7.2.1 Nhận dạng qua các đặc trưng năng lượng:
- Nguời viết đã thực hiện phương pháp nhận dạng và phân loại bằng cách sử dụng phần mềm mô phỏng quá độ ATP–EMTP và các hàm toán học trong phần mềm Matlab6.5 để tạo ra sóng sin chuẩn (tần số 50Hz, biên độ 1pu) và sáu tín hiệu méo dạng quá độ. Các tín hiệu này gồm: mất điện tạm thời, đóng cắt tụ, võng điện áp, tăng điện áp, méo họa tần và nhấp nháy điện áp. Các tín hiệu này được chuyển sang dữ liệu rời rạc (tập tin *.mat) thông qua biến đổi wavelets với hàm ‚db4‛.
- Thành phần chi tiết của phân tích wavelets 3 cấp và 13 mức phân bố năng lượng của sóng sin chuẩn được biểu diễn trên hình 7.3 và 7.4.
Trong hình 7.3 , trục X biểu diễn các điểm lấy mẫu của tín hiệu, trục Y biểu diễn biên độ tín hiệu.
Trong hình 7.4 , trục X là các mức phân tích và trục Y là mức năng lượng. Không quan tâm thời gian xảy ra nhiễu loạn vì sóng sin chuẩn không bị méo. - Tương tự, các hình vẽ 7.5 – 7.16 biểu diễn các thành phần chi tiết của phân tích wavelets 3 cấp và 13 mức phân bố năng lượng của các tín hiệu méo dạng còn lại.
Trong trường hợp méo họa tần và nhấp nháy điện áp, thời gian xảy ra nhiễu loạn được đặt rất nhỏ (0.0001s) vì các méo dạng sóng này mang tính chu kỳ.
Hình 7.3: Sóng sin chuẩn và phân tích wavelets 3 cấp
Hình 7.5: Dạng sóng võng điện áp và phân tích wavelets 3 cấp
Hình 7.7: Dạng sóng tăng điện áp và phân tích wavelets 3cấp
Hình 7.9: Dạng sóng méo họa tần và phân tích wavelets 3 cấp
Hình 7.11: Dạng sóng nhấp nháy điện áp và phân tích wavelets 3 cấp
Hình 7.3: Dạng sóng mất điện tạm thời và phân tích wavelets 3 cấp
Hình 7.15: Dạng sóng đóng cắt tụ điện và phân tích wavelets 3 cấp
- Từ các hình vẽ 7.2 – 7.16, có thể đưa ra 3 đặc tính của đồ thị phân bố năng lượng các tín hiệu méo dạng. Những đặc tính này dùng làm cơ sở cho việc phân loại các hiện tượng quá độ.
Khi xảy ra võng điện áp, tăng điện áp hoặc mất điện tạm thời thì các thành phần P6D , P7Dvaø P8Dsẽ thay đổi lớn.
Khi xảy ra quá độ tần số cao như đóng cắt tụ, méo họa tần thì các thành phần P3D , P4D và P5D có sựthay đổi rỏ ràng.
Khi xảy ra quá độ tần số thấp thì các thành phần P9D , P10D vaø P11D sẽ thay đổi rỏ.
Các đặc tính này cũng là lý do để người thực hiện chọn phân tiùch DWT 13 cấp. Nếu phân tích cấp thấp hơn thì dữ liệu sẽ giảm bớt nhưng không biểu diễn được các thay đổi tần số thấp.
- Để quan sát rỏ hơn sự khác biệt trong phân bố năng lượng của các tín hiệu méo dạng, có thể biểu diễn phân bố năng lượng của 7 tín hiệu trên cùng một đồ thị 3 chiều như hình vẽ 7.17. 1 2 3 4 5 6 7 0 5 10 15 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Hình 7.17: Biểu diễn 3D của phân bố năng lượng các tín hiệu
Trong đó:
1: Pure Sin 2: Voltage Sag 3: Voltage Swell 4: Harmonic
V A ÊN T Ố T NG HIỆ P 62 C HÍ M INH 30 – 0 8 – 2 00 5
Bảng 7.1: Đặc trưng năng lượng và thời gian của các tín hiệu quá độ
Loại Ngả ra tín hiệu P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 t mẫu SIN 0.0000 0.0000 0.0001 0.0003 0.0043 0.0562 0.4232 0.5517 0.0839 0.1576 0.2818 0.1413 0.1717 0.0001 1 SAG 0.0001 0.0005 0.0008 0.0019 0.0067 0.0542 0.3820 0.4884 0.0565 0.0412 0.0144 0.0040 0.0046 0.0835 2 SW 0.0001 0.0004 0.0007 0.0019 0.0070 0.0632 0.4532 0.6151 0.0583 0.0271 0.0214 0.0134 0.0047 0.0835 3 HAR 0.0002 0.0012 0.0094 0.0451 0.0268 0.0540 0.3879 0.5131 0.0487 0.0262 0.0148 0.0076 0.0078 0.0001 4 FL 0.0001 0.0005 0.0007 0.0020 0.0067 0.0590 0.4221 0.5549 0.1329 0.1005 0.0493 0.0037 0.0207 0.0001 5 INT 0.0002 0.0005 0.0010 0.0021 0.0082 0.0547 0.3620 0.4641 0.0705 0.0541 0.0143 0.0097 0.0046 0.1163 6 CAP 0.0001 0.0004 0.0008 0.0035 0.0263 0.0821 0.4576 0.6049 0.0559 0.0284 0.0153 0.0050 0.0089 0.0667 7
7.2.2 Mẫu huấn luyện và nhận dạng tự động:
- Mạng PNN được chọn từ hộp công cụ Neural Networks Toolbox trong Matlab6.5. Toàn bộ chương trình được viết bằng ngôn ngữ Matlab.
- Các mẫu huấn luyện của mạng PNN được định dạng theo bảng 7.1. Mỗi dữ liệu huấn luyện mạng gồm 13 giá trị năng lượng P1D , P2D , . . . , P13D của mỗi tín hiệu méo dạng, 01 thời gian xảy ra nhiễu và 01 loại mong muốn. - Vì thời gian xảy ra các quá độ mang tính tương đồng giữa Voltage Sag,
Swell, Interruption, Capacitor Switching hoặc giữa Voltage Flicker, Harmonic nên người thực hiện nhận thấy có thể bỏ qua thông số về thời gian để đơn giản bài toán phân loại. Dựa vào đó, mạng được chọn có số lượng mẫu của lớp vào là 13 và của lớp ra là 7.
- Do độ lớn biên độ méo dạng, thời điểm và khoảng thời gian xảy ra một cách ngẫu nhiên của các tín hiệu quá độ trên hệ thống, nên người thực hiện đã tạo ra 10 dạng sóng điện áp bất kỳ đối với mỗi tín hiệu méo dạng đã cho. Các tín hiệu này có sự khác biệt về thời điểm và khoảng thời gian xảy ra, về độ lớn biên độ so với đặc tính của tín hiệu méo dạng như các mẫu huấn luyện.
- Như vậy sẽ có 70 tín hiệu méo được tạo ra (kể cả sóng sin chuẩn). Sử dụng các phương trình (6.5) – (6.7) sẽ nhận được những đặc trưng của các tín hiệu méo dạng này. Chúng được sắp xếp theo dạng trong bảng 7.1 để làm các mẫu huấn luyện cho mạng PNN. Mạng PNN sẽ được huấn luyện lần lượt với 35 và 70 mẫu. (adsbygoogle = window.adsbygoogle || []).push({});
- Để thử nghiệm phương pháp thực hiện, người viết cũng tạo ngẫu nhiên 21 dạng sóng điện áp méo dạng đối với 7 loại tín hiệu trên để đưa vào cho hệ thống phân tích và nhận dạng tự động. Kết quả thử nghiệm được cho trên bảng 7.2. Theo kết quả này, khi huấn luyện với 35 mẫu thì độ chính xác phân loại là 81%. Khi số mẫu huấn luyện tăng lên 70 thì độ chính xác đạt được 90.5%. Rỏ ràng càng có nhiều mẫu huấn luyện thì độ chính xác càng tăng. Bảng 7.2 cũng cho biết thời gian học và thử với các mẫu mới của mạng.
- Mạng PNN có thời gian học rất ngắn nên phương pháp này phù hợp cho việc xử lý trong thời gian thực khi kết hợp với một bộ ghi nhận tín hiệu số.
Chương trình được thực hiện trên máy Notebook PIII 650MHz, 192MB RAM.
Số mẫu huấn luyện 35 70
Số mẫu thử nghiệm 21 21
Số mẫu đúng 17 19
Độ chính xác 80.9% 90.5%
Thời gian thử (s) 0.02 0.03
Bảng 7.2: Kết quả thử nghiệm nhận dạng
7.3. TẠO GIAO DIỆN NGƯỜI DÙNG:
Để thực hiện công việc nhận dạng và phân loại, người sử dụng phải lưu tập tin chứa dữ liệu của tín hiệu cần phân loại vào máy tính và sử dụng các câu lệnh phân tích trên Matlab. Cách này sẽ gây khó khăn và làm mất nhiều thời gian của người sử dụng, đồng thời khó quan sát kết quả. Do đó, người viết thực hiện thêm một giao diện cho người sử dụng. Giao diện này được thực hiện bằng công cụ GUI (Graphic User Interface) của Matlab.
Khi đó, người sử dụng chỉ thao tác trên các nút nhấn để chọn lựa tín hiệu và các lệnh phân tích. Đặc biệt kết quả phân tích sẽ được hiển thị trên một cửa sổ trên giao diện tạo thuận lợi để quan sát.
7.3.1. Giới thiệu về GUI:
Sử dụng lệnh ‘guide’ để bắt đầu với tạo giao diện, Matlab mở ra hộp thoại yêu cầu chọn tạo mới GUI hoặc mở GUI có sẵn, như hình 7.18.
Hình 7.18: Bắt đầu với GUI
Giả sử chọn tạo mới GUI. Sau khi chọn lưu tên tập tin *.fig (vd: LVTN.fig) Matlab sẽ mở ra màn hình tạo giao diện như hình 7.19.
Tạo mới GUI
Hình 7.19: Màn hình tạo giao diện
Kéo chọn các thành phần chức năng vào cửa sổ làm việc để tạo ra giao diện theo yêu cầu. Các thành phần này bao gồm:
- Push button: nút này sẽ tạo ra một tác động khi nó được nhấn. Khi được Click thì nút này nhấn xuống, khi thả ra thì nó trở lại trạng thái ban đầu. - Radio button: tương tự như Check box, nhưng nút này làm việc theo cách chỉ
cho phép lựa chọn một trong một nhóm các Radio button. Muốn chọn nút nào thì Click vào nút đó.
- Edit text: dùng để nhập số liệu vào.
- Slider: cho phép người dùng di chuyển thanh trượt để chọn một số trong dãi số cho trước.
- List box: biểu diễn một danh sách các phần tử và cho phép người dùng chọn một trong các phần tử này.
- Toggle button: tạo ra một tác động và cho biết một trạng thái nhị phân khi nó được nhấn. Khi được Click thì nút này nhấn xuống và vẫn còn nhấn xuống khi thả ra. Nó sẽ trở về trạng thái ban đầu khi được Click một lần nữa. - Check box: khi được Click nó sẽ tạo ra một tác động và chỉ ra trạng thái của
nó được chọn hay không chọn.
- Static text: thường dùng để đặt nhãn cho các điều khiển, đưa ra các hướng dẫn cho người dùng hoặc cho biết các giá trị được kết hợp với một Slider. - Frame: là một vùng bao quanh của một cửa sổ, làm cho người dùng hiểu rỏ
hơn bằng cách nhóm các nhóm lệnh liên quan nhau.
Push button Radio button Edit text Popup menu Slider Axes Frame Static text Check box Toggle button List box
- Popup menu: biểu diễn một danh sách cáclựa chọn khi người dùng nhấn vào mũi tên. Bình thường, nó cho thấy lựa chọn hiện tại. (adsbygoogle = window.adsbygoogle || []).push({});
- Axes: dùng để vẽ đồ thị trong giao diện.
Hình dạng các thành phần chức năng được biểu diễn trên hình 7.20.
Sau khi lựa chọn và đặt các thành phần này vào vị trí thích hợp trong cửa sổ làm việc, người sử dụng sẽ viết các chương trình kích hoạt từng thành phần để giao diện có thể hoạt động theo yêu cầu.
Hình 7.20: Các nút chức năng của GUI
7.3.2. Phân tích và Nhận dạng tín hiệu trên giao diện: Giới thiệu về giao diện: Giới thiệu về giao diện:
Giao diện người dùng (có tên là NHAN DANG) được tạo ra như hình 7.21. Giao diện này gồm có các nút chức năng sau:
- Một Static_Text dùng hiển thị tiêu đề: PHÂN TÍCH WAVELETS và NHẬN
DẠNG QUÁ ĐỘ TRÊN HỆ THỐNG ĐIỆN BẰNG MẠNG NƠRON
- Hai Push_Button dùng kích hoạt chương trình PHÂN TÍCH và NHẬN DẠNG các dạng sóng quá độ.
- Hai Static_Text cho biết Loại và Thời gian (s) của tín hiệu cần phân loại.
- Hai Static_Text tên KẾT QUẢ PHÂN TÍCH và KẾT QUẢ NHẬN DẠNG.
- Hài Edit _Text hiển thị kết quả nhận dạng: tên và thời gian xảy ra quá độ. - Hai Push_Button dùng chọn NHẬP dữ liệu hoặc THOÁT khỏi chương trình. - Một Popup_Menu cho phép lựa chọn dữ liệu của cần nhận dạng.
- Hai Axes dùng vẽ dạng sóng của tín hiệu sau khi phân tích. Các dạng sóng này gồm biểu diễn biên độ theo thời gian và biểu diễn năng lượng của 13 mức phân tích wavelets.
Hình 7.21: Giao diện người dùng
Thực hiện phân loại trên giao diện:
Để thực hiện việc phân tích và nhận dạng các hiện tượng quá độ trên hệ thống điện, cần có tập tin dạng *.mat chứa các dữ liệu quá độ. Dữ liệu này có được từ các mạch mô phỏng dạng sóng quá độ trong phần mềm ATP, sau đó được tập hợp trong Popup_Menu với các tên từ Data1 đến Datan.
Các bước thực hiện:
- Chọn dữ liệu cần nhận dạng trong các dữ liệu Data1 . . . Datan. - Click vào nút Nhập để đưa dữ liệu vào chương trình nhận dạng.
- Click nút PHÂN TÍCH để thực hiện phân tích wavelets 13 mức và vẽ dạng sóng cũng như biểu diễn năng lượng của dữ liệu.
- Giả sử chọn dữ liệu Data6, sau khi nhập và chọn lệnh phân tích sẽ thu được kết quả như hình 7.22.
- Sau đó, muốn nhận dạng xem Data6 là loại quá độ nào phải Click chọn nút NHẬN DẠNG để thực hiện việc phân loại dữ liệu này. Kết quả nhận dạng như trên hình 7.23.
Như vậy, theo kết quả trên hình 7.23 thì Data6 là loại mất điện tạm thời Voltage Interruption, với thời gian xảy ra là 0.08304s.
Hình 7.22: Kết quả phân tích dữ liệu Data6
Chương 8
KẾT LUẬN
8.1. KẾT LUẬN:
Sau thời gian 6 tháng, người viết đã hoàn thành đề tài đặt ra, đó là trình bày lý thuyết và thực nghiệm về một phương pháp mới dùng để nhận dạng các hiện tượng quá độ trên hệ thống điện. Phương pháp này dựa vào kỹ thuật phân tích wavelets MRA và mạng nơron xác suất PNN.
Đề tài này đã giới thiệu một mô hình dùng để phân loại tự động các tín hiệu nhiễu loạn bằng mạng nơron kết hợp phân tích wavelets. Phương pháp đề xuất đã giảm được đáng kể số lượng các đặc trưng của tín hiệu méo dạng mà không làm mất đi đặc tính của chúng. Vì vậy phương pháp này đã giảm được yêu cầu về bộ nhớ và thời gian tính toán cho việc phân loại các hiện tượng quá độ. Nhờ đó người vận hành hệ thống có thể đưa ra các xử lý kịp thời khi có sự cố.
Kết quả thử nghiệm cho thấy phương pháp này có khả năng nhận dạng và phân loại nhiều loại nhiễu loạn khác nhau một cách hiệu quả.
Bằng giao diện trực quan trên máy tính, người sử dụng có thể thao tác dễ dàng trong việc thử nghiệm mô hình nhận dạng và phân loại này. (adsbygoogle = window.adsbygoogle || []).push({});
8.2. HƯỚNG PHÁT TRIỂN ĐỀ TAØI:
Cho dù có nhiều cố gắng nhưng người viết vẫn chưa thực hiện hoàn chỉnh một bộ phân loại tự động đáp ứng các yêu cầu thực tế. Do đó, người viết mong muốn có điều kiện phát triển đề tài theo hướng ứng dụng thực tế. Đó là có thể dùng một bộ ghi nhận số gắn trên hệ thống điện để ghi lại các sự cố xảy ra và đưa vào máy tính cho hệ thống nhận dạng và phân loại sự cố.
Ngoài ra đề tài còn có thể phát triển theo hướng phân biệt nhiều dạng khác nhau trong cùng một loại sự cố, chẳng hạn như phân biệt nhiều dạng đóng cắt tụ điện khác nhau trên hệ thống điện.
Cuối cùng, dựa vào 7 dạng sóng mô phỏng nêu trên sẽ có thể phát triển thêm đầy đủ các dạng sóng méo dạng của tất cả các hiện tượng quá độ xảy ra trên hệ thống điện.
TAØI LIỆU THAM KHẢO
[1] Quyen Huy Anh, ‚ The Application of Pattern Recognition Methods for Fast
Analysis of The Dynamic Stability of Electrical Power System‛, Electrical
Technology, No.2, 1994.
[2] Bùi Công Cường và Nguyễn Doãn Phước, Hệ mờ – Mạng nơron và Ứng dụng, NXB Khoa Học và Kỹ Thuật, 2001.
[3] Nguyễn Hoàng Hải, Công cụ phân tích Wavelets và ứng dụng trong Matlab, NXB Khoa học kỹ thuật, 2005.
[4] Phan Xuân Minh và Nguyễn Doãn Phước, Lý thuyết Điều khiển Mờ, NXB Khoa Học và Kỹ Thuật, 2004.
[5] Nguyễn Đình Thúc, Mạng Nơron Phương pháp và Ứng dụng, NXB Giáo Dục, 2000.
[6] Đỗ Trung Tuấn, Hệ Chuyên gia, NXB Giáo Dục, 1999.
[7] Nguyễn Thiện Thành, Mạng Nơron: Nhận Dạng Dự Báo và Điều Khiển, ĐH Bách Khoa TPHCM, 2001.
[8] Duc Truong Pham and Liu Xing, Neural Networks for Identification Prediction and Control, Springer-Verlag London Ltd, 1997.
[9] B.Perunicic, M.Mallini, Z.Wang and Y.Liu, ‚Power Quality Disturbance
Detection and Classification Using Wavelets and Artifical Neural Networks‛,