Xử lý dữ liệu trong chẩ n đoán ổn định động hệ thống điện dùng mạng neural

Nội dung text: Xử lý dữ liệu trong chẩ n đoán ổn định động hệ thống điện dùng mạng neural

1. XỬ LÝ DỮ LIỆU TRONG CHẨ N ĐOÁ N ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN DÙNG MẠNG NEURAL Võ Thanh An 1,a, Quyền Huy Á nh1,b 1Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, UTE-HCM athanhan420@gmail.com, bqhanh@hcmcute.edu.vn TÓM TẮT Đối với hệ thống điện nhiều máy, quy mô của bộ dữ liệu ổn định động rất lớn, gây tốn chi phí huấn luyện của các hệ thống thông minh. Do đó, cần trích xuất tập dữ liệu đủ gọn nhưng vẫn mang tính đại diện cho hệ thống, giúp chẩn đoán nhanh và chính xác ổn định động hệ thống điện. Kỹ thuật xử lý dữ liệu được áp dụng là kỹ thuật lựa chọn biến đặc trưng và kỹ thuật phân cụm dữ liệu. Bài báo đề nghị áp dụng giải thuâṭ Relief đ ể lựa chọn biến và so sánh với phương phá p chọn biến sử dụng hai hàm khoảng các h Fisher và Divergence. Kỹ thuật phân cụm dữ liệu áp dụng hai giải thuật phổ biến là Kmeans và Fuzzy Cmeans. Hai bộ nhận dạng được tiến cử để đánh giá độ chính xác nhận dạng là mạng neural GRNN (Generalized Regression Neural Network) và MLPNN (Multilayer Perceptron Neural Network). Kết quả kiểm tra trên sơ đồ IEEE 39-bus cho thấy giải thuật chọn biến Relief với bộ nhận dạng GRNN, áp dụng cho bộ mẫu phân cụm Kmeans, cho kết quả có thời gian huấn luyện nhanh hơn và độ chính xác kiểm tra cao hơn các phương pháp còn lại. Giải thuật Relief và Kmeans giúp số biến và mẫu giảm đáng kể trong khi vẫn đảm bảo độ chính xác nhận dạng cao. Từ khóa: chẩn đoán ổn định động, mạng neural nhân tạo, xử lý dữ liệu, lựa chọn biến, phân cụm. 1. GIỚI THIỆU xuất tập dữ liệu đủ gọn nhưng vẫn mang Hệ thống điện đang ngày càng phát tính đại diện cho hệ thống, giúp huấn luyện triển mạnh mẽ cả về quy mô và độ phức tạp, chính xác ổn định động hệ thống điện. có tính phi tuyến cao và thường có các dao Trong đó, kỹ thuật xử lý dữ liệu bao gồm động công suất lớn khi xuất hiện ngắn mạch. kỹ thuật lựa chọn biến đặc trưng và kỹ thuật Điều này dẫn đến việc đánh giá ổn định phân cụm dữ liệu. Lựa chọn biến đặc trưng động dựa trên các phương pháp phân tích để loại bỏ những biến không thích hợp hoặc truyền thống tốn nhiều thời gian giải nên gây những biến thừa, làm giảm số biến đầu vào. chậm trễ trong việc ra quyết định. Vì vậy, Phân cụm dữ liệu giúp phân cụm các mẫu việc phát hiện nhanh và cảnh báo sớm mất thành một nhóm các mẫu tương tự nhau ổn định hệ thống điện giúp điều độ viên và hoặc gần nhau, nhằm giảm số mẫu dữ liệu hệ thống điều khiển ra quyết định kịp thời đầu vào. trở thành yếu tố then chốt đảm bảo vận hành Trong bài báo này, chúng tôi đề nghị hệ thống điện ổn định. áp dụng kỹ thuật xử lý dữ liệu cho ANN Để đánh giá nhanh ổn định hệ thống trong chẩn đoán ổn định động HTĐ. Giải điện, Artificial Neural Network (ANN) thuâṭ Relief đươc̣ so sánh vớ i phương pháp được áp dụng như là một phương pháp thay chọn biến sử dụng hai hàm khoảng cách thế để giải quyết những vấn đề khó khăn Fisher và Divergence. Hai giải thuật phân mà những phương pháp phân tích truyền cụm Kmeans và Fuzzy Cmeans được áp thống không giải quyết được về tốc độ tính dụng để rút gọn mẫu. Kết quả kiểm tra trên toán cũng như hiệu suất. Bằng quá trình học sơ đồ IEEE 39-bus vớ i hai bộ nhận dạng cơ sở dữ liệu, phân tích mối quan hệ phi GRNN và MLPNN. tuyến vào ra giữa những thông số vận hành 2. LỰA CHỌN BIẾN ĐẶC TRƯNG HTĐ và tình trạng ổn định , có thể tính toán và ra quyết định nhanh chóng. Trong các giai đoạn thiết kế mô hình Hơn nữa, đối với hệ thống điện nhiều chẩn đoán ổn định động HTĐ dùng ANN, máy, kích thước bộ dữ liệu ổn định động rất lựa chọn biến đặc trưng là rất quan trọng vì lớn. Quy mô lớn của bộ dữ liệu gây tốn chi nó ảnh hưởng trực tiếp đến thời gian huấn phí huấn luyện của ANN. Do đó, cần trích luyện và độ chính xác chẩn đoán của mô
2. hình. Biến đặc trưng được lựa chọn cần có 2.4. Tiêu chuẩn dừng độ tách biệt dữ liệu giữa lớp ổn định và Thông qua thưc̣ nghiêṃ hu ấn luyện không ổn điṇ h cao sẽ giúp nâng cao độ nhiều lần để tìm tâp̣ con biến với độ chính chính xác nhận dạng. xác nhâṇ daṇ g kỳ vọng . Việc tìm kiếm và Quy trình lựa chọn biến đặc trưng được đánh giá biến sẽ dừng khi số biến đaṭ giá tri ̣ chia thành 4 bước, như Hình 1. yêu cầu và độ chính xác nhận dạng cao Start nhất, đaṭ giá tri ̣kỳ voṇ g. Lựa chọn biến đặc 3. PHÂN CỤM DỮ LIỆU trưng ban đầu Hệ thống điện có tính phi tuyến cao và Tìm kiếm biến đặc phức tạp, nên quy mô của bộ dữ liệu ổn trưng ứng viên định động hệ thống điện là rất lớn. Đồng Đánh giá biến đặc thời, các phương pháp phân loại hiện đại trưng ứng viên như mạng nơron nhân tạo, yêu cầu bộ dữ no liệu tinh gọn, để giảm chi phí tính toán, Tiêu chuẩn dừng giảm bộ nhớ lưu trữ, tăng tốc độ tính toán yes đáp ứng yêu cầu làm việc nhanh của chúng. Output Do đó, cần khai phá dữ liệu, tức là Hình 1: Quy trình lựa chọn biến đặc trưng chọn mẫu và biến để rút gọn bộ dữ liệu về các tâm cụm với các mẫu biến đặc trưng và 2.1. Lựa chọn biến đặc trưng ban đầu đại diện, tức là giảm bộ dữ liệu ban đầu đến Bước này xác định một tập biến đặc một tập dữ liệu nhỏ hơn nhưng vẫn mang trưng đại diện cho cơ sở dữ liệu để huấn tính đại diện, để giảm chi phí tính toán và luyện ANN. Những biến đặc trưng ban đầu có thể áp dụng các phương pháp nhận dạng này biểu thị những thông số vận hành HTĐ thông minh, trong đó có mạng nơron nhân và bao trùm các trạng thái vận hành của tạo. HTĐ. Biến đăc̣ trưng của h ệ thống điện ở Quy trình phân cụm được chia thành 4 chế đô ̣quá đô ̣hay chế đô ̣đôṇ g là đ ộ thay bước, được trình bày như Hình 2. đổi công suất tải, đô ̣suṭ điêṇ áp taị các nút , đô ̣thay đổi công suất trê n các đườ ng dây Bắt đầu truyền tải, trong thờ i điểm xảy ra sư ̣ cố . 2.2. Tìm kiếm biến đặc trưng ứng viên Bộ mẫu ban đầu Tìm kiếm biến đặc trưng ứng viên Tập mẫu ổn định Tập mẫu không dựa trên tìm kiếm tối ưu cục bộ có chi phí Strain ổn định Utrain tính toán thấp, khả thi trong thực hiện , nên đươc̣ nhiều công trình đề nghi ̣áp duṇ g . Rút gọn mẫu Rút gọn mẫu Đánh giá Trong đó, xếp hạng là phương pháp đơn Tập mẫu mới Tập mẫu mới giản nhất trong tìm kiếm tối ưu cuc̣ bô,̣ thưc̣ SR UR thi nhanh do chỉ tính toán dưạ trên đô ̣đo hay tiêu chuẩn cho đơn bi ến nên được đề Huấn luyện nghị áp dụng trong đề tài. Trong phương pháp này, các biến đặc trưng ban đầu được Kết thúc đánh giá tiêu chuẩn cho từ ng đơn bi ến. Kết quả được x ếp hạng thứ tự quan trọng các Hình 2: Quy trình phân cụm dữ liệu để đưa biến từ cao đến thấp và chọn ra số biến đặc vào huấn luyện ANN. trưng yêu cầu. 3.1. Bộ mẫu ban đầu: 2.3. Đánh giá biến đặc trưng ứng viên Sau khi lựa chọn biến đặc trưng, chia Trong bài báo này, biến đặc trưng ứng bộ mẫu ban đầu thành tập mẫu ổn định và viên được đánh giá qua giải thuật Relief và tập mẫu không ổn định, Data(Strain,Utrain) hai hàm khoảng cách Fisher và Divergence. 3.2. Rút gọn mẫu:
3. Áp dụng giải thuật phân cụm để rút gọn Hai phương pháp phân cụm được sử lần lượt hai tập mẫu ổn định Strain và dụng trong bài báo này là Kmeans và Fuzzy không ổn định Utrain ban đầu. Tâm các Cmeans. cụm là các tập mẫu mới gồm tập ổn định SR 4. MẠNG MLPNN VÀ GRNN và tập không ổn định UR, Data(SR, UR), để 4.1. MLPNN đưa vào huấn luyện ANN. MLPNN cơ bản như Hình 4 gồm có lớp Ví dụ: Rút gọn bộ mẫu ổn định ban đầu ngõ vào, môṭ hay nhiều lớp ẩn và lớp ngõ (Strain) giảm lần lượt có thể là a1,b1,c1, d1, ra. e1 tâm cụm, bộ mẫu không ổn định ban đầu Ngõ vào Lớp ẩn Lớp ngõ ra (Utrain) giảm lần lượt có thể là a2, b2, c2, d2, x1 y1 y2=y e2 tâm cụm. IW1,1 LW2,1 2×1 4×1 3×1 n1 n2 4×2 3×4 3.3. Huấn luyện và kiểm tra: 4×1 3×1 1 b1 1 b2 Áp dụng mạng nơron để thực hiện huấn 2 4×1 4 3×1 3 luyện ổn định hệ thống điện với bộ mẫu đã y1=tansig(IW1,1x1 + b1) y2=purelin(LW2,1y1 + b2) phân cụm. Hình 4: Mạng MLPNN Để chọn ra bộ mẫu đại diện có kết quả huấn Số lớ p ẩn có thể thay đổi trong quá luyện và kiểm tra tốt nhất, áp dụng phương trình huấn luyện tùy thuôc̣ dữ liêụ bài toán . pháp kết hợp tuần tự cho một bộ mẫu của Các nút ngõ ra có giá trị thay đổi phụ thuộc nhóm ổn định với từng bộ mẫu đã rút gọn vào lớp ngõ ra mục tiêu . Giải thuật l an của nhóm không ổn định; và quá trình được truyền ngươc̣ thưc̣ thi phương pháp giảm thực hiện tiếp tục cho toàn bộ các bộ mẫu gradient nhằm cưc̣ tiểu sai số trung bình đã rút gọn như Hình 3. Dữ liệu huấn luyện bình phương giữa ngõ ra và ngõ ra mong là tập dữ liệu đã phân cụm Data(SR,UR) muốn [6]. a SR 1 4.2. GRNN GRNN là biến thể của RBFN (Radial UR a2 b2 c2 d2 e2 Basis Function Network), là công cụ mạnh trong ưng duṇ g cho bài toán nhâṇ daṇ g. So SR b1 ́ với MLPNN, GRNN yêu cầu nhiều số neural hơn nhưng thời gian huấn luyện ít UR a2 b2 c2 d2 e2 hơn [7]. GRNN cơ bản như Hình 5 gồm lớp c SR 1 ngõ vào, lớp ẩn hàm xuyên tâm và l ớp ngõ ra tuyến tính. UR a2 b2 c2 d2 e2 Ngõ vào Lớp ẩn hàm xuyên tâm Lớp ngõ ra tuyến tính SR d1 y2=y x 1 UR a2 b2 c2 d2 e2 y SR e1 y1=radbas(||IW1,1- x||b1) y2=purelin(n2) UR a2 b2 c2 d2 e2 Hình 5: Mạng GRNN Hình 3: Phương pháp kết hợp tuần tự để chọn số tâm cụm dữ liệu. 4.3. Luâṭ đầu ra của bô ̣phân loaị 3.4. Đánh giá: Kết quả tính toán ngõ ra của bô ̣phân loại có sai số với giá trị nhị phân của đầu ra Bộ mẫu được chọn là bộ mẫu gồm số đa ̃ gán nhañ . Ngõ ra được quy định như các tâm cụm S và U có độ chính xác nhận R R trườ ng hơp̣ sau. dạng cao nhất. Dữ liệu kiểm tra là tập dữ liệu ban đầu không phân cụm. Trường hợp 1: Nếu mã hóa ngõ ra {1} là ‘ổn định’, và {0} là ‘không ổn định’
4. thì: Nếu y > 0.5 → y = 1 ổn định (4) Nếu y ≤ 0.5 → y = 0 không ổn định Trường hợp 2: Ma trâṇ ngõ ra M lớp như sau: F1(x) F (x) F x = 2 (5) ⋮ FM (x) Ngõ ra tuân theo luật số lớn [9], kết quả nhận dạng được xếp vào lớp thứ k nếu: F (x) F (x) j k (6) k j Trong đó: Fk(x) và Fj(x) là kết quả tính toán từ hàm ánh xạ mạng neural. Hình 6: HTĐ IEEE 39-bus New England 4.4. Huấn luyện và đánh giá mô hình 5.2. Tạo cơ sở dữ liệu nhận dạng Mô phỏng để tạo cơ sở dữ liệu với sự Quá trình huấn luyện và kiểm tra được trợ giúp của phần mềm PowerWorld được thực hiện k lần. Phần trăm độ chính xác nhận thực hiện trên hệ thống IEEE 10 máy dạng của mô hình trong huấn luyện hoặc 39-bus, xét sự cố ngắn mạch 3 pha cân bằng kiểm tra được tính trung bình trong k lần tại các bus và dọc các đường dây truyền tải, thực hiện. Hiệu suất của bô ̣phân loaị được vớ i các mức tải từ 20% đến 120% tải cơ đánh giá theo tỷ lệ phần trăm huấn luyện bản. Thuộc tính động của HTĐ trong quá đúng hoặc kiểm tra đúng và được xác định trình ngắn mạch dựa trên quan sát mối quan theo phương trình 7( ). hệ giữa các góc công suất của các máy phát R điêṇ . HTĐ ổn định nếu bất kỳ góc công Classification_Rate% .100 (7) S suất tương đối của máy phát thứ i i so với 0 Trong đó: R là số mẫu đúng, S là tổng máy phát thứ j j không vượt quá 180 . số mẫu. Giá trị kỳ vọng độ chính xác nhận Ngược lại, nếu góc công suất tương đối 0 dạng của mô hình được đề nghị trong [10] vượt quá 180 thì HTĐ mất ổn định. Các phải đạt hơn 90%. mẫu dữ liệu thu thập tương ứ ng đươc̣ xếp vào lớp ổn định và không ổn định. 5. ÁP DỤNG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HTĐ IEEE 10 MÁY 39-BUS Thông qua mô phỏng offline và kiểm tra ổn định động, kết quả thu được tập mẫu 5.1. Sơ đồ IEEE 10 máy 39-bus dữ liệu gồm 3200 mẫu, trong đó có 2400 HTĐ IEEE 39-bus New England là một mẫu ổn định và 800 mẫu không ổn định, HTĐ tương đương của các hệ thống con Data(2400,800). của vùng đông bắc Hoa Kỳ và Canada [11]. Hệ thống gồm có 39 bus, trong đó 10 bus 5.3. Biến đầu vào và biến đầu ra máy phát, 12 máy biến áp, 10 máy phát, 34 Các biến dữ liệu đầu vào đại diện chế đường dây truyền tải và 19 tải. 10 máy phát độ quá độ hệ thống điện là độ thay đổi công được kết nối từ bus 30 đến bus 39, trong đó suất tác dụng tải, độ sụt điện áp tại các bus, bus 31 được coi là bus Slack, 9 bus được độ thay đổi công suất tác dụng phân bố trên gọi là bus PV, 29 bus còn lại được gọi là các đường dây truyền tải. Biến đầu vào bus PQ, có 2 cấp điện áp là 345kV và 20kV. được biểu diễn dưới dạng vectơ x=[ Vbus, Hệ thống được cho như ở Hình 6. Pload, Pflow]. Biến đầu ra y được gán nhãn {1} là ổn định, và {0} là không ổn định. Tổng số biến đầu vào là 104 biến và 2
5. biến đầu ra. Hình 8 và Hình 9 trình bày kết quả so 5.4. Phân chia dữ liệu sánh độ chính xác nhận dạng kiểm tra của Tập dữ liệu đã chuẩn hóa gồm 3200 GRNN và MLPNN đối với các phương mẫu, Data(2400,800), được chia ngẫu nhiên pháp Relief, Divergence và Fisher. thành 10 tập con có kích thước bằng nhau. Mỗi tập con gồm 320 mẫu Data(240,80). Sau đó, mỗi bộ dữ liệu được chia thành 2 tập: tập huấn luyện và tập kiểm tra. Tập huấn luyện gồm 9 tập con và tập kiểm tra gồm 1 tập con. Như vậy, mỗi tập huấn luyện có 2880 mẫu - Data(2160,720) và tập kiểm tra có 320 mẫu - Data(240,80). 5.5. Kết quả tính toán xếp hạng biến Kết quả tính toán và xếp hạng biến Hình 8: So sánh độ chính xác nhận dạng của các hàm Fisher, Divergence, Relief các phương pháp sử dụng GRNN. được trình bày ở Hình 7. a) Hình 9: So sánh độ chính xác nhận dạng b) các phương pháp sử dụng MLPNN. Hình 10 trình bày kết quả so sánh độ chính xác nhận dạng kiểm tra MLPNN và GRNN của các phương pháp lựa chọn biến đặc trưng Fisher, Divergence và Relief đối c) với bộ mẫu ban đầu Hình 7: Kết quả xếp hạng biến a) Fisher b) Divergence c) Relief 5.6. Kết quả nhận dạng chính xác Kết quả từ Hình 7 cho thấy việc áp dụng ba phương pháp xếp hạng biến Fisher, Divergence, Relief để chọn biến đặc trưng của cơ sở dữ liệu HTĐ IEEE 10-máy 39-bus. Hình 10: So sánh kết quả huấn luyêṇ nh ận Để chọn biến tốt hơn, đề tài nghiên cứu dạng kiểm tra c ủa MLPNN và GRNN với áp dụng hai mạng nơron MLPNN và bộ ban đầu 3200 mẫu. GRNN để so sánh hiệu quả xếp hạng biến đặc trưng giữa 3 phương pháp Fisher, Divergence và Relief thông qua độ chính Bảng 1: So sánh độ chính xác nhận dạng xác huấn luyện ANN được trình bày ở phần kiểm tra của GRNN và MLPNN tại 15 biến tiếp sau. trên bộ mẫu ban đầu 3200 mẫu.
6. Mạng Relief Divergence Fisher B2. Rút gọn mẫu: Áp dụng các giải GRNN 96.25 % 96.09 % 95.66 % thuật phân cụm Kmeans và Fuzzy Cmeans để thu gọn lần lượt hai tập mẫu ổn định và MLPNN 94.66 % 94.31 % 93.81 % không ổn định ban đầu về các tâm cụm. Bảng 2: So sánh đô ̣chính xác nhâṇ daṇ g Ví dụ: Rút gọn bộ mẫu ổn định (OD) kiểm tra của GRNN -Relief taị 15 biến và giảm lần lượt là 300,400, 1700 mẫu, bộ 104 biến, với bộ mẫu ban đầu 3200 mẫu. mẫu không ổn định (KOD) giảm lần lượt là Số biến 15 104 300,350, 700 mẫu. GRNN-Relief 96.25 % 96.44 % SR 300 400 500 600 1700 Bảng 3: So sánh thờ i gian huấn luyêṇ c ủa U 300 350 400 450 700 MLPNN-Relief và GRNN -Relief taị 15 R biến và 104 biến, với bộ mẫu ban đầu 3200 B3. Huấn luyện: Áp dụng mô hình mẫu. mạng GRNN để thực hiện huấn luyện nhận Số biến 15 104 dạng ổn định hệ thống điện với bộ mẫu đã GRNN-Relief 0.21 s 0.45 s phân cụm. Dữ liệu huấn luyện là tập dữ liệu MLPNN-Relief 7.51 s 65.54 s đã phân cụm Data(SR,UR). Ví dụ: Huấn luyện lần lượt từng cặp bộ Hình 8 và Hình 9 cho thấy độ chính xác mẫu Data(S ,U ) đã phân cụm như Hình nhận dạng tốt tại tập biến có số biến là 15. R R 11. Hình 10 và các Bảng 1, 2, 3 cho thấy bộ S nhận dạng GRNN với phương pháp chọn R 300 biến Relief cho kết quả độ chính xác nhận dạng kiểm tra cao hơn và thời gian huấn UR 300 350 400 450 700 luyện nhanh hơn so với hệ thống nhận dạng MLPNN và các phương pháp chọn biến còn SR 400 lại là Divergence và Fisher. Bảng 2 và 3 thể hiện hệ thống kiểm tra GRNN-Relief với 15 U 300 350 400 450 700 biến có thời gian huấn luyện giảm đến R 214% nhưng độ chính xác nhận dạng kiểm tra vẫn đạt 96.25%, chỉ giảm 0.19% so với SR 1700 hệ thống nhận dạng với đầy đủ 104 biến ban đầu. 300 350 400 450 Qua thực nghiệm thử sai, độ chính xác UR 700 nhâṇ daṇ g ch ọn taị tâp̣ biến có số biến là Hình 11: Phương pháp kết hợp tuần tự 15, số nơron ẩn của MLPNN là 20 và hê ̣số để chọn số tâm cụm dữ liệu. spread của GRNN là 0.1. B4. Đánh giá: So sánh độ chính xác Như vậy, đề tài chọn hệ thống nhận nhận dạng kiểm tra của phương pháp nhận dạng GRNN với số biến đặc trưng là 15, dạng ANN đã áp dụng, đối với từng bộ mẫu được chọn nhờ giải thuật Relief, để áp dụng đã phân cụm để chọn ra kết quả phân cụm đối với nhận dạng ổn định hệ thống điện tốt nhất. Dữ liệu kiểm tra là tập dữ liệu ban trong phần sau. đầu. Quá trình phân cụm và huấn luyện kết 5.7. Thu gọn mẫu thúc khi kết quả nhận dạng kiểm tra được Với hai giải thuật phân cụm Kmeans và chấp nhận nằm trong khoảng 94-97% [13]. Fuzzy Cmeans và quy trình như Hình 2, ta Kết quả huấn luyện bộ mẫu đã phân cụm có các bước thu gọn mẫu: Kmeans của GRNN đươc̣ trình bày ở Hìn h B1. Tập mẫu ban đầu: Sau khi lựa chọn 12. biến đặc trưng, bộ mẫu ban đầu chia thành tập ổn định và tập không ổn định, dữ liệu được lựa chọn biến theo phương pháp Relief với số biến là 15.
7. Data(800,300) và thời gian cũng nhanh hơn 18.1 lần. Kết quả từ Hìn h 12 cho thấy : Sau khi huấn luyện bộ mẫu đã được phân cụm Kmeans, kết quả nhận dạng GRNN có độ chính xác nhận dạng kiểm tra và độ ổn định huấn luyện cao. So với kết quả nhận dạng được chấp nhận ở công trình đã công bố gần đây [13] là 94-97%, thực nghiệm thử sai nhiều lần để tìm ra kết quả huấn luyện Hình 12: Kết quả huấn luyêṇ nh ận dạng nhận dạng tốt nhất ở bộ mẫu Data(800,300). kiểm tra c ủa GRNN với các bộ mẫu đã Bài báo đề xuất thu gọn bộ mẫu bằng phân cụm Kmeans. phương pháp Kmeans với tỉ lệ rút mẫu có Và tác giả cũng tiến hành kiểm tra lại thể đạt 30-40% nhưng vẫn đảm bảo độ với giải thuật MLPNN cho bộ mẫu chính xác 94-97%. Data(800,300) như trong bảng 4 và 6.5, cho thấy kết quả thống nhất với nhận xét đã 5.8. Ứng dụng mạng sau huấn luyện thực hiện ở mục 10: Mạng GRNN có độ Sau khi đã huấn luyện ANN offline, bộ chính xác nhận dạng kiểm tra cao hơn và nhận dạng GRNN được lưu trữ và sử dụng thời gian huấn luyện nhanh hơn MLPNN. để đánh giá ổn định động hệ thống điện. Để Bảng 4: So sánh đô ̣chính xác nhâṇ daṇ g minh họa, người thực hiện đề tài, tiến hành của bộ mẫu ban đầu Data(2400,800) và bộ kiểm tra lại các mẫu tại đường dây 17-27 mẫu Kmeans và Fuzzy Data(800,300). của hệ thống điện IEEE 10-máy 39-bus. Bộ mẫu GRNN MLPNN Đối với trường hợp ngắn mạch 3 pha đường dây 17-27 tại vị trí 25% đường dây ở mức Data(2400,800) 96.25 % 94.66 % tải 120% thì ANN nhận dạng kết quả: Hệ Kmeans Data(800,300) 97.25 % 94.47 % thống mất ổn định với thời gian bộ nhận Fuzzy Cmeans 83.66 % 79.22 % dạng ANN phát hiện hệ thống mất ổn định Data(800,300) là 0.0382s. Cùng với đường dây trên, nếu tiến hành Bảng 5: So sá nh thờ i gian huấn luyêṇ c ủa bộ mẫu ban đầu Data(2400,800) và bộ mẫu mô phỏng theo miền thời gian nhờ sự hỗ trợ phân cụm Kmeans và Fuzzy Cmeans của phần mềm PowerWorld thì phát hiện hệ Data(800,300). thống mất ổn định tại giây 22 như trong Hình 13. Trong trường hợp này, hệ thống Bộ mẫu GRNN MLPNN nhận dạng ANN cho kết quả nhận dạng Data(2400,800) 0.21 s 7.51 s nhanh gấp 576 lần so với phương pháp mô Kmeans 0.08 s 5.98 s phỏng miền thời gian. Data(800,300) Fuzzy Cmeans 1.45 s 6.01 s Data(800,300) Nhận xét: Bảng 4 và 5, sử dụng hệ thống nhận dạng GRNN và MLPNN đối với bộ mẫu đã phân cụm Kmeans Data(800,300), với tỉ lệ rút mẫu ổn định và mẫu không ổn định tương ứng là 33.3% và 37.5%. Đồng thời, kết quả nhận dạng GRNN cho bộ mẫu phân cụm Kmeans Data(800,300) tốt hơn 13.59% so với bộ mẫu phân cụm Fuzzy Cmeans Hình 13: Kết quả mô phỏng theo miền thời
8. gian ngắn mạch 3 pha trên đường dây 17-27 [4]. K. Niazi, C. Arora, and S. Surana, của hệ thống điện IEEE 10-máy 39-bus với Power system security evaluation using sự hỗ trợ phần mềm PowerWorld. ann: feature selection using divergence, Electric Power Systems Research, vol. 6. KẾT LUẬN 69, Feb. 2004, pp.161-167. Bài báo đề nghị áp dụng kỹ thuật xử lý [5]. Taylor, Computational methods of dữ liệu trong chẩn đoán nhanh ổn điṇ h đôṇ g feature selection, Edited by Huan Liu, HTĐ, bao gồm kỹ thuật lựa chọn biến đặc Horoshi Motoda, 2008, pp.169-176. trưng và kỹ thuật phân cụm. Kết quả kiểm tra trên sơ đồ IEEE [6]. I. S. Isa, Z. Saad, S. Omar, M. K. 10-máy 39-bus, cho thấy bộ nhận dạng Osman, K. A. Ahmad, Suitable MLP GRNN với phương pháp chọn biến Relief, Network Activation Functions for áp dụng cho bộ mẫu phân cụm Kmeans Breast Cancer and Thyroid Disease (1100 mẫu) ở quá trình huấn luyện, cho kết Detection, 2010 IEEE, pp.39-44. quả độ chính xác nhận dạng mẫu kiểm tra [7]. Matlab R2011b, Neural Network đạt 97,25%, tăng 1% so với bộ nhận dạng Toolboox User’s Guide. không phân cụm ban đầu (3200 mẫu). Kết [8]. Behnam Ababaei, Teymour Sohrabi and quả ứng dụng mạng sau huấn luyện cũng Farhad Mirzaei, Assessment of radial thể hiện sự vượt trội về thời gian đối với basis and generalized regression neural phương pháp mô phỏng theo miền thời networks in daily reservoir inflow gian. simulation, Elixir Comp. Sci. & Engg. TÀI LIỆU THAM KHẢO 42, 2012, pp.6074-6077. [1]. M. R. Aghamohammadi, F. [9]. Simon S. Haykin, Neural Networks A Mahdavizadeh, R. Bagheri, Power Comprehensive Foundation, 2nd System Dynamic Security Classification Edition, 1999, pp.84-86. Using Kohenen Neural Networks, 2009 [10].Quyen Huy Anh, The application of IEEE, pp.1-7. pattern recognition methods for fast [2]. Rui Zhang, Yan Xu, Zhao Yang Dong analysis of the dynamic stability of and David J Hill, Feature Selection For electrical power system, Electrical Intelligent Stability Assessment of technology, No. 2, pp.1-13, 1994, Power Systems, 2012 IEEE, pp.1-7. Perganon. [11].Hussain Hassan Al Marhoon, A [3]. C. A. Jensen and M. A. El-Sharkawi, Practical Method for Power Systems Power system security assessment using Transient Stability and Security, B.S. neural networks: feature selection using University of New Orleans, 2008, Fisher discrimination, IEEE Trans. pp.56-60. Power Systems, vol. 16, Nov. 2001, [12].Prabha Kundur, Power System Stability pp.757-763. and Control, New York: McGraw Hill, 1994, pp.17-39. Tp.HCM, ngày 12 tháng 05 năm 2016 Tp.HCM, ngày 12 tháng 05 năm 2016 Giảng viên hướng dẫn Người thực hiện PGS.TS. Quyền Huy Ánh Võ Thanh An
9. 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.