(Luận văn thạc sĩ) nghiên cứu các phương pháp nhận dạng ổn định 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 VÕ THANH AN NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DẠNG ỔN ÐỊNH HỆ THỐNG ÐIỆN NGÀNH: KỸ THUẬT ÐIỆN – 60520202 S K C0 Tp Hồ Chí Minh, tháng 3/2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ THANH AN NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN – 60520202 Tp Hồ Chí Minh, tháng 03 năm 2016 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Trong luận văn có sử dụng số tài liệu tham khảo nêu phần tài liệu tham khảo Tp.Hồ Chí Minh, ngày 21 tháng 03 năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang i Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh LỜI CẢM TẠ Trước tiên, xin gửi lời cảm ơn chân thành đến PGS.TS Quyền Huy Ánh, người tạo điều kiện, động viên hướng dẫn tơi hồn thành luận văn Bên cạnh đó, tơi muốn gửi lời cảm ơn đến NCS Nguyễn Ngọc Âu, người hỗ trợ tơi nhiều suốt q trình thực luận án Cảm ơn quan, bạn bè, đồng nghiệp, tất cả, muốn gửi lời cảm ơn đến tất thành viên gia đình tơi, cảm ơn cha, mẹ, chia sẻ, động viên tạo điều kiện thuận lợi để tơi hồn thành nhiệm vụ học tập nghiên cứu Xin chân thành cảm ơn quý thầy, cô truyền đạt cho nhiều kinh nghiệm kiến thức quý báu trình học tập nghiên cứu Xin cảm ơn PGS.TS Quyền Huy Ánh, NCS Nguyễn Ngọc Âu hướng dẫn hỗ trợ tơi hồn thành luận văn Tp.Hồ Chí Minh, ngày 21 tháng năm 2016 Tác giả luận văn Võ Thanh An HVTH: Võ Thanh An Trang ii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh MỤC LỤC Trang tựa TRANG Quyết định giao đề tài Lý lịch cá nhân Lời cam đoan i Lời cảm tạ ii Tóm tắt luận văn iii Mục lục v Danh sách chữ viết tắt ix Danh sách hình x Danh sách bảng xii Chƣơng TỔNG QUAN 1.1 Tổng quan lĩnh vực nghiên cứu 1.2 Tính cấp thiết đề tài 1.3 Mục tiêu nhiệm vụ luận văn 1.4 Phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.6 Ý nghĩa khoa học giá trị thực tiễn luận văn Chƣơng ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN 2.1 Ổn định hệ thống điện 2.2 Phân loại ổn định hệ thống điện 2.2.1 Ổn định góc quay rotor 2.2.2 Ổn định điện áp 2.2.3 Ổn định tĩnh 2.3 Phương trình dao động máy phát 12 2.4 Mơ hình đơn giản hóa máy phát hệ thống tương đương 14 2.5 Ổn định hệ nhiều máy 16 2.6 Đánh giá ổn định hệ thống điện 19 HVTH: Võ Thanh An Trang v Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 2.6.1 Quy trình mơ lấy mẫu PowerWorld 20 2.6.2 Mơ tả q trình lấy mẫu 26 2.7 Kết luận chương 26 Chƣơng LỰA CHỌN BIẾN ĐẶC TRƢNG 27 3.1 Tổng quan 27 3.2 Lựa chọn biến đặc trưng 27 3.2.1 Khái niệm 27 3.2.2 Các phương pháp tiếp cận 28 3.3 Quy trình lựa chọn biến đặc trưng 30 3.3.1 Lựa chọn biến đặc trưng ban đầu 30 3.3.2 Tìm kiếm biến đặc trưng ứng viên 31 3.3.3 Đánh giá biến đặc trưng ứng viên 31 3.3.3.1 Hàm khoảng cách Fisher 31 3.3.3.2 Hàm khoảng cách Divergence 32 3.3.3.3 Giải thuật Relief 32 3.3.4 Tiêu chuẩn dừng 34 3.4 Kết luận chương 34 Chƣơng PHÂN CỤM DỮ LIỆU 35 4.1 Tổng quan 35 4.1.1 Giới thiệu phân cụm liệu 35 4.1.2 Định nghĩa phân cụm liệu 35 4.2 Các phương pháp phân cụm liệu 35 4.2.1 Phương pháp phân cụm liệu Kmeans 35 4.2.1.1 Khái niệm 35 4.2.1.2 Các bước thuật toán Kmeans 37 4.2.1.3 Hàm Kmeans phần mềm Matlab 38 4.2.2 Phương pháp phân cụm liệu Fuzzy Cmeans 38 4.2.2.1 Khái niệm 38 4.2.2.2 Hàm mục tiêu thuật toán Fuzzy Cmeans 39 HVTH: Võ Thanh An Trang vi Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 4.2.2.3 Các bước thuật toán Fuzzy Cmeans 41 4.2.2.4 Hàm Fuzzy Cmeans phần mềm Matlab 42 4.3 Quy trình rút gọn liệu 43 4.4 Kết luận chương 45 Chƣơng MẠNG NƠRON VÀ MƠ HÌNH NHẬN DẠNG 46 5.1 Giới thiệu mạng nơron 46 5.1.1 Mơ hình nơron sinh học 46 5.1.2 Mơ hình nơron nhân tạo 47 5.1.3 Hàm chuyển đổi 49 5.1.4 Phân loại mơ hình cấu trúc mạng nơron 50 5.2 Mạng Perceptron nhiều lớp 50 5.3 Mạng hàm truyền xuyên tâm 52 5.3.1 Mạng hồi quy tổng quát 53 5.3.2 Mạng nơron xác suất 55 5.4 Luật đầu phân loại 57 5.5 Huấn luyện đánh giá mơ hình nhận dạng 58 5.6 Nhận dạng phương pháp tiếp cận 59 5.7 Các giai đoạn mơ hình nhận dạng 59 5.8 Mơ hình nhận dạng 60 5.9 Kết luận chương 61 Chƣơng ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10-MÁY 39-BUS 62 6.1 Sơ đồ hệ thống điện IEEE 10-máy 39-bus New England 62 6.2 Mơ hình mạng nơron nhận dạng ổn định động hệ thống điện 63 6.3 Tạo sở liệu ổn định động 65 6.4 Xây dựng tập mẫu học 66 6.5 Biến đầu vào biến đầu 66 6.6 Chuẩn hóa liệu 66 6.7 Phân chia liệu 66 HVTH: Võ Thanh An Trang vii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 6.8 Lựa chọn biến đặc trưng mơ hình mạng nơron 67 6.8.1 Đánh giá chọn biến đặc trưng 67 6.8.1.1 Giới thiệu 67 6.8.1.2 Các bước thực 67 6.8.1.3 Kết 68 6.8.1.4 Nhận xét 70 6.8.2 Lựa chọn biến mơ hình mạng nơron 70 6.8.2.1 Giới thiệu 70 6.8.2.2 Các bước thực 70 6.8.2.3 Kết huấn luyện nhận dạng ANN 72 6.8.2.4 Nhận xét 75 6.9 Thu gọn mẫu 75 6.9.1 Giới thiệu 75 6.9.2 Các bước thực thu gọn mẫu 76 6.9.3 Kết đánh giá độ xác 77 6.9.4 Chọn tập mẫu phân cụm 79 6.10 Ứng dụng mạng sau huấn luyện 80 6.11 Kết luận chương 81 Chƣơng KẾT LUẬN VÀ HƢỚNG NGHIÊN CỨU PHÁT TRIỂN 83 7.1 Kết luận 83 7.2 Hướng nghiên cứu phát triển 84 TÀI LIỆU THAM KHẢO 85 PHỤ LỤC 91 HVTH: Võ Thanh An Trang viii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh CHƢƠNG TỔNG QUAN 1.1 Tổng quan lĩnh vực nghiên cứu Hệ thống điện ngày phát triển mạnh mẽ quy mô độ phức tạp, đồng thời khó khăn vận hành hệ thống phát triển không tương xứng nhu cầu phụ tải, hệ thống truyền tải nguồn lượng Vì vậy, hệ thống điện đối mặt nguy vận hành gần với biên ổn định, cố bất thường ngắn mạch đường dây, ngắt máy phát,… xảy gây ổn định hệ thống điện Các nhiễu loạn làm gián đoạn liên tục cung cấp điện, gây tổn thất cho kinh tế, ảnh hưởng đến hệ thống điện mang nguy sụp đổ hệ thống điện Do vậy, cần phát nhanh cảnh báo sớm ổn định hệ thống điện giúp hệ thống điều khiển định kịp thời, đảm bảo vận hành hệ thống điện ổn định Ổn định hệ thống điện đề cập đến trình dao động điện từ hệ thống điện kích động gây nên Ổn định động khả hệ thống sau kích động lớn phục hồi trạng thái ban đầu gần với trạng thái ban đầu nhờ hệ thống máy phát trì đồng [1,9] Do đó, để tăng an tồn giảm thiệt hại xảy ra, hệ thống đánh giá nhanh xác ổn định hệ thống điện yêu cầu phải phát triển dựa phân tích ổn định hệ thống, để thực cảnh báo sớm vận hành an toàn hệ thống điện Việc đánh giá ổn định hệ thống điện sau kích động lớn có nhiều phương pháp nghiên cứu áp dụng Một số phương pháp thường sử dụng để đánh giá ổn định độ phương pháp mô miền thời gian, phương pháp ổn định trực tiếp phương pháp hàm lượng [23,24,25,56] Phương pháp mô miền thời gian thực đánh giá ổn định qua việc giải phương trình khơng gian trạng thái hệ thống điện, cho kết xác tốn nhiều thời gian không kiểm tra biên ổn định hệ thống [10,23,56] Phương pháp trực tiếp cho câu trả lời xác ổn định độ hệ thống điện, gặp khó khăn tính tốn nhiều thời gian giải [20,22,56] Phương HVTH: Võ Thanh An Trang Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh pháp hàm lượng xác định ổn định độ mà khơng cần giải phương trình khơng gian trạng thái khác hệ thống điện, cho biết thời gian cắt ổn định động phức tạp tốn nhiều thời gian [22,23,29,56] Với phức tạp thời gian giải kéo dài, phương pháp phân tích truyền thống gây nên chậm trễ việc định Do u cầu khắc khe thời gian tính tốn, tính tốn nhanh phải xác xuất nhu cầu nghiên cứu ứng dụng phương pháp khác hiệu Một số phương pháp hiệu phương pháp nhận dạng mẫu Phương pháp nhận dạng mẫu (Pattern Recognition) áp dụng đánh giá ổn định động hệ thống điện bỏ qua giải tích thay cách học quan hệ mẫu đầu vào đầu [20], tiếp cận theo hướng phân loại huấn luyện offline kiểm tra online Trong [13,14,16,21] tác giả đề xuất giai đoạn khai triển mơ hình nhận dạng thông minh đánh giá ổn định hệ thống điện Trong [22,31], tác giả chọn tín hiệu đầu vào biến đặc trưng chế độ xác lập tiền cố để chẩn đoán ổn định độ qua số thời gian cắt tới hạn CCT (Critical Clearing Time), thời gian cắt cố dài cho phép để hệ thống giữ ổn định ứng với góc cơng suất cắt chuẩn Tuy nhiên, kích thước hệ thống điện tăng, số lượng thông số phân loại trở nên lớn khiến giảm độ tin cậy đòi hỏi tập huấn luyện lớn Việc tìm mối liên hệ biến đặc trưng chế độ xác lập tiền cố độ ổn định thách thức Có hai loại biến đặc trưng, chúng phân loại thành biến đặc trưng trước cố biến đặc trưng sau cố Trong đó, biến đặc trưng trước cố thường thông số xác lập [13,14,15] Với biến đặc trưng trước cố, an ninh hệ thống điện đánh giá trước cố xảy ra, trạng thái vận hành hiển thị không ổn định, người vận hành chuẩn bị điều khiển phòng ngừa để dịch chuyển điểm vận hành hệ thống vào vùng an toàn để tránh nguy ổn định Điều đảm bảo hệ thống điện vận hành trạng thái phòng ngừa, chặn trước kiện ngẫu nhiên, phải chịu chi phí tốn thay đổi trạng thái vận hành hệ thống, chẳng hạn kế hoạch tái phát HVTH: Võ Thanh An Trang Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Bảng 2.5: Thông số điện trở RT, điện kháng XT thông số cài đặt đầu phân áp máy biến áp From Bus 12 12 10 19 20 22 23 25 29 19 Line Data To Bus 11 13 31 32 33 34 35 36 37 30 38 20 RT 0.0016 0.0016 0.0000 0.0000 0.0007 0.0009 0.0000 0.0005 0.0006 0.0000 0.0008 0.0007 XT 0.0435 0.0435 0.0250 0.0200 0.0142 0.0180 0.0143 0.0272 0.0232 0.0181 0.0156 0.0138 Transformer Tap Magnitude 1.0060 1.0060 1.0700 1.0700 1.0700 1.0090 1.0250 1.0000 1.0250 1.0250 1.0250 1.0600 Angle 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Bảng 2.6: Thông số điện trở, điện kháng dung dẫn đường dây From Bus 1 2 3 4 5 6 10 10 10 12 12 13 14 15 16 16 16 To Bus 39 25 30 18 14 11 39 32 13 11 13 11 14 15 16 24 21 19 HVTH: Võ Thanh An Branch Device Type Line Line Line Line Transformer Line Line Line Line Line Line Line Line Line Line Line Transformer Line Line Transformer Transformer Line Line Line Line Line Line R X B 0.0035 0.0010 0.0013 0.0070 0.0000 0.0011 0.0013 0.0008 0.0008 0.0008 0.0002 0.0007 0.0006 0.0004 0.0023 0.0010 0.0000 0.0004 0.0004 0.0016 0.0016 0.0009 0.0018 0.0009 0.0003 0.0008 0.0016 0.0411 0.0250 0.0151 0.0086 0.0181 0.0133 0.0213 0.0129 0.0128 0.0112 0.0026 0.0082 0.0092 0.0046 0.0363 0.0250 0.0200 0.0043 0.0043 0.0435 0.0435 0.0101 0.0217 0.0094 0.0059 0.0135 0.0195 0.6987 0.7500 0.2572 0.1460 0.0000 0.2138 0.2214 0.1382 0.1342 0.1476 0.0434 0.1389 0.1130 0.0780 0.3804 1.2000 0.0000 0.0729 0.0729 0.0000 0.0000 0.1723 0.3660 0.1710 0.0680 0.2548 0.3040 Trang 93 Luận văn thạc sĩ 16 17 17 19 19 20 21 22 22 23 23 25 25 26 26 26 28 29 31 GVHD: PGS.TS Quyền Huy Ánh 17 27 18 33 20 34 22 35 23 36 24 37 26 29 28 27 29 38 Line Line Line Transformer Transformer Transformer Line Transformer Line Transformer Line Transformer Line Line Line Line Line Transformer Transformer 0.0007 0.0013 0.0007 0.0007 0.0007 0.0009 0.0008 0.0000 0.0006 0.0005 0.0022 0.0006 0.0032 0.0057 0.0043 0.0014 0.0014 0.0008 0.0000 0.0089 0.0173 0.0082 0.0142 0.0138 0.0180 0.0140 0.0143 0.0096 0.0272 0.0350 0.0232 0.0323 0.0625 0.0474 0.0147 0.0151 0.0156 0.0250 0.1342 0.3216 0.1319 0.0000 0.0000 0.0000 0.2565 0.0000 0.1846 0.0000 0.3610 0.0000 0.5130 1.0290 0.7802 0.2396 0.2490 0.0000 0.0000 Bảng 2.7: Thơng số xác lập góp chạy phân bố công suất tối ưu 100% tải Bus 10 11 12 13 14 15 16 17 18 19 20 21 22 23 PU Volt 1.04717 1.05799 1.05413 1.05505 1.06868 1.06949 1.05580 1.05309 1.05000 1.05708 1.05994 1.04503 1.05462 1.05203 1.03755 1.04560 1.04957 1.05004 1.05471 0.99311 1.04095 1.05424 1.04884 HVTH: Võ Thanh An Volt (kV) 1.047 1.058 1.054 1.055 1.069 1.069 1.056 1.053 1.050 1.057 1.060 1.045 1.055 1.052 1.038 1.046 1.050 1.050 1.055 0.993 1.041 1.054 1.049 Angle (Deg) -14.43 -8.57 -10.96 -11.34 -10.32 -9.57 -11.95 -12.62 -15.83 -6.87 -7.80 -7.75 -7.60 -9.31 -9.51 -8.06 -9.71 -10.60 -2.40 -2.59 -5.55 -1.00 -0.84 Load MW 0.00 0.00 322.00 500.00 0.00 0.00 233.80 522.00 0.00 0.00 0.00 7.50 0.00 0.00 320.00 329.00 0.00 158.00 0.00 628.00 274.00 0.00 247.50 Trang 94 Load Mvar 0.00 0.00 2.40 184.00 0.00 0.00 84.00 176.00 0.00 0.00 0.00 88.00 0.00 0.00 153.00 32.30 0.00 30.00 0.00 103.00 115.00 0.00 84.60 Gen MW Gen Mvar Luận văn thạc sĩ 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 1.04952 1.06469 1.06438 1.05221 1.06031 1.05800 1.04750 0.98200 0.98310 0.99720 1.01230 1.04930 1.06350 1.02780 1.02650 1.03000 HVTH: Võ Thanh An GVHD: PGS.TS Quyền Huy Ánh 1.050 1.065 1.064 1.052 1.060 1.058 1.048 0.982 0.983 0.997 1.012 1.049 1.064 1.028 1.026 1.030 -7.85 -7.13 -9.99 -10.99 -9.29 -7.45 -5.21 -1.59 2.02 2.42 3.64 3.56 8.39 0.87 -2.37 -18.05 308.60 224.00 139.00 281.00 206.00 283.50 0.00 9.20 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1104.00 Trang 95 -92.00 47.20 17.00 75.50 27.60 26.90 0.00 4.60 0.00 0.00 0.00 0.00 0.00 0.00 0.00 250.00 350.00 690.00 750.00 585.60 608.00 600.00 660.00 640.00 599.53 660.00 98.88 401.20 34.53 76.32 159.97 176.30 98.35 -20.14 -41.50 22.97 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 1: Chương trình chuẩn hóa liệu phân chia tập liệu thành tập huấn luyện kiểm tra clc; clear all; load('SKOD_800'); load('SOD_2400'); U=[SKOD_800]; S=[SOD_2400]; S=S'; U=U'; [SS,UU]=chuanhoastd(S,U); [ms,ns]=size(SS); rr=randperm(ns,ns); SSrand=[];ks=0; for i=1:(ns); ks=rr(i); [SSrand]=[SSrand SS(:,ks)]; end [mu,nu]=size(UU); rru=randperm(nu,nu); UUrand=[];ku=0; for i=1:(nu); ku=rru(i); [UUrand]=[UUrand UU(:,ku)]; end k=10;z=0; for i=1:k; z=z+1; sx=[];S=[]; U=[];sy=[]; for j=1: round(ns/k); sx=[sx j]; S=[S SSrand(:,j)]; end for j=1:round(nu/k); sy=[sy j]; U=[U UUrand(:,j)]; end if z==i; testS=S; testU=U; SSrand(:,[sx])=[]; UUrand(:,[sy])=[]; learnS=SSrand; HVTH: Võ Thanh An Trang 96 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh learnU=UUrand; end inputStrain{z}=learnS; inputUtrain{z}=learnU; inputtestS{z}=testS; inputtestU{z}=testU; inputtrain.inputtrainS=inputStrain; inputtrain.inputtrainU=inputUtrain; inputtest.inputtestS=inputtestS; inputtest.inputtestU=inputtestU; SSrand=[SSrand S]; UUrand=[UUrand U]; end save('inputtrain'); save('inputtest'); save('SS'); save('UU'); Phụ lục 2: Chương trình tính khoảng cách Fisher vẽ đồ thị xếp hạng biến đặc trưng clear all; clc; load('SS'); load('UU'); Vs = diag(cov(SS'))' ; Vu = diag(cov(UU'))' ; Ms=mean(SS') ; Mu=mean(UU'); [m1,n1]=size(Ms); [p1,q1]=size(Mu); for i=1:n1; L(i)=([Ms(i)-Mu(i)])^2; K(i)=[Vs(i)+Vu(i)]; F(i,1) =([L(i)/K(i)]); end J_Fisher=F'; [E_fisher order_Fisher] = sort(J_Fisher,'descend'); save('C:\MATLAB\R2014a\bin\AN_07_02\J_Fisher'); save('C:\MATLAB\R2014a\bin\AN_07_02\E_fisher'); save('C:\MATLAB\R2014a\bin\AN_07_02\order_Fisher'); sobien = 1:1:104; x=E_fisher; y=sobien; HVTH: Võ Thanh An Trang 97 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh box off plot(y,x,'m-','linewidth',1.5) hold on hold on grid on xlabel('Feature') ylabel('Fisher Discimination') Phụ lục 3: Chương trình tính khoảng cách Divergence vẽ đồ thị xếp hạng biến đặc trưng clear all; clc; load('SS'); load('UU'); S1=cov(SS'); S2=cov(UU'); m1=mean(SS')'; m2=mean(UU')'; [m,n]=size(SS'); sigma1= diag(S1)'; sigma2=diag(S2)'; J=[]; for i=1:n; J_divergence(i) = [0.5*((sigma2(i)/sigma1(i)+sigma1(i)/sigma2(i)-2)+((m1(i)m2(i))^2)*(1/sigma1(i)+1/sigma2(i)))]; end [E_divergence order_Divergence] = sort(abs(J_divergence),'descend'); save('C:\MATLAB\R2014a\bin\AN_07_02\J_divergence'); save('C:\MATLAB\R2014a\bin\AN_07_02\E_divergence'); save('C:\MATLAB\R2014a\bin\AN_07_02\order_Divergence'); sobien = 1:1:104; x=E_divergence; y=sobien; box off plot(y,x,'r-','linewidth',1.5) hold on hold on grid on xlabel('Feature') ylabel('Divergence Discimination') HVTH: Võ Thanh An Trang 98 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 4: Chương trình tính trọng số Relief vẽ đồ thị xếp hạng biến đặc trưng close all; clc; clear all; load('SS'); load('UU'); X=[SS';UU']; [m,n]=size(SS'); [p,q]=size(UU'); Y=[ones(m,1); zeros(p,1)]; tStart=tic; [relief_RANKEDf,relief_WEIGHTf] = relieff(X,Y,10); [E_relief_RANKEDf order_relief_WEIGHTf] = sort(relief_WEIGHTf,'descend'); tElapserelieff = toc(tStart); save('C:\MATLAB\R2014a\bin\AN_07_02\relief_RANKEDf'); save('C:\MATLAB\R2014a\bin\AN_07_02\tElapserelieff'); save('C:\MATLAB\R2014a\bin\AN_07_02\relief_WEIGHTf'); save('C:\MATLAB\R2014a\bin\AN_07_02\order_relief_WEIGHTf'); sobien = 1:1:104; x=E_relief_RANKEDf; y=sobien; box off plot(y,x,'b-','linewidth',1.5) hold on hold on grid on xlabel('Feature') ylabel('Relief Weight') Phụ lục 5: Chương trình đánh giá độ xác nhận dạng sử dụng GRNN-Relief với mẫu ban đầu clear all; clc; close all; load('inputtrain'); load('inputtest'); load('order_relief_WEIGHTf'); %====================================================== d=15; index= order_relief_WEIGHTf(:,1:d); %index= order_Fisher(:,1:d); %index= orderdivergence(:,1:d); z=0; for k=1:10 %==mau huan luyen========================================= z=z+1; HVTH: Võ Thanh An Trang 99 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh xS=inputtrain.inputtrainS{k}; xU=inputtrain.inputtrainU{k}; xS=xS(index,:); xU=xU(index,:); x=[xS xU]; [mxS,nxS]=size(xS); [mxU,nxU]=size(xU); t=[ones(1,nxS) zeros(1,nxU)]; %===mau kiem tra========================================== xtestS=inputtest.inputtestS{k}; xtestU=inputtest.inputtestU{k}; xtestS=xtestS(index,:); xtestU=xtestU(index,:); [mtS,ntS]=size(xtestS); [mtU,ntU]=size(xtestU); %========================================================= spread=0.1; tStart=tic; net = newgrnn(x,t,spread); %========================================================= ketqua_mang{z}=net; tElapsed = toc(tStart); %view (net); %========================================================= rex=round(net(x)); rexS=rex(1:nxS); rexU=rex((nxS+1):end); correct_training = 100*[length(find(rexS==1))+ length(find(rexU==0))]/(nxS+nxU) %========================================================= ts=round(net(xtestS)); tu=round(net(xtestU)); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(ntS+ntU) ketqua(k,1)=correct_training; ketqua(k,2)=correct_testing; ketqua(k,3)=tElapsed; end ketquaTB=sum(ketqua)./10; NN_Relief_15bienGRNN=ketqua; save('NN_Relief_15bienGRNN'); HVTH: Võ Thanh An Trang 100 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 5: Chương trình phân cụm Kmeans với phương pháp lựa chọn biến Fisher clear all; clc; close all; load('order_Fisher'); load('SS'); load('UU'); %========================================================== d=15; % so bien duoc chon %index= order_relief_WEIGHTf(:,1:d); index=order_Fisher(:,1:d); %index= orderdivergence(:,1:d); %========================================================== xtrainS=SS(index,:); xtrainU=UU(index,:); X.xtrainS=xtrainS; X.xtrainU=xtrainU; [nS,mS]=size(xtrainS); [nU,mU]=size(xtrainU); z=0; for k=300:100:1700 k z=z+1; [IDXlearnS,ClearnS] = kmeans(xtrainS',k); X.kmeanS{z}=ClearnS; IDX.ClearnS{z}=IDXlearnS; IDXlearnS=[]; ClearnS=[]; end z=0; for k=300:50:700 k z=z+1; [IDXlearnU,ClearnU] = kmeans(xtrainU',k); X.kmeanU{z}=ClearnU; IDX.ClearnU{z}=IDXlearnU; IDXlearnU=[]; ClearnU=[]; end X_Fisher_Kmean=X; IDX_Fisher_Kmean=IDX; save('X_Fisher_Kmean'); save('IDX_Fisher_Kmean'); HVTH: Võ Thanh An Trang 101 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 6: Chương trình phân cụm Fuzzy Cmeans với phương pháp lựa chọn biến Relief clear all; clc; close all; load('order_relief_WEIGHTf'); load('SS'); load('UU'); %========================================================== d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %index= orderfisher(:,1:d); %index= orderdivergence(:,1:d); %========================================================== xtrainS=SS(index,:); xtrainU=UU(index,:); X.xtrainS=xtrainS; X.xtrainU=xtrainU; [nS,mS]=size(xtrainS); [nU,mU]=size(xtrainU); z=0; for k=1300:100:1700 k z=z+1; [centerS,US,obj_fcnS] = fcm(xtrainS',k) X.centerS{z}=centerS; B.US{z}=US; C.obj_fcnS{z}=obj_fcnS; centerS=[];US=[];obj_fcnS=[]; end z=0; for k=300:50:700 k z=z+1; [centerU,SU,obj_fcnU] = fcm(xtrainU',k) X.centerU{z}=centerU; B.SU{z}=SU; C.obj_fcnS{z}=obj_fcnU; centerU=[];SU=[];obj_fcnU=[]; end X_Relief_Fuzzy_3=X; B_Relief_Fuzzy_3=B; C_Relief_Fuzzy_3=C; save('X_Relief_Fuzzy_3'); HVTH: Võ Thanh An Trang 102 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh save('B_Relief_Fuzzy_3'); save('C_Relief_Fuzzy_3'); Phụ lục 7: Chương trình đánh giá độ xác nhận dạng sử dụng MPLNN với mẫu phân cụm Kmeans lựa chọn biến Relief clear all; clc; close all; load('order_relief_WEIGHTf'); load('SS'); load('UU'); load('X_Relief_Kmean'); %======================================================== d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %index= order_Fisher(:,1:d); %index= orderdivergence(:,1:d); %===================================================== [nS,mS]=size(X.xtrainS); [nU,mU]=size(X.xtrainU); [knS,kmS]=size(X.kmeanS); [knU,kmU]=size(X.kmeanU); %===mau kiem tra ========================================= xtestS=X.xtrainS; xtestU=X.xtrainU; %====================================================== z=0; for k1=1 z=z+1; for k2=1 % vi tri chon so mau cua kmeans xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [mxU,nxU]=size(xU); [mxS,nxS]=size(xS); t=[ones(1,mxS) zeros(1,mxU)]; %========================= x=[xS;xU]'; tStart=tic; net=newff(x,t,[20],{'tansig','purelin'},'trainlm');%'hardlim traingd'trainbr' trainlm''trainbfg'purelin [net,tr] = train(net,x,t); %========================================================= ketqua_mang{z}=net; HVTH: Võ Thanh An Trang 103 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 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(xtestS)); tu=round(net(xtestU)); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(mS+mU) ketquatrain(k1,k2)=[correct_training]; ketquatest(k1,k2)=[correct_testing]; ketquatime(k1,k2)=[tElapsed]; end correct_training=[];correct_testing=[]; end [a,b]=max(ketquatest); [c,d]=max(a); index=b(d); ketquamax=ketquatest(index,d) k1=index; k2=d; xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [p,q]=size(xS); [h,r]=size(xU); ti_le_rut_S=p/mS ti_le_rut_U=h/mU MLPNNtrain_Relief_Kmean=ketquatrain; MLPNNtest_Relief_Kmean=ketquatest; MLPNNtime_Relief_Kmean=ketquatime; save('MLPNNtrain_Relief_Kmean'); save('MLPNNtest_Relief_Kmean'); save('MLPNNtime_Relief_Kmean'); Phụ lục 8: Chương trình đánh giá độ xác nhận dạng sử dụng GRNN với mẫu phân cụm Kmeans lựa chọn biến Relief clear all; clc; close all; load('order_relief_WEIGHTf'); HVTH: Võ Thanh An Trang 104 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh load('SS'); load('UU'); load('X_Relief_Kmean'); %========================================================= d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %index= order_Fisher(:,1:d); %index= orderdivergence(:,1:d); %======================================================= [nS,mS]=size(X.xtrainS); [nU,mU]=size(X.xtrainU); [knS,kmS]=size(X.kmeanS); [knU,kmU]=size(X.kmeanU); %===mau kiem tra=========================================== xtestS=X.xtrainS; xtestU=X.xtrainU; %======================================================= z=0; for k1=1:kmU z=z+1; for k2=1:kmS % vi tri chon so mau cua kmeans xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [mxU,nxU]=size(xU); [mxS,nxS]=size(xS); t=[ones(1,mxS) zeros(1,mxU)]; %========================= x=[xS;xU]'; spread=0.1; tStart=tic; net = newgrnn(x,t,spread); %========================================================= 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); %========================================================= HVTH: Võ Thanh An Trang 105 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ts=round(net(xtestS)); tu=round(net(xtestU)); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(mS+mU) ketquatrain(k1,k2)=[correct_training]; ketquatest(k1,k2)=[correct_testing]; ketquatime(k1,k2)=[tElapsed]; end correct_training=[];correct_testing=[]; end [a,b]=max(ketquatest); [c,d]=max(a); index=b(d); ketquamax=ketquatest(index,d) k1=index; k2=d; xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [p,q]=size(xS); [h,r]=size(xU); ti_le_rut_S=p/mS ti_le_rut_U=h/mU NNtrain_Relief_Kmean=ketquatrain; NNtest_Relief_Kmean=ketquatest; NNtime_Relief_Kmean=ketquatime; save('NNtrain_Relief_Kmean'); save('NNtest_Relief_Kmean'); save('NNtime_Relief_Kmean'); HVTH: Võ Thanh An Trang 106 S K L 0 ... nhanh ổn định hệ thống điện Điển hình, hệ thống thơng minh đánh giá ổn định hệ thống điện, lựa chọn biến đặc trưng phương pháp tiếp cận đánh giá ổn định hệ thống điện nhận quan tâm nhà nghiên cứu. .. [31,22] đánh giá ổn định hệ thống điện qua số CCT (Critical Clearing Time) Trong nghiên cứu theo hướng nhận dạng, ANN nhận dạng ổn định động hệ thống điện, việc nhận dạng dựa vào liệu ổn định động trước... hành, hệ thống liên tục trải qua nhiễu loạn gây tổn hại đến ổn định hệ thống điện hệ thống không đảm bảo tính ổn định có tác động nhiễu này, dẫn đến sụp đổ hệ thống điện Ổn định hệ thống điện