1. Dùng mạng truyền ngược, giải thuật truyền ngược mô phỏng hoạt động của bộđiều khiển dòng tại đầu chỉnh lưu huấn luyện mạng bằng phương pháp tối ư u
104 Hình 4.18 C ấ u trúc m ạ ng theo hàm toán h ọ c
Sai sốđầu ra E = T – A2 Trong đó: T : Mẫu đầu ra mong muốn A2 : đầu ra của lớp ẩn Sai số bình phương trung bình là:
Trong đó: R: Số lượng mẫu
Quá trình huấn luyện là quá trình hiệu chỉnh các trọng số sao cho sai số bình phương trung bình giảm dần. Kết quả hội tụđược cho là SSE ≤ 0.01. Phương pháp huấn luyện ởđây là truyền ngược theo gadient descent.
Cấu trúc của mạng được mô tả như sau: Gồm một lớp đầu vào, một lớp đầu ra và hai lớp ẩn được xây dựng và huấn luyện mạng bằng chương trình Matlap
Sau khi mạng được thử nghiệm nhiều lần với các thông số cấu trúc thay đổi khác nhau và được kết quả tốt nhất được chọn như sau:
- Lớp ẩn 1 gồm 50 neuron có hàm kích hoạt là tansig - Lớp ẩn 2 gồm 40 neuron có hàm kích hoạt là tansig - Lớp đầu ra có một neuron có hàm kích hoạt là purelin. - Bước học = 0.05
- Hệ số tăng tốc = 0.95
- Số lượng mẫu đưa vào huấn luyện trên 1000 mẫu (Xem bảng mẫu theo phụ
lục). R A T SSE R j j j ∑ = − = 1 2 ) (
105
Hình 4.19 Giải thuật chi tiết huấn luyện mạng điều khiển dòng hằng Các tạo mẫu đểđưa vào huấn luyện (Xem phần phụ lục liệt kê chi tiết) Bảng kết quả huấn luyện và đồ thị biểu diễn quá trình huấn luyện mạng được biểu diễn như sau:
106
Hình 4.21 Bảng hiển thị các thông số sau khi huấn luyện
Hình 4.22 Bảng hiển thị sai số sau khi huấn luyện Nhận xét hình vẽ:
- Phương pháp huấn truyền ngược theo LMM đưa sai số trung bình phương lên
đến 10-6 và có thể hơn thế nữa.
- Quá trình huấn luyện nhanh hơn, biến thiên đều và ít có dao động.
- Hình dạng của quá trình biến thiên đầu ra mong muốn và tập mẫu thực tế đưa vào huấn luyện là rất giống nhau.
Sau khi chọn mẫu và quá trình huấn luyện mạng được ngõ ra mong muốn, ta tiến hành đưa mạng neuron (vừa huấn luyện) vào mô hình bằng chương trình Matlap.
107
Giới thiệu mô hình trong Matlap như sau:
Hình 4.23 Sơđồ truyền tải điện HVDC Trung Quốc – Việt Nam
Giải thích các khối trong mô hình
Khối nguồn hệ thống và nối song song với khối RLC Dùng để truyền hệ thống 1000MW (500kV, 2kA) DC, để
truyền nguồn từ hệ thống 500kV, 6000MVA, 50Hz đến hệ
thống 500kV, 4000MVA, 50Hz.
Khối cung cấp bộ lọc AC để ngăn cản dòng sóng hài bậc lẻ
từ bên ngoài hệ thống AC và còn có chứn năng bù công suất phản kháng cho bộ chỉnh lưu.
Trạm chuyển đổi phía chỉnh lưu dùng để chuyển đổi từ điện áp AC sang DC và truyền trên đường dây DC. Khối này bao gồm 01 máy biến áp DC 1200MVA và bộ chuyển đổi 12 xung, dùng 2 khối cầu đa năng (Universal) mắc nối tiếp nhau.
108
Trạm chuyển đổi phía nghịch lưu dùng để chuyển đổi từ điện áp DC sang AC. Khối này bao gồm 01 máy biến áp DC 1200MVA và bộ chuyển đổi 12 xung, dùng 2 khối cầu đa năng (Universal) mắc nối tiếp nhau.
Khối này dùng đểđiều khiển và bảo vệ phía chỉnh lưu khối này có nhiều khối con, khối này là khối điều khiển chính của trạm phía chỉnh lưu.
Khối này dùng để phát dòng qui chiếu cho hai bộ
chuyển đổi, khởi động và dừng truyền tải công suất DC trên hệ
thống.
Khối này dùng đểđiều khiển và bảo vệ phía chỉnh lưu, trong khối này có nhiều khối con, khối này là khối điều khiển chính của trạm phía nghịch lưu.
Khối hiển thị các tín hiệu đo đếm phía chỉnh lưu và nghịch lưu, hiển thị bằng dạng Scope bao gồm như: Điện áp, dòng điện xoay chiều, điện áp, dòng điện một chiều ngõ ra và tham chiếu, ngõ ra góc kích phía chỉnh lưu và nghịch lưu, tín hiệu bảo vệ…
Đường dây DC, dùng để truyền công suất từ phía chỉnh lưu tới nghịch lưu hoặc ngược lại nếu là đường dây lưỡng cực.
109
Hai máy cắt sự cố: Một phía bộ chỉnh lưu DC và một phía chuyển đổi AC.
Thay thế khối điều khiển theo lối truyền thống bằng mạng neuron
Khối điều khiển truyền thống
Hình 4.24 Khối điều khiển phía chỉnh lưu Khối điều khiển bằng mạng neuron (Neural Network)
110
Kết quả điều khiển HVDC theo truyền thống phía chỉnh lưu như sau:
Hình 4.26 Kết quả mô phỏng theo phương pháp truyền thống
Giải thích về mô hình này như sau:
Mô hình này được khởi động và đạt trạng thái ổn định. Bộ chuyển đổi máy phát xung được (do khối điều khiển chính) kích hoạt và công suất truyền bắt đầu bởi độ
dốc dòng qui chiếu ở t = 20 ms. Mức độ qui chiếu đạt được giá trị lớn nhất của 0.1 p.u. trong 30 ms. Quan sát ởđó dòng một chiều bắt dầu đuợc xây dựng và đuờng dây DC
đuợc mang tên diện áp của nó.
Ở tại thời điểm t = 40 ms, dòngqui chiếu thay đổi từ 1 p.u. (2 kA) trong 18 ms (5 p.u./s). Dòng một chiều thu đuợc ở trạng thái tĩnh sự kết thúc của chuổi bắt đầu tương ứng 0.58 s. Bộ chỉnh lưu điềukhiển dòng và bộ nghịch lưu điều khiển áp.
111
Ở tại thời điểm t = 70 ms, buớc nhảy là -0.2 p.u. đuợc cấp trong suốt 10 ms để
dòng qui chiếu ta quan sát được tác động của máy điều chỉnh dòng..
Ở tại thời điểm t = 1.4s trạng thái dừng đươc bắt đầu bởi dốc dòng đi xuống tới 0.1 pu.
Ở tại thời điểm t = 1.6 s Góc kích cưỡng bức (Forced-alpha) ở bộ chỉnh lưu làm tắt dòng.
Kết quả mô phỏng theo mạng neuron phía chỉnh lưu như sau:
Hình 4.27 Kết quả mô phỏng huấn luyện mạng Neuron
Nhận xét giữa phương pháp truyền thống và dùng mạng Neuron:
Các kết quả thử nghiệm và so sánh hai kết quả với các thông số đầu vào giống nhau, kết quả mô phỏng bằng mạng neuron cho kết quả một cách đáng ngạc nhiên khi sử dụng mạng neuron.
112
- Kết quả sai số giữa đầu ra mong muốn và đầu ra mong muốn phụ thuộc từng vùng đối với mẫu thử nghiệm được trích ra từ mẫu huấn luyện.
- Quá trình huấn luyện mạng Perceptron bằng phương pháp truyền ngược LMM rất nhanh kết quả thu được rất tốt.
- Thời gian đáp ứng của mạng neuron là thời gian thực.
- Sai số rất thấp, gần như không có (So sánh giữa dòng tham chiếu (Iref) và dòng ngõ ra của tín hiệu (Id). Giá trị sai số bình phương rất lý tưởng lên tới 10-6, phù hợp với lý thuyết (SSE≤0.01).
- Tín hiệu dòng ổn định hầu như không có dao động như phương pháp điều khiển truyền thống.
- Vùng sai số nhỏ nhất là vùng vận hành với góc kích từ 50 tới 350 là vùng vận hành bình thường ổn định của hệ thống điều khiển dòng hằng.
Như vậy việc áp dụng mạng Neuron để mô phỏng điều khiển góc kích của trạm chỉnh lưu HVDC là hoàn toàn có thể thực hiện được với kết quả rất khả quan.
Bài toán điều khiển góc kích có thể phát triển lên thành bài toán điều khiển chung cho cả trạm chỉnh lưu và nghịch lưu bằng cách thêm những biến đổi nấc máy biến áp. Tuy nhiên bài toán này phức tạp vì số lượng nấc chuyển của biến đổi nấc máy biến áp trạm HVDC khác nhiều. Để giải quyết bài toán này cần phải phối hợp giữa điều chỉnh nhuyễn cho góc kích và điều khiển rời rạc cho bộ đổi nấc máy biến áp, điều này chỉnh thực hiện được khi áp dụng kỹ thuật điều khiển mờ và mạng Neuron mờ.
113
CHƯƠNG 5