Ứng dụng mạng nơron trong sa thải phụ tải hệ thống điện

Nội dung text: Ứng dụng mạng nơron trong sa thải phụ tải hệ thống điện

1. ỨNG DỤNG MẠNG NƠRON TRONG SA THẢI PHỤ TẢI HỆ THỐNG ĐIỆN APPLICATION NEUTRAL NETWORK FOR LOAD SHEDDING IN POWER SYSTEM Nguyễn Văn Hải(1), Quyền Huy Ánh(2) 1Học viên trường Đại Học Sư Phạm Kỹ Thuật TP.HCM 2 Trường Đại Học Sư Phạm Kỹ Thuật TP.HCM TÓM TẮT Đảm bảo chế độ vận hành bình thường của hệ thống điện (HTĐ) thì sa thải phụ tải là một trong những yêu cầu rất quan trọng. Sa thải phụ tải nhanh và chính xác là quan tâm hàng đầu trong tất cả các giải pháp về sa thải. Bài báo đề xuất một mô hình điều khiển khẩn cấp, sa thải phụ tải một cách chủ động ngay sau khi xảy ra sự cố làm mất ổn định HTĐ trên cơ sở kết hợp mạng Nơron nhân tạo (ANN), thuật toán K-means, và giải thuật AHP[3]. Mô hình này là phương pháp thay thế để giải quyết những vấn đề khó khăn mà những phương pháp truyền thống không giải quyết được về tốc độ tính toán cũng như hiệu quả. Mô hình đề xuất sẽ được kiểm tra trên HTĐ IEEE 10 máy 39 bus New England, sử dụng phần mềm Powerworld và công cụ ANN Toolbox trong Matlab 2015a. Từ khóa: Sa thải phụ tải, mạng nơron nhân tạo (ANN), mô hình điều khiển, K-means, AHP. ABSTRACT Ensuring the normal operation of the power system, load shedding are one of the most important requirements. Fast and exactly load shedding are a top concern in all load shedding. The paper proposes an emergency control model, which load sheeding positively as soon as an electrical system instability occurs on the basis of a combination of the K-means algorithm, artificial neural network (Artificial Neural Network - ANN) and AHP algorithm. This model is an alternative to solve difficult problems that traditional methods do not solve in terms of speed and efficiency. The method proposed is tested on the IEEE 10 mechine 37 bus system, using PowerWorld software and ANN tool in Matlab 2015a. Keywords: load shedding, artificial neural network (ANN), control model, K-means, AHP. I. GIỚI THIỆU dài, hậu quả lớn nhất sẽ dẫn đến rã lưới. Điện áp và tần số là hai thông số Do đó, cần phải đưa những giá trị này về quan trọng nhất ảnh hưởng đến sự ổn định giá trị ban đầu hoặc thiết lập một điểm ổn của HTĐ. Khi có sự cố, điện áp và tần số định mới khi xảy ra các dao động lớn trong sẽ thay đổi ngoài định mức và nếu để kéo HTĐ. Khi các phương pháp khác không 1
2. thể duy trì được sự ổn định hệ thống thì Mặc dù mỗi nơron đơn lẻ có thể thực phương pháp sa thải phụ tải sẽ được thực hiện những chức năng xử lý thông tin nhất thi để khôi phục lại trạng thái ổn định định, sức mạnh tính toán nơron chủ yếu có nhanh nhất. được nhờ sự kết hợp các nơron trong một Ngoài ra, với sự phức tạp của hệ kiến trúc thống nhất [6]. thống điện, những phương pháp phân tích Mạng nơron truyền thẳng và thuật hệ thống điện truyền thống tốn nhiều thời toán lan truyền ngược sẽ được áp dụng với gian giải nên gây chậm trễ trong việc ra mô hình đề xuất vì sự thiết lập đơn giản và quyết định, tính phi tuyến của hệ thống có độ chính xác cao hơn những mô hình điện cũng có một trở ngại trong việc phân khác [7]. tích ổn định động của hệ thống, cho nên rất cần giải pháp chẩn đoán nhanh và tin cậy. Do đó, ANN [1] được khuyến nghị như là một phương pháp thay thế để giải quyết những vấn đề này dựa trên tốc độ tính toán nhanh và hiệu quả cao hơn. Phương pháp sa thải phụ tài đề xuất là mô hình điều khiển khẩn cấp dựa trên mạng nơron nhân tạo ANN, kết hợp với thuật toán K-means [2] và AHP [3]. Mô hình sa thải phụ tải một cách chủ động ngay sau khi xuất hiện sự cố và đánh giá Hình 1.1: Mô hình ANN tổng quát hệ thống mất ổn định. Vì chiến lược sa thải Nói chung, cấu trúc của ANN gồm phụ tải được thực hiện bằng ANN trên cơ có 3 phần: lớp đầu vào, lớp ẩn và lớp đầu sở học và huấn luyện Off-line [4]. Thuật ra. Lớp đầu vào là lớp có kết nối với thế toán Kmeans giúp phân cụm dữ liệu và giới bên ngoài. Lớp đầu vào sẽ nhận thông chiến lược điều khiển tương ứng với mỗi tin từ thế giới bên ngoài. Lớp ẩn không có cụm, còn AHP sẽ xác định trước vị trí tải kết nối với thế giới bên ngoài, nó chỉ kết cần sa thải dựa trên hệ số tầm quan trọng nối với lớp đầu vào và lớp đầu ra. Lớp đầu của tải đó đối với hệ thống và xây dựng ra sẽ cung cấp đầu ra của mạng ANN cho chiến lược điều khiển dựa trên nó. thế giới bên ngoài sau khi thông tin vào II. PHƢƠNG PHÁP NGHIÊN CỨU được mạng xử lý. 1. Mạng nơron nhân tạo 2. Thuật toán AHP Mạng nơron nhân tạo là một mô hình AHP - một kỹ thuật tạo quyết định, xử lý thông tin phỏng theo cách thức xử lý nó cung cấp một tổng quan về thứ tự sắp thông tin của các hệ nơron sinh học [5]. xếp của những lựa chọn thiết kế và tìm Nơron nhân tạo được tạo ra dựa trên đó, được quyết định cuối cùng hợp lý nhất [8]. nhận các tín hiệu đầu vào, xử lý (nhân các AHP giúp những người làm quyết định tín hiệu này với trọng số liên kết, tính tổng phương án hợp lý và hiểu rõ hơn bản chất các tích thu được rồi gửi kết quả tới hàm của hệ thống. Thuật toán AHP trong mô truyền), và cho một tín hiệu đầu ra (là kết hình đề xuất sẽ tính toán và sa thải phụ tải quả của hàm truyền). 2
3. có tầm quan trọng thấp nhất dựa vào chỉ số Tính khoảng cách giữa các đối tượng tầm quan trọng của phụ tải đó. Sơ đồ khối đến K tâm của thuật toán được trình bày như hình 2.1. Nhóm các đối tượng vào nhóm gần nhất Bắt đầu Xác định lại tâm mới cho các nhóm Thực hiện lại bước 2 cho đến khi Xác định trung tâm tải và các đơn vị không có sự thay đổi nhóm nào của tải các đối tượng. III. SA THẢI PHỤ TẢI SỬ DỤNG MÔ Xây dựng mô hình cấu trúc quyết định HÌNH ĐỀ XUẤT 1. Mô hình đề xuất Xác định hệ số trọng số tầm quan Các giai đoạn chính trong việc xây trọng của trung tâm tải và đơn vị tải dựng và huấn luyện ANN trong việc sa thải phụ tải sẽ dựa theo mô hình điều khiển Tính toán các trọng số ở các đơn vị tải ở hình 3.1 với K-means và AHP hỗ trợ. đối với toàn hệ thống ANN là công cụ chính để đưa ra các chiến lược sa thải theo từng cụm ở trước đó dựa Sắp xếp theo thứ tự giảm dần tầm trên thuật toán K-means, còn AHP sẽ xác quan trọng của các đơn vị tải định trước vị trí tải cần sa thải dựa trên hệ số tầm quan trọng của tải đó đối với hệ Kết thúc thống. Hình 2.1: Sơ đồ khối phương pháp AHP. K- Xnew AHP 3. Thuật toán K-means means K-Means là thuật toán rất quan trọng Cụm và được sử dụng phổ biến trong kỹ thuật CL1 phân cụm. Tư tưởng chính của thuật toán 1 Đối với HTĐ, việc có quá nhiều dữ liệu Input Cụm hay mẫu làm đầu vào cho ANN sẽ gây khó CL2 PGen 2 khăn trong việc huấn luyện, cụ thể, thời Phân A Pload N gian huấn luyện sẽ tăng lên và sai số sẽ lớn Pline cụm Cụm N hơn [9]. Để giảm thiểu những tác động df/dt CL3 3 này, K-means sẽ được áp dụng để phân VBus chia các mẫu dữ liệu vào các nhóm riêng Cụm CL4 biệt, đảm bảo các mẫu dữ liệu trong từng 4 nhóm thì tương đương nhau, còn dữ liệu ở các nhóm thì khác nhau [10]. Hình 3.1: Mô hình điều khiển sa thải phụ tải khẩn cấp. Các bước của thuật toán K-means: Những giai đoạn chính được tóm Chọn ngẫu nhiên K tâm cho K cụm. lược như sau: Mỗi cụm đại diện bằng các tâm của cụm 3
4. Giai đoạn 1. Mô phỏng sự cố offline bằng phần mềm Powerworld Giai đoạn 2. Xây dựng tập mẫu học, chuẩn hóa dữ liệu Giai đoạn 3. Phân nhóm dữ liệu Giai đoạn 4. Đánh giá tầm quan trọng phụ tải bằng phương pháp AHP Giai đoạn 5. Huấn luyện ANN Giai đoạn 6. Kết quả và đánh giá độ chính xác nhận dạng ANN. Hình 3.3: Tần số của hệ thống khi có sự cố bus 37. Để mô hình ANN tăng độ chính xác nhận dạng cũng như giảm trường hợp nhận dạng nhầm, các mẫu dữ liệu thu được thông qua mô phỏng offline đã loại bỏ những mẫu có giá trị trùng nhau. Kết quả số mẫu giảm còn 307 mẫu, trong đó có 158 mẫu ổn định và 149 mẫu không ổn định. Số biến bao gồm 153 biến, đặc trưng cho hệ thống điện gồm có: P Generator (10 biến); Bus volt (39 biến); P Load (19 biến); P line (46 biến) và Bus Frequency (39 Hình 3.2: Sơ đồ hệ thống điện IEEE 10- biến). máy 39-bus New England Sau khi thu thập, dữ liệu này sẽ được chuẩn hóa, tức là quá trình xử lý dữ liệu 2. Quy trình sa thải phụ tải theo mô ngõ vào trước khi đặt chúng làm dữ liệu hình đề xuất huấn luyện. Chuẩn hóa cơ sở dữ liệu giúp 2.1. Mô phỏng sự cố offline bằng phần phân tách một mẫu dữ liệu có cấu trúc mềm Powerworld phức tạp thành những mẫu có cấu trúc đơn Cơ sở dữ liệu đánh giá ổn định động giản theo những quy luật đảm bảo không hệ thống điện được tạo ra thông qua mô làm mất thông tin dữ liệu. Kết quả là sẽ phỏng offline trên phần mềm PowerWorld, làm giảm bớt sự dư thừa và loại bỏ những được thực hiện trên hệ thống IEEE 10-máy sự cố mâu thuẫn về dữ liệu, tiết kiệm được 39-bus. Xét sự cố ngắn mạch 3 pha cân không gian lưu trữ. bằng tại các bus, máy phát và dọc các Chuẩn hóa dữ liệu theo công thức: đường dây truyền tải, với thời gian cắt ngắn mạch cài đặt là 300ms. Trước khi x ij M(xi ) chạy ổn định quá độ để đánh giá thuộc tính x ij σ(x ) (3.1) động của hệ thống điện và phân dữ liệu về i Trong đó: và là giá trị ban đầu một trong hai trạng thái ổn định/không ổn định, đã thực hiện kích hoạt điều chỉnh và giá trị chuẩn hóa của biến đặc trưng thứ kích từ, kích hoạt điều chỉnh tần số và thực i, là giá trị trung bình của dữ liệu, hiện chạy phân bố công suất tối ưu OPF. là phương sai chuẩn của dữ liệu. 4
5. 2.2. Phân nhóm dữ liệu trong trung tâm tải với nhau. Tính toán chỉ Áp dụng giải thuật K-means, các số quan trọng của các phụ tải dựa vào các mẫu dữ liệu ổn định động được chia thành ma trận đó, kết quả như bảng 3.2. 4 cụm. Dựa vào đây, các chiến lược sa thải Bảng 3.2: Thứ tự sa thải phụ tải theo AHP phụ tải sẽ được tính đến và bằng phương STT sa Trung Tải W pháp thử nghiệm, HTĐ này có 4 chiến lược thải tâm tải ij sa thải phụ tải tương ứng 4 cụm. 4 cụm dữ 19 L39 LC1 0.172543 liệu này được khai phá và tìm ra nhờ kết 18 L4 LC1 0.104727 hợp giải thuật AHP sẽ được trình bày trong phần 2.3. Giải thuật K-means tách 149 mẫu 17 L8 LC1 0.104727 mất ổn định thành 4 nhóm gồm có số mẫu 16 L20 LC2 0.082080 trình bày ở bảng 3.1. 15 L7 LC1 0.061118 Bảng 3.1: Kết quả phân cụm dữ liệu. 14 L27 LC3 0.053155 13 L29 LC3 0.053155 Tổng mẫu Cụm Cụm Cụm Cụm 12 L15 LC2 0.048329 mất ổn định 1 2 3 4 11 L16 LC2 0.048329 149 43 39 25 42 10 L3 LC4 0.047017 9 L24 LC2 0.043056 2.3. Đánh giá tầm quan trọng của phụ 8 L28 LC3 0.031606 tải bằng phƣơng pháp AHP 7 L21 LC2 0.030445 Theo thuật toán AHP, xác định 4 6 L25 LC4 0.029619 trung tâm tải tương ứng với 4 vùng như hình 3.4, 4 vùng phụ tải này tương ứng với 5 L23 LC2 0.025351 các cụm dữ liệu được phân ra bởi K-means 4 L26 LC3 0.022349 [11]. 3 L18 LC4 0.018659 2 L12 LC1 0.011867 1 L31 LC1 0.011867 Bảng 3.3: Chiến lược sa thải phụ tải tương ứng với từng cụm dữ liệu Chiến lƣợc sa Phụ tải sa thải thải CL1 L31, L12 CL2 L31, L12, L18 CL3 L31, L12, L18, L26 CL4 L31, L12, L18, L26, L23, L25 Hình 3.4: Sơ đồ các vùng trung tâm tải. Thành lập các ma trận phán đoán cho 2.4. Huấn luyện ANN biết tầm quan trọng giữa các trung tâm phụ Huấn luyện mạng sử dụng Matlab tải với nhau và tầm quan trọng giữa các tải 2015a, thiết lập và chọn các thông số như 5
6. mạng nơron truyền thẳng và thuật toán lan chấp nhận được với các công trình nghiên truyền ngược. Hàm huấn luyện thuật toán cứu trước đây, và có độ chính xác trong Levenberg – Marquardt với độ tối ưu và khoảng 94-97%. nhanh chóng sẽ được sử dụng. Tiêu chuẩn Khi một trạng thái mới của hệ thống dừng đối với quá trình huấn luyện căn cứ được xác định, mẫu mới Xnew này sẽ được vào sai số sinh ra bởi ANN, dựa vào sai số ANN phân vào cụm tương ứng có dữ liệu tuyệt đối phần trăm và sai số tuyệt đối tương đồng với nó. Từ đó đưa ra chiến trung bình phần trăm. lược sa thải tương ứng. Bảng 3.4: Cụm dữ liệu đầu vào và ra: Thời gian delay khi chương trình xử Đầu vào (4 cụm Đầu ra tƣơng ứng với lý dữ liệu từ các thiết bị đo lường khoảng dữ liệu) chiến lƣợc sa thải 20ms. Trong các nghiên cứu sa thải phụ Cụm 1 (43 mẫu) Chiến lược 1 (CL1): tải, ổn định tần số và điện áp là hai vấn đề [43x153] [1 0 0 0] quan trọng nhất, vì vậy thời gian delay Cụm 2 (39 mẫu) Chiến lược 2 (CL2): điển hình các thành phần như thu thập dữ [39x153] [0 1 0 0] liệu, xử lý tín hiệu, truyền tín hiệu đi và Cụm 3 (25 mẫu) Chiến lược 3 (CL3): mắt cắt hoạt động vào khoảng 290ms. Khi [25x153] [0 0 1 0] đó khoảng thời gian delay sẽ rơi vào khoảng 290 - 400ms. Cụm 4 (42 mẫu) Chiến lược 4 (CL4): [42x153] [0 0 0 1] Thời gian delay của quá trình sa thải phụ tải: Bảng 3.5: Kết quả huấn luyện và kiểm tra của bộ nhận dạng ANN [12] [13]: Thiết bị đo lường: 20ms Hệ thống thông tin liên lạc: <200ms Độ chính Lần huấn Độ chính xác Máy cắt tải hoạt động: 30ms xác huấn kiểm tra (%) luyện luyện (%) Thời gian xử lý tính toán: <40ms 1 97,93 96,20 Tổng cộng: <290ms 2 99,08 96,20 Luận văn sẽ chọn khoảng thời gian 3 96,88 95,42 cắt của CB là 300ms, đây là biên độ thời 4 100,00 95,83 gian delay an toàn (vì 290ms<300ms). Số 5 97,43 96,20 liệu này phù hợp với công bố trong [14]. 6 100,00 94,25 7 98,68 95,42 3. Kết quả và đánh giá độ chính xác 8 98,44 96,00 nhận dạng ANN 9 100,00 99,00 Luận văn trình bày kết quả thực hiện 10 94,20 92,56 cho hai trường hợp sự cố ngắn mạch ba Trung 98,26 95,70 pha tại bus 37 và đường dây 29-38. Áp bình dụng chương trình sa thải phụ tải đề xuất, Nhóm mẫu không ổn định ban đầu theo kết quả tính toán thì chiến lược sa thải có 149 mẫu phân ra thành 4 nhóm tương (CL4) được thực thi. Kết quả mô phỏng ứng với 4 chiến lược sa thải phụ tải. Độ sau sự cố bus 37 trình bày ở hình 3.5 và chính xác kiểm tra nhận dạng 4 nhóm này hình 3.6, đường dây 29-38 trình bày ở hình bằng 95,7% sau 10 lần lặp. Đây là kết quả 3.7 và 3.8. 6
7. Quan sát đồ thị dạng sóng các góc rotor và tần số các bus sau sự cố bus 37 cho thấy hệ thống đã ổn định trở lại sau khoảng thời gian 50s. So sánh với phương pháp sa thải dưới tần số (UFLS) với thời gian bắt đầu sa thải phụ tải là khoảng 2.9s sau sự cố, xét đến trường hợp lý tưởng là cắt đúng và cắt đủ đối với phương pháp này, tần số HTĐ sau khi sa thải được thể Hình 3.5: Tần số HTĐ sau sự cố bus 37. hiện ở hình 3.9. Hình 3.6: Góc rotor HTĐ sau sự cố bus 37. Hình 3.9: Tần số HTĐ sau sự cố bus 37 sử dụng phương pháp UFLS. Phương pháp sa thải bằng giải thuật AHP cũng sẽ được xét đến để so sánh sự hiệu quả đối với giải thuật đề xuất, phương pháp này dựa trên tần số để thực thi, cùng với đó là đánh giá tầm quan trọng các phụ tải trong hệ thống để sa thải. Hình 3.7: Tần số HTĐ sau sự cố line 27-38. Hình 3.9: Tần số HTĐ sau sự cố bus 37 sử dụng phương pháp UFLS. Hình 3.8: Góc rotor sau sự cố line 27-38. 7
8. Quan sát 3 dạng sóng tần số của ba toán Kmeans giúp phân cụm dữ liệu và phương pháp khác nhau, nhận thấy chiến lược điều khiển tương ứng với mỗi phương pháp sa thải phụ tải đề xuất có cụm, còn AHP sẽ xác định trước vị trí tải những lợi thế nhất định (Bảng 3.6). cần sa thải dựa trên hệ số tầm quan trọng Bảng 3.6: Bảng so sánh giá trị tần số của của tải đó đối với hệ thống và xây dựng các phương pháp sa thải phụ tải. chiến lược điều khiển dựa trên nó. Giá trị Hiệu quả của mô hình sa thải phụ tải Công Thời tần số đề xuất được kiểm tra dựa trên hệ thống Loại Sa suất sa gian phục IEEE 10-máy 39-bus thông qua mô phỏng thải thải phục hồi sự cố offline trên phần mềm PowerWorld, (MW) hồi (s) (Hz) sau đó, thực hiện sa thải phụ tải thông qua Sa thải công cụ ANN Toolbox trên phần mềm 785,2 60 60,26 theo AHP Matlab. Phân tích kết quả sa tải phụ tải, nhận thấy phương pháp sa thải phụ tải đề Sa thải 937,1 65 60,14 xuất có thời gian phục hồi tần số nhanh theo UFLS hơn và lượng công suất cần sa thải thấp Sa thải hơn so với phương pháp truyền thống theo theo AHP và phương pháp UFLS. phương 785,2 50 60,26 Giá trị khoa học và thực tiễn của luận pháp đề văn: Mô hình sa thải phụ tải được xây xuất dựng có thể sử dụng để trợ giúp trong huấn Phân tích kết quả trong Bảng 3.6, luyện các điều độ viên ra quyết định trong nhận thấy phương pháp sa thải phụ tải đề những tình huống khẩn cấp, sớm đưa hệ xuất có thời gian phục hồi tần số nhanh thống điện về trạng thái ổn định. hơn nếu so với phương pháp sa thải truyền TÀI LIỆU THAM KHẢO thống theo AHP và công suất cần sa thải thấp hơn nếu so với phương pháp UFLS. Tiếng Việt Vì vậy, mô hình đề xuất chính là hướng đi [1] TS. Lê Minh Trung, KS. Trương Văn quan trọng để duy trì hoạt động của HTĐ, Thiện, Mạng Nơron nhân tạo, Nhà ngăn chặn sự cố xảy ra một cách chủ động, xuất bản Thống Kê. nâng cao độ tin cậy cung cấp điện và đảm [2] Lê Tấn Thông, Tối ưu sa thải phụ tải bảo chất lượng điện năng. trong hệ thống điện, luận văn thạc sỹ, IV. KẾT LUẬN 2012. [3] Lê Thanh Phong, Phương pháp sa Luận văn đề xuất mô hình mới trong thải phụ tải dựa vào độ nhạy điện áp điều khiển sa thải phụ tải khẩn cấp bằng và thuật toán AHP, Luận văn thạc sỹ, mạng nơron nhân tạo ANN, kết hợp với 2014. thuật toán Kmeans và AHP. Ý tưởng mới của mô hình là sa thải phụ tải một cách chủ Tiếng Anh động ngay sau khi xuất hiện sự cố và đánh [4] O.Saad, J.Mahseredijan, IEEE PES giá hệ thống mất ổn định. Vì chiến lược sa Task Force on Benchmark Systems for thải phụ tải được thực hiện bằng ANN trên Stability Systems ( Report on the cơ sở học và huấn luyện Off-line. Thuật 8
9. EMTP – RV 39 bus-systems), Version Thông tin liên hệ tác giả chính: 1.5 – Mars 04, 2015. Họ tên: Nguyễn Văn Hải [5] Powerworld 18. Đơn vị: Học viên trƣờng ĐH Sƣ Phạm [6] H. Demuth, Math Beale, Neural Kỹ Thuật TP.HCM. Network Toolbox, For Use with Điện thoại: 01649671970 MATLAB, 2015. [7] Majid Moazzami, Amin Email: haivannguyen2511@gmail.com Khodabakhshian, and Rahmat-Allah Hooshmand, A New Optimal Under- frequency Load-shedding Method Using Hybrid Culture–Particle Swarm Optimization – Co-evolutionary Algorithm and Artificial Neural Networks, Department of Electrical Engineering, 2015. [8] Ripley B.D, Pattern Recognition & Neural Networks, Cambridge Uni Press, 1996. [9] 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, trang 39-44. [10] B.Verma, Neural Network Based Classifier Ensembles: A Comparative Analysis, Central Queensland University, Australia, 2010. [11] Novosel, D.; King, R.L., Using Artifical Neutral Networks for load shedding to alleviate overloaded lines, Vol 9, Issue 1. [12] Primoz Potocnik, Neural Networks: MATLAB examples, 2012, pp.1-91. [13] Matlab R2014b, Neural Network Toolboox User’s Guide, version 4, 2014. [14] Tohid Shekari, Farrokh Aminifar, and Majid Sanaye-Pasand, An Analytical Adaptive Load Shedding Scheme Against Severe Combinational Disturbances, IEEE, 2015. 9
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 2017-2018 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.