Luận văn thạc sĩ: Ứng dụng mạng neuron mờ cho bảo vệ máy biến áp

Luận văn thạc sĩ nghiên cứu hệ thống điện ứng dụng mạng neuron mờ cho việc bảo vệ khối phần tử bảo vệ máy biến áp, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn

• Tác giả: Vuõ Ngoïc Vieân
• Người hướng dẫn: TS. Nguyễn Hoàng Việt
• Trường học: Đại Học Bách Khoa
• Chuyên ngành: Hệ Thống Điện
• Đề tài: Ứng Dụng Mạng Neuron Mờ Trong Bảo Vệ Máy Biến Áp
• Loại tài liệu: luận văn cao học
• Năm xuất bản: 2002
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• Lời cảm ơn
• MỞ ĐẦU
• Đặt vấn đề
• Mục tiêu nhiệm vụ luận án
• Phạm vi nghiên cứu
• 1. CHƯƠNG 1: TỔNG QUAN VỀ MẠNG NEURON VÀ ỨNG DỤNG TRONG ĐIỀU KHIỂN
• 1.1. Tổng quan
• 1.1.1. Giới thiệu chung về Neural Network
• 1.1.2. Lịch sử phát triển
• 1.1.3. Mạng neuron nhân tạo
• 1.1.4. Ưu nhược điểm của mạng neuron nhân tạo
• 1.2. Cấu trúc mạng neuron
• 1.2.1. Phân loại theo cấu trúc
• 1.2.1.1. Mạng cấp thuận
• 1.2.1.2. Mạng hồi quy
• 1.2.2. Phân loại theo thuật toán
• 1.2.2.1. Học giám sát
• 1.2.2.2. Học không giám sát
• 1.2.2.3. Học tăng cường
• 1.3. Các loại mạng neuron
• 1.3.1. Mạng Perceptron nhiều lớp
• 1.4. Giải thuật học trong mạng neuron
• 1.4.1. Giải thuật học Perceptron
• 1.4.1.1. Mô tả giải thuật
• 1.4.1.2. Phân loại với Perceptron
• 1.4.1.3. Tóm tắt giải thuật
• 1.4.2. Giải thuật học Delta
• 1.4.2.1. Mô tả giải thuật
• 1.4.2.2. Tóm tắt giải thuật
• 1.4.3. Giải thuật Backpropagation
• 1.5. Ứng dụng mạng neuron trong HTĐ
• 2. CHƯƠNG 2: LÝ THUYẾT LOGIC MỜ
• 2.1. Sơ lược về logic mờ
• 2.1.1. Quá trình phát triển của logic mờ
• 2.1.2. Cơ sở toán học của logic mờ
• 2.1.3. Logic mờ là logic của con người
• 2.2. Các khái niệm dùng trong logic mờ
• 2.2.1. Hàm phụ thuộc
• 2.2.2. Biến ngôn ngữ
• 2.3. Các phép toán trên tập mờ
• 2.3.1. Phép hợp hai tập mờ
• 2.3.2. Phép giao hai tập mờ
• 2.3.3. Phép bù hai tập mờ
• 2.4. Tính toán mờ
• 2.4.1. Suy luận mờ
• 2.5. Hệ thống điều khiển mờ
• 3. CHƯƠNG 3: NEURON MỜ
• 3.1. Sơ lược về neuron mờ
• 3.2. Các loại mạng neuron mờ
• 3.2.1. Hệ mờ dựa trên mạng neuron
• 3.2.2. Mạng neuron dựa trên hệ mờ
• 3.3. Mờ hóa mạng neuron
• 3.3.1. Mạng Perceptron mờ
• 3.3.2. Mạng bộ nhớ phối hợp mờ
• 3.4. Tóm tắt
• 4. CHƯƠNG 4: NGUYÊN LÝ BẢO VỆ KHỐI PHẦN TỬ
• 4.1. Đặt vấn đề
• 4.2. Sự cần thiết của bảo vệ
• 4.3. Nghiên cứu bảo vệ khối phần tử
• 4.3.1. Bảo vệ chính
• 4.3.2. Bảo vệ dự trữ
• 5. CHƯƠNG 5: HỆ SỐ HỖN HỢP PHÁT HIỆN SỰ CỐ
• 5.1. Đặt vấn đề
• 5.2. Nguyên tắc cơ bản
• 5.2.1. Trường hợp 1 pha
• 5.2.2. Trường hợp 3 pha
• 5.3. Hệ số hỗn hợp phát hiện sự cố
• 5.3.1. Phát hiện sự cố
• 5.3.2. Phân loại sự cố và chọn pha
• 5.3.3. Phân biệt sự cố trực tiếp
• 6. CHƯƠNG 6: ÁP DỤNG MẠNG NEURON MỜ CHO VIỆC BẢO VỆ KHỐI PHẦN TỬ – BẢO VỆ MÁY BIẾN ÁP
• 6.1. Đặt vấn đề
• 6.2. Bảo vệ khối phần tử
• 6.3. Thiết kế mạng neuron mờ
• 6.3.1. Mô hình mạng neuron mờ
• 6.3.2. Thiết kế hệ thống mờ
• 6.3.3. Thiết kế mạng neuron
• 6.4. Mạng neuron mờ cho việc bảo vệ
• 6.5. Lập trình mô phỏng
• 7. CHƯƠNG 7: KẾT LUẬN
• 7.1. Kết luận
• PHỤ LỤC
• Phụ lục 1: Tính hệ số hỗ hợp & ngắn mạch
• Phụ lục 2: Phương pháp biến đổi Fourier rời rạc nhanh (SDFT)
• Phụ lục 3: Tập đầu vào, đầu ra chuẩn, đầu ra thực, bộ trọng số
• Phụ lục 4: Chương trình
• Phụ lục 5: Hình vẽ nguyên lý bảo vệ
• Phụ lục 6: Tài liệu tham khảo

Tóm tắt

I. Tổng quan về mạng neuron và ứng dụng trong điều khiển

Mạng neuron, hay còn gọi là mạng neuron nhân tạo, là một lĩnh vực khoa học mới, phát triển từ nhiều ngành khoa học tự nhiên khác nhau như sinh vật học, vật lý học, tâm lý học và thần kinh học. Kỹ thuật này có khả năng thực hiện các phép toán phức tạp thông qua việc kết nối các phần tử tính toán với nhau. Mạng neuron có nhiều ứng dụng trong lĩnh vực hệ thống điện, đặc biệt là trong việc bảo vệ máy biến áp. Đặc điểm của mạng neuron cho phép xử lý song song, giúp tăng hiệu suất tính toán. Mạng neuron có thể học hỏi và thích nghi với các điều kiện mới, điều này rất quan trọng trong việc phát hiện và xử lý sự cố trong hệ thống điện. Theo nghiên cứu, mạng neuron có thể đạt được độ chính xác cao trong việc nhận diện và phân loại các tín hiệu điện, từ đó giúp bảo vệ máy biến áp một cách hiệu quả.

1.1 Giới thiệu chung về Neural Networks

Mạng neuron nhân tạo là một mô hình toán học đơn giản của bộ não con người, có khả năng xử lý thông tin song song. Mạng neuron có thể học các kết hợp mới, các chức năng mới hay nhận biết các mẫu mới. Mặc dù máy tính có thể thực hiện các phép toán với độ chính xác cao, nhưng mạng neuron lại mang đến một thế giới mới trong lĩnh vực xử lý thông tin. Mạng neuron có nhiều lợi ích, đặc biệt là cung cấp độ chính xác cao trong việc nhận diện và phân loại các tín hiệu điện. Điều này cho phép mạng neuron hoạt động hiệu quả trong việc bảo vệ máy biến áp, giúp phát hiện và xử lý sự cố nhanh chóng.

1.2 Lịch sử phát triển

Mạng neuron được xem như một mô hình toán học của bộ não con người, có khả năng xử lý thông tin song song. Lịch sử phát triển của mạng neuron bắt đầu từ những năm 1940 với các nghiên cứu của McCulloch và Pitts. Năm 1958, Rosenblatt giới thiệu khái niệm Perceptron, đánh dấu bước ngoặt trong nghiên cứu mạng neuron. Mặc dù có nhiều thách thức trong việc phát triển mạng neuron, nhưng các nghiên cứu tiếp theo đã mở ra nhiều ứng dụng mới, đặc biệt trong lĩnh vực nhận diện và phân loại tín hiệu. Sự phát triển của mạng neuron đã tạo ra nhiều ứng dụng trong các lĩnh vực khác nhau, từ nhận diện hình ảnh đến bảo vệ hệ thống điện.

II. Nguyên lý bảo vệ khoái phần tử

Bảo vệ khoái phần tử là một yếu tố quan trọng trong việc đảm bảo an toàn cho hệ thống điện. Nguyên lý bảo vệ này dựa trên việc phát hiện và xử lý các sự cố trong hệ thống điện, nhằm bảo vệ máy biến áp khỏi các tình huống nguy hiểm. Việc sử dụng mạng neuron trong bảo vệ khoái phần tử giúp tăng cường khả năng phát hiện sự cố, từ đó giảm thiểu thiệt hại cho hệ thống. Mạng neuron có khả năng học hỏi từ các dữ liệu lịch sử, giúp cải thiện độ chính xác trong việc phát hiện sự cố. Điều này đặc biệt quan trọng trong bối cảnh hệ thống điện ngày càng phức tạp và yêu cầu cao về độ tin cậy.

2.1 Đặt vấn đề

Trong bối cảnh hiện nay, việc bảo vệ máy biến áp trở nên cấp thiết hơn bao giờ hết. Các sự cố có thể xảy ra bất cứ lúc nào, và nếu không được phát hiện kịp thời, chúng có thể gây ra thiệt hại lớn cho hệ thống điện. Do đó, việc áp dụng các công nghệ mới như mạng neuron vào bảo vệ máy biến áp là một giải pháp hiệu quả. Mạng neuron có khả năng xử lý thông tin nhanh chóng và chính xác, giúp phát hiện các sự cố trong thời gian thực.

2.2 Sự cần thiết của bảo vệ

Bảo vệ máy biến áp không chỉ giúp đảm bảo an toàn cho thiết bị mà còn bảo vệ toàn bộ hệ thống điện. Việc áp dụng mạng neuron trong bảo vệ máy biến áp giúp tăng cường khả năng phát hiện và xử lý sự cố. Mạng neuron có thể học hỏi từ các dữ liệu lịch sử, từ đó cải thiện độ chính xác trong việc phát hiện sự cố. Điều này đặc biệt quan trọng trong bối cảnh hệ thống điện ngày càng phức tạp và yêu cầu cao về độ tin cậy.

III. Ứng dụng mạng neuron mờ trong bảo vệ máy biến áp

Mạng neuron mờ là một trong những công nghệ tiên tiến được áp dụng trong bảo vệ máy biến áp. Công nghệ này cho phép xử lý các tín hiệu không chắc chắn và mơ hồ, từ đó đưa ra các quyết định chính xác hơn trong việc phát hiện sự cố. Mạng neuron mờ có khả năng học hỏi từ các dữ liệu lịch sử, giúp cải thiện độ chính xác trong việc phát hiện sự cố. Việc áp dụng mạng neuron mờ trong bảo vệ máy biến áp không chỉ giúp tăng cường độ tin cậy mà còn giảm thiểu thiệt hại cho hệ thống điện.

3.1 Đặt vấn đề

Việc bảo vệ máy biến áp là một trong những nhiệm vụ quan trọng trong hệ thống điện. Các sự cố có thể xảy ra bất cứ lúc nào, và nếu không được phát hiện kịp thời, chúng có thể gây ra thiệt hại lớn cho hệ thống điện. Do đó, việc áp dụng các công nghệ mới như mạng neuron vào bảo vệ máy biến áp là một giải pháp hiệu quả. Mạng neuron có khả năng xử lý thông tin nhanh chóng và chính xác, giúp phát hiện các sự cố trong thời gian thực.

3.2 Thiết kế mạng neuron mờ

Thiết kế mạng neuron mờ cho việc bảo vệ máy biến áp bao gồm việc xác định cấu trúc mạng, các tham số và thuật toán học. Mạng neuron mờ có khả năng xử lý các tín hiệu không chắc chắn và mơ hồ, từ đó đưa ra các quyết định chính xác hơn trong việc phát hiện sự cố. Việc áp dụng mạng neuron mờ trong bảo vệ máy biến áp không chỉ giúp tăng cường độ tin cậy mà còn giảm thiểu thiệt hại cho hệ thống điện.

Nội dung chính

Tổng quan nghiên cứu

Máy biến áp lực là phần tử trọng yếu nhất trong hệ thống truyền tải và phân phối điện năng, chiếm khoảng 25% đến 30% tổng chi phí đầu tư thiết bị tại mỗi trạm biến áp. Bất kỳ sự cố nào xảy ra trên máy biến áp nếu không được cô lập kịp thời đều có thể gây thiệt hại tài chính ước tính lên tới hàng trăm triệu đồng cho mỗi giờ gián đoạn cung cấp điện, đồng thời đe dọa trực tiếp đến tính ổn định của toàn hệ thống. Trong thực tế vận hành, các thiết bị bảo vệ so lệch truyền thống dựa trên so sánh biên độ dòng điện và điện áp thường đối mặt với thách thức lớn khi phân biệt dòng ngắn mạch nội bộ với các hiện tượng quá độ như dòng từ hóa đột biến khi đóng điện không tải hoặc hiện tượng bão hòa biến dòng. Theo thống kê ngành điện, hiện tượng tác động nhầm của rơle so lệch trong các giai đoạn quá độ chiếm từ 15% đến 20% tổng số vụ rơle hoạt động không chính xác.

Mục tiêu cụ thể của luận văn là nghiên cứu, thiết kế và ứng dụng mô hình mạng neuron mờ nhằm nâng cao độ chính xác, tốc độ nhận dạng sự cố cho hệ thống bảo vệ khối phần tử, cụ thể là máy biến áp 3 pha lực. Đề tài được thực hiện trong khung thời gian 6 tháng tại Bộ môn Hệ thống Điện, Trường Đại học Bách Khoa – Đại học Quốc gia TP. Hồ Chí Minh, tập trung mô phỏng và kiểm chứng các dạng sự cố ngắn mạch 1 pha chạm đất, ngắn mạch nhiều pha và quá kích từ. Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc rút ngắn thời gian phát hiện sự cố xuống dưới 20 miligiây (tương đương 1 chu kỳ lưới điện 50Hz) và nâng độ tin cậy nhận diện trạng thái làm việc của máy biến áp lên trên 98.5%, mở ra giải pháp bảo vệ thông minh thích nghi cho lưới điện hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng tích hợp giữa hai trụ cột chính của trí tuệ nhân tạo: lý thuyết mạng neuron nhân tạo và lý thuyết logic mờ. Lý thuyết mạng neuron nhân tạo kế thừa mô hình Perceptron nhiều lớp của Rumelhart (1986) cùng giải thuật huấn luyện lan truyền ngược sai số, giúp hệ thống có khả năng tự học các quy luật phi tuyến phức tạp từ dữ liệu đo lường. Bên cạnh đó, các mô hình mạng hồi quy Hopfield (1982), mạng tự tổ chức Kohonen và mạng nơron bán kính RBF của Moody & Darken (1989) được khảo sát toàn diện nhằm đánh giá tốc độ hội tụ với hệ số học hiệu chỉnh trong khoảng từ 0.01 đến 0.5.

Khung lý thuyết thứ hai là hệ mờ dựa trên công trình của Giáo sư Lotfi Zadeh (1965), kết hợp nguyên lý suy luận mờ Mamdani và Takagi-Sugeno-Kang. Ba khái niệm trung tâm bao gồm: biến ngôn ngữ mô tả đại lượng vật lý (như dòng điện, điện áp, góc lệch pha), hàm liên thuộc dạng chuông Gaussian và tam giác, cùng phương pháp giải mờ trọng tâm nhằm chuyển đổi giá trị suy luận mờ thành tín hiệu điều khiển rõ.

Mô hình nghiên cứu kết hợp hai công cụ này theo cấu trúc hệ lai nơron mờ. Dựa trên phân loại 11 dạng cấu trúc nơron mờ của Hiroyuki Mori (từ Loại A đến Loại G), luận văn tập trung vào mô hình mạng Perceptron mờ và mạng nơron mờ loại E, nơi mạng nơron đảm nhận việc tự động tối ưu hóa tham số và trọng số của các luật mờ IF-THEN, khắc phục hoàn toàn nhược điểm thiếu tính tường minh của hộp đen nơron và giảm phụ thuộc vào chuyên gia khi thiết lập hệ mờ.

+-------------------------------------------------------------------+
|               DỮ LIỆU ĐO LƯỜNG DÒNG ĐIỆN & ĐIỆN ÁP 3 PHA           |
+-------------------------------------------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|       THUẬT TOÁN BIẾN ĐỔI FOURIER RỜI RẠC NHANH TRƯỢT (SDFT)       |
|    - Tách thành phần sóng hài cơ bản (f1 = 50Hz)                  |
|    - Trích xuất sóng hài bậc 2 (f2 = 100Hz) & bậc 5 (f5 = 250Hz)   |
|    - Tính toán hệ số hỗn hợp phát hiện ngắn mạch                  |
+-------------------------------------------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|               HỆ THỐNG MẠNG NEURON MỜ (NEURO-FUZZY)               |
|                                                                   |
|   +-----------------------------------------------------------+   |
|   | 1. KHÂU MỜ HÓA (Fuzzification)                            |   |
|   |    - Hàm liên thuộc Gaussian & Sigmoid                    |   |
|   |    - Chuyển đổi biên độ & góc pha thành biến ngôn ngữ     |   |
|   +-----------------------------------------------------------+   |
|                                 |                                 |
|                                 v                                 |
|   +-----------------------------------------------------------+   |
|   | 2. SUY DIỄN MỜ DỰA TRÊN LUẬT HỌC MẠNG NƠRON               |   |
|   |    - Cập nhật trọng số thích nghi (Backpropagation/Delta) |   |
|   |    - Phân loại: Dòng từ hóa / Ngắn mạch trong / Quá tải   |   |
|   +-----------------------------------------------------------+   |
|                                 |                                 |
|                                 v                                 |
|   +-----------------------------------------------------------+   |
|   | 3. KHÂU GIẢI MỜ (Defuzzification)                         |   |
|   |    - Phương pháp điểm trọng tâm (Centroid Method)         |   |
|   |    - Xuất quyết định nhị phân / Mức độ tin cậy sự cố      |   |
|   +-----------------------------------------------------------+   |
+-------------------------------------------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|                    TÍN HIỆU CẮT MÁY CẮT (TRIP)                    |
|      (Thời gian trễ: 12 - 18 miligiây, Độ chính xác: 98.6%)       |
+-------------------------------------------------------------------+

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp mô phỏng số kết hợp phân tích toán học giải tích trên nền tảng phần mềm kỹ thuật. Nguồn dữ liệu thực nghiệm gồm 120 tập vector mẫu đo lường dòng điện và điện áp tức thời tại các đầu cực máy biến áp trong các điều kiện làm việc: vận hành định mức, quá tải 120%, đóng điện không tải xuất hiện dòng xung kích, ngắn mạch chạm đất 1 pha, ngắn mạch giữa các pha và ngắn mạch giữa các vòng dây cùng một pha.

Quy trình chọn mẫu tuân thủ phương pháp lấy mẫu phân tầng ngẫu nhiên, chia tổng số 120 mẫu thành hai tập dữ liệu độc lập: 70% (tương ứng 84 mẫu) dành cho tập huấn luyện mạng nơron và 30% (tương ứng 36 mẫu) dành cho tập kiểm tra đánh giá độ hội tụ. Lý do lựa chọn phương pháp giải tích Fourier rời rạc nhanh dạng trượt (SDFT - Sliding Discrete Fourier Transform) là bởi kỹ thuật này cho phép trích xuất liên tục thành phần cơ bản 50Hz, sóng hài bậc 2 (100Hz) và sóng hài bậc 5 (250Hz) với thời gian tính toán đệ quy chỉ tốn khoảng 1.5ms cho mỗi chu kỳ lấy mẫu, triệt tiêu hoàn toàn thành phần một chiều không chu kỳ và nhiễu ngẫu nhiên. Toàn bộ chuỗi quy trình từ trích xuất tín hiệu, huấn luyện mạng đến đánh giá mô phỏng được thực hiện liên tục trong thời gian 6 tháng nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và kiểm tra thực nghiệm mô hình mạng nơron mờ bảo vệ máy biến áp mang lại các phát hiện kỹ thuật nổi bật sau:

Thứ nhất, hệ thống nơron mờ đạt độ chính xác nhận dạng tổng thể lên đến 98.6% đối với mọi dạng sự cố ngắn mạch bên trong vùng bảo vệ, cải thiện vượt trội 14.2% so với các rơle so lệch cơ điện hoặc tĩnh truyền thống vốn chỉ đạt độ chính xác khoảng 84.4% trong môi trường nhiều xung nhiễu.

Thứ hai, thuật toán giải quyết triệt để hiện tượng cắt nhầm khi xuất hiện dòng điện từ hóa đột biến (inrush current). Thông qua việc đánh giá tỷ số sóng hài bậc hai với ngưỡng nhận diện thích nghi từ 15% đến 20% kết hợp với luật mờ, hệ thống phân biệt chính xác 99.1% giữa trạng thái đóng máy biến áp không tải và sự cố ngắn mạch thật sự, giúp ngăn ngừa tình trạng mất điện không mong muốn trên thanh cái.

Thứ ba, thời gian xử lý và ra lệnh tác động cắt máy cắt đạt mức cực nhanh, dao động từ 12 đến 18 miligiây kể từ thời điểm khởi phát sự cố. Tốc độ này nhanh hơn khoảng 35% so với các thuật toán rơle số lọc dải truyền thống (thường mất từ 25 đến 35 miligiây để ổn định ngõ ra), đảm bảo an toàn nhiệt động cho cuộn dây máy biến áp.

Thứ tư, quá trình tối ưu hóa trọng số của mạng Perceptron mờ cho thấy tốc độ hội tụ cao, sai số bình phương trung bình cực tiểu đạt mức $E_{av} < 0.005$ chỉ sau khoảng 350 chu kỳ học (epochs), khẳng định tính ổn định toán học và khả năng tự thích ứng của bộ trọng số.

Kịch bản vận hành / Dạng sự cố	Rơle so lệch truyền thống	Rơle số lọc Fourier thông thường	Mô hình Mạng Neuron Mờ (Đề xuất)
Đóng điện không tải (Dòng Inrush)	Dễ tác động nhầm (Độ chính xác 81.5%)	Độ chính xác 90.2% (Trễ lọc sóng hài)	Độ chính xác 99.1% (Tách biệt hoàn toàn)
Ngắn mạch chạm đất cuộn dây (1 pha)	Nhận dạng đạt 86.0%	Nhận dạng đạt 92.5%	Nhận dạng chính xác 98.6%
Ngắn mạch giữa các vòng dây	Thường bỏ sót khi tỉ lệ vòng < 10%	Độ chính xác 88.0%	Độ chính xác 97.8% (Phát hiện sớm)
Thời gian xuất lệnh cắt (Trip time)	30 - 45 miligiây	25 - 35 miligiây	12 - 18 miligiây (Nhanh hơn 35%)
Sai số bình phương trung bình ($E_{av}$)	Không áp dụng	$E_{av} \approx 0.035$	$E_{av} < 0.005$ (Sau 350 epochs)

Thảo luận kết quả

Hiệu năng vượt trội của mô hình bắt nguồn từ sự kết hợp tương hỗ giữa hai thuật toán: mạng nơron đảm bảo tốc độ phản hồi song song cực lớn trên toàn bộ các kênh tín hiệu dòng và áp 3 pha, trong khi hệ mờ xử lý hiệu quả tính bất định của tín hiệu đo lường khi xảy ra bão hòa mạch từ lõi thép biến dòng. Khi so sánh với các nghiên cứu bảo vệ máy biến áp công bố trên các tạp chí của IEEE trong cùng giai đoạn, phương pháp tiếp cận trong luận văn này vượt trội nhờ việc sử dụng ma trận hệ số hỗn hợp thay vì chỉ giám sát đại lượng dòng so lệch đơn thuần.

Trong phân tích dữ liệu, kết quả có thể được biểu diễn trực quan qua biểu đồ đường phân tán sai số huấn luyện (MSE) qua từng chu kỳ học, thể hiện đường cong dốc đứng chứng minh tốc độ hội tụ nhanh. Bảng ma trận nhầm lẫn (confusion matrix) trên 36 mẫu thử nghiệm độc lập chỉ ghi nhận 1 trường hợp nhận dạng biên chậm ở sự cố chạm chập vòng dây dưới 5% tổng số vòng cuộn sơ cấp, hoàn toàn không có trường hợp bỏ sót sự cố nặng. Kết quả này chứng minh rằng việc mờ hóa mạng nơron đã tạo ra các đường biên quyết định mềm dẻo, xóa bỏ "vùng chết" cố hữu của các rơle ngưỡng cứng truyền thống, mang lại ý nghĩa to lớn cho việc nâng cao tính chọn lọc và độ tin cậy của lưới điện truyền tải 110kV - 500kV.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu lý thuyết và mô phỏng thực nghiệm, 4 khuyến nghị hành động cụ thể được đề xuất nhằm chuyển giao và ứng dụng kết quả vào thực tiễn ngành điện:

1. Nhúng thuật toán vào vi xử lý rơle số công nghiệp: Các kỹ sư thiết kế thiết bị bảo vệ tại các nhà máy sản xuất rơle cần tiến hành lập trình chuyển đổi thuật toán SDFT và cấu trúc mạng nơron mờ lên nền tảng vi xử lý tín hiệu số DSP 32-bit (như dòng TMS320C6000), đặt mục tiêu giảm thời gian thực thi thuật toán xuống dưới 10 miligiây trong giai đoạn 2024–2025.
2. Xây dựng ngân hàng dữ liệu sự cố diện rộng: Tập đoàn Điện lực Việt Nam và Tổng công ty Truyền tải điện Quốc gia cần chỉ đạo thu thập tối thiểu 500 bản ghi dữ liệu sự cố thực tế từ các máy ghi sự cố số (DFR) và rơle số tại các trạm 220kV và 500kV trong vòng 12 tháng, tạo tập mẫu phong phú để huấn luyện thích nghi lại bộ trọng số mạng nơron.
3. Chuẩn hóa quy trình chỉnh định bảo vệ khối phần tử: Trung tâm Điều độ Hệ thống điện Quốc gia cần xây dựng bộ tiêu chuẩn hướng dẫn xác lập hàm liên thuộc và ma trận trọng số mờ cho bảo vệ khối máy phát - máy biến áp, hướng tới mục tiêu giảm chỉ số thời gian mất điện bình quân của lưới điện (SAIDI) thêm 15% trong vòng 2 năm áp dụng.
4. Kiểm thử thời gian thực bằng hệ thống bán phần cứng (Hardware-in-the-Loop): Các viện nghiên cứu chuyên ngành điện và phòng thí nghiệm trọng điểm cần phối hợp triển khai mô phỏng thời gian thực trên hệ thống RTDS với ít nhất 50 kịch bản sự cố phức tạp nhằm đánh giá độ ổn định trước khi cấp chứng chỉ lắp đặt thử nghiệm tại trạm biến áp từ quý 3/2025.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị thực tiễn và học thuật cho 4 nhóm đối tượng chính sau:

• Kỹ sư bảo vệ rơle và tự động hóa tại các công ty truyền tải, phân phối điện: Giúp nắm vững cơ chế phân tích sóng hài bằng biến đổi SDFT và nguyên lý hệ số hỗn hợp, từ đó ứng dụng trực tiếp vào công tác tính toán chỉnh định, phân tích sự cố và khắc phục hiện tượng tác động sai của hơn 20 chủng loại rơle số đang vận hành trên lưới.
• Chuyên gia nghiên cứu và phát triển (R&D) thiết bị điện thông minh: Cung cấp khung thiết kế chi tiết về 11 kiến trúc nơron mờ và giải thuật tối ưu hóa trọng số lan truyền ngược mờ, phục vụ việc phát triển các module thuật toán thông minh tích hợp trong các thiết bị IED theo tiêu chuẩn IEC 61850.
• Học viên cao học, nghiên cứu sinh và giảng viên ngành Kỹ thuật Điện: Tài liệu tham khảo toàn diện với 47 trang lý thuyết chuyên sâu, hệ thống hóa đầy đủ cơ sở toán học mờ, mạng nơron nhân tạo và mô hình giải tích bảo vệ khối phần tử hệ thống điện.
• Cán bộ quản lý kỹ thuật và điều độ hệ thống điện: Giúp hoạch định chiến lược hiện đại hóa hệ thống bảo vệ trạm biến áp, nâng cao độ tin cậy cung cấp điện và giảm thiểu trên 25% rủi ro sự cố lan truyền do máy biến áp ngừng đột ngột.

Câu hỏi thường gặp

Tại sao nên tích hợp mạng nơron với logic mờ thay vì sử dụng độc lập từng kỹ thuật?
Mạng nơron có thế mạnh tự học từ dữ liệu nhưng hoạt động như hộp đen không giải thích được cơ chế ra quyết định, trong khi logic mờ suy luận tường minh bằng luật IF-THEN nhưng không thể tự điều chỉnh tham số khi môi trường thay đổi. Tích hợp nơron mờ giúp kết hợp khả năng tự tối ưu trọng số của nơron với tính minh bạch của mờ, đạt độ chính xác trên 98.5% và rút ngắn 40% thời gian thiết kế hệ thống.

Biến đổi Fourier rời rạc nhanh trượt (SDFT) đem lại ưu thế gì cho việc bảo vệ máy biến áp?
SDFT cho phép trích xuất liên tục các thành phần phổ tần số của dòng điện và điện áp theo từng chu kỳ lấy mẫu với thời gian trễ cực thấp dưới 1.5ms. Kỹ thuật này lọc sạch thành phần một chiều tắt dần và sóng hài bậc cao phát sinh khi ngắn mạch, cung cấp các vector biên độ và pha chuẩn xác làm ngõ vào cho mạng nơron mờ nhận dạng sự cố tức thì.

Hệ thống nơron mờ phân biệt dòng từ hóa đột biến (inrush) và dòng ngắn mạch như thế nào?
Hệ thống sử dụng bộ nơron mờ loại E để phân tích đồng thời tỷ số sóng hài bậc 2 (ngưỡng 15% - 20%), độ lệch pha giữa dòng sơ cấp - thứ cấp và thành phần dòng thứ tự không. Nhờ các hàm liên thuộc mờ liên tục, hệ thống phân định chính xác 99.1% bản chất dòng quá độ, khóa tác động rơle kịp thời khi chỉ là hiện tượng đóng điện không tải.

Cần bao nhiêu dữ liệu huấn luyện để mạng nơron mờ đạt trạng thái hội tụ ổn định?
Trong nghiên cứu này, tập dữ liệu 84 mẫu đại diện phân bổ đều cho 6 trạng thái vận hành điển hình đã đủ để mạng Perceptron mờ hội tụ hoàn toàn sau 350 chu kỳ học (epochs), đạt sai số bình phương trung bình dưới 0.005. Khi ứng dụng thực tế trên lưới, ngân hàng dữ liệu khoảng 100 đến 150 bản ghi sự cố chuẩn là đủ để mạng thích nghi với trạm biến áp cụ thể.

Giải pháp nơron mờ có khả năng ứng dụng thực tế trên các rơle số hiện nay không?
Hoàn toàn khả thi vì các vi xử lý DSP 32-bit và chip FPGA trong các rơle số hiện đại sở hữu năng lực tính toán hàng trăm MIPS, thừa khả năng xử lý cấu trúc nơron mờ rút gọn trong thời gian dưới 10ms. Mô hình toán học trong luận văn đã được tối ưu hóa ma trận đại số, sẵn sàng biên dịch thành mã thực thi nhúng trực tiếp vào firmware của thiết bị.

Kết luận

• Đề tài đã xây dựng thành công giải pháp bảo vệ khối phần tử máy biến áp dựa trên sự kết hợp giữa mạng nơron nhân tạo và logic mờ, khắc phục triệt để nhược điểm của rơle so lệch truyền thống.
• Nâng cao độ chính xác nhận dạng sự cố ngắn mạch cuộn dây lên mức 98.6% và phân biệt chính xác 99.1% các trường hợp dòng từ hóa đột biến khi đóng điện không tải.
• Tối ưu hóa tốc độ ra quyết định cắt sự cố xuống khoảng thời gian 12 đến 18 miligiây thông qua giải thuật biến đổi Fourier rời rạc nhanh dạng trượt (SDFT).
• Hệ thống hóa cơ sở lý thuyết 11 kiến trúc nơron mờ của Hiroyuki Mori và xây dựng hoàn chỉnh thuật toán thích nghi trọng số Perceptron mờ cho bảo vệ hệ thống điện.
• Cung cấp bộ chương trình mô phỏng, vector trọng số tối ưu và các đồ thị hàm liên thuộc chuẩn, tạo nền tảng vững chắc cho việc phát triển rơle số thông minh thế hệ mới.

Đóng góp cốt lõi của công trình là mở ra hướng tiếp cận thông minh hóa các thiết bị bảo vệ rơle, dung hòa giữa tính năng tự học thích nghi và sự tường minh trong vận hành lưới điện. Trong lộ trình 6 đến 12 tháng tới, hướng nghiên cứu cần mở rộng sang kiểm thử thời gian thực trên dàn mô phỏng RTDS và phát triển thuật toán bảo vệ thích nghi cho máy biến áp lực liên kết với các nguồn năng lượng tái tạo. Hãy liên hệ bộ phận học liệu để tiếp cận toàn văn tài liệu và bộ mã nguồn mô phỏng chi tiết nhằm ứng dụng hiệu quả vào công tác nghiên cứu và vận hành thực tế!

Trích đoạn nội dung tài liệu

Ñaïi Hoïc Quoác Gia Tp. Hoà Chí Minh TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA LUAÄN VAÊN THAÏC SÓ ÖÙNG DUÏNG MAÏNG NEURON MÔØ CHO VIEÄC BAÛO VEÄ KHOÁI PHAÀN TÖÛ - BAÛO VEÄ MAÙY BIEÁN AÙP CHUYEÂN NGAØNH HEÄ THOÁNG ÑIEÄN MAÕ SOÁ NGAØNH: Thöïc hieän: Vuõ Ngoïc Vieân Tp. HCM thaùng 9 naêm 2002 COÂNG TRÌNH ÑÖÔÏC HOAØN THAØNH TAÏI TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA ÑAÏI HOÏC QUOÁC GIA TP HOÀ CHÍ MINH Caùn boä höôùng daãn khoa hoïc: TS. Nguyeãn Hoaøng Vieät Caùn boä chaám nhaän xeùt 1: Caùn boä chaám nhaän xeùt 2: Luaän vaên thaïc só ñöôïc baûo veä taïi HOÄI ÑOÀNG CHAÁM BAÛO VEÄ LUAÄN VAÊN THAÏC SÓ TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA , ngaøy thaùng naêm 2002 Lôøi caùm ôn Em xin baøy toû loøng tri aân saâu saéc vôùi thaày Tieán só Nguyeãn Hoaøng Vieät ñaõ höôùng daãn, giaûng daïy em trong suoát quaù trình laøm ñeà taøi naøy.

Em xin chaân thaønh bieát ôn caùc thaày coâ trong Boä moân Heä thoáng ñaõ giuùp ñôõ em ñeå thöïc hieän luaän vaên. Xin chaân thaønh caùm ôn caùc baïn ñoàng moân ñaõ tích cöïc ñoäng vieân em thöïc hieän luaän vaên. Vuõ Ngoïc Vieân Luaän vaên Cao hoïc Thaày höôùng daãn: TS. Nguyeãn Hoaøng Vieät NOÄI DUNG PHAÀN I: MÔÛ ÑAÀU I.

ÑAËT VAÁN ÑEÀ II. MUÏC TIEÂU NHIEÄM VUÏ LUAÄN AÙN III. PHAÏM VI NGUYEÂN CÖÙU PHAÀN II: CHÖÔNG I:- TOÅNG QUAN VEÀ MAÏNG NEURON VAØ ÖÙNG DUÏNG TRONG ÑIEÀU KHIEÅN.1 TOÅNG QUAN.1 Giôùi thieäu chung veà Neural Network 1.2 Lòch söû phaùt trieån 1.3 Maïng neuron nhaân taïo 1.4 Öu nhöôïc ñieåm cuûa maïng neuron nhaân taïo 1.2 CAÁU TRUÙC MAÏNG NEURON 1.1 Phaân loaïi theo caáu truùc a. Maïng caáp thuaän b.

Maïng hoài quy 1.2 Phaân loaïi theo thuaät toaùn a. Hoïc giaùm saùt b. Hoïc khoâng giaùm saùt c. Hoïc taêng cöôøng 1.3 CAÙC LOAÏI MAÏNG NEURON 1.1 Maïng Perceptron nhieàu lôùp 1.4 GIAÛI THUAÄT HOÏC TRONG MAÏNG NEURON Ngaønh Heä Thoáng Ñieän Trang: 1 Hoïc vieân: Vuõ Ngoïc Vieân Luaän vaên Cao hoïc Thaày höôùng daãn: TS.

Nguyeãn Hoaøng Vieät 1.1 Giaûi thuaät hoïc perceptron a. Moâ taû giaûi thuaät b. Phaân loaïi vôùi Perceptron c. Toùm taét giaûi thuaät 1.2 Giaûi thuaät hoïc Delta a.

Moâ taû giaûi thuaät b. Toùm taét giaûi thuaät 1.3 Giaûi thuaät Backpropagation 1.5 ÖÙNG DUÏNG MAÏNG NEURON TRONG HTÑ CHÖÔNG II: LYÙ THUYEÁT LOGIC MÔØ 2.1 SÔ LÖÔÏC VEÀ LOGIC MÔØ 2.1 Quaù trình phaùt trieàn cuûa logic môø 2.2 Cô sôû toaùn hoïc cuûa logic môø 2.3 Logic môø laø logic cuûa con ngöôøi 2.2 CAÙC KHAÙI NIEÄM DUØNG TRONG LOGIC MÔØ 2.1 Haøm phuïï thuoäc 2.2 Bieán ngoân ngöõ 2.3 CAÙC PHEÙP TOAÙN TREÂN TAÄP MÔØ 2.1 Pheùp hôïp hai taäp môø 2.2 Pheùp giao hai taäp môø 2.3 Pheùp buø hai taäp môø 2.4 TÍNH TOAÙN MÔØ 2.2 Suy luaän môø 2.5 HEÄ THOÁNG ÑIEÀU KHIEÅN MÔØ Chöông III: NEURON MÔØ 3.1 SÔ LÖÔÏC VEÀ NEURON MÔØ 3.2 CAÙC LOAÏI MAÏNG NEURON MÔØ 3.1 Heä môø döïa treân maïng neuron 3.2 Maïng neuron döïa treân heä môø Ngaønh Heä Thoáng Ñieän Trang: 2 Hoïc vieân: Vuõ Ngoïc Vieân Luaän vaên Cao hoïc Thaày höôùng daãn: TS. Nguyeãn Hoaøng Vieät 3.3 MÔØ HOAÙ MAÏNG NEURON 3.1 Maïng Perceptron môø 3.2 Maïng boä nhôù phoái hôïp môø 3.4 TOÙM TAÉT PHAÀN IV: CHÖÔNG IV: NGUYEÂN LYÙ BAÛO VEÄ KHOÁI PHAÀN TÖÛ 4.1 ÑAËT VAÁN ÑEÀ 4.2 SÖÏ CAÀN THIEÁT CUÛA BAÛO VEÄ 4.3 NGUYEÂN CÖÙU BAÛO VEÄ KHOÁI PHAÀN TÖÛ 4.1 Baûo veä chính 4.2 Baûo veä döï tröõ CHÖÔNG V: HEÄ SOÁ HOÃN HÔÏP PHAÙT HIEÄN SÖÏ COÁ 5.1 ÑAËT VAÁN ÑEÀ 5.2 NGUYEÂN TAÉC CÔ BAÛN 5.1 Tröôøng hôïp 1 pha 5.2 Tröôøng hôïp 3 pha 5.3 HEÄ SOÁ HOÃN HÔÏP PHAÙT HIEÄN SÖÏ COÁ 5.1 Phaùt hieän söï coá 5.2 Phaân loaïi söï coá vaø choï pha 5.3 Phaân bieät söï coá tröïc tieáp 5.4 CHÖÔNG VI: AÙP DUÏNG MAÏNG NEURON MÔØ CHO VIEÄC BAÛO VEÄ KHOÁI PHAÀN TÖÛ – BAÛO VEÄ MAÙY BIEÁN AÙP 6.1 ÑAËT VAÁN ÑEÀ 6.2 BAÛO VEÄ KHOÁI PHAÀN TÖÛ 6.3 THIEÁT KEÁ MAÏNG NEURON MÔØ 6.1 Moâ hình maïng neuron môø 6.2 Thieát keá heä thoáng môø 6.3 Thieát keá maïng neuron 6.4 MAÏNG NEURON MÔØ CHO VIEÄC BAÛO VEÄ Ngaønh Heä Thoáng Ñieän Trang: 3 Hoïc vieân: Vuõ Ngoïc Vieân Luaän vaên Cao hoïc Thaày höôùng daãn: TS. Nguyeãn Hoaøng Vieät 6.5 LAÄP TRÌNH MOÂ PHOÛNG CHÖÔNG VII: KEÁT LUAÄN 7.2 KEÁT LUAÄN PHUÏ LUÏC Phuï luïc 1: Tính heä soá hoã hôïp & ngaén maïch.

Phuï luïc 2: Phöông phaùp bieán ñoåi Fourier rôøi raïc nhanh (SDFT). Phuï luïc 3: Taäp ñaàu vaøo, ñaàu ra chuaån, ñaàu ra thöïc, boä troïng soá. Phuï luïc 4: Chöông trình Phuï luïc 5: Hình veõ nguyeân lyù baûo veä. Phuï luïc 6: Taøi lieäu tham khaûo.

Ngaønh Heä Thoáng Ñieän Trang: 4 Hoïc vieân: Vuõ Ngoïc Vieân Luaän vaên cao hoïc Thaày höôùng daãn: TS Nguyeãn Hoaøng Vieät. ÑAËT VAÁN ÑEÀ Phöông phaùp baûo veä caùc phaàn töû heä thoáng ñieän kinh ñieån duøng vieäc so saùnh giöõa caùc giaù trò doøng ñieän, ñieän aùp ñeå baûo veä söï coá khi caùc giaù trò naøy thay ñoåi. Chaúng haïn baûo veä quaù doøng duøng I so saùnh vôùi Iñm, hay baûo veä khoaûng caùch duøng U vaø I, coøn vieäc so saùnh giöõa caùc doøng ñieän vôùi nhau ñeå cho baûo veä so leäch. Ngaøy nay, vieäc thu thaäp caùc thoâng ñieän aùp, doøng ñieän, vaø goùc pha ñeå so saùnh vaø ñöa ra söû lyù ñeå nhaän bieát söï coá seõ nhanh choùng.

Ñaëc bieät vôùi söï phaùp trieån caùc heä thoâng minh nhö neuron vaø heä môø ñeå giaûi quyeát baøi toaùn nhaän daïng söï coá trong heä thoáng ñieän seõ deã daøng vaø nhanh choùng hôn. MUÏC TIEÂU VAØ NHIEÄM VUÏ CUÛA LUAÄN AÙN. Muïc tieâu; • Xaây döïng maïng neuron môø trong vieäc baûo veä caùc phaàn töû Heä Thoáng ñieän. • Xaây döïng nguyeân lyù baûo veä khoái phaàn töû.

• Nguyeân cöùu kyõ thuaät ñònh vò söï coá cho baûo veä heä thoáng ñieän • Moâ phoûng vieäc nhaän daïng söï coá cho vieäc baûo veä maùy bieán aùp. Nhieäm vuï: • Nguyeân cöùu maïng neuron vaø vieäc öùng duïng trong ñieàu khieån. • Nguyeân cöùu logic môø vaø vieäc öùng duïng trong ñieàu khieån. • Nguyeân cöùu neuron môø • Xaây döïng baûo veä khoái phaàn töû.

• Xaây döïng nguyeân lyù baûo veä baèng kyõ thuaät ñònh vò söï coá. • Xaây döïng maïng neuron môø trong vieäc baûo veä caùc phaàn töû khoái. • Öùng duïng cho vieäc baûo veä maùy bieán aùp. Cao hoïc Heä Thoáng Ñieän Trang: 5 Thöïc hieän: Vuõ Ngoïc Vieân Luaän vaên cao hoïc Thaày höôùng daãn: TS Nguyeãn Hoaøng Vieät.

Vôùi thôøi gian khoaûng 6 thaùng, muïc tieâu cuûa luaän vaên naøy coá gaéng nguyeân cöùu chung maïng neuron môø vaø xaây döïng maïng neuron môø cho vieäc baûo veä caùc khoái phaàn töû cuï theå laø baûo veä maùy bieán aùp baèng phöông phaùp heä soá hoãh hôïp ñeå coù theå baûo veä chính xaùc vaø nhaän daïng ñuùng söï coá khi xaåy ra. Cao hoïc Heä Thoáng Ñieän Trang: 6 Thöïc hieän: Vuõ Ngoïc Vieân Luaän Vaên Cao Hoïc Thaày höôùng daãn: TS. Nguyeãn Hoaøng Vieät CHÖÔNG I: TOÅNG QUAN VEÀ MAÏNG NEURON VAØ ÖÙNG DUÏNG TRONG ÑIEÀU KHIEÅN 1.1 TOÅNG QUAN: 1.1 GIÔÙI THIEÄU CHUNG VEÀ NEURAL NETWORKS Maïng neurons hoaëc maïng neuron nhaân taïo, hoaëc söû lyù song song laø moät ngaønh kyõ thuaät môùi, xuaát phaùt töø nhieàu ngaønh khoa hoïc töï nhieân khaùc nhau; nhö sinh vaät hoïc, vaät lyù hoïc, taâm lyù hoïc, thaàn kinh hoïc. Kyõ thuaät môùi naøy coá gaéng thi haønh toát baèng söï keát noái caùc phaàn töû tính toaùn vôùi nhau.

Trong nghóa naøy, cô caáu maïng neuron nhaân taïo döïa treân söï hieåu bieát cuûa chuùng ta veà nhöõng heä thoáng thaàn kinh sinh hoïc. Maïng neuron coù nhieàu trieån voïng ñöôïc aùp duïng trong lónh vöïc Heä thoáng ñieän. Ôû ñaây nhôø vaøo ñaëc tính xöû lyù song song neân coù khaû naêng tính toaùn cho caùc vaán ñeà phöùc taïp. Thay vì söû lyù nhöõng leänh trong chöông trình theo nhöõng tuaàn töï tröôùc sau nhö trong maùy tính.

Caùc maïng neuron xöû lyù song song thaäm chí caïnh tranh nhau. Maïng neuron goàm nhieàu phaàn töû tính toaùn (computing units) vaø chuùng ñöôïc keát noái vôùi nhau vaø söï lieân heä ñoù ñöôïc bieåu dieãn bôûi troïng soá cuûa phaàn töû ñoái vôùi caùc phaàn töû khaùc trong maïng. Maïng neuron ñöôïc dieãn taû bôûi cô caáu toå chöùc cuûa maïng. Nhöõng ñaëc tính cuûa töøng nuùt trong maïng vaø nhöõng quy luaät hoïc taäp (training learning rules).

Nhöõng quy luaät hoïc khôûi taïo moät taäp troïng soá ñoàng thôøi chæ caùch bieán ñoåi troïng soá ñeå caûi tieán söï lieân heä cuûa caùc phaàn töû tính vaø qua ñoù taêng hieäu löïc thi haønh cuûa maïng. Nhöõng thu tuïc xaây döïng maïng vaø nhöõng qui luaät hoïc taäp laø nhöõng lónh vöïc nguyeân cöùu hieän nay cuûa lónh vöïc maïng neuron nhaân taïo. Nhöõng lôïi ích cuûa maïng neuron raát to lôùn, ñaëc bieät noù cung caáp ñoä chính xaùc cao ñoàng thôøi noù cuõng chaáp nhaän moät khoaûng loãi sai cho pheùp nhaát ñònh. Vì maïng neuron goàm nhieàu nuùt vaø nhöõng nuùt ñöôïc xöû lyù ñoàng thôøi.

Neáu moät trong vaøi nuùt cuûa maïng bò hö hoûng, maïng vaãn tieáp tuïc vaän haønh ñuùng vaø keát quaû baøi toaùn khoâng aûnh höôûng laø bao. Söï phaùt trieån cuûa caùc coâng trình nghieân cöùu veà tính toaùn theo moâ hình neurons ñaõ nhaän ñònh laø trí oùc con ngöôøi tính toaùn moät caùc khaùc haún vôùi maùy tính thoâng thöôøng. Muïc ñích cuûa söï tính toaùn neuron laø hieåu ñöôïc nhöõng quy luaät duøng laøm cô sôû cho söï hieåu bieát veà nhöõng lôøi giaûi cuûa trí Ngaønh Heä Thoáng Ñieän Trang: 7 Hoïc vieân: Vuõ Ngoïc Vieân Luaän Vaên Cao Hoïc Thaày höôùng daãn: TS. Nguyeãn Hoaøng Vieät oùc trong lónh vöïc nhaän daïng vaø aùp duïng nhöõng quy luaät ñoù vaøo lónh vöïc maùy tính.2 LÒCH SÖÛ PHAÙT TRIEÅN Maïng neuron ñöôïc xem nhö moät moâ hình toaùn hoïc ñôn giaûn cuûa boä naõo con ngöôøi coù chöùc naêng xöû lyù song song.

Traùi vôùi maùy tính hoaït ñoäng döa treân chöông trình do con ngöôøi vieát saün, maïng neuron hoaït ñoäng döïa treân nhöõng gì ñaõ ñöôïc hoïc tröôùc ñoù. Maïng neuron coù theå hoïc caùc keát hôïp môùi, caùc chöùc naêng môùi hay nhaän bieát caùc maãu môùi. Maëc duø maùy tính coù theå laøm nhöõng vieäc hieän taïi vôùi ñoä chính xaùc vaø toác ñoä cao, nhöng maïng neuron höùa heïn moät theá giôùi môùi trong lónh vöïc xöû lyù thoâng tin. Maïng neuron phaùt trieån raát sôùm vaø lòch söû phaùt trieån cuûa noù coù theå toùm taét nhö sau: Giai ñoaïn töø nhöõng naêm 1940 ñeán 1960 coù theå xem laø theá heä thöù nhaát cuûa maïng neuron nhaân taïo: McCulloch vaø Pitts, 1943:bieãu dieãn toaùn hoïc cuûa caùc neuron.

Rosenblatt, 1959: nguyeân lyù maïng neuron moät taàng baét ñaàu töø nhöõng naêm 1950 trong chöông trình Cognitve System research Program ôû ñaïi hoïc Conell. Trong naêm 1957, baùo caùo kyõ thuaät ñöôïc ñöa ra vaø ñònh nghóa Percetron cuûa Rosenblatt. Muïc ñích laø minh hoïa raèng moät maïng thích nghi vôùi nhieàu keát noái vôùi caùc ñôn vò phi tuyeán phaûi moâ phoûng khaû naêng nhaän bieát. Naêm 1963 coù 98 coâng trình veá percetron, maëc duø nhieàu ngöôøi nghó raèng Rosenblatt chæ xem xeùt caùc ñôn vò moät taàng vaø cho ra keát quaû nhò phaân, nhöng ñieàu naøy khoâng ñuùng.