Đánh giá ổn định động hệ thống điện dùng mạng nơ-ron truyền thẳng và mạng nơ-ron hàm truyền xuyên tâm cùng kỹ thuật lựa chọn, giảm biến đặc trƣng

Nội dung text: Đánh giá ổn định động hệ thống điện dùng mạng nơ-ron truyền thẳng và mạng nơ-ron hàm truyền xuyên tâm cùng kỹ thuật lựa chọn, giảm biến đặc trƣng

1. ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN DÙNG MẠNG NƠ-RON TRUYỀN THẲNG VÀ MẠNG NƠ-RON HÀM TRUYỀN XUYÊN TÂM CÙNG KỸ THUẬT LỰA CHỌN, GIẢM BIẾN ĐẶC TRƢNG POWER SYSTEM DYNAMIC STABILITY ASSESSMENT USING MULTILAYER FEEDFORWARD NEURAL NETWORK AND RADIAL BASIS FUNCTION NEURAL NETWORK WITH REDUCTED FEATURE SELECTION Trần Hữu Phụng1,a, Nguyễn Ngọc Âu1,b, Quyền Huy Ánh1,c, 1Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, UTE-HCM aphungth1508@gmail.com;bauspkt@gmail.com;canhspkt@yahoo.com; TÓM TẮT Bài báo ứng dụng mạng nơ-ron truyền thẳng nhiều lớp (Multilayer Feedforward Neural Networks (MLFN)) và mạng nơ-ron hàm truyền xuyên tâm (Radial Function BasisNeural Network (RBFN)) để đánh giá ổn định động hệ thống điện cùng kỹ thuật lựa chọn biến đặc trưng. Đánh giá ổn định động hệ thống điện dựa trên quan hệ góc công suất giữa các máy phát trên hệ thống thông qua mô phỏng off-line. Quá trình mô phỏng được thực hiện trên hệ thống điện GSO 37 nút, xét ngắn mạch 3 pha cân bằng trên hệ thống tại công suất phát và phụ tải định mức. Dữ liệu thu được thông qua mô phỏng dùng làm dữ liệu huấn luyện cho MLFN và RBFN. Quá trình giảm biến đặc trưng ngõ vào sử dụng phương pháp Fisher Discrimination, Divergence. Kết quả đánh giá ổn định động từ MLFN và RBFN trình bày rằng trạng thái ổn định của hệ thống điện có thể chẩn đoán với độ chính xác cao, mức độ chẩn đoán sai rất thấp. Ngoài ra hiệu suất của các phương pháp lựa chọn biến đặc trưng cũng như hiệu suất của MLFN và RBFN được so sánh. Từ khóa: Đánh giá ổn định động hệ thống điện, mạng nơ-ron nhân tạo, lựa chọn biến đặc trưng. ABSTRACT This paper presents an application of Multilayer Feedforward Neural Networks (MLFN) and Radial Basis Function Neural Network (RBFN) for Power System Dynamic Stability Assessment (DSA) with feature reduction techniques. Dyamic stability of the power system is first determined based on the generator relative rotor angles obtained from time domain simulations. Simulations were carried out on the GSO 37-bus test system considering three phase faults on at different loading conditions. The data collected from the time domain simulations are then used as inputs to the MLFN and RBFN. Reduced feature inputs based on Fisher Discrimination and Divergence. MLFN and RBFN results show that the stability condition of the power system can be predicted with high accuracy and less misclassification rate. In addition, the performance of the variable selection methods as well as the performance of the MLFN and RBFN was compared. Keywords: Dynamic stability assessment, neural networks, feature/variable selection. 1. GIỚI THIỆU thống điện và có thể gây ra hiện tượng rã Hệ thống điện hiện đại chịu tác động nặng lưới. Ổn định hệ thống điện đề cập đến quá nề dưới những điều kiện vận hành sát với trình dao động điện từ do những kích động giới hạn ổn định. Những kích động không gây nên. Ổn định động hệ thống điện đề cập mong đợi có thể gây nguy hiểm đến hệ đến khả năng của hệ thống máy phát trên hệ
2. thống lưới điện đa liên kết có thể duy trì 2 d i được sự đồng bộ sau khi gặp kích động lớn M i 2 Pmi Pei (1) [1]. Ổn định góc công suất dưới kích động dt lớn liên quan đến khả năng duy trì sự đồng bộ của hệ thống điện khi gặp phải những Biết rằng, d i kích động như ngắn mạch trên đường dây  i (2) truyền tải hay trên những thanh cái. Do sự dt phức tạp của hệ thống điện, những phương Thay (2) vào (1), vì vậy (1) trở thành: d pháp phân tích hệ thống điện truyền thống i M i Pmi Pei (3) tốn rất nhiều thời gian và gây chậm trễ dt trong việc đưa ra quyết định. Trong những Với: i: góc công suất của máy phát thứ i năm gần đây Mạng thần kinh nhân tạo i: tốc độ rotor của máy i (Artificial Neureal Network (ANN)) được Pmi: công suất cơ của máy i khuyến nghị như là một phương pháp thay Pei: công suất điện của máy i thế để giải quyết những vấn đề khó khăn Mi: mô men quán tính của máy i mà những phap pháp truyền thống không Chương trình mô phỏng theo thời gian có giải quyết được về tốc độ tính toán toán thể giải những phương trình này thông qua cũng như hiệu suất [4]. Bằng quá trình học phương pháp tích phân lặp bằng quá trình cơ sở dữ liệu đánh giá ổn định động, mối đáp ứng theo thời gian của tất cả các biến. quan hệ phi tuyến giữa những tham số vận 3. MẠNG NƠ-RON TRUYỀN THẲNG hành hệ thống điện và những trạng thái hệ NHIỀU LỚP (MLFN) VÀ MẠNG thống điện tương ứng có thể trích xuất và NƠ-RON HÀM TRUYỀN XUYÊN tính toán dùng ANN [2]. Đây là đặc điểm TÂM (RBFN) quan trọng, đặc trưng cho ANN. Vì vậy những đặc trưng ngõ vào tốt nhất phải được 3.1. MẠNG MLFN[6] lựa chọn, chính vì vậy cần thiết tìm ra MLFN là mạng nơ-ron phổ biến nhất. những giải pháp để trích chọn, giảm số MLFN gồm 3 lớp: 1 lớp ngõ vào, 1 lớp ẩn lượng biến đặc trưng nhằm cho phép ANN và lớp ngõ ra. Với MLFN được đề cập, sử dụng dữ liệu một cách hiệu quả nhưng vec-tơ dữ liệu ngõ vào được cung cấp đến lại cải thiện độ chính xác. Điều này giúp lớp ngõ vào, trọng số và ngưỡng kích hoạt giải quyết yêu cầu đánh giá nhanh trạng thái được điều chỉnh thông qua hàm truyền. Quá ổn định của hệ thống, sớm đưa ra những trình huấn luyện được thực hiện bằng cách cảnh báo cho những trường hợp mất ổn truyền thẳng dữ liệu huấn luyện cũng như định. Phần còn lại của bài báo nàycó bố cục dữ liệu mục tiêu. Mạng được huấn luyện như sau:Phần 2 trình bày mô hình toán học dùng thuật toán lan truyền ngược. Có một của hệ thống điện gồm nhiều máy phát. số thuật toán huấn luyện khác được sử dụng Phần 3 nói về MLFN và RBFN.Kỹ thuật cho những kỹ thuật tối ưu tiêu chuẩn như lựa chọn biến đặc trưng được giải thích Gradient Descent, Gradient Descent with trong Phần4. Đánh giá hiệu suất của MLFN Momentum, Bayesian Regularization, và RBFN trong đánh giá ổn định động hệ quasi-Newton, thống điện và bàn luận được trình bày trong Levenberg-Marquardt, Thuật toán huấn Phần 5. Kết luận và hướng phát triển được luyện nhanh nhất là Levenberg-Marquardt. đúc kết trong Phần 6. Thuật toán Levenberg-Marquardt có hiệu 2. MÔ HÌNH TOÁN CỦA HỆ THỐNG suất cao hơn đối với những vấn đề hồi quy ĐIỆN NHIỀU MÁY PHÁT phi tuyến. Khi huấn luyện mạng có kích thước lớn và khi huấn luyện những mạng Thuộc tính động của 1 máy phát trên hệ nhận dạng mẫu, thuật toán Scaled thống điện có thể biểu diễn bởi phương Conjugate Gradient và Resilient trình vi phân sau [1]: Backpropagation là những lựa chọn ưu tiên. Bộ nhớ yêu cầu tương đối nhỏ, các thuật
3. toán trên huấn luyện khá nhanh so với từng mẫu huấn luyện. Mỗi nơ-ron lưu trữ những thuật toán tính toán sai số theo độ một mẫu chuẩn trong tập huấn luyện. Khi dốc giảm dần tiêu chuẩn. Thuật toán xử lý muốn phân loại một ngõ vào mới, mỗi nơ quá trình lặp liên tục thông qua số bước lặp ron tính toán khoảng cách Euclidean giữa cụ thể. Trên mỗi bước lặp của quá trình ngõ vào và mẫu chuẩn. huấn luyện, kết quả ngõ ra của mạng được 4. KỸ THUẬT LỰA CHỌN BIẾN ĐẶC so sánh với giá trị mục tiêu và sai số được tính toán, mạng cũng được cập nhật và xử TRƢNG BẰNG PHƢƠNG PHÁP lý liên tục. Quá trình huấn luyện dừng lại XẾP HẠNG khi đạt đến thời gian huấn luyện hoặc đạt Lựa chọn biến đặc trưng rất quan trọng tới số bước lặp định trước. Ngoài ra, bất kỳ trong bước xây dựng hệ thống đánh giá khi nào đạt tới sai số định trước, quá trình thông minh ổn định động hệ thống điện huấn luyện cũng dừng lại. Quá trình huấn dùng mạng neural. Nếu biến đặc trưng được luyện được thực hiện một số lần đến khi lựa chọn có độ tách biệt dữ liệu ít thì dẫn nào đạt được mục tiêu mong đợi. Có hai đến hệ thống nhận dạng xây dựng sẽ có tính phương pháp khác nhau để thực hiện quá năng nhận dạng cũng không cao. Lựa chọn trình huấn luyện. Chế độ huấn luyện tăng biến đặc trưng là chọn ra những biến tách cường và chế huấn luyện theo từng mẻ. biệt dữ liệu giữa các lớp cao và dữ liệu của Đường đặc tính sai số được tính toán và biến cùng lớp phải gần nhau hơn. Trong các trọng số được cập nhận sau khi mỗi giá trị kỹ thuật lựa chọn biến đặc trưng có 2 kỹ ngõ vào được áp vào mạng. Trong chế độ thuật thường được sử dụng. Một là tính toán huấn luyện từng mẻ, tất cả giá trị ngõ vào độ tách biệt của từng biến đơn và loại bỏ trong tập huấn luyện được áp đến mạng những biến có độ tách biệt giữa các lớp nhỏ. trước khi trọng số được cập nhật. Trong bài Hai là dùng giải thuật tìm kiếm các khả báo này, phần mềm MATLAB được sử năng kết hợp của các biến để tìm ra nhóm dụng như là công cụ tính toán để xây dựng biến có độ tách biệt cao của các lớp dữ liệu. MLFN và RBFN. MLFN gồm 1 lớp ngõ Phương pháp thứ hai là tiếp cận tốt nhưng vào, 1 lớp ẩn và 1 lớp ngõ ra. Lớp ẩn có 10 tốn kém chi phi tính toán và phức tạp hơn. nơ-ron cùng hàm truyền tansig. Lớp ngõ ra Phương pháp thứ nhất được đề nghị áp có 1 nơ-ron cùng hàm truyền purelin. Quá dụng trong bài báo này nhờ tính đơn giản trình cập nhật trọng số và ngưỡng kích hoạt trong tính toán của nó. Ba kỹ thuật lựa chọn dựa trên thuật toán tối ưu biến bằng phương pháp xếp hạng đơn biến Levenberg-Marquardt. RBFN gồm 1 lớp được giới thiệu tiếp theo sau đây dựa trên ngõ vào cùng hàm truyền Gaussian và 1 lớp hàm độ đo khoảng cách. ngõ ra cùng hàm truyền purelin. Lớp ẩn có 4.1. Khoảng cách Fisher[2] tổng số nơ-ron chính bằng số nơ-ron lớp ngõ vào. Hàm khoảng cách Fisher tìm kiếm độ tách biệt tối ưu tuyến tính giữa 2 lớp dữ liệu. 3.2. MẠNG RBFNN Một tập dữ liệu D gồm n biến x1, x2, , RBFN có thể dùng để giải quyết bài toán xn với n1 mẫu trong lớp C1 và n2 mẫu xấp xỉ hoặc phân loại. Tại mỗi bước lập, 1 trong lớp C2, tác vụ là tìm kiếm ánh xạ nơ-ron trong lớp ẩn được thêm vào đến khi cực đại y= WTX. Điều này tương ứng với đạt đến sai số mục tiêu hoặc đạt đến số việc tìm kiếm đường thẳng khi chiếu tập dữ lượng nơ-ron cực đại định trước trong lớp liệu lên đường thẳng cho độ tách biệt tối đa. ẩn. Quá trình cộng thêm nơ-ron trong lớp Các biến có giá trị F lớn hơn thì khả năng ẩn là sự phân bố đối xứng Gaussian nhằm tách biệt dữ liệu giữa 2 lớp cao hơn. tối đa hóa sự tương quan giữa các nút ẩn và m m 2 lớp ngõ ra mục tiêu. RBFN thực hiện quá F(w) 1 2 (4)  2  2 trình phân loại bằng cách đo lường sự 1 2 tương quan của những giá trị ngõ vào trong Trong đó: mi là giá trị trung bình của
4. 2 lớp Ci và  i là phương sai của lớp Ci. nhau 345kV, 138kV và 69kV, 25 tải, 14 máy biến áp, 42 đường dây truyền tải như 4.2. Khoảng cách Divergence[2] hình 9. Trong bài báo này, hệ thống kiểm Khoảng cách Divergence là tiêu chuẩn nghiệm được xây dựng dùng phần mềm đo lường độ phân tán của hai lớp dữ liệu. PowerWorld. Mẫu dữ liệu ngõ vào/ra được Khoảng cách Jij giữa hai lớp được trình bày tạo ra bằng cách mô phỏng ngắn mạch trên ở biểu thức (5). Biến có khoảng cách Jij hệ thống đường dây truyền tải và tại các càng lớn là thì dữ liệu hai lớp càng phân thanh góp hệ thống. Thuộc tính động của hệ tán. thống trong suốt quá trình ngắn mạch dựa  2 2 1 j  i trên quá trình quan sát mối quan hệ góc Jij ( 2 2 2) 2  i  j công suất trên hệ thống máy phát trên hệ 1 2 1 1 thống điện. Hệ thống điện được xét là ổn (mi m j ) ( ) (5) 2  2  2 i j định nếu bất kỳ góc công suất tương đối của máy phát thứ i i so với máy phát thứ j j không vượt quá 1800 sau khi cắt ngắn mạch, Trong đó: 2 , 2 là phương sai của lớp i dưới kích động cụ thể. Ngược lại, nếu góc i j công suất tương đối vượt quá 1800, hệ và lớp j của biến; mi, mj là trung bình của lớp i và lớp j của biến. thống được xét là mất ổn định. Nhãn nhị phân được sử dụng để gán cho trạng thái ổn 4.3. Đánh giá mô hình nhận dạng định động của hệ thống điện theo quy tắc Để việc huấn luyện và kiểm tra mô hình [5],[7]-[8]: 0 khách quan và tổng quát, tập dữ liệu huấn if  ij < 180 then Stable '1' (7) 0 luyện được chia ngẫu nhiên thành k tập con if  ij 180 then Ustable '0' gần tương đương về kích cỡ. Quá trình huấn Với: ij độ biến thiên góc công suất giữa bất luyện và kiểm tra thực hiện k lần thể hiện ở kỳ 2 máy phát trong suốt quá trình quá độ. Hình 1. Phần trăm độ chính xác nhận dạng 5.2. Chuẩn hóa dữ liệu[3] của mô hình trong huấn luyện hoặc kiểm tra được tính trung bình trong k lần thực hiện. Chuẩn hóa dữ liệu là phương pháp xử lý dữ liệu ngõ vào trước khi đưa dữ liệu này đến Tỉ lệ huấn luyện đúng hoặc kiểm tra đúng ngõ vào của ANN, là những biến đặc trưng như đầu ra yêu cầu được xác định theo biểu đầu vào cho ANN. Chuẩn hóa giá trị của thức (6): các biến đặc trưng được thực hiện dùng R công thức: classificationrate% .100 (6) S xi mi zi (8) Trong đó: R số mẫu đúng. S là tổng số  i mẫu. Giá trị kỳ vọng độ chính xác nhận Với: mi là giá trị trung bình của tập dữ dạng của mô hình được đề nghị trong [9] liệu. i là phương sai chuẩn của dữ liệu. phải đạt hơn 90%. 5.3. Biến đầu vào và biến đầu ra 5. ÁP DỤNG ĐÁNH GIÁ ỔN ĐỊNH Thực hiện mô phỏng off-line để thu ĐỘNG HỆ THỐNG ĐIỆN thập dữ liệu cho đánh giá ổn định động hệ GSO-37BUS thống điện với chế độ 100% tải, thời gian 5.1. Mô tả hệ thống điện GSO-37bus cắt ngắn mạch cài đặt là 25ms. Biến đầu áp dụng nghiên cứu vào và biến đầu ra là x[ Vbus, Pload, Qload, Pflow, Qflow] và y[1,0]. Tổng số biến đầu Mô hình GSO-37bus là mô hình vào là 199(37+25+25+56+56), 1 biến đầu chuẩn trong chương trình mô phỏng của ra. Từ kết quả mô phỏng, căn cứ vào luật phần mềm PowerWorld 17. Sơ đồ gồm có (5) có 240 mẫu dữ liệu với 120 mẫu ổn định 37 bus, 9 máy phát điện, 3 cấp điện áp khác
5. và 120 mẫu không ổn định. Tập dữ liệu con gồm 40 mẫu (20 mẫu ổn định và 20 chuẩn hóa được xây dựng theo biểu thức mẫu không ổn định). Như vậy, mỗi tập huấn (8). luyện có 200 mẫu (100 mẫu ổn định, 100 mẫu không ổn định) và tập kiểm tra có 40 5.4. Kết quả tính toán các khoảng cách mẫu (20 mẫu ổn định và 20 mẫu không ổn Như đã trình bày ở phần trên, biến có định). Cấu trức của MLFN có 3 lớp: lớp độ đo khoảng cách lớn hơn thì biến đó quan đầu vào, 1 lớp ẩn và 1 lớp ra. Lớp ẩn có 10 trọng hơn. Áp dụng công thức (4), (5) để neural với hàm kích hoạt tansig. Lớp ra là tính toán xếp hạng thứ tự quan trọng của có một neural với hàm kích hoạt purelin. các biến. Kết quả tính toán và xếp hạng Giải thuật cập nhật trọng số và ngưỡng kích biến quan trọng giảm dần cho khoảng cách hoạt là Levenberg-Marquardt. Cấu trúc của Fisher và khoảng cách Divergence, trình RBFN gồm 1 lớp ngõ vào cùng hàm truyền bày lần lượt ở hình 2 và 3. Gaussian và 1 lớp ngõ ra cùng hàm truyền purelin. Lớp ẩn có tổng số nơ-ron chính 1.4 bằng số nơ-ron lớp ngõ vào. Các hàm này 1.2 được hỗ trợ trong công cụ mạng neural của phần mềm Matlab R2010b. Chương trình 1 chạy trên máy tính latop với CPU Inter CoreTM i3-380M, bộ nhớ 8GB DDR3, 0.8 500GB HDD. 0.6 5.5.1. Kết quả huấn luyện và kiểm tra dùng Fisher Fisher distance MLFN 0.4 Bảng 1. Kết quả đánh giá chọn biến theo 0.2 khoảng cách Fisher Huấn luyện Kiểm tra 0 0 50 100 150 200 Số biến % thời gian % Feature (s) Hình 1. Xếp hạng biến theo k/c Fisher 20 89.8 1.78 83.3 30 93.8 1.94 85.3 1400 35 93.8 2.14 86.6 1200 40 93.7 2.37 87.5 45 94.7 2.39 91.3 1000 50 95.1 2.69 91.7 800 60 95.5 2.82 92.9 70 96.8 2.63 92.9 600 90 96.0 2.95 93.8 150 96.5 4.96 94.1 400 Divergence distanceDivergence 199 97.7 7.61 95.8 200 Bảng 2. Kết quả đánh giá chọn biến theo 0 khoảng cách Divergence 0 50 100 150 200 Huấn luyện Kiểm tra Feature Số biến Hình 2. Xếp hạng biến theo khoảng cách % thời gian % Divergence (s) 20 65.4 2.61 61.2 5.5. Kết quả đánh giá MLFN và RBFN 30 81.4 3.35 79.2 Tập mẫu dữ liệu gồm 240 mẫu được 35 88.3 3.68 83.3 chia ngẫu nhiên thành 6 tập con. Mỗi tập 40 87.3 3.7 83.3
6. 45 88.9 3.8 85.8 40 93.7 2.37 87.5 50 89.4 3.78 86.7 45 94.7 2.39 91.3 60 90.4 3.87 87.5 50 95.1 2.69 91.7 70 94.5 4.7 92.9 90 97.1 5.12 94.2 60 95.5 2.82 92.9 150 96.7 7.64 94.6 70 96.8 2.63 92.9 199 97.6 8.15 95.8 100 95 90 85 % 80 75 70 Fisher 65 Divergence 60 0 50 100 150 200 Hình 4. So sánh độ chính xác nhận dạng So bien Hình 3. So sánh độ chính xác nhận dạng trên tập kiểm tra cho các phương pháp tính trên tập kiểm tra cho các phương pháp tính khoảng cách dùng RBFN khoảng cách 5.5.3. So sánh kết quả huấn luyện và kiểm 5.5.2. Kết quả huấn luyện và kiểm tra dùng tra cho phương pháp tính khoảng RBFN cách Fisher dùng RBFN và MLFN Bảng 3. Kết quả đánh giá chọn biến theo Bảng 5. Kết quả đánh giá chọn biến theo khoảng cách Fisher khoảng cách Fisher trên RBFN Kiểm Kiểm Huấn luyện tra Huấn luyện tra Số biến % thời gian (s) % Số biến % thời gian (s) % 20 83.5 0.18 84.5 20 83.5 0.18 84.5 30 94.4 0.18 91.2 30 94.4 0.18 91.2 35 96.8 0.18 92 35 96.8 0.18 92 40 98.5 0.18 93.3 40 98.5 0.18 93.3 45 98.7 0.19 98.8 45 98.7 0.19 98.8 50 100 0.19 94.5 50 100 0.19 94.5 60 100 0.19 95.8 60 100 0.19 95.8 70 100 0.22 97.5 70 100 0.22 97.5 Bảng 6. Kết quả đánh giá chọn biến theo Bảng 4. Kết quả đánh giá chọn biến theo khoảng cách Fisher trên MLFN khoảng cách Divergence Kiểm Kiểm Huấn luyện tra Huấn luyện tra Số biến % thời gian (s) % Số biến % thời gian (s) % 20 89.8 1.78 83.3 20 89.8 1.78 83.3 30 93.8 1.94 85.3 30 93.8 1.94 85.3 35 93.8 2.14 86.6 35 93.8 2.14 86.6 40 93.7 2.37 87.5 45 94.7 2.39 91.3
7. 50 95.1 2.69 91.7 60 95.5 2.82 92.9 70 96.8 2.63 92.9 Hình 6. So sánh độ chính xác nhận dạng trên tập kiểm tra cho phương pháp tính Hình 5. So sánh độ chính xác nhận dạng khoảng cách Divergence giữa MLFN và trên tập kiểm tra cho phương pháp tính RBFN khoảng cách Fisher giữa RBFN và MLFN 5.5.4. So sánh kết quả nhận dạng giữa MLFN & RBFN Bảng 7. Kết quả đánh giá chọn biến theo khoảng cách Divergence trên RBFN Kiểm Huấn luyện tra Số biến % thời gian (s) % 20 82.8 0.24 83.3 30 88.8 0.22 89.5 35 92.1 0.2 93.3 40 93.2 0.21 93.3 45 93.2 0.23 93.5 Hình 7. Kết quả nhận dạng chính xác dùng 50 96.1 0.27 93.7 MLFN 60 99.7 0.3 94.1 70 100 0.35 97.9 Bảng 8. Kết quả đánh giá chọn biến theo khoảng cách Divergence trên MLFN Kiểm Huấn luyện tra Số biến % thời gian (s) % 20 65.4 2.61 61.2 30 81.4 3.35 79.2 35 88.3 3.68 83.3 40 87.3 3.7 83.3 45 88.9 3.8 85.8 50 89.4 3.78 86.7 60 90.4 3.87 87.5 Hình 8. Kết quả nhận dạng chính xác dùng RBFN 70 94.5 4.7 92.9
8. biến là 30 hay giảm 6,6 lần. Bàn luận 6. KẾT LUẬN Đối với MLFN Qua áp dụng trên sơ đồ GSO-37bus đã Kết quả (bảng 1,2) cho thấy với hàm kiểm chứng tính hiệu quả của kỹ thuật chọn Fisher khi số biến là 20 hay giảm 9,9 lần thì biến đặc trưng trong việc khai thác số liệu độ chính xác nhận dạng đã trên 80%, khi số hành vi động của hệ thống điện giúp giảm biến là 45 thì tỉ lệ nhận dạng (91,3%) đã vượt biến đặc trưng đầu vào, tăng tốc độ huấn qua giá trị kỳ vọng (11), khi đó số biến giảm luyện, nhưng vẫn giữ độ chính xác cao cho đã hơn 4,4 lần và thời gian huấn luyện so với bài toán đánh giá ổn định động hệ thống đầy đủ 199 biến đã giảm 3,1 lần. Hàm điện dùng kỹ thuật mạng thần kinh nhân Divergence cho tỉ lệ nhận dạng vượt hơn tạo. 80% với số biến là 35 hay giảm 5,6 lần và tỉ Bài báo trình bày chi tiết các bước tiến lệ nhận dạng vượt hơn giá trị kỳ vọng khi số hành lựa chọn biến đặc trưng, giới thiệu áp biến là 70 hay giảm 2,8 lần. dụng hai phương pháp tính khoảng cách và Đối với RBFN cho thấy hàm khoảng cách Fisher cho kết Kết quả (bảng 3,4) cho thấy với hàm Fisher quả chọn biến tốt hơn, cũng như qua áp khi số biến là 20 hay giảm 9,9 lần thì độ dụng trên MLFN, RBFN và cho thấy RBFN chính xác nhận dạng đã là 83.5%, khi số biến cho độ chính xác cao, thời gian huấn luyện từ 50 trở lên thì tỉ lệ nhận dạng đạt 100%, khi thấp hơn so với MLFN. Ngoài ra, bài báo sẽ đó số biến giảm đến 3,98 lần. Hàm góp phần làm phong phú tài liệu tham khảo Divergence cho tỉ lệ nhận dạng là 82.8% với hữu ích cho nghiên cứu bài toán đánh giá số biến đặc trưng là 20 hay giảm 9,9 lần và tỉ ổn định động hệ thống điện dùng kỹ thuật lệ nhận dạng vượt hơn giá trị kỳ vọng khi số mạng thần kinh nhân tạo.
9. Hình 9.Mô hình GSO-37bus TÀI LIỆU THAM KHẢO [1]. Prabha Kundur, ‘Power System Stability And Control’, 1994. [2]. Rui Zhang, Yan Xu, Zhao Yang Dong, ‘Feature Selection For Intelligent Stability Assessment of Power Systems’, IEEE 2012. [3]. Kwang Y. Lee, Mohamed A. El-Sharkawi, ‘Modern Heuristic Optimization Techniques Theory And Applications To Power Systems’, Published by John Wiley & Sons, Inc., Hoboken, New Jersey, 2008. [4]. M. R. Aghamohammadi, F.Mahdavizadeh ,R.Bagheri, ‘Power System Dynamic Security Classification Using Kohenen Neural Networks’, IEEE 2009. [5]. Nima Amjady and Seyed Farough Majedi, ‘Transient Stability Prediction by a Hybrid Intelligent System’, IEEE Transactions On Power Systems, Vol. 22, No. 3, August 2007. [6]. Mark Hudson Beale, Martin T. Hagan, Howard B. Demuth,’ Neural Network Toolbox User’s Guide’, R2014a. [7]. Yan Xu, Zhao Yang Dong, JunHua Zhao, Pei Zhang, Kit Po Wong,’A Reliable Intelligent System for Real-Time Dynamic Security Assessment of Power Systems’, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 27, NO. 3, AUGUST 2012. [8]. K. Shanti Swarup, ‘Artificial neural network using pattern recognition for security assessment and analysis’, Neurocomputing 71 (2008) 983–998, Elsevier. [9]. Quyen Huy Anh, ‘The applycation of pattern recognition for fast analysis of the dynamic stability of electrical power system’, Electrical technology, No.2 pp 1-13, 1994, Perganon. Thông tin liên hệ tác giả chính: Họ tên: Học viên cao học Đơn vị: Đại Học Sƣ Phạm Kỹ Thuật TP Hồ Chí Minh Điện thoại: 0946 001508 Email: phungth1508@gmail.com
10. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2016-2017 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.