Đ vi c hu n luy n vƠ ki m tra mô hình khách quan vƠ t ng quát, t p d li u hu n luy n đ c chia ng u nhiên thƠnh 6 t p cont ng đ ng v kích c . Quá trình hu n luy n vƠ ki m tra thực hi n 6 l n. Ph n trăm đ chính xác nh n d ng c a mô hình trong hu n luy n ho c ki m tra đ c tính trung bình trong 6 l n thực hi n. T l hu n luy n đúng ho c ki m tra đúng nh đ u ra yêu c u đ c xác đ nh theo bi u th c (5.4). _ % R.100 Classification rate S (5.4) Trong đó: R s m u đúng,S là t ng s m u. Giá tr kỳ vọng đ chính xác nh n d ng c a mô hình đ c đ ngh trong [42] ph i đ t h n 90% .
5.6. Áp d ng đánh giá n đ nh đ ng h th ng đi n GSO-37bus
5.6.1. Mô t h th ng đi n GSO-37bus
Mô hình GSO-37 bus lƠ mô hình chu n trong ch ng trình mô ph ng s d ngph n m m Power World Simulator 17. S đ g m có 37 bus, 9 máy phát đi n, 3 c p đi n áp khác nhau 345kV, 138kV vƠ 69kV, 25 t i, 14 máy bi n áp, 57 đ ng dơy truy n t i, đ c s d ng nhằmt o c s d li uđ hu n luy n ANN.
5.6.2. Bi n đ c tr ng đ u vƠo vƠ đ u ra
Thực hi n mô ph ng off-line đ thu th p d li u cho đánh giá n đ nh đ ng h th ng đi n v i ch đ 100% t i, th i gian cắt ngắn m ch cƠi đ t lƠ 25ms. Bi n đ u vƠo vƠ bi n đ u ra l n l t là x[Vbus, Pload, Qload, Pflow, Qflow] và y[1,0]. T ng s bi n đ u vƠo lƠ 199(37+25+25+56+56), 1 bi n đ u ra. T k t qu mô ph ng, có 240m u d li u v i 120 m u n đ nh vƠ 120 m u không n đ nh. T p d li u chu n hóa đ c xơy dựng theo (5.1).
Sau khi hu n luy n MLFNN, trong khâu ch n đoán, bi n đ c tr ng đ n l ngõ ra c a MLFNN th ng có m t vài sai s t ng ng v i giá tr nh phân c a nó. Tiêu chu n nƠy đ c s d ng trong quá trình biên dch đ tính toán tr ng thái ngõ ra c a m i MLFNN [22]: (Unstable) 0 = y 0.8 y if (Stable) 1 = y 0.8 y if i i i i (5.5) 5.3.1.3. K t qu tính toán các kho ng cách
Nh đƣ trình bƠy ph n trên, bi n có đ đo kho ng cách l n h n thì bi n đó quan trọng h n. Áp d ng công th c (5.2), (5.3) đ tính toán x p h ng th tự quan trọng c a các bi n đ c tr ng. K t qu tính toán và x ph ng bi n đ c tr ng quan trọng gi m d n cho kho ng cách Fisher, kho ng cách Divergence, trình bày l n l t
Hình 5.3: X p h ng bi n theo kho ng cách Fisher
5.6.3. K t qu nh n d ng chính xác
Ch ng trình ch y trên máy tính Laptop v i CPU Inter CoreTM i3-2330M, b nh 8GB DDR3, 500GB HDD.
K t qu t B ng 5.1 vàB ng 5.2cho th y:
Đ i v i hàm kho ng cách Fisher, khi s bi n đ c tr ng là 20 hay gi m 9,9 l n thì đ chính xác nh n d ng đƣ trên 80%, khi s bi n đ c tr ng là 45 thì t l nh n d ng (91,3%) đƣ v t qua giá tr kỳ vọng [42], khi đó s bi n đ c tr ng gi m đƣ h n 4,4 l n và th igian hu n luy n so v i đ y đ 199 bi n đ c tr ng đƣ gi m 3,1 l n(Hình 5.5).
Hàm kho ng Divergence cho t l nh n d ng v t h n 80% v i s bi n đ c tr ng là 35 hay gi m 5,6 l n và t l nh n d ng v t h n giá tr kỳ vọng khi s bi n đ c tr ng là 70 hay gi m 2,8 l n (Hình 5.5).
Nh v y, n u ch p nh n đ chính xác nh n d ng t 80% thì v i hàm kho ng cách Fisher là lựa chọn u tiên v i 20 bi n đ c tr ng. K t qu cho th y s l ng bi n đ c tr ng đ u vào gi m r t đáng k đ n g n 10 l n, đi u này có ý nghĩa r t thi t thực cho vi c gi m s c m bi n đo l ng thu th p s li u, cũng nh giúp gi m chi phí đ u t h th ng đol ng.
Hình 5.5: So sánh đ chính xác nh n d ng trên t p ki m tra cho các ph ng pháp tính kho ng cách
K t qu huấn luy n và ki m tra
B ng 5.1:K t qu đánh giá chọn bi n đ c tr ng theo kho ng cách Fisher
Hu n luy n Ki m tra S bi n % th i gian (s) % 20 89.8 1.78 83.3 30 93.8 1.94 85.3 35 93.8 2.14 86.6 40 93.7 2.37 87.5 45 94.7 2.39 91.3 50 95.1 2.69 91.7 60 95.5 2.82 92.9 70 96.8 2.63 92.9 90 96 2.95 93.8 150 96.5 4.96 94.1 199 97.7 7.61 95.8
B ng 5.2: K t qu đánh giá chọn bi n đ c tr ng theo kho ng cách Divergence
Hu n luy n Ki m tra S bi n % th i gian (s) % 20 65.4 2.61 61.2 30 81.4 3.35 79.2 35 88.3 3.68 83.3 40 87.3 3.7 83.3 45 88.9 3.8 85.8 50 89.4 3.78 86.7 60 90.4 3.87 87.5 70 94.5 4.7 92.9 90 97.1 5.12 94.2 150 96.7 7.64 94.6
Ch ng 6
K T LU N
VÀ H NG NGHIÊN C U PHÁT TRI N
6.1. K t lu n
- Lu n văn đƣ thực hi n đ c quá trình mô ph ng n đ nh đ ng h th ng đi n s d ng ph n m m Power World Simulator 17, tìm hi u lý thuy t nh n d ng, m ng n -ron nhân t o.
- Lu n văn trình bƠy chi ti t các b c ti n hành lựa chọn bi n đ c tr ng, gi i thi u,áp d ng 2 ph ng pháp tính kho ng cách Fisher và Divergence.
- Qua áp d ng trên s đ h th ng đi n GSO-37 bus đƣ ki m ch ng tính hi u qu c a kỹ thu t lựa chọn bi n đ c tr ng trong đánh giá n đ nh đ ng h th ng đi n dùng MLFNN .
- K t qu t MLFNN trình bày rằng tr ng thái n đ nh c a h th ng đi n đ c nh n d ng v i đ chính xác cao, t l nh n d ng sai th p.
- C th ,v i hàmFisher, khi s bi n đ c tr ng là 20 hay gi m 9,95 l n thì đ chính xác nh n d ng đƣ trên 80%, khi s bi n đ c tr ng là 45 thì t l nh n d ng (91,3%), khi đó s bi n gi m đƣ h n 4,4 l n và th i gian hu n luy n so v i đ y đ 199 bi n đ c tr ng đƣ gi m 3,1 l n.
- Đ i v i hàm Divergence cho t l nh n d ng v t h n 80% v i s bi n đ c tr ng là 35 hay gi m 5,6 l n và t l nh n d ng v t h n giá tr kỳ vọng (90%) khi s bi n đ c tr ng là 70 hay gi m 2,8 l n. K t qu cho th y hàm Fisher cho k t qu lựa chọn bi n đ c tr ng t t h n.
- Kỹ thu t lựa chọn bi n đ c tr ng trong vi c khai thác s li u hƠnh vi đ ng c a h th ng đi n giúp gi m bi n đ c tr ng đ u vƠo, tăng t c đ hu n luy n, nh ng v n gi đ chính xác cao.
- Giá tr t c th i c a lu n văn nƠy đó lƠ góp ph n làm phong phú tài li u tham kh o h u ích cho nghiên c u bƠi toán đánh giá n đnh h th ng đi n dùng kỹ thu t m ng th n kinh nhân t o k t h p kỹ thu t lựa chọn bi n đ c tr ng. Có Ủ nghĩa r t thi t thực cho vi c gi m s c m bi n đo l ng thu th p s li u, cũng nh giúp gi m chi phí đ u t h th ng đo l ng trên h th ng đi n.
6.2. H ng nghiên c u
- Xây dựng c s d li u v i các ch đ v n hành h th ng đi n nhi u m c t i khác nhau.
- Áp d ng các gi i thu t tìm ki m khác trong lựa chọn bi n đ c tr ng trong đánh giá n đ nh đ ng h th ng đi n.
TÀI LI U THAM KH O Ti ng Vi t
1. PGS. TS Quy n Huy Ánh, Giáo trình Giải tích và Mô Phỏng Hệ Thống
Điện, Đ i học S Ph m Kỹ thu t TP H Chí Minh, 01/2008, 167 trang
2. PGS. TS Quy n Huy Ánh, Vận Hành Tối Ưu Hệ Thống Điện, Đ i Học S Ph m Kỹ thu t TP H Chí Minh, 01/2011, 146 trang
3. PGS. TS Nguy n Hoàng Vi t (ch biên) và Phan Th Thanh Bình, Ngắn mạch và Ổn Định Trong Hệ Thống Điện, Nhà xu t b n Đ i học Qu c gia TP H Chí Minh, 2011, 370 trang
Ti ng Anh
4. Carlo Cecati, Hamed Latafat, Time Domain Approach Compared with Direct
Method of Lyapunov for Transient Stability Analysis of Controlled Power System, 2012 IEEE.
5. K.W. Chan, R.W. Dunn, A.R. Daniels, On-line stability constraint assessment for large complex power systems, Electric Power Systems
Research 46 (1998) 169ậ176.
6. Fang Da-zhong a, T.S. Chung, Dynamic single machine equivalent techniques for on-line stability assessment transient, Electric Power
Systems Research 39 (1996) 179-186.
7. T.S. Chung a, Fang Da-zhong, A fast approach to transient stability
estimation using an improved potential energy boundary surface method, Electric Power Systems Research 34 (1995) 47-55.
8. Hsiao-Dong Chiang, Chia-Chi Chu, Gerry Cauley, Direct Stability Analysis of Electric Power Systems Using Energy Functions: Theory, Applications, and Perspective, Proceedings Of the IEEE, Vol. 83, No 11, November
9. Prabha Kundur, “Power System Stability and Control”, New York: McGraw Hill, 1994.
10.S. Kalyani, K.S. Swarup, Pattern analysis and classification for security
evaluation in power networks, Electrical Power and Energy Systems 44
(2013) 547ậ560.
11.Seema Asht, Rajeshwar Dass, Pattern Recognition Techniques: A Review, International Journal of Computer Science and Telecommunications,Volume
3, Issue 8, August 2012.
12.Tong wen Wang, Lin Guan, Yao Zhang, A Modified Pattern Recognition Algorithm and Its Application in Power System Transient Stability Assessment, 2008 IEEE.
13.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) 279ậ292.
14.Yan Xu, Zhao Yang Dong, JunHuaZhao, A Reliable Intelligent System for Real-Time Dynamic Security Assessment of Power Systems, IEEE
Transactions On Power Systems, Vol. 27, No. 3, August 2012
15.A. Karami, Power system transient stability margin estimation using neural networks, Electrical Power and Energy Systems 33 (2011) 983ậ991.
16.A. Karami, Power system transient stability margin estimation using neural networks, Electrical Power and Energy Systems 33 (2011) 983ậ991.
17.M. R. Aghamohammadi , F. Mahdavizadeh , R. Bagheri, Power System Dynamic Security Classification Using Kohenen Neural Networks, 2009
IEEE.
18.S. Kalyani, K. Shanti Swarup, Study Of Neural Network Models For Security Assessment In Power Systems, International Journal of Research and
19.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.
20.M. Boudour, A. Hellal, Combined Use Of Unsupervised And Supervised Learning For Large Scale Power System Static Security Mapping, 2004
IEEE.
21.C. Pothisam S. Jiriwibhakom, Critical Clearing Time Determination of EGAT System Using Artificial Neural Networks, 2003 IEEE.
22.K. R. Niazi, C. M. Arora, S. L. Surana, Power System Security Evaluation Using ANN: Feature Selection Using Divergence, 2003 IEEE.
23.E.S. Karapidakis, N.D. Hatziargyriou, Application of Artificial Neural Networks for Security Assessment of Medium Size Power Systems, 2000
IEEE.
24.D.R. Marpaka, M. Bodruzzaman, S.S. Devgan, S.M. Aghili, S. Kari,
Neural network based transient stability assessment of electric power systems, Electric Power Systems Research 30 (1994) 251-256.
25.Wagner Peron Ferreira, Maria do Carmo G. Silveira, AnnaDiva P. Lotufo, Carlos. R. Minussi, Transient stability analysis of electric energy systems via
a fuzzy ART-ARTMAP neural network, Electric Power Systems Research 76
(2006) 466ậ475.
26.Nima Amjady, Application of a New Fuzzy Neural Network to Transient
Stability Prediction, 2005 IEEE.
27.Aleksandar M. Stankovic and Andrija T. Saric, Transient Power System Analysis With Measurement-Based Gray Box and Hybrid Dynamic Equivalents, IEEE Transactions On Power Systems, Vol. 19, No. 1, February
2004.
28.C. S. Chang, Dipti Srinivasan, A. C. Liew, Sr., A Hybrid Model For Transient Stability Evaluation Of Interconnected Longitudinal Power
Systems Using Neural Netwow Patitern Recognition Approach, IEEE
Transactions on Power Systems, Vol. 9. No. 1, February 1994.
29.P Kundur, Power system stability and control, McGraw-Hill, New York,
1994.
30.N. Amjady and S. Majedi, “Transient stability prediction by hybridintelligent system,” IEEE Trans. Power Systems, vol. 22, pp. 1275-1283, Aug. 2007. 31.L. S. Moulin, A. P. A. Silva, M. A. EI-Sharkawi, and R. J. Marks, “Sup-port
vector machines for transient stability analysis of large-scale powersystems,” IEEE Trans. Power Systems, vol. 19, pp. 818-825, May. 2004.
32.C. A. Jensen and M. A. El-Sharkawi,“Power system security assessmentusing neural networks: feature selection using Fisher discrimination,” IEEE Trans. Power Systems, vol. 16, pp. 757-763, Nov. 2001.
33.T. Jain, L. Srivastava, and S. N. Singh, “Fast voltage contingency screening using radial basis function neural network,” IEEE Trans. Power Systems, vol. 18, pp. 1359-1366, Nov. 2003.
34.K. Niazi, C. Arora, and S. Surana, “Power system security evaluation using ann: feature selection using divergence,” Electric Power Systems Research, vol. 69, pp. 161ậ167, Feb. 2003.
35.E. M. Voumvoulakis, A. E. Gavoyiannis, and N. D. Hatziargyriou, “Decisiontrees for dynamic security assessment and load shedding scheme,” IEEE PES General Meeting, 2006.
36.S. P. Teeuwsen, I. Erlich, M. A. El-Sharkawi, and U. Bachmann, “Ge-netic algorithm and decision tree-based oscillatory stability assessment,” IEEE Trans. Power Systems, vol. 21, pp. 746-753, May. 2006.
37.L. Guan, and T. W. Wang, “Power system security weak-point and ker-nel- feature identification based on hierarchical pattern recognition,” Ad-vances in Power System Control,Operation and Management Interna-tional Conference (APSCOM2006), Hong Kong, 2006.
38.M. Mohammadi and G. B. Gharehpetian, “Application of core vector machines for on-line voltage security assessment using a decision tree-based
feature selection algorithm,” IET Gen. Trans. & Dist., vol. 3, pp. 701-712, Aug. 2009.
39.K. Sun, S. Likhate, V. Vittal, V.S.Kolluri, S. Mandal, “An Online Dy-namic Security Assessment Scheme Using Phasor Measurements and Decision Trees,” IEEE Trans. Power Systems, vol. 22, pp. 1935-1943, Nov. 2007. 40.I. Kamwa, S. R. Samantaray, and G.Joos, “Development of rule-based
classifiers for rapid stability assessment of wide-area post-disturbance records,” IEEE Trans. Power Syst., vol. 24, no. 1, pp. 258ậ270, Feb. 2009. 41.N. Amjady and S. A. Banihashemi,“Transient stability prediction of power
systems by a new synchronism status index and hybrid classifier,” IET Gen. Trans. & Dist., vol. 4, pp. 509-518, 2010.
42.Quyen Huy Anh, „The applycation of pattern recognition for fast analysis of the dynamic stability of electrical power system‟, Electrical technology, No.2 pp 1-13, 1994, Perganon.
43.J. Duncan Glower, Mulukutla S. Sarma, Thomas J. Overbye, “Power System
PHU L C
PH L C 1:CH NG TRỊNH ĐÁNH GIÁ Đ CHÍNH XÁC NH N D NG C A QUÁ TRÌNH HU N LUY N M NG N -RON
% 1. Chuong trinh danh gia do chinh xac nhan dang cua qua trinh huan luyen ANN
clear all; clc;
load learn100; % tap du lieu huan luyen 240mau_199bien out=[ones(1,120) zeros(1,120)]; %tao ngo ra muc tieu Ni=10; % so luong no-ron trong lop an
p=learn100'; t=out;
% thiet lap mang no-ron truyen thang dung giai thuat lan truyen nguoc % tansig: ham truyen lop ngo vao
% purelin: ham truyen lop an % trainlm: Levenberg-Marquardt
net=newff(p,t,[Ni],{'tansig','purelin'},'trainlm'); tStart=tic; % bat dau tinh thoi gian huan luyen [net,tr] = train(net,p,t); % huan luyen ANN
tElapsed = toc(tStart); % ket thuc thoi gian huan luyen c1=net(p);
view(net);
%======================================================================== disp('Thoi gian huan luyen (giay): tElapsed = ')
disp(tElapsed)
disp('Ty le (%) phan loai chinh xac sau huan luyen = ') disp(tylephanloai_hl(c1'))
PH L C 2:CH NG TRỊNH TệNH T L HU N LUY N TRÊN T P D LI U BAN Đ U
% 2. Chuong trinh tinh ty le phan loai sau huan luyentren tap mau ban dau
function Rrate= tylephanloai_hl_full(c1); [m,n]=size(c1); S=c1(1:120,1); U=c1(121:240,1); [m1,n1]=size(S);R=R+1; end end %tileR= (R/m1)*100; Wr=0;
if U(i,1)<=0.2 Wr=Wr+1; end end Rrate=((R+Wr)/m)*100; R=0; for i=1:m1 if S(i,1)>=0.8
PH L C 3:CH NG TRỊNH TệNH T L PHÂN LO I SAU HU N LUY N TRÊN T P M U BAN Đ U
% 3. Chuong trinh tinh ty le phan loai sau huan luyentren tap mau ban dau
function Rrate= tylephanloai_hl_full(c1); [m,n]=size(c1); S=c1(1:100,1); U=c1(101:200,1); [m1,n1]=size(S);R=R+1; end end %tileR= (R/m1)*100; Wr=0; for i= 1: m1 if U(i,1)<=0.2 Wr=Wr+1; end end Rrate=((R+Wr)/m)*100; R=0; for i=1:m1 if S(i,1)>=0.8
PH L C 4: CH NG TRỊNH TệNH T L PHÂN LO I SAU KI M TRA TRÊN T P M U KI M TRA
% 4. Chuong trinh tinh ty le phan loai sau kiem tra tren tap mau kiem tra
function Rrate= tilephanloai_kt(c); [m,n]=size(c); S=c(1:20,1); U=c(21:40,1); [m1,n1]=size(S); R=0; for i=1:m1 if S(i,1)>=0.8 R=R+1; end end %tileR= (R/m1)*100; Wr=0; for i= 1: m1 if U(i,1)<=0.2 Wr=Wr+1;
end end
Rrate=((R+Wr)/m)*100;
PH L C 5: CH NG TRỊNH ĐÁNH GIÁ Đ CHÍNH XÁC NH N D NG TRÊN T P M U HU N LUY N VÀ KI M TRA 1
% 5. Chuong trinh danh gia do chinh xac nhan dang tren tap huan luyen va