Kết quả cho thấy các giá trị góc đóng cắt thu được ít bị nhiễu hơn so với trường hợp dùng mã nhị phân thành phần điện áp cơ bản cũng bám sát quỹ đạo tuyến tính hơn so với trường hợp trên. Có thể thấy, việc ứng dụng mã Gray thay cho mã nhị phân trong trường hợp này mang lại hiệu quả rõ rệt. Tuy nhiên, vấn đề thời gian tính toán chậm sẽ tiếp tục được nghiên cứu và cải thiện và trình bày trong các phần tiếp theo.
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng
4.2 Kết quả mô phỏng với phương pháp GWO
Khảo sát sự thay đổi góc kích khi tỉ số điều biên thay đổi từ 0.01 đến 1 với giải thuật GWO:
Hình 4.5: Góc kích thay đổi khi tỉ số điều biên thay đổi từ 0.01 đến 1 ứng với phương pháp GWO
Trong khoảng tỉ số điều biên nhỏ hơn 0.3, giải thuật này không tìm được giá trị tối ưu, các giá trị bị nhiễu kéo theo điện áp trong khoảng giá trị này không tuyến tính. Nhưng trong những khoảng tỉ số điều biên khác, các giá trị góc kích bám sát quỹ đạo với ít điểm nhiễu. Bên cạnh đó, GWO cho thấy ưu điểm là khối lượng tính toán ít, thời gian tính toán nhanh.
4.3 So sánh kết quả mô phỏng giữa GA với GWO
Tính hiệu quả của 2 phương pháp GA và GWO sẽ được đánh giá thông qua các chỉ tiêu: thời gian chạy, tốc độ hội tụ, giá trị sóng hài của điện áp đầu ra và xét về mức độ hội tụ trên từng khoảng tỉ số điều biên khi chạy từ 0.01 đến 1.
4.3.1 Đánh giá về mặt sóng hài
Đồ thị dưới đây biểu thị giá trị các góc kích thay đổi khi thay đổi tỉ số điều biên từ 0.01 đến 1 ứng với phương pháp GA và GWO được so sánh cùng điều kiện ban đầu. (cùng số vòng lặp, cùng kích thước quần thể).
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng
a. Sự thay đổi giá trị góc đóng cắt của khối điều khiển bộ nghịch lưu theo tỉ số điều
biên khi áp dụng giải thuật GA
b. Sự thay đổi giá trị góc đóng cắt của khối điều khiển bộ nghịch lưu theo tỉ số điều
biên khi áp dụng giải thuật GWO
Hình 4.6: So sánh giải thuật GA và GWO khi tỉ số điều biên thay đổi từ 0.01 đến 1
Quỹ đạo thành phần alpha1 và alpha2 từ giải thuật GWO bị phân tán và không tuân theo quỹ đạo như kết quả từ giải thuật GA khi tỉ số điều biên nhỏ hơn 0.3. Tuy nhiên, với khoảng tỉ số điều biên trên 0.3 quỹ đạo của các giá trị góc đóng cắt từ giải thuật GA lại tồn tại nhiều điểm nhiễu lệch khỏi quỹ đạo.
Về mặt điện áp ngõ ra, thành phần điện áp cơ bản đầu ra của GA (Hình 4.7a) và GWO (Hình 4.7b) cho thấy một số đánh giá như sau:
- Khi tỉ số điều biên thay đổi từ 0.01 đến 0.3, GWO cho thành phần điện áp cơ bản dao động nhiều quanh quỹ đạo tuyến tính (đường màu vàng) và gần như lệch hẳn về phía trên quỹ đạo này, trong khi đó, quỹ đạo điện áp cơ bản từ giải thuật GA cho thấy mức độ sai lệch khỏi quỹ đạo là nhỏ hơn và ít dao động hơn.
- Khi tỉ số điều biên thay đổi từ 0.3 đến 1, cả hai giải thuật cho giá trị điện áp cơ bản bám sát quỹ đạo tuyến tính.
- Mức độ sai lệch của quỹ đạo điện áp quanh đường thẳng tuyến tính được xác định bằng giá trị R2 và RMSE, kết quả cũng cho thấy R2 của GA (0.9978) là lớn hơn GWO (0.9937) và RMSE của GA(0.1899) nhỏ hơn GWO (0.3053) càng chứng tỏ rằng GA bám sát quỹ đạo lý tưởng hơn.
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng
a. Thành phần điện áp cơ bản của bộ nghịch lưu khi áp dụng giải thuật điều
khiển GA
b. Thành phần điện áp cơ bản của bộ nghịch lưu khi áp dụng giải thuật
điều khiển GWO
Kết quả mô phỏng trong mô hình simulink của bộ nghịch lưu ghép tầng 11 bậc trong báo cáo cho độ méo dạng sóng hài của 2 phương pháp ứng với tỉ số điều biên khác nhau được tổng hợp lại như bảng sau:
Bảng 4.1: So sánh về tổng độ méo dạng sóng hài (THD) của GA và GWO khi cùng số vòng lặp và tỉ số điều biên ma GA(%) GWO(%) 0.1 32.39 40.21 0.15 29.93 28.05 0.2 24.45 24.47 0.25 14.98 14.09 0.3 16.43 17.75 0.35 13.15 13.15 0.4 11.56 11.56 0.45 8.18 8.18 0.5 10.92 8.18 0.55 8.11 8.11 0.6 4.7 4.63 0.65 5.21 5.21 0.7 4.74 6.72 0.75 5.03 5.03 0.8 5.96 7.27 0.85 3.34 3.34 0.9 5.47 5.92 0.95 3.39 4.37 1 3.91 3.91
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng
Hình 4.7: So sánh THA% của 2 phương pháp khi tỉ số điều biên thay đổi từ 0.01-1
Kết quả thống kê cho thấy GA và GWO cho giá trị THD(%) tương tự nhau, dao động quanh giá trị 5% khi tỉ số điều biên lớn hơn 0.6. Tuy nhiên trong khoảng giá trị này, GA lại cho giá trị THD(%) tương đối thấp hơn so với giá trị tương ứng của giải thuật GWO.
Khi tỉ số điều biên nhỏ hơn 0.6, 2 phương pháp đều cho giá trị THD(%) tương đối lớn, trong khi GWO có giá trị THD(%) lớn nhất là 40.21% khi tỉ số điều biên bằng 0.1 thì GA có giá trị THD(%) nhỏ hơn là 32.39%. Theo tiêu chuẩn IEC 61000, quy định về sóng hài và giới hạn sóng hài cho các cấp điện áp tương ứng, đối với cấp điện áp phân phối 400kV, mức THD(%) cho phép là 5%. Như vậy 2 phương pháp tồn tại các vùng tỉ số điều biên thỏa mãn điều kiện là 0.6, 0.85 và [0.95,1].
Từ Hình 4.8 có thể thấy, đường màu xám biểu diễn THD(%) theo tỉ số điều biên của phương pháp GWO và đường màu cam biểu diễn THD(%) theo tỉ số điều biên của phương pháp GA. Về tổng quát:
(1) Nhìn chung khi tỉ số điều biên thay đổi, giá trị THD(%) của cả 2 phương pháp cho kết quả tương tự nhau.
(2)Khi ma>0.6, giá trị THD(%) của 2 phương pháp dao động quanh mức 5%. Và ngược lại, khi ma ≤ 0.6 giá trị THD(%) của 2 phương pháp tăng dần từ 8 đến khoảng 40%.
Như vậy, xét về mặt sóng hài, GA và GWO cho kết quả tương tự nhau, tuy nhiên, GA có những ưu điểm hơn so với GWO trong những khoảng tỉ số điều biên là [0.6,1]. Bên cạnh đó, GA cho thành phần điện áp cơ bản bám sát quỹ
0 10 20 30 40 50 THD(%) GA GWO
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng đạo lý tưởng với sai lệch nhỏ hơn GWO với giá trị góc đóng cắt ít bị dao động hơn với tỉ số điều biên nhỏ hơn 0.3.
4.3.2 Đánh giá về mặt thời gian
Mặc dù cho thấy một số ưu thế về mặt sóng hài và giá trị điện áp cơ bản, tuy nhiên về khía cạnh thời gian thực thi GA phải thực hiện các quá trình mã hóa và giải mã trong các vòng lặp, việc này làm thời gian thực thi của phương pháp GA lớn hơn rất nhiều so với GWO. GWO có khối lượng tính toán ít hơn (do không trải qua các bước hoán đổi, đột biến, và các phép mã hóa dữ liệu) nên thời gian chạy nhanh hơn so với giải thuật GA, bảng so sánh về mặt thời gian được trình bày như bảng sau, ứng với số vòng lặp lần lượt là 250,300,350 và 400.
Trung bình, giải thuật GA-encoded có thời gian thực thi gấp hơn 27 lần so với giải thuật GWO.
Bảng 4.2: So sánh về thời gian tính toán của GA và GWO
Thời gian Số vòng lặp GA GWO 200 176 250 227 8 300 271 10 350 314 12 400 360 13
Tuy nhiên, nếu xét về mặt tốc độ hội tụ thì GA có tốc độ hội tụ nhanh hơn so với GWO, nghĩa là GA cần số bước lặp ít hơn để đạt hội tụ. Hình dưới đây cho thấy sự so sánh về tốc độ hội tụ của 2 phương pháp khi tỉ số điều biên thay đổi trong khoảng 0.7 đến 0.8.
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng
Hình 4.8: So sánh tốc độ hội tụ của GA và GWO khi tỉ số điều biên thay đổi từ 0.7 đến 0.8
Đường màu cam là đường biểu diễn tốc độ hội tụ của phương pháp GWO và màu xanh dương của phương pháp GA, khi tỉ số điều biên thay đổi ứng với từng bước tính (bước thay đổi = 0.005, 200 vòng lặp) thì đường màu xanh dốc hơn so với đường màu cam, và với GA, sau khoảng 150 vòng lặp là giá trị đã đạt được hội tụ tuy nhiên đối với GA phải sau khoảng 250 vòng lặp thì giá trị mới bắt đầu đạt được hội tụ.
Tuy nhiên, về mặt thời gian chạy GA-encoded phải trải qua các quá trình mã hóa và giải mã trong các vòng lặp, việc này làm thời gian chạy của phương pháp GA-encoded lớn hơn rất nhiều so với phương pháp còn lại. Bảng sau thống kê cụ thể các bước thực hiện và thời gian thực hiện trung bình của một bước tính.
Bảng 4.3: So sánh về thời gian chạy của từng bước tính toán của 3 phương pháp GA-encoded, GA-origin và GWO khi cùng số vòng lặp và tỉ
số điều biên
Chức năng GA (dùng mã gray) Chức năng GA (biến số là số tự nhiên) Chức năng GWO Khởi tạo
(dịch mã) 0.002603518 Khởi tạo 1.77925E-05 (dịch mã) Khởi tạo 2.20442E-05 Tính fitness
score 0.000119844 Tính fitness score 7.91126E-05 Tính fitness score 7.63372E-05 Tạo quần thể
mới 0.000193896 Tạo quần thể mới 0.00017399
Cập nhật lại vị trí (GWO)
0.000111108
Hoán vị 6.88327E-05 Hoán vị 4.66281E-05
Đột biến 4.26055E-05 Đột biến 1.16663E-05
Giải mã, tính
điểm, 0.002450821 Đưa qua hàm kẹp 6.97678E-05
0 0.05 0.1 0.15 0.2 0.25 0 500 1000 1500 2000 2500 3000 3500 4000 4500
So sánh tốc độ hội tụ của GA và GWO ( ma=0.7-0.8, bước thay đổi = 0.005, 200 vòng lặp)
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng GVHD: PGS.TS Phan Quốc Dũng đưa qua hàm kẹp Dịch mã 0.002825386 Tổng thời gian 1 vòng lặp 0.008304903 Tổng thời gian 1 vòng lặp 0.000398957 Tổng thời gian 1 vòng lặp 0.000209489
Như vậy có thể thấy trong 1 vòng lặp, khối lượng tính toán của GA-encoded rất nhiều và thời gian thực hiện bị kéo dài ở các bước:
- Khởi tạo (dịch mã)
- Giải mã, tính fitness score, đưa qua hàm kẹp. - Dịch mã cho vòng lặp tiếp theo.
Tổng thời gian 3 bước này chiếm 94.88% thời gian chạy của 1 vòng lặp. Do đó để duy trì ưu điểm về mặt sóng hài của phương pháp GA-encoded như đã trình bày ở trên, cần tìm ra một phương pháp để giảm thiểu thời gian của các quá trình dịch mã và giải mã nói trên.
Báo cáo trình bày 2 hướng tiếp cận là sử dụng mạng LSTM và hướng tiếp cận sử dụng bảng tham chiếu. Chi tiết các phương pháp được trình bày rõ trong các phần tiếp theo.
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng
CHƯƠNG 5: NGHIÊN CỨU CẢI TIẾN VỀ MẶT THỜI GIAN
5. NGHIÊN CỨU CẢI TIẾN VỀ MẶT THỜI GIAN
Thông thường, để dịch mã và giải mã cần thực hiện các bước sau:
5.1 Dịch mã (encoded)
B1. Chuyển từ decimal sang binary:
theta1Bin = dec2bin(theta1,14);
B2. Chuyển từ binary sang mã gray:
theta1Gray(i,:) = bin2gray(theta1Bin(i,:));
Với “bin2gray” thực hiện phép xor của 2 bit liền kề để thu được giá trị bit ở dạng gray. function g = bin2gray(b) g = char(zeros(1,size(b,1))); g(1) = b(1); for i = 2:length(b); x = xor(str2numc(b(i-1)),str2numc(b(i))); g(i) = num2strc(x); end end 5.2 Giải mã (decoded)
B1. Chuyển từ gray sang binary:
x1binf = gray2bin(xbin(1:14));
B2. Chuyển từ binary sang decimal:
x1 = (1/10000)*bin2dec(x1binf);
Với “gray2bin” thực hiện phép xor của 2 bit liền kề để thu được giá trị bit ở dạng gray. function b = gray2bin(g) b = char(zeros(1,size(g,2))); b(1) = g(1); for i = 2 : length(g); x = xor(str2numc(b(i-1)),str2numc(g(i))); b(i) = num2strc(x); end
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng
end
Các hàm bin2dec,dec2bin, num2str, str2num là những hàm có sẵn trong matlab.
5.3 Nghiên cứu áp dụng machine learning.
Phương pháp machine learning sẽ được áp dụng vào 2 quá trình là dịch mã và giải mã, do đó cần xây dựng 2 mạng khác nhau. Từ quá trình tìm hiểu về các phương pháp học máy áp dụng cho bài toán hồi quy, RNN và LSTM[8] với khả năng ghi nhớ cho thấy tính hiệu quả rõ rệt so với các phương pháp khác. Đặc biệt, nhờ vào các bước truyền thẳng và truyền ngược, LSTM có khả năng ghi nhớ tốt hơn RNN, mặc dù độ phức tạp cao hơn RNN, và cho kết quả dự báo với độ chính xác cao hơn RNN. Do đó, LSTM là phương pháp được lựa chọn để áp dụng vào bài toán giảm thời gian chạy. Có 2 mô hình cần được xây dựng:
- Mạng LSTM cho phép dịch từ mã gray sang decimal. - Mạng LSTM cho phép dịch từ decimal sang mã gray.
Chi tiết về đầu vào, đầu ra và số lượng neuron, số lớp được chọn như sau:
5.3.1 Mạng LSTM dịch mã Gray sang Decimal
Bảng 5.1: Cấu hình mạng LSTM chuyển từ mã Gray sang Decimal
1 'input' Sequence Input Sequence input with 1 dimensions
2 'LSTM' LSTM LSTM with 70 hidden
units
3 'Dense' Fully
Connected 1 fully connected layer 4 'Regression' Regression
Output mean-squared-error
Với input là các chuỗi bit dạng gray với độ dài là 11bit, số mẫu lựa chọn đảm bảo phủ hết các giá trị có thể xảy ra nên sẽ lớn hơn 2^11, do đó số lượng data của tập train được chọn là 2500. Kích thước tập input lúc này là 2500*1 cell, với mỗi cel có kích thước 1x11.
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng Tập output để đào tạo có cùng kích thước với số lượng data đưa vào là 2500x1 cell và giá trị là các số ở dạng decimal, là giá trị đã được chuyển đổi tương ứng từ các chuỗi bit ở tập đầu vào.
Quá trình training sau 350 epochs đạt được như sau:
Hình 5.1: RMSE và Loss của quá trình training mạng LSTM chuyển từ mã Gray sang Decimal với đầu vào 2500 data, 350 epochs, 70 neurons ở lớp ẩn.
Với RMSE của tập test là 3.305. ( tập test có số lượng mẫu là 100, đầu vào và đầu ra tương tự như tập train là 100x1 cell ).
5.3.2 Mạng LSTM dịch từ Decimal sang mã Gray
Mạng để training cho bài toán ngược này được chọn tương tự như mạng cho bài toán thuận, chỉ khác nhau là đây là bài toán với nhiều đầu vào và nhiều đầu ra, và dữ liệu đầu vào, đầu ra khác so với bài toán thuận.
Bảng 5.2: Cấu hình mạng LSTM chuyển từ Decimal sang mã Gray
1 'input' Sequence Input Sequence input with 1 dimensions 2 'LSTM' LSTM LSTM with 125 hidden units 3 'Dense' ConnectedFully 1 fully connected layer
LUẬN VĂN THẠC SĨ HVTH: Nguyễn Thanh Hằng
GVHD: PGS.TS Phan Quốc Dũng Vì đây là bài toán dịch ngược từ số decimal sang mã gray, dữ liệu đầu vào cho bài toán là các chuỗi số decimal và đầu ra là chuỗi các bit ở dạng gray. Theo quá trình thiết kế mạng, khi các số đầu vào giữ nguyên ở dạng decimal và đầu ra là chuỗi mã gray thì bài toán không hội tụ do đó, các số decimal được áp dụng phương pháp one-hot encoding để đưa về các vector trọng số, thể hiện vị trí của số đó trong chuỗi ký tự [0,1,2,3,4,5,6,7,8,9,’’].
Do đó bài toán này có tập train là 10000x1 cell, mỗi cell là 1 mảng có kích thước 6x11 ( các số ở hệ thập phân sau khi áp dụng giải thuật one-hot encoded), đầu ra là 10000x1 cell, mỗi cell có kích thước 1x11 (chuỗi mã gray tương ứng). Kết quả sau khi train như sau:
Hình 5.2: RMSE và Loss của quá trình training mạng LSTM chuyển từ Decimal sang Gray với đầu vào 10000 data, 90 epochs, 125 neurons ở lớp ẩn.
RMSE dừng lại ở giá trị 0.35 ( do tập giá trị đầu ra là các bit 0,1, nên RMSE có giá trị nhỏ nhưng mức độ sai số cao).
Các mạng trên sau khi đào tạo được lưu vào các mô hình net.mat để áp dụng cho bài toán tìm góc kích tối ưu. Tuy nhiên thời gian chạy khi áp dụng các mô hình này lại cho kết quả không như kỳ vọng khi thời gian chạy lâu hơn so với trước đó do thời gian load model trained trong mỗi vòng lặp lớn hơn nhiều so với thời