Luận văn thạc sĩ ứng dụng mạng nơron định vị sự cố lưới điện - ĐH SPKT TP.HCM

Luận văn thạc sĩ nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện, phân tích mô hình thuật toán và giải pháp nâng cao độ chính xác.

• Tác giả: Phạm Văn Tính
• Người hướng dẫn: PGS.TS. Nguyễn Minh Tâm
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về mạng nơron nhân tạo định vị sự cố lưới điện

Mạng nơron nhân tạo (ANN) là mô hình tính toán mô phỏng cấu trúc não bộ con người, gồm nhiều lớp nơron liên kết với nhau. Trong nghiên cứu định vị sự cố lưới điện, ANN được ứng dụng để phân tích dữ liệu điện áp dòng điện khi xảy ra sự cố. Phương pháp này vượt trội hơn các kỹ thuật truyền thống nhờ khả năng học phi tuyến từ dữ liệu lịch sử. Hệ thống lưới điện hiện đại thường gặp sự cố ngắn mạch, quá tải hoặc sụt áp, gây thiệt hại nghiêm trọng. Việc xác định nhanh chóng vị trí sự cố giúp giảm thời gian ngừng hoạt động, nâng cao độ tin cậy cung cấp điện. ANN có thể xử lý hàng nghìn mẫu dữ liệu trong thời gian thực, cung cấp kết quả chính xác hơn so với phương pháp truyền thống dựa vào bảng tra hoặc công thức toán học đơn giản.

1.1. Vai trò của ANN trong hệ thống điện

ANN đóng vai trò quan trọng trong hệ thống điện nhờ khả năng học tập từ dữ liệu đo lường. Khi xảy ra sự cố, các cảm biến ghi nhận điện áp dòng điện tại nhiều điểm trên lưới. Dữ liệu này được đưa vào ANN để nhận diện mẫu sự cố. Mạng nơron có thể phân biệt giữa sự cố ngắn mạch, quá tải hay sụt áp thông qua đặc trưng tín hiệu. Khả năng này giúp hệ thống tự động cảnh báo và định vị sự cố chính xác. Ngoài ra, ANN có thể thích ứng với những thay đổi trong lưới điện như mở rộng phụ tải hay thay đổi cấu trúc mạng. Điều này đảm bảo tính linh hoạt và hiệu quả trong vận hành hệ thống điện.

1.2. Lịch sử phát triển ứng dụng ANN

Việc ứng dụng ANN trong ngành điện bắt đầu từ những năm 1990 khi công nghệ tính toán trở nên mạnh mẽ hơn. Ban đầu, các nhà nghiên cứu sử dụng mạng nơron đơn giản để dự đoán sự cố dựa trên dữ liệu lịch sử. Theo thời gian, các kiến trúc phức tạp hơn như mạng nơron truyền thẳng (FFNN) hay mạng nơron hồi quy (RNN) được phát triển. Những tiến bộ trong thuật toán học (như backpropagation) và phần cứng (GPU) đã đẩy nhanh quá trình huấn luyện mạng. Ngày nay, ANN kết hợp với trí tuệ nhân tạo (AI) trở thành công cụ không thể thiếu trong quản lý lưới điện thông minh.

II. Phân tích thách thức định vị sự cố lưới điện truyền thống

Các phương pháp truyền thống định vị sự cố lưới điện dựa vào biểu đồ phụ tải, dữ liệu lịch sử hoặc công thức toán học đơn giản. Những phương pháp này thường gặp khó khăn trong việc xử lý dữ liệu nhiễu, biến đổi phụ tải đột ngột hoặc cấu trúc lưới phức tạp. Hơn nữa, thời gian tính toán chậm khi phải xử lý khối lượng dữ liệu lớn từ hệ thống đo xa SCADA. Sai số trong định vị có thể dẫn đến việc cắt nhầm nhánh điện, gây gián đoạn cung cấp điện không cần thiết. Ngoài ra, các phương pháp truyền thống không thể thích ứng linh hoạt với những thay đổi trong hệ thống điện. Điều này đòi hỏi phải phát triển các giải pháp thông minh hơn, trong đó có mạng nơron nhân tạo.

2.1. Hạn chế của phương pháp dựa vào bảng tra

Phương pháp dựa vào bảng tra sử dụng dữ liệu đo lường để xác định vị trí sự cố thông qua so sánh. Tuy nhiên, phương pháp này có độ chính xác thấp do phụ thuộc vào chất lượng dữ liệu đầu vào. Bảng tra thường được xây dựng từ các kịch bản sự cố giả định, không phản ánh đầy đủ các tình huống thực tế. Ngoài ra, quá trình cập nhật bảng tra đòi hỏi nhiều công sức và thời gian. Sai số trong bảng tra có thể dẫn đến định vị sai vị trí sự cố, gây ảnh hưởng đến hiệu quả xử lý sự cố.

2.2. Khó khăn trong xử lý dữ liệu nhiễu

Dữ liệu đo lường từ hệ thống điện thường chứa nhiễu do tác động của môi trường, thiết bị đo hoặc sự cố trong hệ thống. Các phương pháp truyền thống khó có thể phân biệt tín hiệu nhiễu với tín hiệu sự cố thực sự. Điều này dẫn đến nguy cơ nhận dạng sai sự cố, gây ra cảnh báo giả hoặc bỏ sót sự cố nghiêm trọng. ANN có khả năng lọc nhiễu thông qua quá trình huấn luyện trên dữ liệu đa dạng. Mạng nơron có thể học cách nhận diện các mẫu đặc trưng của sự cố, ngay cả khi dữ liệu đầu vào bị nhiễu.

III. Giải pháp mạng nơron nhân tạo trong định vị sự cố

Nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố lưới điện sử dụng kiến trúc mạng nơron truyền thẳng (FFNN) với thuật toán học Levenberg-Marquardt. Mạng nơron được huấn luyện trên dữ liệu đo lường từ hệ thống SCADA, bao gồm điện áp, dòng điện và thông số tần số. Dữ liệu huấn luyện được tiền xử lý để loại bỏ nhiễu và chuẩn hóa. Sau khi huấn luyện, mạng nơron có thể nhận diện sự cố ngắn mạch, quá tải hoặc sụt áp dựa trên mẫu tín hiệu đầu vào. Độ chính xác của mạng nơron phụ thuộc vào chất lượng dữ liệu huấn luyện và kiến trúc mạng. Kết quả thực nghiệm cho thấy mạng nơron có thể định vị sự cố với sai số dưới 5% so với vị trí thực tế.

3.1. Kiến trúc mạng nơron đề xuất

Kiến trúc mạng nơron đề xuất gồm ba lớp: lớp đầu vào, lớp ẩn và lớp đầu ra. Lớp đầu vào nhận dữ liệu đo lường từ hệ thống điện, bao gồm điện áp, dòng điện và tần số. Lớp ẩn chứa nhiều nơron được liên kết với nhau, có nhiệm vụ trích xuất đặc trưng từ dữ liệu đầu vào. Lớp đầu ra cung cấp kết quả định vị sự cố dưới dạng tọa độ trên lưới điện. Số lượng nơron trong lớp ẩn được xác định thông qua quá trình thử nghiệm để tối ưu hóa độ chính xác. Kiến trúc này được huấn luyện bằng thuật toán Levenberg-Marquardt, kết hợp ưu điểm của gradient descent và phương pháp Newton.

3.2. Quy trình huấn luyện mạng nơron

Quy trình huấn luyện mạng nơron bắt đầu bằng việc thu thập dữ liệu đo lường từ hệ thống SCADA. Dữ liệu được tiền xử lý để loại bỏ nhiễu và chuẩn hóa về cùng thang đo. Sau đó, dữ liệu được chia thành ba tập: huấn luyện, kiểm tra và kiểm định. Mạng nơron được huấn luyện trên tập huấn luyện bằng thuật toán Levenberg-Marquardt. Quá trình huấn luyện dừng khi sai số trên tập kiểm tra đạt giá trị tối thiểu. Mạng nơron sau khi huấn luyện được kiểm định trên tập dữ liệu mới để đánh giá khả năng khái quát hóa. Độ chính xác của mạng nơron được đánh giá thông qua sai số định vị sự cố.

IV. Kết quả thực nghiệm và ứng dụng trong thực tế

Nghiên cứu được tiến hành trên mô hình lưới điện phân phối 22kV tại tỉnh Quảng Trị. Dữ liệu đo lường được thu thập từ hệ thống SCADA trong vòng 1 năm, bao gồm 120 sự cố ngắn mạch. Mạng nơron được huấn luyện trên 80% dữ liệu và kiểm tra trên 20% còn lại. Kết quả cho thấy mạng nơron có thể định vị sự cố với sai số trung bình 3,2%. Thời gian xử lý trung bình là 0,5 giây, nhanh hơn nhiều so với phương pháp truyền thống. Ứng dụng mạng nơron trong thực tế cho thấy khả năng thích ứng cao với những thay đổi trong lưới điện. Hệ thống có thể tự động cập nhật mô hình khi có sự thay đổi về cấu trúc hoặc phụ tải.

4.1. Đánh giá hiệu quả phương pháp đề xuất

Phương pháp đề xuất được đánh giá thông qua sai số định vị sự cố và thời gian xử lý. Kết quả thực nghiệm cho thấy sai số định vị trung bình là 3,2%, thấp hơn đáng kể so với phương pháp truyền thống (10-15%). Thời gian xử lý trung bình là 0,5 giây, nhanh hơn nhiều so với phương pháp dựa vào bảng tra (5-10 giây). Ngoài ra, mạng nơron có khả năng thích ứng với những thay đổi trong lưới điện, trong khi phương pháp truyền thống yêu cầu cập nhật thủ công. Điều này chứng tỏ tính hiệu quả và linh hoạt của phương pháp đề xuất.

4.2. Hướng phát triển trong tương lai

Trong tương lai, mạng nơron có thể kết hợp với các kỹ thuật học sâu (deep learning) để cải thiện độ chính xác. Việc sử dụng dữ liệu đa nguồn như ảnh vệ tinh, cảm biến IoT cũng có thể nâng cao khả năng nhận diện sự cố. Ngoài ra, nghiên cứu có thể mở rộng sang các loại sự cố khác như cháy nổ, ngập lụt hoặc sự cố do thiên tai. Việc tích hợp mạng nơron vào hệ thống quản lý lưới điện thông minh (Smart Grid) sẽ giúp nâng cao độ tin cậy và hiệu quả vận hành.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu. − Chương 2: Cơ sở lý thuyết. − Chương 3: Ứng dụng mạng nơ ron để định vị sự cố trên lưới điện phân phối. − Chương 4: Mô hình hoá và mô phỏng.

− Chương 5: Kết luận và hướng phát triển. 18 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về mạng nơ ron nhân tạo.1 Giới thiệu về mạng nơ ron. Theo các nhà nghiên cứu sinh học về bộ não, hệ thống thần kinh của con nguời bao gồm khoảng 100 tỷ tế bào thần kinh, thuờng gọi là các nơ ron. Mỗi tế bào no ron gồm ba phần: − Thân nơ ron với nhân bên trong (gọi là soma) là nơi tiếp nhận hay phát ra các xung động thần kinh.

− Một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) để đưa tín hiệu tới nhân nơ ron. Các dây thần kinh vào tạo thành một lưới dày đặc xung quanh thân nơ ron, 2 chiếm diện tích khoảng 0,25 mm. − Ðầu dây thần kinh ra (gọi là sợi trục axon) phân nhánh dạng hình cây, có thể dài từ một cm đến hàng mét. Chúng nối với các dây thần kinh vào hoặc trực tiếp với nhân tế bào của các nơ ron khác thông qua các khớp nối (gọi là synapse).

Thông thường mỗi nơ ron có thể có từ vài chục cho tới hàng trăm ngàn khớp nối để nối với các nơ ron khác. Có hai loại khớp nối, khớp nối kích thích (excitatory) sẽ cho tín hiệu qua nó để tới nơ ron, còn khớp nối ức chế (inhibitory) có tác dụng làm cản tín hiệu tới nơ ron. Người ta ước tính mỗi nơ ron trong bộ não của con nguời có khoảng 10.000 khớp nối (hình 2. Chức năng cơ bản của các tế bào nơ ron là liên kết với nhau để tạo nên hệ thống thần kinh điều khiển hoạt động của cơ thể sống.

Các tế bào nơ ron truyền tín hiệu cho nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện và được tạo ra từ các quá trình phản ứng hoá học phức tạp. Tại nhân tế bào, khi điện thế của tín hiệu vào đạt tới một ngưỡng nào đó thì nó sẽ tạo ra một xung diện dẫn tới trục dây thần kinh ra. Xung này truyền theo trục ra tới các nhánh rẽ và tiếp tục truyền tới các nơ ron khác.1 Cấu tạo của tế bào nơ ron sinh học Với mục đích tạo ra một mô hình tính toán phỏng theo cách làm việc của nơ ron trong bộ não con nguời, vào năm 1943 các tác giả McCulloch và Pitts [1] đã đề xuất một mô hình toán cho một nơ ron như sau: Hình 2.2 Mô hình nơ ron nhân tạo Trong mô hình này, một nơ rôn thứ i sẽ nhận các tín hiệu vào x j với các trọng số tương ứng là wij, tổng các thông tin vào có trọng số là: m ij wx j j =1 Thông tin đầu ra ở thời diểm t+1 được tính từ các thông tin đầu vào như sau: out (t + 1) = g ( wij x j (t )− i ) 20 Trong đó g là hàm kích hoạt (còn gọi là hàm chuyển) có dạng là hàm bước nhảy, nó đóng vai trò biến đổi từ thông tin đầu vào thành tín hiệu đầu ra 1 g (f )= (0.3) 0 Như vậy, out = 1 (ứng với việc nơ ron tạo tín hiệu đầu ra) khi tổng các tín hiệu vào lớn hơn nguỡng , còn out = 0 (nơ ron không tạo tín hiệu ở đầu ra) khi tổng các tín hiệu vào nhỏ hơn nguỡng Trong mô hình nơ ron của McCulloch và Pitts, các trọng số thể hiện ảnh hưởng của khớp nối trong liên kết giữa nơ ron j (nơ ron gửi tín hiệu) và nơ ron i (nơ ron nhận tín hiệu). Trọng số tương ứng với khớp nối kích thích, trọng số âm ứng với khớp nối ức chế còn bằng 0 khi không có liên kết giữa hai nơ ron.

Hàm chuyển g ngoài dạng hàm bước nhảy còn có thể chọn nhiều dạng khác nhau và sẽ đuợc đề cập ở các phần sau. Thông qua cách mô hình hoá đơn giản một nơ ron sinh học như trên, McCulloch và Pitts đã đưa ra một mô hình nơ ron nhân tạo có tiềm năng tính toán quan trọng. Nó có thể thực hiện các phép toán lô-gíc cơ bản như AND, OR và NOT khi các trọng số và ngưỡng được chọn phù hợp. Sự liên kết giữa các nơ ron nhân tạo với các cách thức khác nhau sẽ tạo nên các loại mạng nơ ron nhân tạo (Artificial Neural Network - ANN) với những tính chất và khả năng làm việc khác nhau.2 Định nghĩa Mạng nơ ron.

Mạng nơ ron là một hệ thống liên kết nhiều phần tử hoạt động song song nhau. Những phần tử này được mô phỏng theo hệ thống thần kinh sinh học con người. Chức năng của mạng được xác định bởi sự kết nối giữa các phần tử. Mạng có thể được huấn luyện bằng cách hiệu chỉnh các giá trị kết nối (gọi là các trọng số) giữa các phần tử trong mạng để thực hiện một chức năng nào đó.

Các phần tử của mạng hoạt động giống như các tế bào thần kinh của con người, được gọi là các nơ ron.3 Cấu trúc một phần tử của mạng nơ ron Trong đó: X=(xo, x1, …, xn) biểu diễn cho tập hợp các ngả vào của phần tử xử lý. W=(w1,w2,…,wn) biểu diễn cho vectơ trọng số ứng với vectơ vào X. Mỗi ngả vào có một trọng số wi đặc trưng cho cường độ kết nối. Các ngả vào có trọng số được lấy tổng tại phần tử xử lý theo công thức I=SUM(wi*xi)=W*X Sau đó hàm tổng được đưa qua một hàm truyền Y và tạo kết quả tại ngả ra của phần tử xử lý.

Các trọng số được thay đổi trực tiếp qua các luật học của mạng.4 Cấu trúc mạng nơ ron 22 2.3 Hoạt động của mạng nơ ron. Mạng nơ ron được hiệu chỉnh, còn gọi là huấn luyện, sao cho ứng với một ngả vào sẽ có một ngả ra riêng biệt. Mạng được hiệu chỉnh dựa vào kết quả so sánh giữa ngả ra và giá trị mẫu, cho đến khi ngả ra phù hợp với mẫu. Một mạng nơ ron được tạo ra bằng cách kết hợp nhiều lớp nơ ron với nhau.

Dạng tổng quát như Hình 2. 5 Kết nối các lớp của mạng nơ ron Trong mạng này một số nơ ron sẽ giao tiếp với thế giới thực để nhận dữ liệu vào. Một số nơ ron khác sẽ xuất kết quả ở ngả ra. Các nơ ron còn lại tồn tại ở dạng ẩn trong mạng.

Thông thường một mạng nơ ron sẽ có 3 lớp: Lớp vào, lớp ẩn và lớp ra. Mỗi nơ ron trong lớp ẩn sẽ nhận tín hiệu từ tất cả các nơ ron phía trước nó, với mạng có 3 lớp thì lớp trước lớp ẩn là lớp vào, sau khi xử lý nó sẽ chuyển ngả ra tới các nơ ron phía sau, với mạng có 3 lớp thì lớp sau lớp ẩn là lớp ra. Một cách kết nối khác là hồi tiếp (feedback), như Hình 2., trong đó ngả ra của nơ ron sau sẽ nối ngược lại nơ ron phía trước. Cách các nơ ron kết nối nhau có ảnh hưởng đáng kể đến hoạt động của mạng.6 Mạng nơ ron có hồi tiếp 2.4 Các thành phần chính của mạng nơ ron.

Một mạng nơ ron gồm có 7 thành phần chính: 2. Một nơ ron sẽ nhận cùng lúc nhiều dữ liệu vào, mỗi ngả vào sẽ có trọng số kết nối riêng tạo ra ảnh hưởng lên ngả vào và nó cần có hàm tổng của phần tử xử lý. Một số ngả vào được làm cho quan trọng hơn các ngả vào khác để chúng có ảnh hưởng lớn hơn lên phần tử xử lý khi chúng kết hợp với nhau để tạo ra một đáp ứng của nơ ron. Các trọng số là những hệ số thích nghi dùng để xác định mật độ của tín hiệu vào.

Chúng là phép đo cường độ kết nối của một ngả vào. Cường độ này có thể được thay đổi đáp ứng cho nhiều tập huấn luyện khác nhau và theo một cấu trúc riêng của mạng hoặc qua các tập huấn luyện khác nhau. Bước đầu tiên trong hoạt động của phần tử xử lý là tính tổng có trọng số của tất cả các ngả vào. Về mặt toán học, các ngả vào và trọng số của chúng đều là các vectơ, gọi là vectơ (i1, i2, …, in) và vectơ (w1, w2, …, wn).

Tổng ngả vào là tích số của 2 vec tơ này, 24 là một điểm. Hàm tổng được tìm bằng cách nhân mỗi phần tử của vectơ i với phần tử tương ứng của vectơ w, rồi lấy tích các tổng này.6) Chú ý kết quả đạt được là một số, không phải là một vectơ. Về mặt hình học, tích bên trong của các vectơ được xem xét như độ tương đồng giữa chúng. Nếu các vectơ cùng hướng thì tích này sẽ cực đại, các vectơ ngược hướng thì tích cực tiểu.

Các hệ số vào và trọng số có thể kết hợp theo nhiều cách khác nhau trước khi đưa tới hàm truyền. Bằng cách chọn mô hình và cấu trúc mạng sẽ xác định được thuật toán riêng cho sự kết hợp các ngả vào. Một số hàm tổng có thêm quá trình xử lý kết quả trước khi chuyển nó tới hàm truyền. Quá trình này gọi là hàm kích hoạt.

Mục đích của việc sử dụng hàm kích hoạt là cho phép ngả ra của hàm tổng thay đổi theo thời gian. Kết quả của hàm tổng được biến đổi thành ngả ra bằng một thuật toán xử lý gọi là hàm truyền. Trong hàm truyền, tổng số hàm tổng được so sánh với một ngưỡng để xác định ngả ra của nơ ron. Nếu tổng lớn hơn giá trị ngưỡng thì phần tử xử lý tạo ra một tín hiệu.

Nếu tổng nhỏ hơn ngưỡng thì không tạo tín hiệu ra. Ngưỡng này, hay hàm truyền, là phi tuyến. Hàm tuyến tính sẽ bị loại trừ vì làm cho ngả ra tỉ lệ với ngả vào. Mạng có thể tạo ra giá trị zero và 1, hoặc 1 và -1, hoặc +1 và -1.

Hàm truyền có thể là một ‘giới hạn cứng’ hay là một hàm bước.4 Lấy tỉ lệ và định giới hạn. 25 Sau hàm truyền của phần tử xử lý, kết quả có thể qua các quá trình phụ đó là lấy tỉ lệ và giới hạn. Việc lấy tỉ lệ chỉ là nhân hệ số tỉ lệ với một giá trị truyền, rồi thêm vào một hệ số bù. Việc định giới hạn để bảo đảm rằng kết quả lấy tỉ lệ không vượt quá một biên trên và biên dưới.5 Hàm ngả ra.

Mỗi phần tử xử lý được phép tạo một tín hiệu ra để nối tới hàng trăm nơ ron khác. Thường ngả ra này tương đương với kết quả của hàm truyền.