Về thuật toán huấn luyện thì có rất nhiều thuật toán tuy nhiên trong phần mềm mô phỏng chủ yếu dùng thuật toán Levenberg – Marquardt. Ƣu điểm của thuật toán này là tối ƣu về mặt thời gian. Tuy nhiên nhƣợc điểm của nó là cần có bộ nhớ tạm lớn để tính toán.
Bên cạnh đó các thuật toán tính toán về độ sai lệch cũng rất quan trọng nó quyết định khi nào thì ngừng việc huấn luyện. Trong phần mềm Matlab dùng thuật toán MSE (trung bình bình phƣơng sai lệch).
Chương trình huấn luyện mạng:
%---
% The program creat by PPT – phuthiem@gmail.com % Direct contact with PPT
% The program save in PPTnơron.m –
C:\Program\Matlab\Work
% The program simulate train nơron to diagnose Power
tranformer incipient faults.
%---
function y = PPTnơron(p,t)
% Sample input = 300 % Target
% p, t are saved in file inoutDGA.m: -
C\Program\Matlab\Work
% Design Nơron
% Newff - Creat a feed forword backpropagation network
%--- %NEWFF(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) takes,
%P - RxQ1 matrix of Q1 representative R-element input vectors. %T - SNxQ2 matrix of Q2 representative SN-element target vectors. %Si - Sizes of N-1 hidden layers, S1 to S(N-1), default = [].
%(Output layer size SN is determined from T.)
%TFi - Transfer function of ith layer. Default is 'tansig' for %hidden layers, and 'purelin' for output layer.
%BTF - Backprop network training function, default = 'trainlm'. %BLF - Backprop weight/bias learning function, default = 'learngdm'.
%PF - Performance function, default = 'mse'.
%IPF - Row cell array of input processing functions.
%Default is {'fixunknowns','remconstantrows','mapminmax'}. %OPF - Row cell array of output processing functions.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
%DDF - Data division function, default = 'dividerand';
%---
% Creat a feed forword backpropagation are three layers % Input layer is 10 nơron 'tansig', Hiden layer is 10 nơron 'tansig',
% Output is 1 nơron 'tansig' net=newff(p,t,16,{'tansig'
'purelin'},'trainlm','learngdm','mse');
if strcmp(version('-release'),'2008a') view(net)
end
% Train - train nơron
%--- % [net,tr] = train(NET,X,T,Pi,Ai)
% TRAIN trains a network NET according to NET.trainFcn and NET.trainParam.
%TRAIN(NET,X,T,Xi,Ai) takes, %NET - Network.
%X - Network inputs.
%T - Network targets, default = zeros.
%Xi - Initial input delay conditions, default = zeros.
%Ai - Initial layer delay conditions, default = zeros.
%and returns,
%NET - New network.
%TR - Training record (epoch and perf).
%---
% Maximum echop allowance is 1000 net.trainparam.echops = 1000; % Frequency show allowance is 20' net.trainparam.show = 20;
% Error goal allowance is 10^-5 net.trainparam.goal = 0.00001;
% Train nơron with input p, target t [net,tr]=train(net,p,t);
% Plot network performance plotperform(tr)
% Plot training state values plottrainstate(tr)
% Plot linear regression %plotreg(net)
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
%--- % [net,Y,E,Pf,Af,tr] = adapt(NET,P,T,Pi,Ai)
%NET - Network.
%P - Network inputs.
%T - Network targets, default = zeros.
%Pi - Initial input delay conditions, default = zeros.
%Ai - Initial layer delay conditions, default = zeros.
%and returns the following after applying the adapt function
% NET.adaptFcn with the adaption parameters
NET.adaptParam:
%NET - Updated network. %Y - Network outputs. %E - Network errors.
%Pf - Final input delay conditions. %Af - Final layer delay conditions. %TR - Training record (epoch and perf).
%--- - [net,tr]=adapt(net,p,t);
% Convert nơron to simulink diagram gensim(net);
%p=[22;6;40;6;36]; %y=sim(net,p)
% the end
4.2.2.Chƣơng trình lập trình theo thuật toán lan truyền ngƣợc huấn luyện mạng nơron trong chẩn đoán sự cố theo công nghệ DGA
Thuật toán lan truyền ngƣợc: Bƣớc 1: Tổng nơron đơn: 1 N j ji i i s x
Bƣớc 2: Hàm kích hoặt sigmoid 1 1 j sj y e
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn Bƣớc 3: Quy tắc delta ( ) ji kT jxi Bƣớc 4: Hàm trọng lƣợng mới ( ) ( 1) ( ) ji kT ji k T ji kT Bƣớc 5: Lớp đầu ra 2 1 (1 )( ) 1 ( ) 2 j j j j j M j j j y y d y J d y Bƣớc 6: Các lớp khác 1 1 (1 ) N j l j j l ji i j l y y
Quá trình tiếp diễn cho đến khi thỏa mãn một điều kiện nào đó: - Chỉ số đặc tính j đạt tới giá trị chấp nhận đƣợc (1).
- Một số đếm lặp cực đại (số các echops) đƣợc vƣợt quá (2)
- Một chu kỳ (khoảng, period) thời gian huấn luyện đƣợc vƣợt quá (3) Đối với (2) hoặc (3) có thể định vị đƣợc các điểm cực tiểu cục bộ. Theo những điều kiện này thì BPA có thể sẽ tái bắt đầu, và nếu lại không thành công, có thể cần một tập hợp rèn luyện (training) mới.
Các hàm kích hoạt (activation functions) có thể sử dụng là: 1. Giới hạn cứng (hard limiting) (bậc thang đơn vị, unit step). 2. Tuyến tính (linear) (tăng đều, ramp).
3. Tang hyperbolic (hyperbolic tangent). 4. Sigmoid hoặc log-sigmoid
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Hình 4. 1. Minh hoạ thuật toán lan truyền ngược
Sơ đồ biểu diễn tƣơng đƣơng nhƣ sau:
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Chương trình lập trình:
%--- % The program simulate train nơron to diagnose Power tranformer incipient faults.
%---
function y = PPTlaptrinh(p,t) L=3;%so lop
g=inline('1./(1+exp(-x))');%Activation function unl=[5 16 3];%The units of each layers
lt=0.3;% learning rate J=1;
sum=0; sum1=0;
%Initital the Weights and biases
for i=1:L-1 for n=1:unl(i) for m=1:unl(i+1) w{i}(m,n)=1*rand;%The Weights end end for m=1:unl(i+1)
b{i}(m,1)=1*rand;% The biases
end end
w{L}=eye(unl(L));
while (J>0.00001)& sum<1000 sum=sum+1;%Number of Loops J=0;
for k=1:length(p)
x{1}=p(:,k);% Inputs vector % Feed forward Propagation
for i=1:L-1
s{i}=w{i}*x{i}+b{i}; x{i+1}=g(s{i})
%x{i+1};
end
%The caculatar error e{3}=t(:,k)-x{3}; J=J+sum(e{3}.^2); %Feed back Propagation
for i=L-1:-1:1
e{i}=(x{i+1}.*(1-
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
deltw{i}=(lt.*e{i})*x{i}';
w{i}=w{i}+deltw{i};% The modify Weights deltb{i}=(lt.*e{i}).*ones(unl(i+1),1); b{i}=b{i}+deltb{i};% The modify biases
end end J=J/2; if mod(sum,100)==0 sum1=sum1+1; data(sum1,1)=sum; data(sum1,2)=J; end end % Example a value x{1} = [22 35 1 6 36]'; for i=1:L-1 s{i}=w{i}*x{i}+b{i}; x{i+1}=g(s{i}); end x{i+1} semilogy(data(:,1),data(:,2)),grid
4.3. Các kết quả thực nghiệm về cấu trúc mạng 4.3.1.Cấu trúc mạng nơron 5–8–3
Hình 4. 3 là kỷ nguyên luyện mạng, biểu thị các bƣớc tính trọng số của mạng. Với một giá trị cho trƣớc cần đạt đƣợc của hàm mục tiêu 0, nếu với cấu trúc 5–8–3, số kỷ nguyên luyện mạng là 8 bƣớc tính.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
4.3.2.Cấu trúc mạng nơron 5–10–3
Hình 4. 4 là kỷ nguyên luyện mạng, biểu thị các bƣớc tính trọng số của mạng. Với một giá trị cho trƣớc cần đạt đƣợc của hàm mục tiêu 0, nếu với cấu trúc 5–10–3, số kỷ nguyên luyện mạng là 6 bƣớc tính.
Hình 4. 4. Kỷ nguyên luyện mạng và trạng thái luyện mạng [5–10–3]
4.3.3.Cấu trúc mạng nơron 5–15–3
Hình 4. 5 là kỷ nguyên luyện mạng, biểu thị các bƣớc tính trọng số của mạng. Với một giá trị cho trƣớc cần đạt đƣợc của hàm mục tiêu 0, nếu với cấu trúc 5–15–3, số kỷ nguyên luyện mạng là 9 bƣớc tính.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
4.3.4.Cấu trúc mạng nơron 5–16–3
Hình 4. 6 là kỷ nguyên luyện mạng, biểu thị các bƣớc tính trọng số của mạng. Với một giá trị cho trƣớc cần đạt đƣợc của hàm mục tiêu 0, nếu với cấu trúc 5–16–3, số kỷ nguyên luyện mạng là 6 bƣớc tính.
Hình 4. 6. Kỷ nguyên luyện mạng và trạng thái luyện mạng [5–16–3]
4.3.5.Kết luận
Chúng tôi nhận thấy rằng với cấu trúc 5–16–3 là đáp ứng tốt nhất với các điều kiện đặt ra.
4.4. Kết quả chẩn đoán 4.4.1.Tập dữ liệu vào-ra
Tập dữ liệu dùng cho quá trình chẩn đoán đƣợc xây dựng dựa trên việc thu thập các mẫu phiếu đo đạc và kiểm định thực nghiệm và tình trạng lỗi tƣơng ứng của MBA trong nhiều lần chẩn đoán.
Bảng 4. 1.Bảng các bộ dữ liệu đầu vào dùng cho luyện mạng
Thành phần các khí (ppm) H2 C2H4 CH4 C2H2 C2H6
2 4 40 3 10
12 6 20 6 16
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
24 70 69 103 27
34 40 69 203 30
30 0.1 49 130 10
4.4.1.1. Quá trình luyện mạng
Nhƣ đã trình bày ở trên, ta sẽ chọn mô hình mạng nơron với 5 nơron lớp vào, 16 nơron lớp ẩn, và 3 nơron lớp ra nhƣ Hình 4. 7. Trong đó:
W: Hệ số trọng lƣợng. b: Độ dịch chuyển.
Hàm kích hoặt đầu vào „tansig‟, đầu ra „purelin‟.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Hình 4. 8. Giao diện của quá trình huấn luyện mạng
Hình 4. 7 và Hình 4. 8 ô phỏng tiến trình luyện mạng nơron để đạt tới giá trị sai số mong muốn goal = 10-5, kỷ nguyên luyện mạng echops = 6.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Hình 4. 9. Tiến trình luyện mạng
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Hình 4. 11. Trạng thái của quá trình luyện mạng
Hình 4. 12. Mô hình của mạng nơron sau khi đã luyện mạng thành công
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
(b) Mô hình lớp nhập
(c) Bộ trọng liên kết của lớp ẩn
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
(e) Bộ trọng liên của lớp ra
Hình 4. 13. Các thành phần của mạng (a-e)
4.4.1.2. Kết quả chuẩn đoán
Bảng 4. 2. Kết quả của các quá trình chẩn đoán
Thành phần các khí (ppm) Giá trị thực Giá trị quy đổi
Chuẩn đoán H2 C2H4 CH4 C2H2 C2H6 2 2 2 4 1 C H R C H 4 2 2 CH R H 2 4 3 2 6 C H R C H R1 R2 R3 2 4 40 3 10 0.08 0.18 0.049 0 0 0 Bình thƣờng 12 6 20 6 16 1.4184 0.067 0.1215 1 1 0 Phóng điện từng phần năng lƣợng cao 12 60 20 26 10 2.2294 0.8748 3.608 1 0 2 Phóng điện năng lƣợng thấp 24 70 69 103 27 3.2608 0.987 5.484 2 0 2 Phóng điện năng lƣợng thấp 34 40 69 203 30 0.5494 0.1079 3.5312 1 0 2 Phóng điện năng lƣợng cao 30 0.1 49 130 10 0.0284 0.2586 0.74 0 0 1 Lỗi nhiệt T<1500C 4.5. Kết luận
1. Ứng dụng mạng nơron trong chuẩn đoán sự cố tiền ẩn MBA (DGA), kết quả nhận đƣợc là một mô hình mạng nơron MLP, trong đó sai lệch và kỷ nguyên của quá trình luyện mạng cho kết quả khá tốt nằm trong phạm vi cho phép.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Từ đó chúng ta có thể ứng dụng mạng nơron trong chuẩn đoán sự cố của MBA lực với công suất khác nhau.
2. Từ kết quả chạy thực nghiệm với mạng nơron MLP có số lớp ẩn khác nhau [5–8–3], [5– 0–3], [5–15–3] và [5–16–3], chúng tôi nhận thấy mạng [5–16– 3] là cho đáp ứng về kỷ nguyên luyện mạng, sai số cho phép là đạt kết quả cao nhất. Vậy ta thấy mạng nơron là một hệ thống phi tuyến, vấn đề là chúng ta chọn cấu trúc mạng thế nào, thuật toán huấn luyện thế nào, qua thực nghiệm chúng tôi nhận thấy rằng, cấu trúc mạng nơron càng đơn giản càng tốt, nhƣng phải đáp ứng đƣợc đầy đủ công nghệ và yêu cầu đặt ra.
3. Qua kết quả chạy thực nghiệm, thì mạng nơron đã chuẩn đoán đƣợc những sự cố cơ bản trong MBA lực nhƣ: quá nhiệt, phóng điện, … và cho kết quả tốt với bất kỳ một thông số đầu vào nào của 5 chất khí. Để nâng cao độ chính xác của quá trình chuẩn đoán thì chúng ta có thể dùng mạng nơron với cấu trúc 1 đầu ra.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
KẾT LUẬN VÀ KIẾN NGHỊ
Chẩn đoán lỗi tiềm ẩn MBA lực trên cơ sở mạng trí tuệ nhân tạo (AI) đã đƣợc nghiên cứu một cách có hệ thống trong luận văn này. Dƣới đây là các kết luận làm nổi bật kết quả nghiên cứu.
- Luận văn nghiên cứu chỉ ra hạn chế của các phƣơng pháp thông thƣờng (các phƣơng pháp tỷ lệ & phƣơng pháp khí chính) là chúng quá dựa vào các kinh nghiệm của con ngƣời và các kỹ thuật trên hệ AI là giải pháp cho vấn đề này. - Các tiêu chuẩn quốc tế IEC 599 & IEEEC 57.104 là các kiến thức cơ bản cho chẩn đoán lỗi MBA lực. Phiên bản gốc của tính chất IEC 599 đã đƣợc xác định là khung cho nguyên tắc chẩn đoán lỗi. Đã thiết kế và cài đặt mạng để chẩn đoán theo nguyên tắc trên.
- Với chẩn đoán “phóng điện”, “quá nhiệt”, “bình thƣờng” trên cơ sở mạng nơron, 5 chất khí trong dầu bao gồm H2, CH4, C2H2, C2H4 & C2H6 là các lựa chọn tốt nhất.
- Sau khi nghiên cứu so sánh của mạng MLP, modul mạng trên cơ sở mạng MPL 3 lớp: 5 đầu vào, 3 đầu ra đã xác định là lựa chọn tốt nhất cho chẩn đoán sự cố tiềm ẩn MBA lực.
Với kết quả bƣớc đầu thông qua những nghiên cứu trong luận văn này, chúng tôi mạnh dạn kiến nghị về hƣớng nghiên cứu tiếp theo đó là:
- Phát triển một cách hoàn thiện để có đƣợc một công cụ phần mềm cho chẩn đoán sự cố tiềm ẩn MBA lực trên cơ sở DGA sử dụng mạng nơron, ứng dụng