificial neural network using pattern recognition for security assessment and analysis, Neurocomputing 71, 2008, pp.983-998 17 M.A Pai , Energy Function Analysis for Power System Stabili1y, University of Illinois at Champaign/ Urbana, 1989 18 M.A Pai and Peter W.Sauer, Stability analysis of power systems by Lyapunov's direct method, 1989 IEEE, pp.1-5 19 Mania Pavella, Damien Ernst, DanielRuiz-Vega,Transient stability of power systems a unified approach to assessment and control, Kluwer Academic Publishers, 2000 20 Rui Zhang, Yan Xu, Zhao Yang Dong and David J Hill, Feature Selection For Intelligent Stability Assessment of Power Systems, 2012 IEEE, pp.1-7 21 A Karami, S Z Esmaili, Transient stability assessment of power systems described with detailed models using Neural Networks, Electrical Power and Energy Systems 45, 2013, pp.279-292 22 Ahmed M A Haidara, M W Mustafab, Faisal A F Ibrahimc, Ibrahim A Ahmed, Transient stability evaluation of electrical power system using Generalized Regression Neural Networks, Applied Soft Computing 11, 2011, pp.3558-3570 23 Rui Zhang , Yan Xu, Zhao Yang Dong, Ke Meng, Zhao Xu, Intelligent Systems for Power System Dynamic Security Assessment: Review and Classification, IEEE 2011, pp.1-6 70 24 Yan Xu, Zhao Yang Dong, Jun Hua Zhao, A Reliable Intelligent System for Real-Time Dynamic Security Assessment of Power Systems, IEEE Transactions On Power Systems, Vol 27, No 3, August 2012, pp.1253-1263 25 S Kalyani, K S Swarup, Pattern analysis and classification for security evaluation in power networks, Electrical Power and Energy Systems 44, 2013, pp.547-560 26 I S Isa, Z Saad, S Omar, M K Osman, K A Ahmad, H A Mat Sakim, Suitable MLP Network Activation Functions for Breast Cancer and Thyroid Disease Detection, 2010 IEEE, pp.39-44 27 A Karami, M S Mohammadi, Radial basis function neural network for power system load-flow, Electrical Power and Energy Systems 30, 2008, pp.60-66 28 K.R Niazi, C.M Arora, S.L Surana, Power system security evaluation using ANN feature selection using Divergence, Sciencedirect 2003, pp.1-7 29 Craig A Jensen, Mohamed A El-Sharkawi, Robert J Marks, Power system security assessment using neural networks: Feature selection using fisher discrimination, IEEE 2001, pp.1-7 30 Madjid Khalilian, Farsad Zamani Boroujeni, Norwati Mustapha, Md Nasir Sulaiman, K-Means Divide and Conquer Clustering, International Conference on Computer and Automation Engineering, 2009 31 Irina Kalashnikova, Matthew F Barone, Srinivasan Arunajatesan, Bart G van Bloe-men Waanders, Construction of Energy-Stable Galerkin Reduced Order Models, Sandia National Laboratories 2013 32 Gábor Horvasth, Neural Networks in System Identification, Budapest University of Technology and Economics, 2005 71 PHỤ LỤC Chƣơng trình chia liệu theo tiêu chuẩn lƣợng %%%%%%%%%%%%% Code Devide PNN by Energy Criterion %%%%%%%%%%%%% clear all; clc; close all; load('C:\Program Files\MATLAB\R2014a\bin\000_temp_file\Data\Train'); %%%%%% Reset de khong bi luu ma tran %%%%%%%%%%%%%% Usum=[];Ssum=[]; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Row=size(TrainSS,1); % la so hang %for i=1:Row; for i=1:1; %%%%%%%%%%%%% MUC NANG LUONG DATA KHONG ON DINH %%%%%%%%%%%%%%%%% % % UU co dang: bien x mau UU=Train.TrainUU(i,:); U0=UU{:}'; % U0 co dang: mau x bien U1=(U0).^2; % binh phuong tung phan tu cua ma tran U2=sum(U1,2); % cong cac cot cua ma tran, ma tran hang U3=[U2 U0]; % ghep lai de sort U4=sortrows(U3,1); % sort theo gia tri cua cot h3=max(U2); % gia tri MAX cua U2 h4=min(U2); % gia tri MIN cua U2 %%%%%%%%%%%%%%%%%%% MUC NANG LUONG DATA ON DINH %%%%%%%%%%%%%%%%%%%%% % % SS co dang: bien x mau SS=Train.TrainSS(i,:); S0=SS{:}'; % S0 co dang: mau x bien S1=(S0).^2; % binh phuong nSng phan nS cSa ma nman S2=sum(S1,2); % cong cac cua ma tran, ma tran cot S3=[S2 S0]; % ghep lai de sort S4=sortrows(S3,1); %sort nheo gia tri cua cot k3=max(S2); k4=min(S2); %%%%%%%%%%%%%%%%%%% TINH TOAN %%%%%%%%%%%%%%%%%%% h5=k3-h4; %k5=k3-k4; %%%%%%%%%%%%% SORT DATA KHONG ON DINH %%%%%%%%%%%%%%%%% b1=[round(h4+h5/2) round(h3)]; for n1=b1; if n1