Mô hình mạng nơron song song đánh giá ổn định động hệ thống điện
Bạn đang xem tài liệu "Mô hình mạng nơron song song đánh giá ổn định động hệ thống điện", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên
Tài liệu đính kèm:
mo_hinh_mang_noron_song_song_danh_gia_on_dinh_dong_he_thong.pdf
Nội dung text: Mô hình mạng nơron song song đánh giá ổn định động hệ thống điện
- MƠ HÌNH MẠNG NƠRON SONG SONG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN PARALLEL NEURAL NETWORK MODEL FOR DYNAMIC STABILITY REVIEW IN POWER SYSTEM Quyền Huy Ánh(1,a), Nguyễn Ngọc Âu(1,b), Nguyễn Thái Bình(1,c) (1)Trường Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh (2)Học viên Cao học Trường Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh (a) anhqh@hcmute.edu.vn, (b)ngocau@hcmute.edu.vn, (c)nguyenthaibinhcn@gmail.com TĨM TẮT Bài báo thực hiện xây dựng mơ hình mạng nơron song song (PNNM) đánh giá ổn định động hệ thống điện. Mạng nơron song song gồm nhiều mạng nơron độc lập ghép song song nhau. Dữ liệu để đánh giá ổn định động hệ thống điện là rất lớn và phi tuyến. Điều này gây khĩ khăn cho mơ hình mạng nơron đơn trong việc học mối quan hệ giữa dữ liệu ngõ vào và dữ liệu ngõ ra, từ đĩ làm kết quả của việc nhận dạng ổn định của hệ thống cĩ độ chính xác khơng cao. Bài báo áp dụng tiêu chuẩn năng lượng của mẫu dữ liệu để chia bộ dữ liệu ban đầu thành các nhĩm nhỏ hơn. Do đĩ, việc học được dễ dàng hơn và độ chính xác phân loại cao hơn. PNNM được xây dựng dựa trên cấu trúc của mạng hồi quy tổng quát (GRNN). Kết quả kiểm tra trên sơ đồ hệ thống điện IEEE 39-bus. Từ khĩa: mạng nơron nhân tạo, mạng nơron song song, mạng hồi quy tổng quát, hệ thống điện ABSTRACT The paper proposes a parallel neural network model (PNNM) for dynamic stability review in power system. PNNM is included multiple parallel neural network model. Data for dynamic stable state in power system are very large, high non-linear. These lead to making difficult for a single neural network model to learn the relationship between input and output data, which results in a dynamic stable state classification in power system with low results. The paper proposes the use of energy of samples for data partition into clusters. Thus, the learning is more easier and classification accuracy is higher. PNNM is built by Generalize Regression Neural Network. The study is tested on IEEE 39- bus power system network. Keywords: neural network, parallel neural network, generalized regression neural network, power system tiếp cận đánh giá ổn định hệ thống điện thu hút I. GIỚI THIỆU Đánh giá ổn định của hệ thống điện là một được nhiều sự quan tâm của các nhà nghiên cứu trong những nhiệm vụ quan trọng nhất trong quá do khả năng học hỏi nhanh chĩng quan hệ phi trình thiết kế và vận hành hệ thống điện. Tuy tuyến vào/ra qua đĩ giúp hệ thống xử lý dữ liệu nhiên HTĐ hiện đại đang phải đối mặt với nhiều một cách nhanh chĩng và nâng cao độ chính xác. khĩ khăn thách thức vì phụ tải ngày càng tăng Tuy nhiên hệ thống khi vận hành sẽ cĩ dữ liệu trong hệ thống điện, điều này làm cho quy mơ đầu vào vơ cùng lớn, điều này gây khĩ khăn cho của hệ thống điện trở nên lớn hơn và phức tạp việc học của mạng nơron đơn. Bài báo đề xuất hơn. Trong khi đĩ hệ thống điện vận hành luơn dùng năng lượng mẫu để chia dữ liệu đầu vào thành các nhĩm nhỏ hơn, mục đích là để phân phải đối mặt với các kích động bất thường như cắt điện máy phát, ngắn mạch trên đường dây các mẫu cĩ năng lượng gần nhau về một nhĩm. truyền tải hay trên những thanh cái. Hệ thống Mỗi mạng nơron đơn sẽ chỉ học duy nhất một điện khi gặp sự cố cần nhanh chĩng đưa hệ nhĩm dữ liệu và cho ra các kết quả độc lập nhau. thống về trạng thái làm việc bình thường. Mạng Do đĩ, việc học được dễ dàng hơn và độ chính nơron nhân tạo là một trong các phương pháp xác phân loại cao hơn. PNNM được xây dựng 1/7
- dựa trên cấu trúc của mạng hồi quy tổng quát dụng tiêu chuẩn năng lượng trong việc đánh giá, (GRNN). Nghiên cứu được thực hiện trên hệ sắp xếp dữ liệu đầu vào trước khi chia thành các thống điện IEEE 39-bus sử dụng phần mềm mơ nhĩm nhỏ hơn, chúng ta sẽ cải tiến kỹ thuật chia phỏng PowerWorld 18. Tính tốn được thực nhĩm, đáp ứng được hiệu suất, độ chính xác. hiện bởi phần mềm Matlab R2014a. 3. Xây dựng PNNM Quy trình xây dựng PNNM dựa trên kỹ thuật II. PHƯƠNG PHÁP NGHIÊN CỨU chia dữ liệu và mơ hình của mạng nơron đơn, 1. Mạng nơron nhân tạo Mạng nơron nhân tạo học quan hệ dữ liệu đầu sau đĩ thêm vào bước chia dữ liệu. PNNM được vào và đầu ra để đánh giá trạng thái hệ thống thực hiện cụ thể các bước ở hình 1. Quy trình đĩ điện. Dữ liệu đầu vào là các biến đặc trưng trên được tĩm lược như sau: hệ thống và đại diện cho các chế độ quá độ hệ - Bước 1: Tạo cơ sở dữ liệu ổn định động. - Bước 2: Chọn biến đặc trưng. thống điện bao gồm độ thay đổi cơng suất phát, độ thay đổi cơng suất tải, độ sụt điện áp tại các - Bước 3: Chia dữ liệu theo tiêu chuẩn năng bus, độ thay đổi cơng suất phân bố trên các lượng. đường dây truyền tải. Dữ liệu đầu vào được phân - Bước 4: Huấn luyện ANN. loại thành hai trạng thái ổn định/khơng ổn định - Bước 5: Đánh giá độ chính xác nhận dạng của dựa trên quan sát mối quan hệ giữa các gĩc cơng ANN. suất của các máy phát điện trên hệ thống điện. Bắt đầu Dữ liệu đầu ra đại diện cho một trong hai trạng thái của hệ thống là ổn định hoặc khơng ổn định. Dữ liệu đầu vào 2. Chia dữ liệu theo tiêu chuẩn năng lượng Việc chia nhĩm nhằm mục đích chia một bộ dữ liệu đầu vào cĩ kích cỡ lớn thành nhiều nhĩm Lựa chọn biến đặc trưng dữ liệu con nhỏ hơn. Các nhĩm dữ liệu con sẽ chứa các mẫu cĩ mức năng lượng gần nhau. Các Chia dữ liệu mẫu thuộc về nhĩm dữ liệu này thì sẽ khơng thuộc nhĩm dữ liệu khác, vì mỗi một mẫu chỉ cĩ duy nhất một mức năng lượng. Một mẫu đầu vào I được biểu diễn như một ANN #1 ANN #2 ANN #n điểm trong khơng gian đa chiều hoặc như một vector của các phép đo: = [ , , , ] Sai 1 2 푛 Đánh giá Ở đây: x1, x2, , xn là giá trị đại diện cho các chế độ quá độ hệ thống điện Đúng như: Vbus, Pload, Pflow, Kết quả Thì năng lượng của mẫu I được định nghĩa như sau [1, 2]: Hình 1: Quy trình thực hiện mạng nơron song song 2 2 2 = 1 + 2 + ⋯ + 푛 (1) Từ mức năng lượng của mẫu I, áp dụng 3.1. Dữ liệu đầu vào Dữ liệu đầu vào phải bao quát các chế độ trên thuật tốn logic mờ để phân phối mẫu I vào các hệ thống và đại diện cho các chế độ quá độ hệ mạng nơron con: thống điện. Dữ liệu được phân loại thành hai 퐹: ∈ [훼 1, 훼 2] 푡ℎ푒푛 ∈ (2) trạng thái ổn định/khơng ổn định dựa trên quan Cĩ nhiều nghiên cứu về việc chia một bộ dữ sát mối quan hệ giữa các gĩc cơng suất của các liệu đầu vào lớn, phức tạp thành nhiều nhĩm dữ máy phát điện trên hệ thống điện. Hệ thống điện liệu con, nhưng các kết quả đạt được khơng đảm ổn định nếu bất kỳ gĩc cơng suất tương đối của bảo được độ chính xác, độ tin cậy. Bằng cách áp máy phát thứ i i so với máy phát thứ j j khơng 2/7
- vượt quá 1800. Ngược lại, nếu gĩc cơng suất hành hệ thống điện và tình trạng ổn định hệ 0 tương đối vượt quá 180 thì hệ thống mất ổn thống điện, sau đĩ tính tốn đánh giá kết quả. định. Dựa trên các tính chất của ANN, nĩ được phân Tiêu chuẩn để đánh giá ổn định là: loại như sau: Nếu: 1800 ổn định ij - Theo số lớp: ANN được phân thành mạng một (3) lớp và mạng nhiều lớp. Nếu: 1800 không ổn định ij - Theo cấu trúc: ANN được phân thành mạng Những trạng thái đặc trưng cho trạng thái vận truyền thẳng và mạng hồi quy. hành của hệ thống được gọi là mẫu, mỗi mẫu dữ Trong luận văn sẽ áp dụng RBFN (Radial liệu được biểu diễn dưới dạng vector bao gồm Basis Function Network), trong đĩ, biến thể của một số biến đặc trưng được biểu diễn như sau RBFN là GRNN (Generalized Regression [4]: Neural Network) sẽ được sử dụng để xây dựng X = [ Vbus, Pload, Pflow] mơ hình nhận dạng chẩn đốn nhanh ổn định Dữ liệu đầu vào sẽ được đưa về một dạng chuẩn động hệ thống điện [5]. được quy định trước, được thực hiện theo cơng Kết quả tính tốn ngõ ra của bộ phân loại thức: GRNN là số lẻ nên cĩ sai số với giá trị nhị phân xm z ii (4) của đầu ra y đã gán nhãn. Để quyết định ngõ ra i i của bộ phân loại GRNN, bài báo đề áp dụng luật Với: xi, zi là giá trị ban đầu và giá trị chuẩn hĩa số lớn để quyết định ngõ ra của bộ phân loại: của biến đặc trưng thứ i, mi là giá trị trung bình Nếu mã hĩa ngõ ra {1} là ổn định, và {0} là của dữ liệu, i phương sai chuẩn của dữ liệu. khơng ổn định thì: 3.2. Lựa chọn biến đặc trưng Nếu y 0.5 y 1 Ổn định Lựa chọn biến đặc trưng để loại bỏ những biến (5) Nếu y 0.5 y 0 Không ổn định khơng thích hợp và/hoặc những biến thừa mà khơng làm ảnh hưởng đến hiệu suất học. 3.5. Đánh giá độ chính xác nhận dạng Lựa chọn biến đặc trưng cĩ những ý nghĩa rất Phần trăm độ chính xác nhận dạng của mơ lớn sau đây: hình trong huấn luyện hoặc kiểm tra được tính - Giảm số cảm biến đo lường thu thập số liệu; trung bình trong k lần thực hiện. Độ chính xác - Giảm thời gian tính tốn; nhận dạng của mơ hình được đánh giá theo tỷ lệ - Nâng cao độ chính xác. phần trăm huấn luyện đúng hoặc kiểm tra đúng Cĩ nhiều phương pháp lựa chọn biến đặc trưng và được xác định theo cơng thức (6) [6]. như: hàm khoảng cách Fisher, hàm khoảng cách R Divergence, giải thuật Relief, Bài báo áp %Correct Classification = x100% (6) dụng giải thuật chọn biến Relief [3]. S Trong đĩ: R là tổng số mẫu đúng, S là tổng 3.3. Chia dữ liệu Áp dụng cơng thức 1, tính tồn bộ mức năng số mẫu. Giá trị kỳ vọng độ chính xác nhận dạng lượng của bộ dữ liệu. Các mẫu dữ liệu cĩ mức của mơ hình được đề nghị phải đạt hơn 90%. năng lượng gần nhau sẽ được phân vào cùng một 4. Cấu trúc mạng nơron song song nhĩm. Mỗi một nhĩm sẽ cĩ một mức năng lượng Qua quy trình thực hiện mạng nơron đơn ở riêng, mức năng lượng này được tính theo cơng trên, đề tài nhận thấy cĩ các khĩ khăn sau: thức số 2 và được lưu trữ vào bộ nhớ chương - Số lượng mẫu của hệ thống thực tế là rất nhiều. trình. - Các mạng nơron đơn thường khĩ khăn trong việc huấn luyện bộ mẫu dữ liệu cĩ kích thước 3.4. Huấn luyện Mạng nơron nhân tạo được huấn luyện bằng lớn, nên áp dụng nhận dạng chế độ hệ thống điện quá trình học cơ sở dữ liệu, phân tích mối quan thì độ chính xác, độ tin cậy khơng cao. hệ phi tuyến vào ra giữa những thơng số vận Từ đĩ đề tài đề xuất xây dựng một cấu trúc mới (Hình 2) bao gồm một số mạng nơron con 3/7
- đặt song song và hoạt động cùng nhau. Các mạng nơron con song song này được xem xét với cùng đặc tính đầu vào và đầu ra. Thực chất đây là một mạng liên kết chức năng, cĩ các bộ trọng số riêng và độc lập. ANN 1 Ngõ ra Ngõ vào Bộ lựa chọn ANN 2 Ngõ ra ANN n Ngõ ra Hình 2: Cấu trúc của PNNM Mạng nơron song song được cấu tạo từ các nơron con riêng biệt nhau, cùng sử dụng cấu trúc của mạng hồi quy tổng quát, cĩ hàm mục tiêu ngõ ra giống nhau, nhưng khác: Hình 3: Sơ đồ hệ thống điện IEEE 10-máy 39- - Bộ dữ liệu đầu vào: từ kỹ thuật chia dữ liệu sẽ bus New England chia các mẫu cĩ mức năng lượng giống nhau và Dữ liệu được tạo ra thơng qua mơ phỏng 1 nhĩm dữ liệu, và từng nhĩm dữ liệu này sẽ là offline trên phần mềm PowerWorld, được thực dữ liệu đầu vào cho từng nơron con song song. hiện trên hệ thống IEEE 10-máy 39-bus, xét sự - Độ rộng của hàm xuyên tâm: giá trị của độ cố ngắn mạch 3 pha cân bằng tại các bus và dọc rộng hàm xuyên tâm của từng bộ dữ liệu là khác các đường dây truyền tải, với các mức tải từ 20% nhau, vì vậy giá trị này cần kiểm tra thực nghiệm đến 120% tải cơ bản, với thời gian cắt ngắn nhiều lần để tìm ra giá trị tối ưu nhất cho từng mạch cài đặt là 50ms. Kết quả thu được tập mẫu mạng nơron con song song. dữ liệu gồm 3200 mẫu, trong đĩ cĩ 2400 mẫu ổn III. KẾT QUẢ - THẢO LUẬN định và 800 mẫu khơng ổn định, 1. Dữ liệu đầu vào Data(2400,800). Dữ liệu được chuẩn hĩa về Bài báo tiến hành kiểm tra độ chính xác của dạng chuẩn áp dụng theo cơng thức 4. PNNM trên hệ thống điện IEEE 10-máy 39-bus 2. Lựa chọn biến đặc trưng New England. Hệ thống gồm cĩ 39 bus, trong Biến được biểu diễn dưới dạng vectơ đĩ 10 bus là bus máy phát, 12 máy biến áp, 10 x=[ Vbus, Pload, Pflow]. Tổng số biến đầu vào máy phát, 34 đường dây truyền tải và 19 tải. 10 là 104 biến (39+19+46), bao gồm 39 biến độ sụt máy phát được kết nối từ bus 30 đến bus 39, điện áp tại các bus, 19 biến độ lệch cơng suất trong đĩ bus 31 được coi là bus Slack, 9 bus phụ tải, 46 biến độ lệch cơng suất tác dụng phân được gọi là bus PV, 29 bus cịn lại được gọi là bố trên đường dây truyền tải. bus PQ, cĩ 2 cấp điện áp khác nhau là 345kV và Sau khi đã xếp hạng biến ổn định động đặc 20kV. Hệ thống được cho như ở Hình 3. trưng sử dụng giải thuật Relief nhờ kết quả huấn luyện ANN với sự hỗ trợ của phần mềm Matlab. Bài báo thực hiện chọn biến đặc trưng như trong [3] và kết quả tính tốn xếp hạng biến của phương pháp Relief được trình bày ở Hình 4. 4/7
- Hình 6: Phân bố mức năng lượng của dữ liệu Hình 4: Xếp hạng biến theo trọng số Relief khơng ổn định Như vậy, bài báo chọn hệ thống nhận dạng - Trường hợp phân thành 02 mạng nơron song GRNN với số biến đặc trưng là 15. song, thì giá trị năng lượng E để chia 02 nhĩm Sau khi dữ liệu được giảm biến, bộ dữ liệu sẽ là: EI = (40, 91.8); được chia thành tập dữ liệu huấn luyện và tập dữ - Trường hợp phân thành 03 mạng nơron song liệu kiểm tra. Cụ thể tập dữ liệu huấn luyện cĩ song, thì giá trị năng lượng E để chia 03 nhĩm 2400 mẫu gồm 1800 mẫu ổn định, 600 mẫu là: EI = (27, 53, 91.8); khơng ổn định; 75% 25%. Tập dữ liệu kiểm tra - Trường hợp phân thành 04 mạng nơron song cĩ 800 mẫu gồm 600 mẫu ổn định, 200 mẫu song, thì giá trị năng lượng E để chia 04 nhĩm khơng ổn định. Tỷ lệ giữa tập dữ liệu huấn luyện là: EI = (21, 40, 59, 91.8); so với tổng dữ liệu đầu vào là 800/2400 mẫu, - Trường hợp phân thành 05 mạng nơron song tương đương 75%. song, thì giá trị năng lượng E để chia 05 nhĩm 3. Chia dữ liệu là: EI = (17, 32, 48, 63, 91.8); Áp dụng cơng thức (1) tính năng lượng mẫu Từ đĩ ta cĩ bảng phân bố dữ liệu vào các nhĩm cho nhĩm S và nhĩm U, kết quả năng lượng của nơron song song: tập dữ liệu ổn định và khơng ổn định được trình Số mẫu dữ Train Test Mức NL bày ở đồ thị hình 5 và 6: liệu S U S U 1ANN 1800 600 600 200 ANN1 1.37 - 40 1770 455 590 152 2ANN ANN2 40 - 91.8 30 145 10 48 ANN1 1.37 - 27 1701 379 567 126 3ANN ANN2 27 - 53 86 143 29 48 ANN3 53 - 91.8 13 78 4 26 ANN1 1.37 - 21 1610 337 549 109 ANN2 21 - 40 160 119 41 43 4ANN ANN3 40 - 59 22 79 8 28 59 - 91.8 8 65 2 20 Hình 5: Phân bố mức năng lượng của dữ liệu ANN4 ổn định ANN1 1.37 - 17 1511 304 522 95 ANN2 17 - 32 229 118 55 43 5ANN ANN3 32 - 48 32 81 17 31 ANN4 48 - 63 16 43 4 15 ANN5 63 - 91.8 6 54 2 16 Bảng 1: Bảng phân bố dữ liệu vào các nhĩm nơron song song 5/7
- 4. Huấn luyện - Đánh giá Nhằm tạo thuận lợi cho người sử dụng dễ - Số biến đặc trưng là 15 biến. dàng kiểm tra nhận dạng ổn định hệ thống điện, - Số mẫu huấn luyện là 1800 mẫu ổn định, 600 chương trình nhận dạng sự cố được xây dựng mẫu khơng ổn định. Tổng cộng là 2400 mẫu. Tỷ với 02 chế độ điều khiển là tự động và điều khiển lệ huấn luyện so với dữ liệu đầu vào là bằng tay, cĩ 15 biến dữ liệu đầu vào, và kết quả 2400/3200 mẫu, đạt 75%. ngõ ra được hiển thị ở dạng hình ảnh và chữ. - Kết quả huấn luyện được trình bày trong Bảng Giao diện chương trình trình bày ở hình 8 2 Số mạng nơron 1 2 3 4 5 song song Độ chính 95.75 96.91 97.21 96.49 95.39 xác (%) Bảng 2: Kết quả độ chính xác nhận dạng của các mạng nơron song song Hình 8: Giao diện chương trình đánh giá ổn định động hệ thống điện Giao diện chương trình gồm các nút lệnh Start, Reset, Exit. Ngồi ra giao hiện cịn hiển thị sơ đồ mạng IEEE 10-máy 39-bus, và cho biết trạng thái của HTĐ là ‘Ổn định’ hay ‘Khơng ổn định’. Chức năng các nút lệnh: Hình 7: Đồ thị biểu diễn mối quan hệ về độ - Start: nút chạy chương trình. Ở chế độ Auto thì chính xác nhận dạng của các mạng nơron song khi click nút này sẽ hiển thị hộp thoại để nhập song. thời gian mơ phỏng, cịn chế độ Manual thì 5. Thảo luận chương trình nhận dạng sẽ thực hiện ngay. So với kết quả nhận dạng được chấp nhận ở - Reset: cài đặt lại chương trình, hoặc dùng thốt cơng trình đã cơng bố gần đây [6] là 95.75% cho khỏi quá trình mơ phỏng khi đang ở chế độ thấy luận văn sử dụng mạng nơron song song, Auto. huấn luyện bằng mạng hồi quy tổng quát - Exit: thốt chương trình. (GRNN) lần lượt bằng với số mạng nơron con Chương trình cĩ 02 chế độ: là 2, 3, 4, 5 nơron con, với bộ dữ liệu đầu vào là . Chế độ Auto như nhau thì độ chính xác nhận dạng mẫu kiểm Nhập thời gian (đơn vị tính là giây) để thực hiện tra tốt hơn lần lượt là 96.91%, 97.21%, 96.49%, nhận dạng. Giả lập hệ thống cĩ số mẫu đầu vào 95.39%. Ta thấy, với bộ dữ liệu đầu vào là 3200 lần lượt: 7 mẫu ổn định - 3 mẫu khơng ổn định - mẫu (2400 mẫu ổn định, 800 mẫu khơng ổn 7 mẫu ổn định - 3 mẫu khơng ổn định. Tổng định) thì chia thành 3 mạng nơron con đạt được cộng cĩ 20 mẫu đầu vào. Chương trình nhận kết quả chính xác cao nhất. dạng sẽ load lần lượt từng mẫu để nhận dạng. Vì vậy, cấu hình PNNM được chọn gồm: 1 - Giá trị 15 biến ngõ vào của từng mẫu được hiển lớp đầu vào, PNNM gồm 3 mạng nơron con với thị tại 15 ơ trên Input. các ngõ ra độc lập nhau. - Hiển thị mức năng lượng của mẫu. 6. Xây dựng giao diện chương trình nhận - Hiển thị mạng nơron con nào được chọn để dạng ổn định hệ thống điện thực hiện việc nhận dạng. - Kết quả được hiển thị ở dạng hình và chữ: với 6/7
- màu xanh là hệ thống ổn định. Màu đỏ là hệ Kiểm chứng hiệu quả của mơ hình nơron thống khơng ổn định. song song nhận dạng ổn định động hệ thống điện . Chế độ Manual chuẩn IEEE 10-máy 39-bus bằng mơ hình đề Chế độ này tương tự như chế độ Auto, nhưng cĩ xuất. Trong đĩ, mạng nơron cĩ 3 nơron song nút Input để nhập từng mẫu một để thực hiện song cĩ độ chính xác nhận dạng 97.21% so với việc nhận dạng. mơ hình nơron đơn độ chính xác đạt được là 95.75%. Điều này cho thấy hiệu quả của mơ IV. KẾT LUẬN Bài báo nghiên cứu đề xuất quy trình xử lý hình mạng nơron song song so với mạng nơron dữ liệu: chia dữ liệu theo tiêu chuẩn năng lượng, đơn trong bài tốn đánh giá ổn định động hệ kỹ thuật lựa chọn mạng nơron. thống điện. TÀI LIỆU THAM KHẢO 1. Madjid Khalilian, Farsad Zamani Boroujeni, Norwati Mustapha, Md. Nasir Sulaiman, K-Means Divide and Conquer Clustering, International Conference on Computer and Automation Engineering, 2009. 2. M.A. Pai, Energy Function Analysis for Power System Stabili1y, University of Illinois at Champaign/ Urbana, 1989. 3. Phan Viết Thịnh, Luận văn Thạc sĩ: Mạng Nơron nhận dạng ổn định động hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2015. 4. Võ Thanh An, Luận văn Thạc sĩ: Nghiên cứu các phương pháp nhận dạng ổn định hệ thống điện, Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2016. 5. Prabha Kundur, Power System Stability and Control, New York: McGraw Hill, 1994. 6. I. S. Isa, Z. Saad, S. Omar, M. K. Osman, K. A. Ahmad, H. A. Mat Sakim, Suitable MLP Network Activation Functions for Breast Cancer and Thyroid Disease Detection, 2010 IEEE, pp.39-44. Thơng tin liên hệ tác giả chính (người chịu trách nhiệm bài viết): Họ tên: Nguyễn Thái Bình Đơn vị: Học viên Cao học Trường Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh Điện thoại: 090.804.6568 Email: nguyenthaibinhcn@gmail.com XÁC NHẬN CỦA GIÁO VIÊN HƯỚNG DẪN 7/7
- 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.