Luận văn thạc sĩ HCMUTE: Ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện

Luận văn thạc sĩ kỹ thuật phân tích hcmute nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi

• 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 Trong Định Vị Sự Cố Lưới Điện
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu luận văn
• 1.2. Nội dung của luận văn
• 1.3. Phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Điểm mới của luận văn
• 1.6. Nội dung luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về mạng nơ ron nhân tạo
• 2.1.1. Giới thiệu về mạng nơ ron
• 2.1.2. Định nghĩa Mạng nơ ron
• 2.1.3. Hoạt động của mạng nơ ron
• 2.1.4. Các thành phần chính của mạng nơ ron
• 2.1.5. Lấy tỉ lệ và định giới hạn
• 2.1.6. Hàm ngả ra
• 2.2. Huấn luyện mạng nơ ron
• 2.2.1. Học có giám sát / Học có thầy
• 2.2.2. Học không giám sát / Học không thầy
• 2.2.3. Luật giảm Gradient
• 2.3. Giới thiệu các loại mạng nơ ron
• 2.3.1. Mạng lan truyền ngược
• 2.3.2. Mạng Vectơ lượng tử LVQ – Learning Vector Quantity
• 2.3.3. Mạng tự sắp xếp
• 2.4. Cáp ngầm điện lực
• 2.4.1. Cấu tạo cáp ngầm điện lực
• 2.4.2. Lớp cách điện XLPE
• 2.4.3. Lớp bán dẫn cách điện
• 2.4.4. Màng chắn kim loại
• 2.4.5. Lớp bảo vệ
• 2.4.6. Lớp vỏ bảo vệ ngoài cùng
• 2.5. Ngắn mạch trong cáp ngầm điện lực
• 2.5.1. Các nguyên nhân gây ngắn mạch cáp ngầm
• 2.5.2. Các loại sự cố ngắn mạch cáp ngầm
• 2.5.2.1. Ngắn mạch một pha chạm đất
• 2.5.2.2. Ngắn mạch hai pha chạm đất
• 2.5.2.3. Ngắn mạch ba pha chạm đất
• 3. CHƯƠNG 3: ỨNG DỤNG MẠNG NƠ RON ĐỂ ĐỊNH VỊ SỰ CỐ TRÊN LƯỚI ĐIỆN
• 3.1. Thuật toán định vị sự cố ngắn mạch dựa trên sóng truyền kết hợp mạng nơ ron
• 3.1.1. Thuật toán ước lượng vị trí sự cố ngắn mạch dựa trên tần số cộng hưởng
• 3.1.2. Thuật toán tạo hàm tương quan vị trí ngắn mạch – tần số cộng hưởng dựa trên mạng nơ ron truyền thẳng
• 4. CHƯƠNG 4: MÔ HÌNH HÓA VÀ MÔ PHỎNG
• 4.1. Mô tả lưới điện phân phối cần mô phỏng
• 4.2. Mô hình hóa các khối trong lưới điện phân phối được mô phỏng
• 4.3. Thiết kế giao diện chương trình ước lượng vị trí ngắn mạch cáp ngầm
• 4.3.1. Giao diện chương trình tạo sự cố ngắn mạch
• 4.3.2. Giao diện chương trình ước lượng vị trí ngắn mạch
• 4.4. Kết quả mô phỏng
• 4.4.1. Khi ngắn mạch pha a chạm đất tại vị trí 1700 m
• 4.4.2. Khi ngắn mạch hai pha bc chạm đất tại 2600m
• 4.4.3. Khi ngắn mạch ba pha abc chạm đất tại 3900m
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Các vấn đề được thực hiện trong luận văn
• 5.2. Đề nghị và các hướng phát triển của luận văn
• TÀI LIỆU TRÍCH DẪN

Tóm tắt

I. Giới thiệu

Nghiên cứu ứng dụng mạng nơron nhân tạo trong việc định vị sự cố trên lưới điện là một lĩnh vực đang thu hút sự quan tâm lớn từ các nhà nghiên cứu và kỹ sư. Với sự phát triển nhanh chóng của công nghệ, việc áp dụng công nghệ AI vào quản lý và vận hành hệ thống điện trở nên cần thiết. Mục tiêu chính của nghiên cứu này là tìm ra phương pháp hiệu quả để xác định vị trí sự cố, từ đó giảm thiểu thời gian khắc phục và nâng cao độ tin cậy của lưới điện. Các phương pháp truyền thống thường gặp khó khăn trong việc xác định chính xác vị trí sự cố, đặc biệt là trong các hệ thống lớn và phức tạp. Do đó, việc ứng dụng mạng nơron để xử lý và phân tích dữ liệu từ các cảm biến trong lưới điện là một giải pháp tiềm năng.

1.1 Tầm quan trọng của việc định vị sự cố

Việc định vị sự cố lưới điện không chỉ giúp giảm thiểu thời gian mất điện mà còn đảm bảo chất lượng cung cấp điện cho người tiêu dùng. Theo thống kê, thời gian khắc phục sự cố càng nhanh, thiệt hại kinh tế càng giảm. Cảm biến lưới điện cung cấp dữ liệu thời gian thực, giúp các kỹ sư có thể phát hiện và xử lý sự cố kịp thời. Việc áp dụng công nghệ thông tin và mạng nơron vào lĩnh vực này sẽ tạo ra những bước tiến mới trong việc quản lý và vận hành lưới điện, từ đó nâng cao hiệu quả và độ tin cậy của hệ thống.

II. Cơ sở lý thuyết

Chương này sẽ trình bày tổng quan về mạng nơron nhân tạo, bao gồm cấu trúc, nguyên lý hoạt động và các loại mạng nơron phổ biến. Mạng nơron được mô phỏng theo cách hoạt động của não bộ con người, với các nơron kết nối với nhau thông qua các khớp nối. Mỗi nơron nhận tín hiệu đầu vào, xử lý và tạo ra tín hiệu đầu ra. Việc huấn luyện mạng nơron là quá trình điều chỉnh trọng số của các kết nối để tối ưu hóa độ chính xác của dự đoán. Các loại mạng nơron như mạng lan truyền ngược, mạng tự sắp xếp và mạng Vectơ lượng tử sẽ được phân tích chi tiết. Sự phát triển của công nghệ AI đã mở ra nhiều cơ hội mới cho việc ứng dụng mạng nơron trong định vị sự cố lưới điện.

2.1 Nguyên lý hoạt động của mạng nơron

Mạng nơron hoạt động dựa trên nguyên lý tiếp nhận và xử lý thông tin. Mỗi nơron trong mạng sẽ nhận các tín hiệu đầu vào, sau đó thực hiện các phép toán để tạo ra tín hiệu đầu ra. Hàm kích hoạt đóng vai trò quan trọng trong việc quyết định xem nơron có phát tín hiệu hay không. Việc huấn luyện mạng nơron thông qua các thuật toán như giảm gradient giúp tối ưu hóa trọng số, từ đó nâng cao khả năng dự đoán của mạng. Sự kết hợp giữa mạng nơron và các phương pháp truyền sóng sẽ tạo ra một giải pháp hiệu quả cho việc định vị sự cố trên lưới điện.

III. Ứng dụng mạng nơron để định vị sự cố

Chương này sẽ trình bày chi tiết về các thuật toán định vị sự cố ngắn mạch dựa trên sóng truyền kết hợp với mạng nơron. Phương pháp này được đề xuất nhằm giảm thiểu thời gian tính toán và chi phí, đồng thời nâng cao độ chính xác trong việc xác định vị trí sự cố. Các thuật toán sẽ được xây dựng dựa trên mối quan hệ giữa tần số cộng hưởng và vị trí ngắn mạch. Việc áp dụng mạng nơron sâu cho phép xử lý dữ liệu phức tạp và đưa ra dự đoán chính xác hơn. Kết quả mô phỏng cho thấy phương pháp này có thể cải thiện đáng kể hiệu quả trong việc quản lý lưới điện.

3.1 Thuật toán định vị sự cố

Thuật toán định vị sự cố ngắn mạch dựa trên sóng truyền kết hợp với mạng nơron được xây dựng với các bước cụ thể. Đầu tiên, dữ liệu từ các cảm biến sẽ được thu thập và xử lý để xác định tần số cộng hưởng. Sau đó, mạng nơron sẽ được huấn luyện để tìm ra mối quan hệ giữa tần số và vị trí ngắn mạch. Kết quả từ mô phỏng cho thấy độ chính xác của phương pháp này cao hơn so với các phương pháp truyền thống. Việc áp dụng thuật toán này không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu chi phí cho việc khắc phục sự cố.

IV. Mô hình hóa và mô phỏng

Chương này sẽ trình bày về việc mô hình hóa lưới điện phân phối và các khối trong lưới điện được mô phỏng. Việc sử dụng phần mềm Matlab/Simulink cho phép xây dựng mô hình chính xác và thực hiện các phép mô phỏng để kiểm tra hiệu quả của các thuật toán đã đề xuất. Kết quả mô phỏng sẽ được phân tích để đánh giá độ chính xác và hiệu quả của phương pháp định vị sự cố. Các tình huống mô phỏng sẽ bao gồm các loại sự cố khác nhau như ngắn mạch một pha, hai pha và ba pha, từ đó đưa ra các giải pháp khắc phục kịp thời.

4.1 Kết quả mô phỏng

Kết quả mô phỏng cho thấy phương pháp định vị sự cố ngắn mạch có thể xác định chính xác vị trí sự cố trong các tình huống khác nhau. Khi ngắn mạch xảy ra, các tín hiệu từ cảm biến sẽ được xử lý nhanh chóng, giúp xác định vị trí sự cố chỉ trong vài giây. Điều này không chỉ giúp giảm thiểu thời gian mất điện mà còn nâng cao độ tin cậy của lưới điện. Việc mô phỏng cũng cho thấy khả năng mở rộng của phương pháp này cho các hệ thống lớn hơn, từ đó khẳng định giá trị thực tiễn của nghiên cứu.

V. Kết luận và hướng phát triển

Nghiên cứu đã chỉ ra rằng việc ứng dụng mạng nơron nhân tạo trong định vị sự cố lưới điện mang lại nhiều lợi ích. Phương pháp đề xuất không chỉ giúp xác định chính xác vị trí sự cố mà còn tiết kiệm thời gian và chi phí. Hướng phát triển trong tương lai có thể bao gồm việc mở rộng ứng dụng của mạng nơron cho các hệ thống điện phức tạp hơn, cũng như cải tiến các thuật toán để nâng cao độ chính xác và hiệu quả. Việc kết hợp giữa công nghệ thông tin và kỹ thuật điện sẽ mở ra nhiều cơ hội mới cho việc quản lý và vận hành lưới điện trong tương lai.

5.1 Đề xuất hướng nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc cải tiến thuật toán và mở rộng ứng dụng của mạng nơron trong các lĩnh vực khác như dự đoán tải điện, tối ưu hóa lưới điện và phát hiện sự cố trong thời gian thực. Việc áp dụng các công nghệ mới như học sâu và học máy sẽ giúp nâng cao khả năng phân tích và xử lý dữ liệu, từ đó cải thiện hiệu quả của hệ thống điện. Hướng nghiên cứu này không chỉ có giá trị lý thuyết mà còn mang lại lợi ích thực tiễn cho ngành điện lực.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của cơ sở hạ tầng kỹ thuật và mỹ quan đô thị tại các thành phố lớn như Hà Nội và Thành phố Hồ Chí Minh, việc ngầm hóa lưới điện phân phối ngày càng được quan tâm nhằm nâng cao độ an toàn và chất lượng cung cấp điện. Theo ước tính, nhu cầu sử dụng điện tăng trưởng liên tục đòi hỏi các giải pháp xử lý thông tin và kỹ thuật số phải nhanh chóng, chính xác để định vị sự cố trên lưới điện, đặc biệt là các sự cố ngắn mạch trên cáp ngầm. Các phương pháp truyền thống như bơm xung phản xạ, tổng trở và sóng truyền đều tồn tại những hạn chế về chi phí đầu tư thiết bị, thời gian mất điện và độ chính xác khi áp dụng trên hệ thống lớn.

Luận văn thạc sĩ này tập trung nghiên cứu ứng dụng mạng nơ ron nhân tạo kết hợp với phương pháp sóng truyền để định vị sự cố ngắn mạch trên lưới điện phân phối cáp ngầm. Mục tiêu cụ thể là xây dựng thuật toán định vị sự cố có độ chính xác cao, giảm thiểu thời gian tính toán và chi phí thiết bị, đồng thời phát triển chương trình mô phỏng trên phần mềm Matlab/Simulink để đánh giá hiệu quả giải pháp. Phạm vi nghiên cứu tập trung vào lưới điện phân phối tại các công trình thực tế, ví dụ như lưới điện phục vụ bệnh viện nhà nước ở Bình Dương, trong khoảng thời gian từ năm 2016 đến 2018.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ tin cậy và ổn định của hệ thống điện phân phối, góp phần giảm thiểu thời gian mất điện và tổn thất kinh tế do sự cố ngắn mạch gây ra. Việc ứng dụng mạng nơ ron nhân tạo trong lĩnh vực kỹ thuật điện hứa hẹn mở ra hướng đi mới cho công tác quản lý và vận hành lưới điện hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: mạng nơ ron nhân tạo (Artificial Neural Network - ANN) và phương pháp sóng truyền trong lưới điện phân phối.

1. Mạng nơ ron nhân tạo: Mạng nơ ron được mô phỏng theo cấu trúc tế bào thần kinh sinh học, gồm các nơ ron kết nối với nhau qua các trọng số thích nghi. Mạng có khả năng học và tổng quát hóa thông tin qua các thuật toán huấn luyện như học có giám sát (supervised learning) với thuật toán lan truyền ngược (backpropagation). Các thành phần chính của mạng bao gồm lớp vào, lớp ẩn và lớp ra, với các hàm kích hoạt phi tuyến giúp mạng xử lý các bài toán phức tạp. Luật học Delta và luật giảm Gradient được sử dụng để điều chỉnh trọng số nhằm giảm thiểu sai số giữa đầu ra dự đoán và giá trị thực tế.

2. Phương pháp sóng truyền: Đây là kỹ thuật xác định vị trí sự cố dựa trên tần số cộng hưởng cao bậc trong tín hiệu quá độ điện áp các pha trên lưới điện. Phương pháp xây dựng đường đặc tính tương quan giữa vị trí ngắn mạch và tần số cộng hưởng, tuy nhiên các phương pháp truyền thống gặp khó khăn khi phụ tải thay đổi liên tục, làm giảm độ chính xác và khả năng áp dụng trên hệ thống lớn.

Các khái niệm chuyên ngành quan trọng bao gồm: ngắn mạch một pha, hai pha, ba pha chạm đất trên cáp ngầm điện lực; cấu tạo cáp ngầm với các lớp cách điện XLPE, lớp bán dẫn, màng chắn kim loại và lớp bảo vệ; thuật toán huấn luyện mạng nơ ron; và mô hình hóa lưới điện phân phối.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu thu thập từ hệ thống lưới điện phân phối thực tế, bao gồm thông số đường dây, phụ tải và dòng điện trước và trong sự cố ngắn mạch. Cỡ mẫu dữ liệu được lựa chọn dựa trên các sự cố mô phỏng tại nhiều vị trí khác nhau trên lưới điện, đảm bảo tính đại diện cho các loại sự cố phổ biến.

Phương pháp phân tích chính là xây dựng mô hình mô phỏng lưới điện phân phối bằng phần mềm Matlab/Simulink, kết hợp thuật toán mạng nơ ron nhân tạo để tạo hàm tương quan phi tuyến giữa vị trí ngắn mạch và tần số cộng hưởng. Thuật toán huấn luyện mạng nơ ron sử dụng phương pháp học có giám sát với thuật toán lan truyền ngược, nhằm tối ưu trọng số mạng và nâng cao độ chính xác định vị.

Timeline nghiên cứu kéo dài từ tháng 10/2016 đến tháng 4/2018, bao gồm các bước: thu thập dữ liệu, xây dựng mô hình mô phỏng, phát triển thuật toán định vị sự cố, huấn luyện mạng nơ ron, và đánh giá kết quả qua mô phỏng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả định vị sự cố ngắn mạch: Thuật toán kết hợp mạng nơ ron và sóng truyền cho phép xác định vị trí ngắn mạch với độ chính xác cao, sai số định vị trung bình dưới 5% so với chiều dài đường dây. Ví dụ, trong mô phỏng ngắn mạch pha A chạm đất tại vị trí 1700 m, kết quả định vị sai lệch chỉ khoảng 80 m, tương đương 4,7%.

2. Giảm thời gian tính toán: So với phương pháp bảng tra truyền thống, việc sử dụng hàm tương quan phi tuyến do mạng nơ ron xây dựng giúp giảm thời gian tính toán định vị sự cố xuống còn khoảng 30% thời gian ban đầu, góp phần nâng cao hiệu quả vận hành lưới điện.

3. Khả năng ứng dụng trên nhiều loại sự cố: Thuật toán được kiểm nghiệm với các loại ngắn mạch một pha, hai pha và ba pha chạm đất tại nhiều vị trí khác nhau trên lưới điện phân phối. Kết quả mô phỏng cho thấy độ chính xác định vị duy trì ổn định, với sai số trung bình dưới 6% chiều dài đường dây.

4. Tính linh hoạt và khả năng mở rộng: Mạng nơ ron có khả năng học và thích nghi với các thay đổi về phụ tải và thông số lưới điện, giúp duy trì độ chính xác trong điều kiện hệ thống điện phân phối biến động liên tục.

Thảo luận kết quả

Nguyên nhân chính giúp nâng cao độ chính xác và giảm thời gian tính toán là do mạng nơ ron nhân tạo có khả năng xây dựng hàm phi tuyến mô tả mối quan hệ phức tạp giữa vị trí ngắn mạch và tần số cộng hưởng, thay thế cho bảng tra truyền thống cồng kềnh và tốn thời gian. So với các nghiên cứu trước đây sử dụng máy phát xung tần số cao hoặc phương pháp giải lặp, giải pháp này giảm thiểu được chi phí đầu tư thiết bị và thời gian mất điện.

Kết quả mô phỏng được trình bày qua các biểu đồ dạng sóng dòng điện và điện áp tại các vị trí sự cố, cùng đồ thị tương quan vị trí – tần số cộng hưởng, minh họa rõ ràng hiệu quả của thuật toán. So sánh với các phương pháp wavelet hay sóng truyền truyền thống, mạng nơ ron giúp khắc phục nhược điểm về độ chính xác khi phụ tải thay đổi liên tục.

Ý nghĩa của nghiên cứu nằm ở việc cung cấp một công cụ định vị sự cố nhanh chóng, chính xác và tiết kiệm chi phí, phù hợp với các hệ thống lưới điện phân phối hiện đại có quy mô lớn và biến động phức tạp.

Đề xuất và khuyến nghị

1. Triển khai hệ thống định vị sự cố tự động trên lưới điện phân phối: Áp dụng thuật toán mạng nơ ron kết hợp sóng truyền để xây dựng hệ thống giám sát và cảnh báo sự cố tự động, nhằm giảm thời gian phát hiện và xử lý sự cố, nâng cao độ tin cậy cung cấp điện. Thời gian thực hiện dự kiến trong 12 tháng, do các công ty điện lực và đơn vị tư vấn kỹ thuật thực hiện.

2. Nâng cấp phần mềm mô phỏng và huấn luyện mạng nơ ron: Phát triển thêm các module mô phỏng đa dạng loại sự cố và điều kiện phụ tải khác nhau, giúp mạng nơ ron học sâu hơn và cải thiện độ chính xác định vị. Thời gian thực hiện 6-9 tháng, do nhóm nghiên cứu và kỹ sư phần mềm phối hợp thực hiện.

3. Đào tạo nhân lực vận hành và bảo trì hệ thống: Tổ chức các khóa đào tạo chuyên sâu về mạng nơ ron và kỹ thuật định vị sự cố cho cán bộ kỹ thuật điện lực, đảm bảo vận hành hiệu quả và xử lý kịp thời các tình huống sự cố. Thời gian đào tạo 3-6 tháng, do các trường đại học và trung tâm đào tạo chuyên ngành thực hiện.

4. Mở rộng nghiên cứu ứng dụng cho các hệ thống lưới điện khác: Nghiên cứu áp dụng thuật toán cho các hệ thống lưới điện truyền tải và phân phối có cấu trúc phức tạp hơn, nhằm nâng cao khả năng ứng dụng rộng rãi. Thời gian nghiên cứu tiếp theo 12-18 tháng, do các viện nghiên cứu và doanh nghiệp điện lực phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Kỹ sư và chuyên gia vận hành lưới điện phân phối: Nghiên cứu cung cấp giải pháp định vị sự cố nhanh và chính xác, giúp họ nâng cao hiệu quả quản lý và xử lý sự cố trên lưới điện.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Luận văn là tài liệu tham khảo quý giá về ứng dụng mạng nơ ron nhân tạo trong kỹ thuật điện, đặc biệt trong lĩnh vực định vị sự cố và mô phỏng lưới điện.

3. Các công ty tư vấn và phát triển phần mềm kỹ thuật điện: Nội dung luận văn hỗ trợ phát triển các sản phẩm phần mềm mô phỏng và hệ thống giám sát lưới điện thông minh, đáp ứng nhu cầu thị trường.

4. Cơ quan quản lý và hoạch định chính sách năng lượng: Tham khảo để xây dựng các chính sách đầu tư, nâng cấp hạ tầng lưới điện hiện đại, đảm bảo an toàn và ổn định cung cấp điện cho đô thị.

Câu hỏi thường gặp

1. Mạng nơ ron nhân tạo là gì và tại sao được sử dụng trong định vị sự cố lưới điện?
   Mạng nơ ron nhân tạo là mô hình tính toán mô phỏng cách hoạt động của tế bào thần kinh sinh học, có khả năng học và tổng quát hóa dữ liệu phức tạp. Trong định vị sự cố lưới điện, mạng nơ ron giúp xây dựng hàm phi tuyến mô tả mối quan hệ giữa vị trí sự cố và tần số cộng hưởng, nâng cao độ chính xác và giảm thời gian tính toán.

2. Phương pháp sóng truyền đóng vai trò gì trong nghiên cứu này?
   Phương pháp sóng truyền dựa trên việc phân tích tần số cộng hưởng trong tín hiệu điện áp quá độ để xác định vị trí ngắn mạch. Kết hợp với mạng nơ ron, phương pháp này giúp tạo ra hàm tương quan chính xác và linh hoạt hơn so với bảng tra truyền thống.

3. Độ chính xác định vị sự cố đạt được trong nghiên cứu là bao nhiêu?
   Kết quả mô phỏng cho thấy sai số định vị trung bình dưới 5-6% chiều dài đường dây, tương đương với sai lệch khoảng vài chục đến vài trăm mét tùy thuộc vào vị trí sự cố, đảm bảo độ tin cậy cao trong thực tế vận hành.

4. Phần mềm nào được sử dụng để mô phỏng và huấn luyện mạng nơ ron?
   Phần mềm Matlab/Simulink được sử dụng để xây dựng mô hình mô phỏng lưới điện phân phối và phát triển thuật toán huấn luyện mạng nơ ron, giúp đánh giá hiệu quả giải pháp trước khi triển khai thực tế.

5. Giải pháp này có thể áp dụng cho các hệ thống lưới điện lớn và phức tạp không?
   Có, mạng nơ ron có khả năng học và thích nghi với các biến đổi phụ tải và thông số hệ thống, giúp duy trì độ chính xác định vị sự cố trên các hệ thống lưới điện phân phối quy mô lớn và phức tạp.

Kết luận

• Nghiên cứu đã phát triển thành công thuật toán định vị sự cố ngắn mạch trên lưới điện phân phối cáp ngầm dựa trên mạng nơ ron nhân tạo kết hợp phương pháp sóng truyền, với độ chính xác cao và thời gian tính toán được cải thiện đáng kể.
• Mô hình mô phỏng trên Matlab/Simulink chứng minh hiệu quả của giải pháp trong các trường hợp ngắn mạch một pha, hai pha và ba pha chạm đất tại nhiều vị trí khác nhau.
• Giải pháp giúp giảm chi phí đầu tư thiết bị và thời gian mất điện so với các phương pháp truyền thống, phù hợp với yêu cầu vận hành lưới điện hiện đại.
• Đề xuất triển khai hệ thống định vị sự cố tự động, nâng cấp phần mềm mô phỏng, đào tạo nhân lực và mở rộng nghiên cứu ứng dụng cho các hệ thống lưới điện khác.
• Các bước tiếp theo bao gồm thử nghiệm thực tế trên lưới điện phân phối, hoàn thiện thuật toán và phát triển sản phẩm phần mềm ứng dụng, nhằm đưa giải pháp vào vận hành chính thức.

Quý độc giả và các đơn vị quan tâm được khuyến khích nghiên cứu sâu hơn và áp dụng giải pháp nhằm nâng cao hiệu quả quản lý và vận hành lưới điện phân phối hiện đại.

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 Luan van 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, chiếm diện tích khoảng 0,25 mm2. − 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. 19 Luan van Hình 2.1 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 w x j =1 ij j (0.1) 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 ) (0.2) 20 Luan van 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 if f  0 g( f ) =  (0.3) 0 if f  0 Như vậy, out = 1 (ứng với việc nơ ron tạo tín hiệu đầu ra) khi tổng các tín hiệu vào lớn hơn nguỡng 𝜃𝑖 , còn out = 0 (nơ ron không tạo tín hiệu ở đầu ra) khi tổng các tín hiệu vào nhỏ hơn nguỡng 𝜃𝑖 Trong mô hình nơ ron của McCulloch và Pitts, các trọng số 𝑤𝑖𝑗 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 𝑤𝑖𝑗 tương ứng với khớp nối kích thích, trọng số âm ứng với khớp nối ức chế còn 𝑤𝑖𝑗 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. 21 Luan van Hình 2.3 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 Luan van 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. 23 Luan van Hình 2.6 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 Luan van 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 Luan van 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.