Nhận dạng và phân loại các tín hiệu quá độ trong hệ thống điện
Bạn đang xem tài liệu "Nhận dạng và phân loại các tín hiệu quá độ trong hệ thống điện", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên
Tài liệu đính kèm:
nhan_dang_va_phan_loai_cac_tin_hieu_qua_do_trong_he_thong_di.pdf
Nội dung text: Nhận dạng và phân loại các tín hiệu quá độ trong hệ thống điện
- NHẬN DẠNG VÀ PHÂN LOẠI CÁC TÍN HIỆU QUÁ ĐỘ TRONG HỆ THỐNG ĐIỆN Hồ Thiện Tuấn1, Quyền Huy Ánh2 1 Điện lực An Giang 2 Khoa Điện-Điện Tử, Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, Việt Nam Tóm tắt Bài báo giới thiệu phương pháp nhận dạng và phân loại các hiện tượng quá độ trên hệ thống điện bằng cách sử dụng mạng nơron kết hợp với kỹ thuật phân tích wavelet đa phân giải. Các tín hiệu quá độ được mô phỏng bằng phần mềm Matlab, gồm các hiện tượng: sụt điện áp, tăng điện áp, họa tần, chập chờn điện áp, gián đọan điện áp, quá độ khi đóng cắt trạm tụ bù. Áp dụng định lý Parseval vào kỹ thuật phân tích wavelet đa phân giải sẽ trích ra được các đặc trưng của từng tín hiệu quá độ. Mạng nơron xác suất được sử dụng để nhận dạng nhanh và phân loại từng tín hiệu quá độ. Phương pháp đề xuất đã phân loại một cách hiệu quả các tín hiệu trên. Từ khóa: Identification, Classification, Power Quality, Disturbances, Power Network, Matlab/Simulink. IDENTIFICATION AND CLASSIFICATION OF POWER QUALITY DISTURBANCES IN POWER NETWORK Abstract: The paper presents a method of identification and classification of power system disturbances by neural network based on the multi-resolution analysis wavelet technique. Various transient phenomena of voltage sag, voltage swell, harmonics, flicker, interruption, capacitor bank switching transients were simulated by transient caculation software Matlab/Simulink for further analysis by wavelet technique. Application of Parseval’s theorem of energy calculation at various decomposition level will extract interesting features from signals in analysis. Probabilistic neural network technique was then used to recognize and classify automatically transient signals obtained from numerical experiment. Results obtained from numerical experiments shows the merit, as well as the feasibility of the proposed approach. Keywords: Nhận dạng, Phân loại, Chất lượng điện năng, Nhiễu, Hệ thống điện, Matlab/Simulink.
- 1. Giới thiệu Hiện nay chất lượng điện năng đang được quan tâm rất nhiều ở các nước đã và đang phát triển. Người tiêu dùng không những yêu cầu được cấp điện liên tục mà còn đòi hỏi nguồn điện “sạch”, đảm bảo chất lượng, không ảnh hưởng tới các thiết bị. Các hiện tượng quá độ xảy ra trên hệ thống điện sẽ gây ra các thay đổi về biên độ và tần số của điện áp nguồn. Các thay đổi trên điện áp nguồn cung cấp sẽ ảnh hưởng trực tiếp đến chất lượng điện năng, làm giảm chất lượng nguồn điện sử dụng. Nhận biết các nguyên nhân gây ra thay đổi điện áp hệ thống sẽ giúp cải thiện rất lớn vấn đề chất lượng điện năng. Đặc biệt, phân loại nhanh và chính xác các tín hiệu quá độ sẽ giúp người vận hành hệ thống có những phương pháp thích hợp nâng cao chất lượng điện năng. Đã có những bài báo [1], [2], [3] và [4] trình bày cách nhận dạng các tín hiệu quá độ dựa vào phân bố các mức năng lượng của tín hiệu thông qua phân tích wavelet đa phân giải, phân loại kết hợp giữa mạng nơron và phân tích wavelet, hoặc phân loại thông qua tập luật của logic mờ và phân tích wavelet. Như vậy, có thể sử dụng kỹ thuật biến đổi wavelet để trích các đặc trưng năng lượng của tín hiệu, sau đó kết hợp với các kỹ thuật trí tuệ nhân tạo để tạo thành bộ phân loại hiệu quả. Tuy nhiên có 2 vấn đề cần quan tâm ở đây: Sử dụng các hệ số biến đổi wavelet sẽ tạo ra dữ liệu rất lớn, tốn nhiều thời gian. Cấp độ phân tích và các mẫu đặc trưng cần được giảm bớt để tăng hiệu quả tính toán nhưng phải đảm bảo độ chính xác khi nhận dạng. Bài báo này trình bày bộ phân loại được kết hợp giữa kỹ thuật phân tích wavelet đa phân giải và mạng nơron xác suất. Việc áp dụng định lý Parseval sẽ làm giảm đáng kể các mẫu đặc trưng của tín hiệu. Tốc độ học rất nhanh của mạng nơron sẽ phù hợp cho việc phân loại và chẩn đoán sự cố trong thời gian thực. Trong bài báo, 70 tín hiệu quá độ là dữ liệu huấn luyện cho mạng nơron và 21 tín hiệu khác là dữ liệu để thử nghiệm cho bộ phân loại. Các tín hiệu này được mô phỏng dựa trên phần mềm Matlab. Các kết quả thí nghiệm bằng số cho thấy phương pháp được đề xuất phân loại một cách hiệu quả các tín hiệu quá độ. 2. Các tín hiệu quá độ trên hệ thống điện Ngoài tín hiệu sóng sin chuẩn, bài báo giới thiệu 6 tín hiệu quá độ được nghiên cứu nhận dạng và phân loại. Các tín hiệu này có được bằng cách mô phỏng quá độ các mạch trên phần mềm Matlab/Simulink. Dạng sóng thu được của các tín hiệu này như Hình 1. Võng điện áp Tăng điện áp
- Mất điện tạm thời Đóng cắt tụ Nhấp nháy điện áp Méo họa tần Hình 1 Dạng sóng các tín hiệu quá độ 3. Kỹ thuật wavelet trong phân tích các nhiễu của lưới điện Kỹ thuật phân tích wavelet đa phân giải được sử dụng để trích các đặc trưng từ các dạng sóng nhận được. Ngoài ra, phân bố năng lượng của thành phần chi tiết của tín hiệu được tính bằng định lý Parseval để lấy các đặc trưng của tín hiệu. 3.1. Phân tích wavelet đa phân giải Đặc tính chính của biến đổi wavelet rời rạc là kỹ thuật phân tích đa phân giải. Kỹ thuật này được dùng để phân tích một tín hiệu ban đầu thành nhiều tín hiệu con với các cấp phân giải (các tỉ lệ) khác nhau. Biểu diễn toán học của phân tích wavelet đa phân giải như sau: VWVWWWWVjjjjjjj nn. . .11123 1 Trong đó: Vj+1 là thành phần xấp xỉ của tín hiệu ở tỉ lệ j+1. Wj+1 là thành phần chi tiết của tín hiệu ở tỉ lệ j+1. ⊕ ký hiệu cho tổng của 2 tín hiệu đã phân tích n là cấp phân tích. Giả sử tín hiệu xj[t] được lấy mẫu theo các khoảng thời gian như nhau, với số lượng J mẫu là N=2 , J là số nguyên thì xj[t]=(v0, v1, , vN-1). Biểu diễn toán học biến đổi wavelet DWT của xj[t] là: xj t x j t.2 j, k t k
- 3.2. Định lý Parseval Nếu một tín hiệu rời rạc x[n] là dòng điện chạy qua điện trở 1Ω thì năng lượng tiêu thụ của điện trở này bằng tổng bình phương các hệ số của biến đổi Fourier trong miền tần số. Với N là chu kỳ lấy mẫu, ak là các hệ số biến đđổi Fourier: 2 2 1/3Nx na k nNkN Ứng dụng định lý này vào phép biến đổi DWT, kết hợp (2) và (3) ta nhận được phương trình (4): J 2 22 1/1/1/4Nx tNuNw Jj kJj k ,, nNkj 1 Như vậy, bằng phép biến đổi wavelet rời rạc, năng lượng của tín hiệu quá độ được biểu diễn theo (4). Số hạng thứ nhất vế phải của (4) biểu diễn công suất trung bình của thành phần xấp xỉ của tín hiệu. Số hạng thứ hai biểu diễn công suất trung bình của thành phần chi tiết của tín hiệu. Số hạng này biểu diễn các đặc trưng trong phân bố năng lượng của thành phần chi tiết của tín hiệu. Nó được chọn để lấy ra các đặc trưng của công suất tín hiệu quá độ. 3.3. Chọn các đặc trưng của tín hiệu: Khi một nhiễu quá độ xảy ra, tín hiệu công suất trên hệ thống sẽ tạo ra một trạng thái gián đoạn ở thời điểm bắt đầu và kết thúc của thời gian quá độ. Chọn kỹ thuật DWT để phân tích tín hiệu méo dạng này. Qua phân tích đa phân giải MRA cấp 1 sẽ tạo ra các hệ số waveletes w1 ở thời điểm bắt đầu và kết thúc của quá độ. Thời điểm bắt đầu ts và thời điểm kết thúc te của quá trình quá độ sẽ nhận được từ việc biến đổi trị tuyệt đối các hệ số wavelet w1 và tính được thời gian xảy ra quá độ tt. ttt – 5 tes Để lọc nhiễu và hiệu chỉnh tt, cần thay đổi các hệ số w1 bằng cách trừ độ lệch chuẩn của trị tuyệt đối các hệ số wavelet với trị tuyệt đối các hệ số wavelet. Theo (4), năng lượng của tín hiệu méo có thể được phân chia ở nhiều cấp phân giải theo nhiều cách khác nhau tùy thuộc vào bài toán chất lượng điện năng. Do đó cần xác định hệ số w của thành phần chi tiết ở mỗi cấp phân giải để trích ra các đặc trưng của tín hiệu méo dạng cho việc phân loại các bài toán chất lượng điện năng khác nhau. Quá trình này được biểu diễn toán học như sau: 22 Pj 1/ N j w j, k w j / N j 6 Với ||wj|| là tiêu chuẩn của sự mở rộng hệ số wj Phương trình (6) có 4 tính chất đặc biệt:
- Hàm wavelet Daubanchie “db4” được chọn để thực hiện biến đổi DWT. Vì vậy sẽ tạo ra các phân bố năng lượng lớn hơn đối với các cấp phân tích 6, 7 và 8. Tuy nhiên khi sử dụng các hàm wavelet khác nhau sẽ tạo ra các kết quả khác nhau. Sự phân bố năng lượng không bị ảnh hưởng bởi thời gian xảy ra quá độ. Đường phân bố năng lượng không đổi cho dù biên độ của cùng một loại quá độ có thay đổi. Phân bố năng lượng bậc thấp biểu diễn những thay đổi rõ khi tín hiệu méo có chứa các thành phần tần số cao. Ngược lại, phân bố năng lượng bậc cao sẽ chỉ rõ những thay đổi của tín hiệu chứa các thành phần tần số thấp. Chuẩn hóa (6) thành (7) để diễn tả rõ những đặc điểm trên: D 1/2 PPjj 7 4. Nhận dạng và phân loại các hiện tượng quá độ Mạng nơron xác suất được sử dụng để nhận dạng và phân loại các tín hiệu dựa vào các đặc trưng được trích ra theo trình bày trong phần trên. 4.1. Mô hình mạng nơron xác suất: Giới thiệu về mạng nơ rôn xác suất đã được trình bày trong phần trước, trong mục này sẽ nêu chi tiết mô hình mạng và biểu diễn toán học của mạng. Mô hình cấu trúc mạng dùng cho bài toán nhận dạng, phân loại gồm 3 lớp (lớp vào, lớp ẩn và lớp ra), hình thành nên tầng cơ sở xuyên tâm và tầng cạnh tranh, như hình 2. Hình 2 Cấu trúc tổng quát mạng PNN Trong đó: Lớp vào có i nơ rôn nhận các ngả vào X = [X1, X2, . . ., Xi ] Lớp ẩn có k nơ rôn H = [H1, H2, . . ., Hk ]
- Lớp ra có j nơ rôn nối với các ngả ra Y = [ Y1, Y2, . . ., Yj ], mỗi Yi đại diện cho một dạng cần phân loại. xh hy Trọng số kết nối giữa lớp vào và lớp ẩn là Wih , lớp ẩn và lớp ra là Whj . PNN là dạng mạng học có giám sát và có những tính chất khác biệt so với những dạng mạng khác trong quá trình học. Các khác biệt này gồm: Mạng được thực hiện bằng mô hình xác suất, như bộ phân loại Bayes. Mạng PNN được đảm bảo hội tụ tới bộ phân loại Bayes miễn là nó được cung cấp đủ dữ liệu huấn luyện. Không yêu cầu quá trình học. Không cần đặt các trọng số ban đầu cho mạng. Không có quan hệ giữa quá trình học và quá trình gọi lại. Không dùng sai số giữa vectơ ra và vectơ mẫu để hiệu chỉnh trọng số mạng. 4.2. Hàm mật độ xác suất: Trong ứng dụng để phân loại tín hiệu, các mẫu huấn luyện được sắp xếp theo các giá trị phân bố hàm mật độ xác suất của chúng. Hàm mật độ xác suất được định nghĩa theo phương trình (8): Tốc độ học của mạng PNN rất nhanh, phù hợp với bài toán phân loại tín hiệu và chẩn đoán sự cố. Trong ứng dụng để phân loại tín hiệu, các mẫu huấn luyện được sắp xếp theo các giá trị phân bố hàm mật độ xác suất (PDF – Probabilistic Density Function). PDF là nguyên tắc cơ bản của mạng PNN. Hàm PDF được định nghĩa: Nk 12 fk X N kexp X X kj / 2 8 j 1 Định nghĩa và áp dụng phương trình (9) cho vectơ ra H trong lớp ẩn của mạng PNN như sau: 2 HXW exp/ 29 xh 2 hiih Thuật toán tạo vectơ ngả ra Y trong mạng PNN là: 1 hy netNWHijhjh . h hy NWjhj H h .10 h neti max netkj Y 1 11 neti max netYkj 0 Với:
- i là số lượng các lớp vào, h là số các lớp ẩn, y là số lớp ra, k là số mẫu huấn luyện, Nk là số nhóm cần nhận dạng, là thông số san bằng (độ lệch chuẩn), 0.1 < < 1 , thường chọn =0.5, X là vectơ vào, || X – Xkj|| là khoảng cách Ơ-clit giữa vectơ X và vectơ Xkj, 2 XXXX – –kjikj 12 xh Wih là trọng số kết nối giữa lớp vào X và lớp ẩn H, hj Whi là trọng số kết nối giữa lớp ẩn H và lớp ra Y. 4.3 Nhận dạng các hiện tượng quá độ bằng mạng PNN Mặc dù mạng PNN có một số bất lợi như cần bộ nhớ lớn, thời gian gọi lại tỉ lệ với số mẫu huấn luyện nhưng ta có thể khắc phục bằng định lý Parseval để giảm bớt số mẫu huấn luyện. Trong đề tài này, người thực hiện đã thực hiện phân tích 13 cấp đối với từng tín hiệu rời rạc méo dạng để nhận các hệ số của thành phần chi tiết w1 . . . w13. Sử dụng phương trình (5), bằng cách bình phương các hệ số wavelet trong phân tích bậc 1 sẽ nhận được thời gian xảy ra nhiễu loạn tt Đồng thời, qua các phương trình (6) và (7) ta sẽ thu được phân bố năng lượng của 13 D D mức phân tích P1 . . . P13 . Các đặc trưng này được đưa vào mạng PNN để sử dụng cho quá trình nhận dạng và phân loại các tín hiệu méo dạng. D Các giá trị tt và Pi được sử dụng làm các mẫu vào cho mạng PNN, ngả ra của mạng sẽ cho biết loại tín hiệu quá độ tương ứng với các mẫu vào. Thủ tục thực hiện được trình bày trong Hình 3.
- Hình 3 Bộ phân loại dùng mạng PNN 5. Kết quả 5.1. Kết quả nhận dạng các đặc trưng năng lượng Nguời viết đã thực hiện phương pháp nhận dạng và phân loại bằng cách sử dụng phần mềm mô phỏng quá độ và các hàm toán học trong phần mềm Matlab 2015 để tạo ra sóng sin chuẩn (tần số 50Hz, biên độ 1pu) và sáu tín hiệu méo dạng quá độ. Các tín hiệu này gồm: mất điện tạm thời, đóng cắt tụ, võng điện áp, tăng điện áp, méo họa tần và nhấp nháy điện áp. Các tín hiệu này được chuyển sang dữ liệu rời rạc (tập tin *.mat) thông qua biến đổi wavelet với hàm “db4”. Thành phần chi tiết của phân tích wavelet 3 cấp và 13 mức phân bố năng lượng của sóng sin chuẩn được biểu diễn trên hình 4 Từ các hình trong hình vẽ 4, có thể đưa ra 3 đặc tính của đồ thị phân bố năng lượng các tín hiệu méo dạng. Những đặc tính này dùng làm cơ sở cho việc phân loại các hiện tượng quá độ. D Khi xảy ra võng điện áp, tăng điện áp hoặc mất điện tạm thời thì các thành phần P6 , D D P7 và P8 sẽ thay đổi lớn. D Khi xảy ra quá độ tần số cao như đóng cắt tụ, méo họa tần thì các thành phần P3 , D D P4 và P5 có sự thay đổi rõ ràng. D D D Khi xảy ra quá độ tần số thấp thì các thành phần P9 , P10 và P11 sẽ thay đổi rõ.
- Sóng sin chuẩn và phân tích wavelet 3 cấp Phân bố năng lượng của sóng sin chuẩn Dạng sóng võng điện áp và phân tích Phân bố năng lượng của võng điện áp wavelet 3 cấp Dạng sóng tăng điện áp và phân tích Phân bố năng lượng của tăng điện áp wavelet 3cấp Dạng sóng méo họa tần và phân tích Phân bố năng lượng của méo họa tần wavelet 3 cấp Dạng sóng nhấp nháy điện áp và phân tích Phân bố năng lượng của nhấp nháy điện áp wavelet 3 cấp
- Dạng sóng mất điện tạm thời và phân tích Phân bố năng lượng của mất điện tạm thời wavelet 3 cấp Dạng sóng đóng cắt tụ điện và phân tích Phân bố năng lượng của đóng cắt tụ wavelet 3 cấp Hình 4 Dạng sóng điện áp tức thời các tín hiệu quá độ và phân bố 13 mức năng lượng của chúng Các đặc tính này cũng là lý do để người thực hiện chọn phân tích DWT 13 cấp. Nếu phân tích cấp thấp hơn thì dữ liệu sẽ giảm bớt nhưng không biểu diễn được các thay đổi tần số thấp. Để quan sát rõ hơn sự khác biệt trong phân bố năng lượng của các tín hiệu méo dạng, có thể biểu diễn phân bố năng lượng của 7 tín hiệu trên cùng một đồ thị 3 chiều như hình vẽ 5 Hình 5 Biểu diễn phân bố năng lượng của 7 tín hiệu 5.2. Kết quả thí nghiệm và phân loại: Mô hình mạng nơron xác suất được thực hiện trong Toolbox Neural Networks của Matlab. Chương trình được viết ở dạng tập tin *.m. Vì khoảng thời gian xảy ra của các tín
- hiệu có sự tương đồng nên có thể bỏ qua thông số về thời gian. Dữ liệu đầu vào của mạng được chọn là 13 mức năng lượng của các tín hiệu. Ngõ ra của mạng được chọn theo thứ tự từ 1 đến 7 tương ứng với các tín hiệu sin chuẩn, sụt điện áp, tăng điện áp, họa tần, chập chờn điện áp, gián đọan điện áp, đóng cắt trạm tụ bù. Kết quả cho thấy với 70 mẫu huấn luyện, 21 mẫu thử nghiệm có 19 mẫu được nhận dạng chính xác (độ chính xác >91%), 2 mẫu được nhận dạng không thật chính xác rơi vào các trường hợp sụt điện áp và tăng điện áp với mức biên độ thay đổi quá thấp, thời gian học 2,5 s, thời gian thử nghiệm 0.02 s. 6. Kết luận Bài báo nêu lên một phương pháp để nhận dạng các tín hiệu quá độ dựa vào bộ phân loại bằng mạng nơron xác suất kết hợp với kỹ thuật phân tích wavelet đa phân giải. Phương pháp đề xuất đã giảm đáng kể các mẫu đặc trưng của tín hiệu nhưng vẫn giữ được tính chất riêng của nó. Các tín hiệu quá độ được mô phỏng trong phần mềm Matlab mang tính thực tế cao làm cho phương pháp đề xuất có ý nghĩa thực tế hơn. Kết quả thử nghiệm cho thấy bộ phân loại này có thể nhận dạng tương đối tốt các tín hiệu quá độ và thuật tóan đề nghị có thể là cơ sở ban đầu cho các kỹ thuật nhận dạng theo thời gian thực đối với các sự cố xảy ra trong hệ thống điện. Tài liệu tham khảo [1]. T.X Zhu and S.K Tso, Wavelet-Based Fuzzy Reasoning Approach to Power Quality Disturbances Recognition, IEEE Transactions on Power Delivery, Vol.19, No.4, 2004. [2]. Zwe-Lee Gaing, Wavelet-Based Neural Network for Power Disturbances Recognition and Classification, IEEE Transactions on Power Delivery, Vol.19, No.4, 2004. [3]. S. Santoso, Power Quality Disturbance Waveform Recognition Using Wavelet – Based Neural Classifier – Part 1, Part 2, IEEE Transactions on Power Delivery, Vol.15, 2000. [4]. Rosa M de Castro Fernandez, Horacio Nelson Diaz Rojas, An Overview of Wavelet Transforms Applications in Power Systems, IEEE Transactions on Power Delivery, pp. 24 - 28 June 2002.
- 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 B n ti ng Vi t ©, T NG I H C S PH M K THU T TP. H CHÍ MINH và TÁC GI Bản quếy n táệc ph mRƯ ãỜ cĐ bẠ o hỌ b Ưi Lu tẠ xu t Ỹb n vàẬ Lu t S hỒ u trí tu Vi t Nam. NgẢhiêm c m m i hình th c xu t b n, sao ch p, phát tán n i dung khi c a có s ng ý c a tác gi và ả ng ề i h ẩ pđh đưm ợK thuả tộ TP.ở H ậChí Mấinh.ả ậ ở ữ ệ ệ ấ ọ ứ ấ ả ụ ộ hư ự đồ ủ ả Trườ Đạ ọCcÓ Sư BÀI BạÁO KHỹ OA ậH C T ồT, C N CHUNG TAY B O V TÁC QUY N! ĐỂ Ọ Ố Ầ Ả Ệ Ề Th c hi n theo MTCL & KHTHMTCL h c 2017-2018 c a T vi n ng i h c S ph m K thu t Tp. H Chí Minh. ự ệ Năm ọ ủ hư ệ Trườ Đạ ọ ư ạ ỹ ậ ồ