Đánh giá ổn định động hệ thống điện sử dụng mạng nơ ron cải tiến

Nội dung text: Đánh giá ổn định động hệ thống điện sử dụng mạng nơ ron cải tiến

1. 1 ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN SỬ DỤNG MẠNG NƠ RON CẢI TIẾN STABILITY REVIEW POWER SYSTEM USING DYNAMIC NEURAL NETWORK IMPROVEMENTS Nguyễn Ngọc Âu1,a, Quyền Huy Ánh1,b, Nguyễn Thanh Tính1,c 1Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, UTE-HCM angocau@hcmute.edu.vn, bqhanh@hcmcute.edu.vn, c thanhtinhspkt@gmail.com TĨM TẮT Hiện nay, việc đánh giá ổn định động cho những HTĐ phức tạp thực sự vẫn là vấn đề khĩ khăn, đặc biệt là đánh giá trạng thái vận hành của HTĐ trong thời gian thực. Bài báo này giới thiệu mạng nơ ron cải tiến ( song song) để đánh giá nhanh trạng thái ổn định động hệ thống điện. Mơ hình mạng nơ ron song song được xây dựng gồm bảy mạng nơ ron đơn với cùng biến ngõ vào, bộ tổng hợp đầu ra nhận kết quả từ tất cả các mạng đơn với kết quả tính tốn theo luật bình bầu theo luật số đơng. Mạng nơ ron song song được đề nghị áp dụng đánh giá ổn định động hệ thống điện trên sơ đồ hệ thống điện GSO-37 bus. Kết quả cho thấy mạng nơ ron song song dùng giải thuật huấn luyện Levenberg cho độ chính xác nhận dạng đạt 97.5%, cao hơn 2.5% so với áp dụng mạng nơ ron đơn. Kết quả này minh chứng bộ phân lớp song song hay cải tiến cho kết quả cải thiện đáng kể so với bộ phân lớp dùng mạng nơ ron đơn. Từ khĩa: nhận dạng ổn định động, hệ thống điện, mạng neural cải tiến, biến đặc trưng. ABSTRACT Currently, the evaluation of dynamic stability for the complex power system is still really difficult issues, especially the assessment of the state of operation of the power system in real time. This paper introduces innovative neural network (parallel) to quickly evaluate steady state power system. Neural network model built parallel seven single neural network with the same input variables, the synthesizer output results received from all network shares with the results calculated in accordance with statutory law vote majority. Parallel neural network application proposed evaluation system stable electric power system diagram on GSO-37 bus. The results showed that parallel neural network trained using Levenberg algorithm for identification accuracy reached 97.5%, 2.5% higher compared to the single application of neural networks. This result demonstrates the parallel layering or improvements to significantly improved results compared to the neural network classifier using the application. Keywords: dynamic stability recognition, power system, neural network improvements, feature. 1. GIỚI THIỆU thanh cái. Do sự phức tạp của hệ thống điện, Hệ thống điện hiện tại chịu tác động nặng nề những phương pháp phân tích hệ thống điện dưới những điều kiện vận hành sát với giới truyền thống tốn rất nhiều thời gian và gây hạn ổn định. Những kích động khơng mong chậm trễ trong việc ra quyết định. muốn cĩ thể gây nguy hiểm đến hệ thống Trong những năm gần đây mạng thần kinh điện và gây ra hiện tượng rã lưới. Ổn định hệ nhân tạo (Artificial Neureal Network (ANN)) thống điện đề cập đến quá trình dao động được nghiên xem như là một phương pháp điện từ do những kích động gây nên. Ổn định thay thế để giải quyết những vấn đề khĩ khăn động hệ thống điện đề cập đến khả năng của mà những phương pháp truyền thống khơng hệ thống máy phát trên hệ thống lưới điện đa giải quyết được về tốc độ tính tốn tốn cũng liên kết cĩ thể duy trì được sự đồng bộ sau như hiệu suất [4]. Bằng quá trình học cơ sở khi gặp kích động lớn [1]. Ổn định gĩc cơng dữ liệu đánh giá ổn định động, mối quan hệ suất dưới kích động lớn liên quan đến khả phi tuyến giữa những tham số vận hành hệ năng duy trì sự đồng bộ của hệ thống điện khi thống điện và những trạng thái hệ thống điện gặp phải những kích động như ngắn mạch tương ứng cĩ thể trích xuất và tính tốn dùng trên đường dây truyền tải hay trên những ANN [2]. Đây là đặc điểm quan trọng, đặc
2. 2 trưng cho ANN. Vì vậy những đặc trưng ngõ Hình 1: Mơ tả mơ hình tốn đơn giản đã vào tốt nhất phải được lựa chọn, chính vì vậy được giới thiệu trên: cần thiết tìm ra những giải pháp để trích chọn, giảm số lượng biến đặc trưng. X1 Wi1 Lựa chọn biến đặc trưng rất quan trọng Synap X2 Wi2 Synap trong bước xây dựng hệ thống nhận dạng PE Y1 (Phần tử Output path Synap thơng minh đánh giá ổn định động hệ thống xử lý) (Đường xuất) điện dùng mạng nơ ron. Vấn đề này được tác Synap Wim giả trong 10 thực hiện nhưng độ chính xác Xm cần nghiên cứu thêm. Vì vậy cũng cần nhấn Hình 1. Mơ hình tốn đơn giản của một nơ ron mạnh đến sự cần thiết giới thiệu một số phương pháp mới để làm phong phú thêm 2.2 Mạng nơ ron song song những phương pháp nhận dạng. Mục tiêu của bài báo này là đề xuất áp dụng mạng nơ ron Cĩ nhiều cách kết hợp bộ phân lớp cải tiến để nâng cao độ chính xác nhận dạng. song song gồm các mạng nơ ron song song với nhau hay các dạng mơ hình phân lớp khác 2. CƠ SỞ LÝ THUYẾT nhau kết hợp lại. Mơ hình phổ biến kết hợp 2.1 Mơ hình tốn của mạng nơ ron các mạng nơ ron song song được mơ tả như Hình 2. Trong đĩ, tín hiệu đầu vào được đưa Mơ hình tốn đơn giản của mạng nơ ron nhân đến cùng lúc cho các bộ nơ ron con. Các bộ nơ tạo đã được mơ tả trên được đề xuất bởi Mc ron con được huấn luyện độc lập và các bộ nơ Culloch và Pitts vào năm 1943, thường được ron con cĩ trọng số khác nhau. Các bộ nơ ron gọi mạng M-P. Trong mơ hình này, phần tử xử con thực hiện tính tốn và đồng thời đưa kết lý thứ j tính tổng trọng lượng của các đầu vào quả đến bộ tổng hợp. Bộ tổng hợp tính tốn và của nĩ và các đầu ra yj = 1 bắn (firing) hoặc = cho quyết định kết quả đầu ra theo luật bình 0 khơng bắn (not firing) phụ thuộc vào tổng bầu theo luật số đơng [13]. đầu vào trọng lượng trên hoặc dưới giá trị ngưỡng (threshold) j ANN 1 I Yj (t +1) = f ( (wijxj (t) - j)) (1) (1) i 1 ANN 2 Trong đĩ, hàm tác động f(net) là hàm bước Bộ tổng hợp Kết quả nhảy (unit step): Đầu vào 1 nếu net 0 f(net) = (2) ANN i (2) 0 nếu net 0 Trọng lượng Wij biểu diễn cường độ của Hình 2. Mạng nơ ron song song với tất cả các đường dẫn synapse (được gọi sự kết nối hoặc lớp nơ ron liên kết) kết nối nơ ron nguồn thứ i với nơ ron 2.2.1 Luật bình bầu theo sớ đơng đích thứ j. Trọng lượng dương tương ứng với kích thích đường dẫn synapse (excitatory Trong bộ phân lớp song song gồm cĩ i synapse) và trọng lượng âm tương ứng với bộ phân lớp, bộ phân lớp Di cho kết quả đầu ra ngăn cản kích thích synapse (inhibilitory dạng gán nhãn nhị phân. Đầu ra là đúng {1} synapse). hay sai {0}. Với tập dữ liệu Z, bộ phân lớp Di cho kết quả đầu ra: Nếu wij = 0 thì khơng cĩ sự kết nối giữa hai nơ ron. yij = 1 nếu Di phân lớp cho mẫu zj là đúng {1} yij = 0 nếu Di phân lớp cho mẫu zj là sai {0} Phương pháp bình bầu theo số đơng (majority voting) áp dụng cho bài tốn phân lớp gán nhãn. Nhãn đầu ra của các bộ phân lớp thứ i là vector nhị phân cĩ kích thước c{0,1} là
3. 3 T c [di1, di2, ,dic] {0,1} , i=1,2, ,L. Trong đĩ: X = [ Vbus, Pload, Qload, Pflow, Trong đĩ, dij =1 nếu Di thuộc wj và dij =0 cho Qflow, ]. Trong quá trình đánh giá ổn định trường hợp ngược lại. Bình bầu theo số đơng động hệ thống điện, mỡi mẫu dữ liệu được quyết định cho lớp thứ k nếu: phân loại thuộc về một trong hai lớp: ổn định/ L L khơng ổn định. ∑ d (x) = max ∑ d t=1 i,k j=1, ,c i=1 i,j (3) 2.3.2 Chuẩn hĩa dữ liệu [3] Với điều kiện đầu ra bộ phân lớp là độc Chuẩn hĩa giá trị của các biến đặc lập, nghiên cứu cho thấy rằng kết hợp bình bầu trưng được thực hiện theo thức (5): theo số đơng luơn cải thiện độ chính xác phân x m lớp. z i i (5) i  Nếu tổng số bộ phân lớp L là lẻ, kết i quả bầu chọn bộ phân lớp lai được chọn nếu Với: mi là giá trị trung bình của dữ  LT/2+1 >0.5* L, a là ký hiệu hàm floor liệu, i phương sai chuẩn của dữ liệu. làm tròn về giá trị nhỏ. L là số lượng được T 2.3.3. Phân chia dữ liệu bầu chọn đúng {1}. Các mẫu dữ liệu được phân chia một Nếu tổng số lớp P là chẵn, kết quả ens cách ngẫu nhiên thành tập dữ liệu huấn luyện bầu chọn bộ phân lớp kết hợp được chọn nếu (80%), kiểm tra (20%). Đây là điều quan trọng  (LT+1)/2 >0.5*L. để đảm bảo khả năng nhận biết mẫu mới hay Giả sử mỡi lớp cĩ khả năng phân lớp mẫu khơng tham gia vào quá trình huấn luyện đúng là p, khi đĩ bộ phân lớp lai cĩ khả năng của mạng. quyết định đúng cĩ phân bố nhị thức 2.3.4. Lựa chọn biến đặc trưng (binominal distribution), cụ thể khả năng chọn Lựa chọn biến đặc trưng rất quan trọng k> LT /2+1 bộ phân lớp đúng của LT trong bước xây dựng hệ thống nhận dạng lớp là: thơng minh dùng ANN để đánh giá ổn định L L động hệ thống điện. Nếu biến đặc trưng được k LT -k P = ∑ LT ( )p (1- p) lựa chọn cĩ độ tách biệt dữ liệu ít thì dẫn đến ens k= +1 k (4) 2 hiệu suất của hệ thống nhận dạng khơng cao. Trong đĩ: Lựa chọn biến đặc trưng là chọn ra những biến cĩ độ tách biệt dữ liệu giữa các lớp cao và dữ +Pens 1 khi LT  nếu p>0.5 liệu của các biến đặc trưng cùng lớp gần nhau. + Pens 0 khi LT  nếu p<0.5 Lựa chọn biến đặc trưng là chọn vector 2.2.2. Các thuật tốn huấn luyện Z cĩ d biến đặc trưng mà d < n, với n là đại diện cho cơ sở dữ liệu gốc, d đại diện cho cơ Cĩ bốn thuật tốn huấn luyện Matlab d khuyến dùng trong bài tốn nhận dạng: sở dữ liệu mới Dnew {zi .yi }i 1 và quan hệ dữ Levenberg-Marquardt Backpropagation, liệu đầu vào và đầu ra mới ynewi=fnew(zi). Như Bayesian Regulation Backpropagation, Scaled vậy, về nguyên lý, lựa chọn biến đặc trưng là Conjugate Gradient Backpropagation, quá trình chọn ra một tập con gồm các biến Gradient Descent Backpropagation. đặc trưng ứng viên giàu thơng tin sao cho hiệu suất nhận dạng của mơ hình vẫn ở mức cao 2.3 Mạng nơ ron cải tiến đánh giá ổn định như kỳ vọng. động hệ thớng điện 2.3.5 Đánh giá mơ hình nhận dạng 2.3.1 Tạo cơ sở dữ liệu Để việc huấn luyện và kiểm tra mơ hình khách Sự thành cơng của mơ hình nhận dạng quan và tổng quát, tập dữ liệu huấn luyện được thơng minh dùng ANN phụ thuộc vào giá trị chia ngẫu nhiên thành 6 tập con tương đương của tập dữ liệu huấn luyện, tập dữ liệu này về kích cỡ. Quá trình huấn luyện và kiểm tra phải biểu thị được một cách đầy đủ những kịch thực hiện 6 lần. Phần trăm độ chính xác nhận bản vận hành của hệ thống. Mỡi mẫu dữ liệu dạng của mơ hình trong huấn luyện hoặc kiểm được biểu diễn dưới dạng vector mà bao gồm tra được tính trung bình trong 6 lần thực hiện. một số biến đặc trưng được biểu diễn như sau Tỷ lệ huấn luyện đúng hoặc kiểm tra đúng như
4. 4 đầu ra yêu cầu được xác định theo biểu thức 2.4.2 Biến đầu vào và biến đầu ra (6). Thực hiện mơ phỏng off-line để thu R Classification_ rate % .100 (6) thập dữ liệu cho đánh giá ổn định động hệ S thống điện với chế độ 100% tải, thời gian cắt Trong đĩ: R số mẫu đúng, S là tổng số ngắn mạch cài đặt là 25ms. Biến đầu vào và mẫu. Giá trị kỳ vọng độ chính xác nhận dạng biến đầu ra lần lượt là x[ Vbus, Pload, Qload, của mơ hình được đề nghị trong [9] phải đạt Pflow, Qflow] và y[1,0]. Tổng số biến đầu vào hơn 90%. là 199 (37+25+25+56+56), 1 biến đầu ra. Từ kết quả mơ phỏng, cĩ 240 mẫu dữ liệu với 120 2.4. Áp dụng đánh giá hệ thớng điện GSO mẫu ổn định và 120 mẫu khơng ổn định. Tập 37 bus dữ liệu chuẩn hĩa được xây dựng theo (3). 2.4.1 Mơ tả hệ thớng điện GSO-37 bus Sau khi huấn luyện ANN, trong khâu chẩn Mơ hình GSO-37 bus là mơ hình chuẩn trong đốn, biến đặc trưng đơn lẻ ngõ ra của ANN chương trình mơ phỏng sử dụng phần mềm thường cĩ một vài sai số tương ứng với giá trị Power World Simulator 18. Sơ đồ gồm cĩ 37 nhị phân của nĩ. Tiêu chuẩn này được sử dụng bus, 9 máy phát điện, 3 cấp điện áp khác nhau để biên dịch trạng thái ngõ ra sau huấn luyện 345kV, 138kV và 69kV, 25 tải, 14 máy biến và kiểm tra [12]: áp, 57 đường dây truyền tải, được sử dụng if y 0.5 y = 1 (Stable) nhằm tạo cơ sở dữ liệu để huấn luyện ANN. i i if y 0.5 y = 0 (Unstable) i i (7) 3. Kết quả và thảo luận 3.1 Cấu hình mạng nơ ron đơn Gradient descent, Bayesian regulation, Scaled Mạng được chọn cấu hình gồm ba lớp: conjugate gradient được áp dụng lần lượt để lớp đầu vào, lớp ẩn và lớp đầu ra. Trong đĩ, số huấn luyện và so sánh kết quả. nơ ron ẩn được thay đổi từ 10, 13, 15, 17, 19 Giải thuật cho kết quả tốt nhất sẽ được chọn để để tìm số nơ ron ẩn phù hợp nhất. Bốn giải thực hiện ở các bước tiếp theo phần sau thuật huấn luyện trong Matlab Levenberg, 3.2. Kết quả huấn luyện và kiểm tra Bảng 1: Kết quả huấn luyện mạng ANN đơn với số nơ ron ẩn thay đổi. Giải Trainlm Traingd Trainbr Trainscg thuật Số Huấn Kiểm Thời Huấn Kiểm Thời Huấn Kiểm Thời Huấn Kiểm Thời Neural luyện tra % gian luyện tra % gian (s) luyện tra % gian luyện tra % gian (s) (s) 10 92.0 90.0 1.6 81.5 82.5 10.6 100 85.0 48.4 89.0 85.0 1.3 13 94.0 92.5 1.9 81.5 85.0 10.7 100 87.5 70.3 90.0 87.5 1.4 15 90.0 95.0 2.1 81.0 90.0 10.8 100 90.0 94.2 91.0 90.0 1.5 17 98.0 92.5 2.6 88.5 90.0 10.9 100 90.0 111.5 92.0 90.0 1.5 19 96.5 92.5 2.8 88.0 90 11.0 100 90.0 121.8 93.0 90.0 2.2  Bước 3: Vẽ đồ thị quan hệ giữa số 3.3. Mạng nơ ron song song mạng nơ ron song song với độ chính 3.3.1. Trình tự xác định sớ lượng mạng nơ xác huấn luyện, độ chính xác kiểm ron song song tra. Các bước xác định số lượng mạng nơ  Bước 4: Chọn số mạng nơ ron song ron song song trình bày như sau: song cĩ độ chính xác kiểm tra cao  Bước 1: Từ dữ liệu ban đầu, thực nhất, số mạng nơ ron song song ít hiện huấn luyện k mạng nơ ron đơn. nhất, k lẻ.  Bước 2: Tính độ chính xác huấn luyện và kiểm tra của k mạng nơ ron song song, k lẻ hay k = 3, 5, 7, nhờ luật bình bầu theo số đơng.
5. 5 3.3.2. Kết quả huấn luyện và kiểm tra trainscg lần lượt là 5%, về thời gian ngắn hơn các giải thuật traingd, trainbr là 8.7 giây, 92.1 0.96 giây. Tuy nhiên giải thuật trainscg thời gian cĩ 0.94 0.92 phần nhanh hơn. 0.9 Với số nơ ron là 17, 19 thì bốn giải thuật 0.88 0.86 trainlm, traingd, trainbr, trainscg cho kết quả KET LUYEN QUA HUAN 0.84 kiểm tra thấp hơn số nơ ron là 15 và thời gian 0.82 0.8 huấn luyện lại cao hơn. 3 5 7 9 11 13 SO MANG NEURAL SONG SONG Vì vậy, chọn mạng nơ ron gồm ba lớp: lớp Hình 3. Trình bày độ chính xác mẫu nhận vào, lớp ẩn và lớp đầu ra, trong đĩ số nơ ron dạng huấn luyện của giải thuật trainlm và số ẩn là 15, giải thuật huấn luyện là trainlm cho mạng nơ ron song song. phần tiếp theo. 0.98 Kết quả cho thấy huấn luyện bằng giải 0.96 thuật trainlm với số mạng nơ ron song song 0.94 lần lượt bằng 3, 5, 7, 9, 11, 13 thì độ chính xác 0.92 0.9 nhận dạng mẫu kiểm tra lần lượt là 90.0%, 0.88 92.5%, 97.5%, 97,5%, 97,5%, 97,5%. Khi số 0.86 mạng nơ ron song song từ 7 thi độ chính xác DO CHINH XAC KIEMCHINH DO TRA % 0.84 0.82 nhận dạng gần như khơng đổi và bằng 97.5%, 0.8 3 5 7 9 11 13 tức là tăng 2.5% so với mạng nơ ron đơn. SO MANG NEURAL SONG SONG Vì vậy, cấu hình mạng nơ ron song Hình 4. Trình bày độ chính xác nhận dạng song được chọn như Hình 5, gồm: 1 lớp đầu mẫu kiểm tra và số mạng nơ ron song song. vào, mạng nơ ron song song gồm bảy mạng đơn và 1 lớp đầu ra. 3.4.Thảo luận Từ kết quả từ Bảng 1 cho thấy với số nơ ron là 15 giải thuật trainlm thì kết quả kiểm tra là 95% cao hơn các giải thuật traingd, trainbr, ANN 1 ANN 2 ANN 3 Đầu vào ANN 4 Tổng hợp đầu ra Kết quả ANN 5 ANN 6 ANN 7 Hình 5. Cấu hình mạng nơ ron song song với số nơ ron là 7 4. Kết luận GSO-37 bus đạt kết quả là 97.5 %. Độ chính Đánh giá ổn định động hệ thống điện sử dụng xác nhận dạng cao hơn 2.5% so với mạng mạng nơ ron cải tiến cho độ chính xác cao. đơn.Vì vậy người thực hiện đề tài chọn cấu hình mạng nơ ron song song. Với số nơ ron ẩn là 15 và số mạng song song là 7 thì kết quả kiểm tra trên hệ thống điện
6. 6 Hình 6. Mơ hình GSO-37 bus
7. 7 TÀI LIỆU THAM KHẢO [8]. K. Shanti Swarup, ‘Artificial neural network using pattern recognition for [1]. Prabha Kundur, ‘Power System Stability security assessment and analysis’, And Control’, 1994. Neurocomputing 71 (2008) 983–998, Elsevier. [2]. Rui Zhang, Yan Xu, Zhao Yang Dong, ‘Feature Selection For Intelligent Stability [9]. Quyen Huy Anh, ‘The applycation of Assessment of Power Systems’, IEEE pattern recognition for fast analysis of the 2012. dynamic stability of electrical power system’, Electrical technology, No.2 pp 1- [3]. Kwang Y. Lee, Mohamed A. El-Sharkawi, 13, 1994, Perganon. ‘Modern Heuristic Optimization Techniques Theory And Applications To [10]. Trần Hữu Phụng1,a, Nguyễn Ngọc Power Systems’, Published by John Wiley Âu1,b, Quyền Huy Ánh1,c power system & Sons, Inc., Hoboken, New Jersey, 2008. dynamic stability assessment using feedforward neural network and radial [4]. M. R. Aghamohammadi, F.Mahdavizadeh basis function neural network with ,R.Bagheri, ‘Power System Dynamic reducted feature selection, University of Security Classification Using Kohenen Technical Education Ho Chi Minh City Neural Networks’, IEEE 2009. [11]. A. Karami, S.Z. Esmaili, Transient [5]. Nima Amjady and Seyed Farough Majedi, stability assessment of power systems ‘Transient Stability Prediction by a Hybrid described with detailed models using Intelligent System’, IEEE Transactions On neural networks, Electrical Power and Power Systems, Vol. 22, No. 3, August Energy Systems 45 (2013) 279–292. 2007. [12]. K. R. Niazi, C. M. Arora, S. L. Surana, [6]. Mark Hudson Beale, Martin T. Hagan, Power System Security Evaluation Using Howard B. Demuth,’ Neural Network ANN: Feature Selection Using Divergence, Toolbox User’s Guide’, R2014a. 2003 IEEE. [7]. Yan Xu, Zhao Yang Dong, JunHua Zhao, Pei Zhang, Kit Po Wong,’A Reliable [13]. B. Verma, ‘’Chapter 14 Neural Intelligent System for Real-Time Dynamic Network Based Classifier Ensembles: Security Assessment of Power Systems’, Acomparative Analysic’’, IEEE TRANSACTIONS ON POWER DOI:10.4018/978-1-4666-1833- SYSTEMS, VOL. 27, NO. 3, AUGUST 6.ch014 2012. Tp.HCM, ngày 24 tháng 4 năm 2016 Tp.HCM, ngày 24 tháng 4 năm 2016 Giảng viên hướng dẫn Người thực hiện PGS.TS Quyền Huy Ánh Nguyễn Thanh Tính
8. BÀI BÁO KHOA HỌC THỰC HIỆN CƠNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên cĩ 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 cĩ sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CĨ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2017-2018 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.