1.5. KHÁI QUÁT CÁC CÔNG TRÌNH NGHIÊN CỨU VỀ NHẬN DẠNG VÀ
1.5.3. Nghiên cứu ứng dụng mạng nơron trong nhận dạng và điều khiển nhà máy
nhà máy nhiệt điện đốt than [55-63][66][68]
1.5.3.1. Nơron và mạng nơron nhân tạo
Não người là dạng vật chất có tổ chức cấp cao, cấu tạo phức tạp, dày đặc các mối liên kết giữa các nơron nhưng xử lý thông tin rất linh hoạt trong môi trường bất định. Trong bộ não người có khoảng 1011 - 1012 tế bào thần kinh được gọi là các nơron và mỗi nơron có thể liên kết với 104 nơron khác thông qua các khớp nối thần kinh (synapse). Mỗi nơron gồm các thành phần cơ bản sau:
- Thân nơron là phần phình to, chứa nhân, bào tương và các bào quan. Nó là nơi tiếp nhận, tổng hợp và phát ra các xung thần kinh hay các thông tin sau khi đã được tổng hợp. Từ thân nơron cịn có rất nhiều đường rẽ nhánh tạm gọi là rễ.
- “Bus” liên kết nơron này với các nơron khác được gọi là axon, trên axon có các đường rẽ nhánh. Nơron cịn có thể liên kết với các nơron khác qua các rễ.
- Các rễ của nơron được chia làm hai loại: rễ đầu vào nhận thông tin từ các
nơron khác qua axon và rễ đầu ra đưa thông tin qua axon tới các nơron khác. Một nơron có thể có nhiều rễ đầu vào, nhưng chỉ có một rễ đầu ra.
Hình 1.18. Mơ hình mạng nơron sinh học
Bởi vậy nếu coi nơron như một khâu điều khiển thì nó chính là khâu có nhiều đầu vào và một đầu ra. Mơ hình một nơron nhân tạo được minh họa trên Hình 1.19.
bk Wk2 X1 S f(net) Yk Wk3 X2 Wk1 Wkn X3 Xn Đầu vào Trọng số Hàm tổng Đầu ra Hàm truyền Ngưỡng
trong đó, xi (với i 1,2,...,n)- Các tín hiệu đầu vào; Wij(với i 1,2,...,n)- Các trọng số tương ứng với đầu vào; j- Ngưỡng kích hoạt của nơron j; netj- Tín hiệu tổng hợp đầu vào của nơron j; f net( j)- Hàm kích hoạt; yj- Tín hiệu ra của nơronj.
Mạng nơron nhân tạo bao gồm nhiều nơron độc lập liên kết với nhau, tạo thành các lớp liên kết gồm: một lớp vào, lớp ẩn và một lớp ra. Trong đó, lớp nhận tín hiệu đầu vào được gọi là lớp vào. Các tín hiệu đầu ra của mạng được sản sinh bởi lớp ra của mạng. Các lớp nằm giữa lớp vào và lớp ra được gọi là lớp ẩn. Lớp ẩn là thành phần nội tại của mạng, nó khơng có bất kỳ tiếp xúc nào với mơi trường bên ngoài.
W0 b1n Wk2 X1 S f(x) Yn Wk3 X2 Wk1 Wkn X3 Xn
Đầu vào Trọng số Lớp ấn 1 Lớp ẩn 2 Đầu ra
b12 S f(x) b11 S f(x) b3 n S f(x) W0 b22 S f(x) b21 S f(x) Y2 Y1
Hình 1.20. Cấu trúc mạng nơron nhân tạo
Mạng nơron được ứng dụng trong công nghiệp tập trung trong công nghệ AI hướng tới nhận dạng nhằm đưa ra cảnh báo, đề xuất và hiệu chỉnh:
- Nhận dạng hình ảnh: i) Đọc thơng tin từ hình ảnh được huấn luyện, chuyển thông tin sang dạng số; ii) Đưa ra dự báo bất thường từ hình ảnh.
- Nhận dạng và đánh giá tình trạng thiết bị: i) Nhận dạng tình trạng làm việc của thiết bị và đề xuất bảo dưỡng thiết bị dựa trên độ tin cậy; ii) Nhận dạng các chỉ tiêu đánh giá hiệu quả làm việc của hệ thống, đưa ra khuyến cáo khi có sự bất thường.
- Một số ứng dụng của mạng nơron trong điều khiển như: Điều khiển theo vòng hở, điều khiển theo vịng kín, điều khiển với mơ hình chuẩn, mơ hình điều khiển dự báo, phản hồi tuyến tính hóa thích nghi dùng mạng nơron, bộ điều khiển với quyết định hỗ trợ của mạng nơron.
1.5.3.2. Ứng dụng mạng nơron trong lĩnh vực phát điện
Một tính chất rất cơ bản của mạng nơron sinh học là các đáp ứng kích thích có khả năng thay đổi theo thời gian. Các đáp ứng có thể tăng lên, giảm đi hoặc hồn tồn biến mất. Qua các nhánh axon liên kết các tế bào nơron với nhau, sự thay đổi trạng thái của một nơron kéo theo sự thay đổi trạng thái của những nơron khác và dẫn tới sự thay đổi của toàn bộ mạng nơron. Việc thay đổi trạng thái của mạng nơron có thể thực hiện qua một quá trình “dạy” hoặc do khả năng “học” tự nhiên. Cấu trúc của
nơron được xác định trước, một số sau này mới được hình thành và một số thì bị huỷ bỏ qua quá trình chọn lọc tự nhiên, học và thích nghi.
Cơng nghệ AI, mạng nơron đã ứng dụng nhiều trong các lĩnh vực khác trong cuộc sống. Mạng nơron được chia làm hai loại: mạng nơron thẳng và mạng nơron luân hồi. Trong đó, mạng nơron thẳng có khả năng nhận dạng mẫu rất tốt và mạng nơron luân hồi lại được sử dụng để giải các bài toán tối ưu.
Tại tài liệu tham khảo số [56,57], đã cho rằng mạng nơron dạng thẳng lan truyền ngược có khả năng nhận dạng đối tượng điều khiển rất hiệu quả, đặc biệt áp dụng với những q trình vật lý phức tạp, khơng thể thu được nhờ xây dựng mơ hình tốn học. Với hai cách nhận dạng thuận và nghịch đều cần tiến hành các bước cơ bản sau để thực hiện nhận đối tượng:
- Bước 1: Tìm cặp dữ liệu vào ra phục vụ luyện mạng nơron;
- Bước 2: Thiết kế cấu trúc mạng nơron và chọn phương án luyện mạng; - Bước 3: Đào tạo mạng, tìm đáp ứng của mạng nơron với các tín hiệu đã sử dụng để luyện mạng.
Với cấu trúc và chức năng của mạng nơron, có thể ứng dụng mạng nơron vào nhận dạng quá trình vận hành và tác động hiệu chỉnh các hệ thống điều khiển, điển hình với một số nghiên cứu sau:
Tại [58], Karna và cộng sự sử dụng mơ hình mạng nơron cấu trúc nhiều đầu vào một đầu ra (MISO) để nhận dạng mối qua hệ giữa các đại lượng quan trọng giúp cân bằng vật chất trong nhà máy nhiệt điện, mơ tả tại Hình 1.21.
M.S. PRESS M.S. FLOW POWER OUTPUT FW FLOW FUEL FLOW AIR FLOW
Hình 1.21. Ngun lý mơ hình kín lị hơi - tuabin [58]
- Đầu vào: lưu lượng nước cấp, lưu lượng nhiên liệu, lưu lượng khơng khí. - Đầu ra: Áp suất hơi quá nhiệt, lưu lượng hơi quá nhiệt, công suất tổ máy. Kết quả nghiên cứu đã cho thấy với dữ liệu học đủ lớn, việc sử dụng mạng nơron có thể nhận dạng quá trình phi tuyến, tìm được mối quan hệ vào.
Tương tự để nhận dạng, Ivan R.Nikolic và cộng sự [59] đã sử dụng mạng nơron nhận dạng lưu lượng nước cấp thông qua áp suất nước và tốc độ bơm cấp, giúp dự báo những thay đổi bất thường khi q trình cấp nước lên lị hơi thay đổi.
Narendra đã sử dụng mạng nơron nhân tạo để dự toán hiệu suất làm việc trong nhà máy nhiệt điện [60]. Trong mơ hình ANN, tập dữ liệu thực tế bao gồm 27 giá trị, trong đó: 18 giá trị được sử dụng để huấn luyện mạng và 9 giá trị được chọn ngẫu nhiên để kiểm tra hiệu suất của mạng được huấn luyện. Ba yếu tố hiệu suất, cụ thể là: nhiệt độ môi trường xung quanh, áp suất bình ngưng và áp suất hơi đã được xem xét.
Tại [61], Chokshi R.B và cộng sự cũng sử dụng mạng nơron để đánh giá hiệu suất nhiệt của nhà máy 210MW, tập dữ liệu thực tế bao gồm 27 giá trị, trong đó 18 giá trị được sử dụng để huấn luyện mạng và 9 giá trị được chọn ngẫu nhiên để kiểm tra hiệu suất của mạng được huấn luyện. Ông kết luận rằng cách tiếp cận mới sẽ giúp các nhà nghiên cứu thực hiện phân tích Exergy của một hệ thống nhiệt và sẽ cung cấp tính tốn đơn giản và nhanh chóng.
Tại [62] T.K.Sai và cộng sự đã dùng mạng nơron để tạo mơ hình mẫu mờ cho mơ hình PMC đề điều khiển nhiệt độ hơi quá nhiệt, kiểm soát nhiệt độ trong khoảng ±10oC. Tại [63], Rajarshi Dixit và cộng sự dùng mạng nơron để nhận dạng nhiệt độ hơi tái nhiệt từ ba đại lượng đầu vào là lưu lượng nhiên liệu, lưu lượng nước cấp và phụ tải điện. Kết quả bình phương sai lệch đạt 5,56.
Tại [64] Horsham S. Ahead và cộng sự sử dụng bộ điều khiển bằng mạng nơron offline trên chương trình Matlab với các thơng số đầu vào (gồm tỉ lệ khơng khí-nhiên liệu, mực nước, lửa, khí, áp suất và nhiệt độ) để cải thiện hiệu suất lò hơi, bằng cách điều khiển mức nước bao hơi.
Tại [65], Yondha Dwika Arferiandi và cộng sự đã ứng dụng mạng nơron nhân tạo dự đoán suất hao nhiệt của nhà máy điện khí chu trình hỗn hợp. Thơng số đầu vào gồm nhiệt lượng của khí, nồng độ CO2, cơng suất đầu ra.
1.6. ĐỊNH HƯỚNG NGHIÊN CỨU VỀ NHẬN DẠNG VÀ CHỈNH ĐỊNH HỆ ĐIỀU KHIỂN TRONG NHÀ MÁY NHIỆT ĐIỆN ĐỐT THAN PHUN CÔNG NGHỆ CẬN TỚI HẠN
Trên cơ sở hiện trạng vận hành NMNĐ Duyên Hải 1, nguyên nhân dẫn tới cần nghiên cứu các vấn đề về điều khiển, những kết quả nghiên cứu đã được công bố trong thời gian gần đây, luận án định hướng các nội dung nghiên cứu như sau:
Định hướng nghiên cứu
- Phân tích q trình và các mạch vịng điều khiển cơ bản của hệ điều khiển nhà máy nhiệt điện nhằm xác định từng khâu đối tượng, làm rõ và đánh giá các yếu tố ảnh hưởng tới từng mạch vịng, từ đó đưa ra phương án chỉnh định phù hợp;
- Nghiên cứu sử dụng phần tử dự báo kết hợp với bộ điều khiển để chỉnh định nhằm ổn định chất lượng điều khiển của từng mạch vòng riêng lẻ;
- Ứng dụng mạng nơron để nhận dạng, đánh giá và chỉnh định hệ điều khiển.
Tóm tắt các nội dung nghiên cứu
Nội dung nghiên cứu chính của luận án tập trung giải quyết 3 vấn đề:
- Nghiên cứu các mạch vòng điều khiển và các yếu tố ảnh hưởng tới chất lượng làm việc của các mạch vòng nhằm chỉ ra phương án hiệu chỉnh;
- Nghiên cứu phương pháp sử dụng phần tử dự báo kết hợp bộ điều khiển nhằm chỉnh định hệ thống điều khiển, xây dựng phần mềm phục vụ chỉnh định tham số bộ điều khiển trong nhà máy điện;
1. Đặt vấn đề
Giới thiệu sơ lược các tồn tại ảnh hưởng đến công tác vận hành kinh tế, ảnh hưởng đến hiệu suất, một số tồn tại chính của nhà máy ảnh hưởng đến hiệu suất, cũng như những ví dụ điển hình về đáp ứng của hệ thống điều khiển
2. Phân tích các mạch vịng điều khiển chính của tổ máy NĐ Duyên Hải 1, 3
3. Nghiên cứu các phương pháp nhận dạng hệ thống điều khiển truyền thống
4. Nghiên cứu các phương pháp chỉnh định mạch vòng điều khiển kinh điển
5. Nghiên cứu phương pháp đánh giá hiệu suất lò hơi
6. Nghiên cứu phát triển mơ hình điều khiển lị hơi cho tổ máy 622,5 MW
8. Phương pháp nhận dạng bằng mạng nơron nhân tạo
8.1 Nghiên cứu mạng nơron và phương pháp nhận dạng bằng mạng nơ ron ứng dụng vào điều khiển;
8.2 Nghiên cứu phương pháp lựa chọn số liệu và huấn luyện.
9. Nghiên cứu ứng dụng mạng nơron nhân tạo vào thực tiễn
Sử dụng mơ hình điều khiển lị hơi để chứng minh khả năng nhận dạng và điều khiển của bộ điều khiển sử dụng mạng nơron; Kiểm chứng, qua đó chứng minh bộ điều khiển sử dụng mạng nơron nhân tạo có thể tham gia điều khiển thời gian thực vào mơ hình điều khiển quá trình.
7. Nghiên cứu sử dựng phần tử dự báo với bộ điều khiển và xây dựng công cụ phục vụ chỉnh định