L ỜI CAM ĐOAN
3.4 Các phương pháp huấn luyện mạng neuron
Có hai kiểu học:
Học thông số (Parameter Learning): dùng để cập nhật các trọng số liên kết giữa các tế bào neuronvà ngưỡng phân cực trong mạng.
Học cấu trúc (Structure Learning): dùng để thay đổi cấu trúc mạng bao gồm cả tế bào neuronvà cách liên kết giữa chúng.
Ta có thể sử dụng riêng rẽ hay đồng thời cả hai kiểu học trên. Tuy nhiên, ở đây ta chỉ đề cập đến kiểu học thông số. Có 3 luật học thông số:
• Luật học có giám sát:
Cho tập các dữ liệu vào – ra: {x1, d1} , {x2, d2} , … ,{xQ, dQ}
x1
x2
Ban đầu các trọng số của mạng được chọn bất kỳ. Khi có ngõ vào mạng xq, ngõ ra của mạng yq được so sánh với ngõ ra mục tiêu dq. Luật học dựa vào sai số eq = dq – yq hiệu chỉnh trọng số và ngưỡng phân cực của mạng để đưa ngõ ra về gần với mục tiêu.
Hình 3.5. Mô hình luật học có giám sát
• Luật học củng cố: không như học có giám sát được cung cấp mục tiêu trước (mỗi tín hiệu ngõ vào sẽ có một tín hiệu ra tương ứng), luật học củng cố chỉ được cung cấp theo mức (Ví dụ: “đúng” hoặc “sai”). Bởi vì trong thực tế không phải lúc nào ta cũng có đầy đủ thông tin về đối tượng. Vì vậy, kiểu học củng cố sẽ thích hợp nhất cho những ứng dụng điều khiển hệ thống.
• Luật học không có giám sát: trọng số và ngưỡng phân cực chỉ được hiệu chỉnh đối với ngõ vào. Không có mục tiêu ngõ ra được đặt trước. Có vẻ như điều này thiếu thực tế, vì làm sao huấn luyện được mạng nếu không biết nó sẽ làm gì? Hầu hết những thuật toán này sẽ tự phát hiện các đặc điểm, các mối tương quan giữa các mẫu dữ liệu vào và mã hóa thành dữ liệu ra. Điều này rất hữu ích trong những ứng dụng như lượng tử hoá vector.
Hình 3.7. Mô hình luật học không giám sát
3.5 MẠNG TRUYẾN THẲNG MỘT LỚP (MẠNG PERCEPTRON ĐƠN GIẢN): 3.5.1 Cấu trúc mạng perceptron
Mạng perceptron tổng quát có cấu trúc như hình:
Hình 3.8. Cấu trúc mạng Perceptron
3.5.2 Cách xác định đường phân chia ranh giới:
Cách 1: Dựa vào phương trình đường phân chia: iw p + bT i =0
Cách 2: Dựa vào đồ thị:
Ta chú ý rằng đường phân chia luôn trực giao với 1w như hình bên. Đường phân chia đựơc định nghĩa là: iw p + bT i =0
3.5.3 Luật học perceptron
Luật học perceptron thuộc loại luật học có giám sát.
Xây dựng luật học
Trước hết ta gán các giá trị khởi đầu cho thông số của mạng. Chọn b = 0 và 1w
bất kỳ:
Đưa vector ngõ vào vào mạng perceptron, bắt đầu với p1: a= hardlim( ) = hardlim
a= hardlim(-0.6) = 0
Ngõ ra chưa đúng với giá trị mong muốn (t1 = 1), nghĩa là đường phân chia không chính xác.Ta cần thay vector trọng số để nó hướng về p1 nhiều hơn.
Ta có thể đặt 1w = p1. Cách này đơn giản v à đảm bảo p1 sẽ được phân loại đúng. Tuy nhiên nó
không thể giải quyết những bài toán có dạng như hình bên. Bởi vì mỗi lần vector này không được phân loại đúng thì trọng số sẽ hoán đổi qua lại và không thể giải bài toán.
Huấn luyện mạng Perceptron đa neuron:
Chúng ta có thể tổng quát hóa qui luật cập nhật vectơ trọn g số cho mạng perceptron đa neuron.
Công thức để cập nhật hàng thứ i của ma trận trọng số:
Công thức để cập nhật hàng thứ i vectơ phân cực:
(3.6) Luật perceptron được viết gọn lại thành hệ thống ma trận kí hiệu như sau:
(3.7) (3.8)
3.6 MẠNG TRUYỀN THẲNG NHIỀU LỚP (MULTILAYER PERCEPTRON MLP): MLP):
Để khắc phục những khó khăn đối với những bài toán có mẫu phân chia không tuyến tính, mạng neuron nhiều lớp được sử dụng. Có rất nhiều công trình nghiên cứu về mạng MLP và đã cho thấy nhiều ưu điểm của mạng này. Mạng MLP là một giải pháp hữu hiệu cho việc mô hình hoá, đặc biệt với quá trình phức tạp hoặc cơ chế chưa rõ ràng. Nó không đòi hỏi phải biết trước dạng hoặc tham số. Mạng MLP là cơ sở cho thuật toán lan truyền ngược và khả năng xấp xỉ liên tục.
3.6.1 Thuật toán lan truyền ngược (Back Propagation _BP): Giải thuật lan truyền ngược huấn luyện mạng neuron nhiều lớp:
Tập dữ liệu đã cho có n mẫu (xn, dn), với mỗi n, xn là tín hiệu đầu vào, dn là đầu ra mong muốn. Quá trình học là việc thực hiện cực tiểu hoá hàm G sau:
G = ∑ = N n n G 1 (3.9) với Gn = ∑N− − q yq xn dq xn N 1 2 )) ( ) ( ( 1 Q là số nút tại lớp ra của mạng.
Trọng số liên kết mạng được điều chỉnh theo phép lặp sau:
w G k w k w ∂ ∂ − = +1) ( ) η ( (3.10) trong đó η >0 là hằng số tốc độ học.
Thuật toán lan truyền ngược đề cập ở các phần trên đã được ứng dụng rất rộng rãi trong việc huấn luyện các mạng neuron.Tuy nhiên, nó vẫn mắc phải 2 khuyết điểm cố hữu là: tốc độ hội tụ chậm và dễ bị rơi vào các vùng cực trị cục bộ. Hai khuyết điểm này có thể hạn chế bằng việc lựa chọn tối ưu tốc độ học (hệ số η) và sử dụng bổ sung hệ số momentum vào luật học:
(3.11) Trong đó: α là hệ số momentum
Tuy có thể được cải thiện phần nào chất lượng học nhưng rõ ràng điều này vẫn chưa đủ để có thể ứng dụng giải thuật lan truyền ngược vào thực tế do tốc độ hội tụ chậm của nó. Và những hạn chế này có thể được khắc phục khi sử dụng mạng hàm cơ sở xuyên tâm.
3.6.2 Mạng hàm cơ sở xuyên tâm (Radial basis functions _ RBF)
Mạng RBF có thể được huấn luyện nhanh chóng và do có cấu trúc mạng đặc biệt nên mạng RBF rất ít khi rơi vào các vùng cực trị cục bộ.
Cấu trúc mạng RBF: Mạng RBF cũng là một mạng truyền thẳng ba lớp Lớp ẩn sử dụng: - Hàm tổng ngõ vào có dạng hàm cầu. - Hàm kích hoạt là hàm Gauss có dạng: q x e x σ ϕ 2 2 ) ( − = (3.12) Lớp ra sử dụng: - Hàm tổng ngõ vào là hàm tuyến tính. - Hàm kích hoạt là hàm kích hoạt đơn vị.
Lớp vào Lớp ẩn Lớp ra Hình 3.9. Cấu trúc mạng RBF
Các phương trình toán truyền tín hiệu từ lớp vào đến lớp ra của mạng:
Ngõ ra của neuron thứ q (thuộc lớp ẩn):
q q m X q e z 2σ 2 − − = (3.13) Trong đó: X là vector ngõ vào
mq là tâm hàm RBF (trọng số của neuron lớp ẩn thứ q)
q σ là bề rộng hàm RBF của neuron ẩn thứ q ) ( ) ( q T q q x m x m m X − = − − (3.14) khoảng cách Euclide Ngõ ra của neuron lớp ẩn
Ngõ ra của neuron thứ i (thuộc lớp ra): ∑ = = l q q iq i w z y 1 (3.15) (i=1,n; q=1,l)
Hàm năng lượng sai số: ∑ = − = n i i i y d E 1 2 ) ( 2 1 (3.16)
Khi sử dụng mạng RBF, ta cần chú ý các điểm sau:
• Lựa chọn dạng hàm kích hoạtϕ phù hợp với mô hình.
• Tính toán số lượng tâm tối ưu. Nếu nhiều tâm quá sẽ không đủ dữ liệu để huấn luyện mạng, còn nếu tâm ít quá sẽ cho mô hình sai lệch.
• Tìm vị trí tâm và số lượng dữ liệu thích hợp để huấn luyện mạng.
Thuật toán huấn luyện mạng RBF, bao gồm các bước sau:
• Bước 1: Chọn tốc độ học η >0, chọn sai số cực đại Emax
• Bước 2: Đặt giá trị đầu: E = 0; k = 1
Gán giá trị ngẫu nhiên cho các trọng số wiq(k)
• Bước 3: Tính ngõ ra của mạng với tín hiệu vào là x(k):
q q m k x q k e z 2σ ) ( 2 ) ( − − = (3.17) ∑ = = l q q iq i k w k z k y 1 ) ( ) ( ) ( (3.18) (i=1,n; q=1,l) Cập nhật trọng số cho lớp ra của mạng: ) ( )) ( ) ( ( ) ( ) 1 (k w k d k y k z k wiq + = iq +η i − i q (3.19) Tính sai số tích lũy: ∑ = − + = n i i i k y k d E E 1 2 )) ( ) ( ( 2 1 (3.20) Thực hiện vòng lặp ở bước 3 với k chạy từ 1 đến K.
Nếu E < Emax thì kết thúc quá trình học
Nếu E > Emax thì gán E = 0; K = 1 và trở lại bước 3.
Nhận xét:
Mạng RBF không bị ảnh hưởng bởi vấn đề cực trị cục bộ. Tuy nhiên, RBF thường đáp ứng chậm trong giai đoạn nhớ do có một lượng lớn neuron ở lớp ẩn. Nhưng ta có thể cải thiện vấn đề này bằng việc chọn tâm và độ phân tán phù hợp.
Nhờ khả năng xấp xỉ các hàm phi tuyến bất kì với độ chính xác tuỳ ý, mạng neuron, đặc biệt là mạng RBF là công cụ quan trọng cho mô hình hoá hệ thống và cho điều khiển thích nghi các hệ thống phi tuyến.
3.7 NHẬN DẠNG MÔ HÌNH VÀ ĐIỀU KHIỂN SỬ DỤNG MẠNG NEURON 3.7.1 Nhận dạng thông số mô hình 3.7.1 Nhận dạng thông số mô hình
Hình 3.10. Thuật toán nhận dạng thông số mô hình Nhận dạng thông số chính là quá trình luyện mạng. Tín hiệu sai số e= y−~y là
cơ sở cho luyện mạng, ∆ là thời gian trễ.
3.7.2 Điều khiển sử dụng mạng neuron
Ta có nhiều cấu trúc điều khiển sử dụng mạng neuron khác nhau. Có thể kể đến một số cấu trúc điều khiển như sau:
Hình 3.11. Điều khiển sử dụng mạng neuron + Điều khiển theo vòng kín
Hình 3.12. Điều khiển theo vòng kín
+ Điều khiển với mô hình tham chiếu và sai số lan truyền qua ĐTĐK
Hình 3.13. Điều khiển với mô hình tham chiếu + Điều khiển theo thời gian vượt quá (over time)
Hình 3.14. Điều khiển theo thời gian vượt quá + Bộ điều khiển với quyết định hỗ trợ của mạng neuron
Hình 3.15. Điều khiển quyết định
3.8 Kết luận
Sau khi đã nghiên cứu về mạng neuron nhân tạo, ta thấy mặc dù có rất nhiều cấu trúc mạng cũng như thuật toán huấn luyện mạng khác nhau nhưng giữa chúng vẫn có một vài điểm chung quan trọng như:
- Khả năng của mạng neuron nhân tạo không do lập trình sẵn mà đạt được từ quá trình huấn luyện mạng. Huấn luyện mạng là quá trình hiệu chỉnh các trọng số kết nối giữa các neuron trong mạng sao cho mạng có thể đáp ứng chính xác với các mẫu dữ liệu ngõ vào.
- Có hai kỹ thuật học được sử dụng chủ yếu là học giám sát và học không giám sát. Kỹ thuật học giám sát yêu cầu cần phải được cung cấp các cặp mẫu dữ liệu vào-ra.
- Một mạng sau khi được huấn luyện thành công có khả năng tổng quát hóa (đặc trưng hóa) cao: nó có thể đáp ứng chính xác với ngõ vào mà nó chưa từng gặp trước đó.
- Thời gian huấn luyện mạng còn tùy thuộc vào kiến trúc, thuật toán học và chức năng của mạng. Thông thường, việc huấn luyện mạng neuron đòi hỏi nhiều thời gian.
- Khả năng của mạng tùy thuộc vào số lượng neuron dùng trong mạng. Một cách tổng quát, mạng có càng nhiều neuron thì khả năng của mạng càng cao (nhưng thời gian huấn luyện mạng là rất lớn) và ngược lại.
CHƯƠNG 4
ỨNG DỤNG MẠNG NEURON NHÂN TẠO BÙ CÔNG SUẤT KHÁNG ĐIỀU CHỈNH ĐIỆN ÁP CHO MỘT NÚT TẢI
4.1 XÂY DỰNG MÔ HÌNH ĐƯỜNG DÂY CÓ SỬ DỤNG SVC: 4.1.1 Giới thiệu sơ đồ ứng dụng: 4.1.1 Giới thiệu sơ đồ ứng dụng:
Ứng dụng chương trình mô phỏng từ Matlab Toolbox để xây dựng chương trình mô phỏng hoạt động SVC, sử dụng sơ đồ HTĐ gồm một nguồn phát và hai nút tải: Uđm= 500KV, Ssc= 1000MVA
MBA 500/13.8KV, Sđm=150MVA Pload1= 200MVA, Pload2= 200MVA
Sau khi đặt tụ bù thì tổn thất điện áp giảm đi một lượng là:
ΔUb= % (4.1) Nếu biết trước ΔUb thì ta có công thức:
Qb= (4.2)
Từ công thức (5.2) ta có thể xác định dung lượng cần bù Qc. Tương tự, ta cũng xác định được dung lượng của cuộn kháng. Ta chọn công suất của bộ TCR và TSC như sau:
TCR= 80MVar, TSC= 3x25MVar
Hình 4.1. Thông số đường dây mô hình SVC
4.1.2 Sơ đồ thuật toán.
Để mô phỏng hoạt động của TCR, ta xây dựng sơ đồ thuật toán như sau:
Hình 4.3. Thuật toán điều khiển TCR Trong đó ý nghĩa của các khối là:
- Nhập số liệu: nhập thông số điện áp bị lệch. - ĐK SVC: tăng hoặc giảm góc mở α.
- Tăng Qb: muốn tăng điện áp tại nút đặt SVC thì ta phải tăng lượng Qb bằng cách tăng hoặc mở α. Nếu muốn giảm góc điện áp thì ta giảm góc mở α.
Nhập số
U = [0.93 1.07]
Hiển thị thông số lên chương trình ĐK SVC STOP Tăng Qb Thay đổi thông số điệ á END α = α +Δα α = α -Δα
- Thay đổi thông số điện áp: khi quá trình điều khiển bị thay đổi dẫn đến kết quả chưa chính xác thì chương trình sẽ quay lại điều khiển SVC.
- Khi Qmin ≤ Q < 0: SVC th ực hiện bù công suất phản kháng dẫn đến điện áp tăng lên.
- Khi 0 < Q ≤ Q max: SVC tiêu thụ công suất phản kháng dẫn đến điện áp trên đường dây giảm xuống.
4.1.3 Bộ điều khiển SVC.
Thành phần bộ điều khiển SVC gồm có bốn khối chính:
Hình 4.4. Mô hình hệ điều khiển SVC bằng thuật toán
Measurement System: đo điện áp sơ cấp thứ tự thuận. Hệ thống này dùng kỹ thuật tính toán Fourier gián đoạn để ước lượng điện áp cơ bản. Đơn vị chỉ số điện áp đo được chạy bởi một chương trình lập sẵn để đưa vào trong sự thay đổi tính toán của tần số hệ thống.
Hình 4.5. Biểu tượng và thông số khối Measurement System
Voltage Regulator: dùng bộ điều chỉnh PI để điều chỉnh điện áp sơ cấp ở điện áp quy chiếu (1.0 p.u. xác định trong menu khối SVC Controller). Một điện thế rơi được sáp nhập trong điện thế điều chỉnh để thu được đặc tính V -I với độ nghiêng (0.01 pu/100 MVA trong trường hợp này). Do v ậy, khi điểm làm việc SVC thay đổi từ đầy dung (+75 Mvar) sang đầy cảm (-80 Mvar) điện áp SVC thay đổi giữa 1 - 0.07 = 0.93 p.u. và 1 + 0.07 = 1.07 pu.
Distribution Unit: dùng điện nạp sơ cấp tính toán Bsvc bằng bộ điều chỉnh điện áp để xác định góc mở α TCR và trạng thái (on/off) 3 nhánh TSC.
Góc mở α như là một hàm của TCR điện nạp BTCR được thực hiện bằng bảng giám sát từ phương trình sau:
BTCR = (4.3)
với BTCR là điện nạp TCR trong p.u. của côn g suất điện kháng định mức TCR (80 Mvar)
Hình 4.6. Biểu tượng và thông số khối Distribution Unit
Firing Unit: gồm có 3 hệ thống con độc lập, mỗi một hệ thống con là cho một pha (AB, BC và CA). Mỗi hệ thống con gồm có PLL đồng bộ trên điện áp thứ cấp dây- dây và một máy phát xung cho mỗi nhánh TCR và TSC. Máy phát xung dùng góc mở
α và trạng thái TSC có từ Distribution Unit để phát xung. Sự mở các nhánh TSC có thể đồng bộ hóa (gửi một xung ở các thyristors dương và âm ở mỗi chu kì) hoặc liên tục. Chế độ đồng bộ thường là phương pháp được sử dụng ưa thích vì giảm sóng hài nhanh hơn. Có thể chọn thay đổi chế độ mở Synchronized trong hộp hội thoại Firing Unit.
Hình 4.7. Biểu tượng và thông số khối Firing Unit
Bây giờ quan sát dạng sóng trạng thái ổn định và đáp ứng động SVC khi thay đổi điện áp hệ thống. Mở menu Programmable Voltage Source và thấy chương trình hóa thứ tự bước điện áp. Cũng vậy mở menu khối SVC Controller và kiểm tra là SVC ở trong chế độ điều chỉnh điện áp (Voltage regulation) với điện áp quy chiếu là 1.0 p.u. Chạy mô phỏng và quan sát dạng sóng trên khối Scope SVC, với thời gian thay đổi điện áp là 0.2s và 0.7s.
4.1.4 Mô tả cách hoạt động.
Sơ đồ mô hình SVC như trong hình 4 .4. Nó thể hiện 80 Mvar SVC nối với hệ thống truyền tải 500 kV.