Luận văn thạc sĩ: Chẩn đoán sự cố hệ thống điện bằng mạng neuron học sâu tại HCMUTE

Tổng hợp kiến thức Chẩn đoán sự cố hệ thống điện bằng mạng neuron học sâu tại HCMUTE, tiếp cận khoa học, hỗ trợ học tập và nghiên cứu hiệu quả trong

• Tác giả: Nguyễn Ngọc Mạnh
• Người hướng dẫn: TS. Lê Mỹ Hà
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện
• Đề tài: Chẩn Đoán Sự Cố Hệ Thống Điện Dùng Mạng Neuron Học Sâu
• Loại tài liệu: luận văn
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan chung về vấn đề cần nghiên cứu
• 1.2. Tình hình nghiên cứu trong nước & ngoài nước
• 1.2.1. Nghiên cứu phương pháp xác định vị trí sự cố trên đường dây tải điện dựa trên mạng neuron MLP
• 1.2.2. Phương pháp neuron mờ (Fuzzy neuron) để phân loại sự cố cho đường dây truyền tải
• 1.2.3. Thuật toán mạng neuron cải tiến cho việc phân loại sự cố trên đường dây truyền tải
• 1.2.4. Nhận dạng sự cố trong hệ thống điện dùng MLP
• 1.3. MÔ HÌNH MẠNG NEURON VÀ MÔ HÌNH HỌC SÂU
• 1.3.1. Tổng quan về mô hình mạng neuron
• 1.3.2. Giới thiệu về mạng Neuron
• 1.3.3. Cấu trúc và hoạt động của mạng Neuron
• 1.3.4. So sánh các phương pháp học của mạng neuron
• 2. GIỚI THIỆU PHƯƠNG PHÁP CHẨN ĐOÁN SỰ CỐ HỆ THỐNG ĐIỆN DÙNG MẠNG NEURON HỌC SÂU DEEP LEARNING NEURON NETWORK (DLNN)
• 2.1. So sánh sự khác nhau giữa mạng đa lớp và DLNN
• 2.2. Ưu nhược DLNN
• 2.3. Sơ bộ về phương pháp học sâu (DLNN)
• 3. ÁP DỤNG DLNN TRONG CHẨN ĐOÁN SỰ CỐ HỆ THỐNG ĐIỆN
• 3.1. Tính khả dụng của dữ liệu
• 3.2. Sơ chế dữ liệu
• 3.3. Lập mô hình và điều chỉnh thông số
• 3.4. Thí nghiệm mô phỏng
• 4. THẢO LUẬN VÀ SO SÁNH KẾT QUẢ THỰC NGHIỆM
• 4.1. Kết quả huấn luyện
• 4.2. Kiểm tra mẫu thực tế
• 4.3. Nhận xét kết quả
• 4.4. So sánh SAE_DLNN với MLP
• 4.5. Mở rộng chẩn đoán vị trí xảy ra sự cố từ chẩn đoán sự cố
• 5. KẾT LUẬN & HƯỚNG NGHIÊN CỨU PHÁT TRIỂN
• 5.1. Kết luận chung
• 5.2. Hướng phát triển của đề tài
• Chương trình chẩn đoán sự cố trên MATLAB 2018a
• TÀI LIỆU THAM KHẢO
• DANH SÁCH CÁC CHỮ VIẾT TẮT
• DANH SÁCH CÁC BẢNG
• DANH SÁCH CÁC HÌNH

Tóm tắt

I. Giới thiệu về chẩn đoán sự cố hệ thống điện

Chẩn đoán sự cố hệ thống điện là một lĩnh vực nghiên cứu quan trọng trong ngành kỹ thuật điện. Việc phát hiện và phân loại các sự cố trong hệ thống điện không chỉ giúp bảo vệ thiết bị mà còn đảm bảo an toàn cho người sử dụng. Trong bối cảnh cách mạng công nghệ 4.0, việc ứng dụng công nghệ AI, đặc biệt là mạng neuron học sâu, đã trở thành một xu hướng nổi bật. Hệ thống điện thường gặp phải nhiều sự cố như ngắn mạch, quá tải, và các vấn đề khác. Do đó, việc phát triển các phương pháp chẩn đoán hiệu quả là rất cần thiết. Luận văn này tập trung vào việc sử dụng mạng neuron để phát hiện và phân loại các dạng sự cố trên đường dây truyền tải của hệ thống điện, nhằm nâng cao độ chính xác và tốc độ nhận diện.

1.1. Tầm quan trọng của việc chẩn đoán sự cố

Việc chẩn đoán sự cố trong hệ thống điện có vai trò quan trọng trong việc duy trì hoạt động ổn định và an toàn của hệ thống. Các sự cố có thể gây ra thiệt hại lớn về tài sản và ảnh hưởng đến an toàn của con người. Do đó, việc phát hiện sớm và chính xác các sự cố là rất cần thiết. Công nghệ AI và học sâu đã mở ra những khả năng mới trong việc phát hiện và phân tích dữ liệu, giúp cải thiện đáng kể hiệu quả chẩn đoán. Việc áp dụng mạng neuron trong chẩn đoán sự cố không chỉ giúp giảm thiểu thời gian xử lý mà còn nâng cao độ chính xác trong việc xác định vị trí và loại sự cố.

II. Phương pháp nghiên cứu

Luận văn sử dụng phương pháp mạng neuron học sâu để phát hiện và phân loại sự cố trong hệ thống điện. Phương pháp này bao gồm việc xây dựng mô hình Stack Autoencoders (SAE), một kỹ thuật mạnh mẽ trong học sâu. Mô hình này cho phép hệ thống học từ dữ liệu đầu vào và tự động trích xuất các đặc trưng quan trọng mà không cần sự can thiệp của con người. Dữ liệu được thu thập từ mô phỏng hệ thống điện 5 nút IEEE, sử dụng phần mềm PowerWorld để tạo mẫu và phần mềm Matlab để huấn luyện mạng. Việc áp dụng phân tích dữ liệu trong quá trình huấn luyện giúp cải thiện độ chính xác của mô hình, từ đó nâng cao khả năng phát hiện sự cố.

2.1. Xây dựng mô hình mạng neuron

Mô hình mạng neuron được xây dựng dựa trên nguyên lý hoạt động của các neuron sinh học. Mỗi neuron trong mạng sẽ nhận đầu vào, thực hiện các phép toán và truyền tín hiệu đến các neuron khác. Việc sử dụng mạng neuron đa lớp cho phép mô hình học được các đặc trưng phức tạp từ dữ liệu. Quá trình huấn luyện mô hình bao gồm việc tối ưu hóa các trọng số của mạng để giảm thiểu sai số giữa đầu ra dự đoán và đầu ra thực tế. Kết quả của quá trình này là một mô hình có khả năng nhận diện và phân loại các sự cố trong hệ thống điện một cách hiệu quả.

III. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy mô hình mạng neuron học sâu có khả năng phát hiện và phân loại sự cố với độ chính xác cao. So với các phương pháp truyền thống, mô hình này cho thấy sự vượt trội trong việc nhận diện nhanh chóng và chính xác các dạng sự cố. Việc so sánh giữa mô hình SAE và mô hình mạng neuron lan truyền thẳng (Feed Forward Backpropagation) cho thấy mô hình SAE có hiệu suất tốt hơn trong việc xử lý dữ liệu phức tạp. Điều này chứng tỏ rằng việc áp dụng công nghệ AI trong chẩn đoán sự cố hệ thống điện là một hướng đi đúng đắn và cần được tiếp tục nghiên cứu và phát triển.

3.1. Đánh giá hiệu quả mô hình

Mô hình đã được kiểm tra trên nhiều bộ dữ liệu khác nhau và cho thấy khả năng nhận diện sự cố với độ chính xác lên đến 95%. Điều này cho thấy tiềm năng lớn của mạng neuron học sâu trong việc cải thiện quy trình chẩn đoán sự cố. Hệ thống có thể được áp dụng trong thực tế để giúp các kỹ sư điện nhanh chóng phát hiện và xử lý sự cố, từ đó giảm thiểu thiệt hại và đảm bảo an toàn cho hệ thống điện.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống điện hiện đại ngày càng phức tạp với sự gia tăng tải và mở rộng quy mô lưới điện, dẫn đến nguy cơ phát sinh các sự cố như ngắn mạch, làm ảnh hưởng nghiêm trọng đến an toàn và chất lượng cung cấp điện. Theo ước tính, trong các sự cố ngắn mạch phổ biến, ngắn mạch 1 pha nối đất chiếm khoảng 65%, ngắn mạch 2 pha nối đất chiếm 20%, ngắn mạch 2 pha chiếm 10%, và ngắn mạch 3 pha chiếm 5%. Việc phát hiện và chẩn đoán nhanh chóng các sự cố này là nhiệm vụ quan trọng nhằm giảm thiểu thiệt hại về thiết bị và đảm bảo ổn định hệ thống.

Trong bối cảnh cách mạng công nghệ 4.0, ứng dụng trí tuệ nhân tạo, đặc biệt là mạng neuron học sâu (Deep Learning Neural Network - DLNN), đã trở thành hướng nghiên cứu nổi bật để nâng cao độ chính xác và tốc độ nhận dạng sự cố trong hệ thống điện. Mục tiêu của luận văn là phát triển phương pháp chẩn đoán sự cố hệ thống điện sử dụng mạng neuron học sâu với kỹ thuật bộ mã hóa tự động xếp chồng (Stacked Autoencoders - SAE), áp dụng trên mô hình hệ thống điện 5 nút IEEE. Nghiên cứu tập trung vào việc xây dựng mô hình, huấn luyện và đánh giá hiệu quả so với mạng neuron truyền thẳng truyền thống (Feed Forward Backpropagation). Phạm vi nghiên cứu thực hiện tại Việt Nam trong giai đoạn 2017-2018, sử dụng dữ liệu mô phỏng từ phần mềm PowerWorld và Matlab. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao khả năng phát hiện và phân loại sự cố, góp phần cải thiện độ tin cậy và an toàn vận hành hệ thống điện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: mạng neuron nhân tạo (Artificial Neural Network - ANN) và học sâu (Deep Learning). Mạng neuron nhân tạo mô phỏng cấu trúc và chức năng của neuron sinh học, gồm các lớp neuron kết nối với nhau qua trọng số, thực hiện quá trình học thông qua điều chỉnh trọng số để nhận dạng mẫu và phân loại dữ liệu. Học sâu là sự phát triển của mạng neuron với nhiều lớp ẩn, cho phép trích xuất đặc trưng phức tạp từ dữ liệu lớn, giải quyết các hạn chế của mạng neuron truyền thống như tối ưu cục bộ và suy giảm gradient.

Mô hình nghiên cứu sử dụng kỹ thuật bộ mã hóa tự động xếp chồng (Stacked Autoencoders - SAE), một dạng mạng neuron học sâu không giám sát, giúp trích xuất các đặc trưng ẩn của dữ liệu qua nhiều lớp mã hóa và giải mã. Các khái niệm chính bao gồm:

• Neuron nhân tạo: Đơn vị xử lý thông tin, nhận đầu vào, nhân với trọng số, qua hàm kích hoạt để tạo đầu ra.
• Mạng neuron truyền thẳng (Feed Forward Network): Mạng không có kết nối ngược, tín hiệu chỉ đi từ đầu vào đến đầu ra.
• Bộ mã hóa tự động (Autoencoder): Mạng học không giám sát, học cách tái tạo đầu vào qua lớp ẩn, giúp trích xuất đặc trưng.
• Stacked Autoencoders (SAE): Xếp chồng nhiều bộ mã hóa tự động để học các đặc trưng phức tạp hơn.
• Thuật toán lan truyền ngược (Backpropagation): Phương pháp tối ưu trọng số mạng bằng cách giảm thiểu sai số đầu ra.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được lấy từ mô phỏng hệ thống điện 5 nút chuẩn IEEE trên phần mềm PowerWorld, tạo ra khoảng 1600 mẫu dữ liệu sự cố ngắn mạch với các dạng sự cố phổ biến như ngắn mạch 1 pha, 2 pha, 3 pha và các dạng chạm đất. Dữ liệu được tiền xử lý và chuẩn hóa trước khi đưa vào huấn luyện mạng neuron học sâu trên Matlab 2018a.

Phương pháp phân tích chính là xây dựng mô hình DLNN sử dụng SAE để trích xuất đặc trưng và phân loại sự cố. Mạng được huấn luyện theo thuật toán lan truyền ngược với kỹ thuật giảm dần gradient, kết hợp ràng buộc thưa thớt để tăng hiệu quả học. Quá trình huấn luyện gồm nhiều epoch, với việc điều chỉnh số lượng neuron ở các lớp ẩn nhằm tối ưu hóa độ chính xác.

Timeline nghiên cứu kéo dài trong năm 2018, bao gồm các bước: thu thập và mô phỏng dữ liệu, xây dựng mô hình mạng neuron, huấn luyện và kiểm tra mô hình, so sánh kết quả với mạng neuron truyền thẳng MLP, và mở rộng mô hình để nhận diện vị trí sự cố trong hệ thống điện.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả chẩn đoán sự cố bằng DLNN_SAE: Mô hình DLNN với SAE đạt độ chính xác huấn luyện trên 98%, vượt trội so với mạng neuron truyền thẳng MLP chỉ đạt khoảng 92%. Kết quả kiểm tra trên 80 mẫu ngẫu nhiên cho thấy DLNN_SAE có tỷ lệ lỗi thấp hơn 6% so với MLP.

2. Ảnh hưởng số lượng neuron đến kết quả: Khi tăng số neuron ở lớp ẩn từ 10 lên 30, độ chính xác chẩn đoán tăng từ 94% lên 98%, tuy nhiên số lượng neuron quá lớn gây tăng thời gian huấn luyện mà không cải thiện đáng kể độ chính xác.

3. Khả năng mở rộng nhận diện vị trí sự cố: Mô hình DLNN_SAE được mở rộng để xác định vị trí sự cố trên đường dây truyền tải, đạt độ chính xác trên 95% trong việc phân loại 10 vị trí sự cố khác nhau, cho thấy tính khả thi trong ứng dụng thực tế.

4. Tính ổn định và khả năng tổng quát hóa: Kiểm tra trên 20 mẫu thực tế không có trong tập huấn luyện, DLNN_SAE vẫn duy trì độ chính xác trên 90%, chứng tỏ mô hình có khả năng tổng quát hóa tốt và ổn định khi áp dụng vào dữ liệu thực tế.

Thảo luận kết quả

Nguyên nhân chính giúp DLNN_SAE vượt trội là do khả năng trích xuất đặc trưng ẩn qua nhiều lớp mã hóa, giúp mô hình nhận dạng chính xác các dạng sự cố phức tạp trong hệ thống điện. So với mạng neuron truyền thẳng MLP, DLNN giảm thiểu vấn đề tối ưu cục bộ và suy giảm gradient nhờ thuật toán huấn luyện từng lớp riêng biệt (greedy layer-wise training).

Kết quả phù hợp với các nghiên cứu trong ngành trí tuệ nhân tạo và kỹ thuật điện, khẳng định hiệu quả của học sâu trong chẩn đoán sự cố hệ thống điện. Biểu đồ so sánh độ chính xác huấn luyện và kiểm tra giữa DLNN_SAE và MLP thể hiện rõ sự vượt trội của DLNN, đồng thời bảng tổng kết lỗi huấn luyện và kiểm tra minh họa sự ổn định của mô hình.

Ý nghĩa của nghiên cứu là cung cấp một công cụ chẩn đoán sự cố nhanh, chính xác, có thể áp dụng trong các hệ thống điện hiện đại, góp phần nâng cao độ tin cậy và giảm thiểu thiệt hại do sự cố gây ra.

Đề xuất và khuyến nghị

1. Triển khai hệ thống chẩn đoán sự cố tự động sử dụng DLNN_SAE: Đề nghị các đơn vị vận hành hệ thống điện áp dụng mô hình DLNN_SAE để phát hiện và phân loại sự cố nhanh chóng, hướng tới mục tiêu giảm thời gian phát hiện sự cố xuống dưới 1 giây trong vòng 1 năm tới.

2. Mở rộng dữ liệu huấn luyện và cập nhật mô hình định kỳ: Thu thập thêm dữ liệu thực tế từ các sự cố xảy ra tại các địa phương để mở rộng tập huấn luyện, nâng cao khả năng tổng quát hóa của mô hình, thực hiện cập nhật mô hình mỗi 6 tháng.

3. Đào tạo nhân lực vận hành và bảo trì hệ thống DLNN: Tổ chức các khóa đào tạo chuyên sâu cho kỹ sư vận hành và bảo trì về công nghệ mạng neuron học sâu và phần mềm Matlab, nhằm đảm bảo vận hành hiệu quả hệ thống chẩn đoán.

4. Phát triển giao diện người dùng thân thiện và tích hợp hệ thống SCADA: Xây dựng giao diện trực quan cho phép nhân viên vận hành dễ dàng theo dõi và xử lý cảnh báo sự cố, tích hợp với hệ thống SCADA hiện có trong vòng 2 năm tới.

Đối tượng nên tham khảo luận văn

1. Kỹ sư vận hành hệ thống điện: Nắm bắt công nghệ chẩn đoán sự cố hiện đại, áp dụng mô hình DLNN để nâng cao hiệu quả phát hiện và xử lý sự cố trong thực tế.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện, trí tuệ nhân tạo: Tham khảo phương pháp học sâu ứng dụng trong chẩn đoán sự cố, từ đó phát triển các nghiên cứu tiếp theo hoặc ứng dụng trong các lĩnh vực liên quan.

3. Các đơn vị quản lý và vận hành lưới điện: Đánh giá và triển khai các giải pháp công nghệ mới nhằm nâng cao độ tin cậy và an toàn hệ thống điện quốc gia.

4. Nhà phát triển phần mềm và công nghệ AI: Tìm hiểu về ứng dụng mạng neuron học sâu trong lĩnh vực kỹ thuật điện, từ đó phát triển các sản phẩm phần mềm hỗ trợ chẩn đoán sự cố.

Câu hỏi thường gặp

1. Mạng neuron học sâu khác gì so với mạng neuron truyền thống?
   Mạng neuron học sâu có nhiều lớp ẩn hơn, cho phép trích xuất đặc trưng phức tạp hơn và giảm thiểu vấn đề tối ưu cục bộ, trong khi mạng truyền thống thường chỉ có một hoặc hai lớp ẩn, dễ bị giới hạn về khả năng học.

2. Tại sao sử dụng bộ mã hóa tự động xếp chồng (SAE) trong chẩn đoán sự cố?
   SAE giúp học các đặc trưng ẩn của dữ liệu không giám sát qua nhiều lớp, cải thiện khả năng nhận dạng và phân loại sự cố phức tạp trong hệ thống điện.

3. Dữ liệu mô phỏng có thể thay thế dữ liệu thực tế trong huấn luyện mô hình không?
   Dữ liệu mô phỏng giúp tạo ra tập mẫu đa dạng và kiểm soát được các trường hợp sự cố, tuy nhiên cần bổ sung dữ liệu thực tế để nâng cao khả năng tổng quát hóa và độ chính xác của mô hình.

4. Mô hình DLNN_SAE có thể áp dụng cho hệ thống điện lớn hơn không?
   Có thể, nhưng cần điều chỉnh kiến trúc mạng và mở rộng tập dữ liệu huấn luyện phù hợp với quy mô và đặc điểm của hệ thống điện lớn hơn.

5. Thời gian huấn luyện mô hình DLNN_SAE mất bao lâu?
   Thời gian huấn luyện phụ thuộc vào kích thước dữ liệu và cấu trúc mạng, trong nghiên cứu này mất khoảng vài giờ trên Matlab với tập dữ liệu 1600 mẫu và cấu trúc mạng tối ưu.

Kết luận

• Luận văn đã phát triển thành công mô hình chẩn đoán sự cố hệ thống điện sử dụng mạng neuron học sâu với kỹ thuật SAE, đạt độ chính xác huấn luyện trên 98%.
• Mô hình DLNN_SAE vượt trội hơn mạng neuron truyền thẳng MLP về độ chính xác và khả năng tổng quát hóa.
• Nghiên cứu đã mở rộng khả năng nhận diện vị trí sự cố trên đường dây truyền tải với độ chính xác trên 95%.
• Kết quả mô phỏng và kiểm tra thực tế chứng minh tính khả thi và hiệu quả của phương pháp trong ứng dụng thực tế.
• Đề xuất triển khai hệ thống chẩn đoán tự động, mở rộng dữ liệu huấn luyện và đào tạo nhân lực để ứng dụng rộng rãi trong ngành điện.

Tiếp theo, cần tiến hành thử nghiệm thực tế trên hệ thống điện quy mô lớn và phát triển giao diện người dùng thân thiện để hỗ trợ vận hành. Mời các nhà nghiên cứu và kỹ sư quan tâm liên hệ để trao đổi và hợp tác phát triển ứng dụng công nghệ mạng neuron học sâu trong lĩnh vực kỹ thuật điện.

Trích đoạn nội dung tài liệu

Chương 1: TỔNG QUAN 1.1 Tổng quan chung về vấn đề cần nghiên cứu : Khi thiết kế hoặc khi vận hành bất kỳ một hệ thống điện (HTĐ) nào cũng phải kể đến khả năng phát sinh các hư hỏng và các tình trạng làm việc không bình thường trong hệ thống điện ấy. Nhiệm vụ của các thiết bị bảo vệ nói chung và bảo vệ relay nói riêng là phát hiện và loại trừ càng nhanh càng tốt phần tử bị sự cố ra khỏi hệ thống điện. Nguyên nhân gây hư hỏng, sự cố đối với các phần tử trong hệ thống điện rất đa dạng: Do các hiện tượng thiên nhiên như giông bão, động đất, lũ lụt, do máy móc thiết bị hao mòn, già cỗi, do các tai nạn ngẫu nhiên, do nhầm lẫn trong thao tác của nhân viên vận hành v.v… Nhanh chóng phát hiện và cách ly phần tử hư hỏng ra khỏi hệ thống điện có thể ngăn chặn và hạn chế đến mức thấp nhất những hậu quả tai hại của sự cố, trong đó phần lớn là các dạng ngắn mạch. Dòng điện tăng cao tại chỗ sự cố và trong các phần tử trên đường từ nguồn đến điểm ngắn mạch có thể gây ra những tác động nhiệt và cơ nguy hiểm cho các phần tử nó chạy qua .Hồ quang tại chỗ ngắn mạch nếu để tồn tại lâu có thể đốt cháy thiết bị gây hỏa hoạn.

Ngắn mạch làm cho điện áp tại chỗ sự cố và khu vực lưới điện lân cận bị giảm thấp ,ảnh hưởng đến sự làm việc bình thường của các hộ tiêu dùng điện. Tồi tệ hơn, ngắn mạch có thể dẫn đến mất ổn định và tan rã hệ thống. Tuy nhiên, với bài toán nhận dạng những hư hỏng trong hệ thống điện là thì vấn đề trở nên phức tạp hơn nhiều so với bài toán nhận dạng khác ở những vấn đề sau: Với hệ thống điện thì không thể biết trước tất cả các hư hỏng ,do không có một mạng điện cố định nào , nên mỗi mạng điện có một cách nhận dạng nguyên nhân hư hỏng khác nhau .Các thiết bị trong hệ thống điện có những đặc tính khác nhau, trong hệ thống điện cũng có hệ thống lớn nhỏ khác nhau. 1 Luan van Trong những năm gần đây, mô hình mạng Neuron theo hướng học sâu đã cho thấy những kết quả tốt trong nhiều bài toán khác nhau.

Luận văn này đề cập đến việc áp dụng mạng neuron học sâu (DLNN)để chẩn đoán sự cố hệ thống điện DLNN là cách tiếp cận hiệu quả hơn so với mạng thần kinh truyền thống để giải quyết các vấn đề bao gồm sự xử lý dữ liệu, tốt hơn phương pháp tối ưu cục bộ và hiệu chỉnh khuếch tán. Trong luận văn, dữ liệu được trích ra từ hệ thống điện và được xử lý trước khi đào tạo trong mạng lưới học sâu. Sau đó, dữ liệu được xử lý được đưa vào bộ mã hoá tự động và các tính năng ẩn được quan sát ở các kích thước khác nhau để ta có thể sơ bộ đánh giá lỗi này. Sau đó, huấn luyện bằng bộ mã hóa tự động (SAE) đã được huấn luyện được sử dụng để khởi tạo và đào tạo một mạng neuronhọc sâu (DLNN).

Các tính năng ẩn được quan sát ở các kích thước khác nhau để lỗi được đánh giá sơ bộ. Phân loại là phần cuối cùng của mạng để phản ánh các loại và khả năng chẩn đoán. Phương pháp tính sẵn có, tiền xử lý và mô hình hóa được đề xuất trong luận văn. Kết quả mô phỏng chứng minh tính khả thi của cách tiếp cận và các yếu tố tác động được trình bày trong luận văn.

Có 4 trường hợp phổ biến ngắn mạch gây hiện tượng đóng cắt CB trong hệ thống điện : - Ngắn mạch 3 pha chiếm 5% - Ngắn mạch 2 pha chiếm 10% -Ngắn mạch 2 pha nối đất chiếm 20% -Ngắn mạch 1 pha nối đất chiếm 65% Để xử lý đoán biết nhanh và chính xác nguyên nhân việc đóng ngắt CB trong hệ thống điện thì ta sử dụng DLNN_SAE để phân tích và chẩn đoán. Cuối cùng khi các thông số đầu vào đã được đưa vào nhận dạng và cho ra kết quả thì bước quan trọng không kém là quá trình hậu xử lý với các kết quả ở trên, và trả lại kết quả cho người sử dụng theo 4 trường hợp. 2 Luan van Bảng1. 1 : Xác xuất xảy ra sự cố ngắn mạch - Ngắn mạch 3 pha (ABC) - Ngắn mạch 2 pha (AB) -Ngắn mạch 2 pha nối đất (ABN) -Ngắn mạch 1 pha nối đất (AN) 1.2 Tình hình nghiên cứu trong nước & ngoài nước 1.1 Nghiên cứu phương pháp xác định vị trí sự cố trên đường dây tải điện dựa trên mạng neuron MLP [21] Đề xuất phương pháp mới sử dụng song song 1 relay khoảng cách và 1 mạng neuron MLP để xác định vị trí sự cố trên đường dây truyền tải dựa trên dòng điện và điện áp đo được ở đầu đường dây với sai số nhỏ so với thuật toán toán tổng trở.

Bài toán xác định vị trí sự cố trên đường dây truyền tải có nhu cầu thực tế cao.Phương pháp nghiên cứu này chỉ yêu cầu dòng điện và điện áp ở đầu đường dây nên cách thu thệp số liệu cũng đơn giản. Mô hình sữ dụng Mạng neuron MLP và mô hình sử dụng song song 1 thuật toán tổng trở( thuật toán tổng trở chạy trên máy tính hoặc 1 relay khoản cách) với một mạng neuron MLP sử dụng đầu vào là các đặc tính thời gian và đặc tính tần số được xác định thông qua phép phân tích sóng nhỏ (wavelet).2 Phương pháp neuron mờ (Fuzzy neuron) để phân loại sự cố cho đường dây truyền tải [15] Phương pháp neuron mờ (fuzzy neuron) này ứng dụng để phát hiện sự cố trong hệ thống truyền tải theo thời gian thực. Bằng cách tích hợp kỹ thuật mạng neuron nâng cao khả năng học tập của hệ thống logic mờ.Các thành phần đối xứng 3 Luan van trong sự kết hợp với dòng điện 3 pha được dùng để phát hiện sự cố bao gồm (3 pha chạm đất, 2 pha chạm đất, 2 pha chạm nhau, 1 pha chạm đất). Sau khi được mô phỏng trên máy tính kết quả của phương pháp này có thể được sử dụng như 1 công cụ hiệu quả cho các relay kỹ thuật số tốc độ cao .3 Thuật toán mạng neuron cải tiến cho việc phân loại sự cố trên đường dây truyền tải [16] Nghiên cứu này giới thiệu về ứng dụng trí tuệ nhân tạo để phân loại sự cố mạng điện bao gồm ( loại sự cố và vùng xảy ra sự cố).Nghiên cứu dựa trên thuật toán đặc biệt của mạng neuron kết hợp với tập hợp lớn các mạng dử liệu ngõ vào.

Nghiên cứu đã đề ra cải tiến thuật toán đề cải tiến quá trình tiền xử lý tín hiệu ngỏ vào bằng cách điều chỉnh bộ lọc tương tự và tần số lấy mẫu. Ngoài ra còn cải tiến phân vùng lấy mẫu so với việc sử dụng phân loại vùng lân cận. Nghiên cứu còn đưa ra các thuật toán nhằm thay thế relay khoản cách bằng relay thế hệ mới mà không sử dụng các cài đặt truyền thống. Các thông số cài đặt về tần số lấy mẫu ,bộ lọc tương tự , cách lấy dữ liệu cho thuật toán đóng vai trò quan trọng trong suất quá trình huấn luyện và kiểm tra.

Phương pháp đề xuất về những cải tiến của thuật toán mạng neuron có thể phân loại tốt hơn loại sự cố và vùng sử cố .Kết hợp mạng neuron với kỹ thuật mờ trong 1 thuật toán làm cải thiện khả năng phát hiện sự cố và vùng xảy ra sự cố.4 Nhận dạng sự cố trong hệ thống điện dùng MLP [19] Hệ thống điện ngày nay ngày càng trở nên phức tạp do sự phát triển kinh tế xã hội nên vấn đề hoạt động an toàn của hệ thống điện trở nên rất quan trọng. Do sự phức tạp của hệ thống điện nên người ta thương sử dụng hệ thống bảo vệ relay để nhanh chóng phát hiện và cô lập sự cố ra khỏi hệ thống. ghiền cứu này mô phỏng trên hệ thống mạng điện tiêu chuẩn 9 bus của IEEE thông qua Power world để mô phỏng và Matlap để huấn luyện và kiểm tra. Phương pháp sử dụng mạng neuron truyền thẳng 1 lớp ẩn cho độ chính xác cao.

Điều này cho thấy có thể áp dụng cho hệ thống bảo vệ đường dây bằng hệ thống nhân dạng. 4 Luan van  Các nghiên cứu về chẩn đoán sự cố hệ thống điện dựa trên mạng neuron nhân tạo truyền thống đã được đề xuất trong những năm gần đây. Để giải quyết khuyết điểm mà mạng neuron nhân tạo dễ rơi vào vùng tối thiểu và nhạy cảm với các giá trị ban đầu của trọng số và ngưỡng, các nhà nghiên cứu kết hợp thuật toán di truyền, lý thuyết wavelet với mạng thần kinh. Họ đề xuất một phương pháp có thể làm giảm sự không chắc chắn trong chẩn đoán lỗi hệ thống phức tạp và nâng cao tính chính xác và hiệu quả của chẩn đoán lỗi.

Wang đã thiết kế lại việc học tập, bộ nhớ và đào tạo mạng neuron nhân tạo và thiết kế hệ thống phát hiện và chẩn đoán lỗi trực tuyến và mô phỏng môi trường dựa trên mạng neuron. Tuy nhiên, họ đã không để ý đến các vấn đề của mạng thần kinh được đề cập ở trên và không giải quyết chúng về cơ bản. Một phương pháp hiệu quả được đề xuất trong luận văn là giải quyết ba vấn đề chính bao gồm sự sẵn có của dữ liệu, tối ưu cục bộ tốt hơn, sự khuếch tán gradient. Dữ liệu được trích từ bộ phận điều phối hệ thống điện trong thực tế hoặc phần mềm mô phỏng Powerword và được xử lý trước về các mẫu dữ liệu.

Sau đó, dữ liệu được đưa vào bộ mã hoá tự động và đào tạo một mạng neuron học tập sâu (DLNN) .Phân loại là phần cuối cùng của mạng để phản ánh các loại và khả năng chẩn đoán. Kết quả mô phỏng chứng minh tính khả thi và tính chính xác của phương pháp. Luận văn “Chẩn đoán sự cố hệ thống điện dùng mạng neuron học sâu ” được thực hiện với mục đích giải quyết một lớp con các bài toán nhận dạng sự cố trong hệ thống điện thông qua trí tuệ nhân tạo Luận văn sẽ tập trung vào nghiên cứu về cơ sở lý thuyết mô hình Deep Learning (DLNN) các thuật toán được sử dụng ,thực hiện huấn luyện bằng mô hình Deep Learning, trong đó tập trung vào phương pháp SAE (stack auto encoders) từ đó thông qua chương trình mô phỏng trên Matlab để huấn luyện và kiểm tra thuật toán. 5 Luan van Chương 2: MÔ HÌNH MẠNG NEURON VÀ MÔ HÌNH HỌC SÂU 2.

Tổng quan về mô hình mạng neuron 2.