L ỜI CAM ĐOAN
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.
SVC gồm máy biến áp đôi 500 kV/13.8 kV, 150 MVA, một tụ TCR 80 Mvar và 3 tụ TSC 25 Mvar (TSC1, TSC2, TSC3) nối bên phía thứ cấp máy biến áp.
Khóa TSC đóng mở cho phép thay đổi gián đoạn công suất điện kháng thứ cấp từ 0 đến 75 Mvar dung (ở 13.8 kV) bằng bước 25 Mvar, trong khi điều chỉnh pha TCR cho phép thay đổi liên tục từ 0 đến 80 Mvar. Tính đến điện kháng móc vòng máy biến áp (0.15 p.u.), thấy rằng điện nạp tương đương SVC từ phía sơ cấp có thể tha đổi liên tục từ -0.8 pu/100 MVA đến +0.75 pu/100 Mvar (đầy dung).
SVC Controller giám sát điện áp sơ cấp và gửi xung thích hợp đến 24 thyristors. 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.
Ban đầu nguồn áp đặt là 1.004 pu, kết quả điện áp 1.0 p.u. ở các đầu cuối SVC khi SVC không làm việc. Như điện áp quy chiếu Vref đặt là 1.0 p.u, the SVC là không đáng lưu ý ban đầu. Điểm làm việc này có được với TSC1 làm việc và TCR hầu như đầy cảm.
Quan sát đường cuối cùng trên scope cách T SC thứ tự đóng và mở. Mỗi lần TSC mở, góc TCR thay đổi từ 1800(không cảm) đến 900(đầy cảm). Cuối cùng ở t = 0.7 s điện áp tăng lên đến 1.0 p.u. và công suất phản kháng SVC giảm xuống 0.
Trường hợp cuối cùng nghiên cứu chương trình mô phỏng TSC.
Mỗi lần TSC khóa một giá trị điện áp bị tụ TSC lưu lại. Nếu xem ở scope TSC1 Misfiring bên trong hệ thống con Signals & Scope, bạn có thể quan sát điện áp TSC1 (đường đầu tiên) và dòng TSC1 (đường 2) nhánh AB. Điện áp đi qua thyristor dương
(thyristor dẫn dòng dương) như ở đường 3 và các xung gửi đến thyristor này như ở đường 4.
Nếu lỗi xung mở không gửi đúng thời gian, có thể quan sát thấy quá dòng rất lớn trên valve TSC. Dùng khối Timer và khối OR để thêm xung thông thường từ Firing Unit.
• Điện áp [1.0 1.0 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 1.05 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 0.95 1.0] và thời gian t= [0 0.2 0.7]
Hình 4.10. Kết quả điều khiển thuật toán khi U=0.95pu
Với chương trình được xây dựng như trên, SVC có tác dụng phát công suất phản kháng khi điện áp đầu nguồn thấp hơn điện áp đặt nhờ các bô tụ TSC hoặc thu công suất phản kháng khi điện áp nguồn cao hơn điện áp đặt nhờ bộ TCR. Điện áp đầu nguồn luôn được giữ ở vị trí ổn định cho phép.
4.2 ỨNG DỤNG MẠNG NEURON NHÂN TẠO ĐIỀU KHIỂN SVC
+ Có khả năng đáp ứng nhanh khi có sự thay đổi của hệ thống điện. + Khả năng học các chương trình được đặt ra rất cao.
+ Quá trình huấn luyện mạng neuron tương đối dễ dàng. + Giúp đơn giản hóa các khối điều khiển phức tạp.
Với các đạc tính tiêu biểu nêu trên cúng với yêu cầu đáp ứng nhanh của hệ thống, ta chọn mạng neuron nhân tạo để thay thế cho các khối điều khiển của chương trình. Mạng neuron nhân tạo sẽ được thay thế cho các khối Voltage Regulator và khối Distribution Unit.
4.2.1 Xây dựng tập mẫu cho mạng neuron.
Dựa vào chương trình tính toán và mô phỏng như trên, ta xây dựng được tập mẫu dùng để huấn luyện mạng neuron. Đầu vào của bộ điều khiển là giá trị của điện áp