(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện

(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện(Luận văn thạc sĩ) Nghiên cứu ứng dụng mạng Nơron nhân tạo để định vị sự cố trên lưới điện

TỔNG QUAN

Đặt vấn đề

Hiện nay, để xác định chính xác khu vực bị sự cố trong hệ thống điện phân phối, các phương pháp dựa trên trí tuệ nhân tạo như hệ chuyên gia, mạng nơ-ron, logic mờ, thuật toán di truyền và mạng Petri được ứng dụng để dò tìm sự cố; tuy nhiên nhược điểm của những phương pháp này khi đối diện với một hệ thống điện rộng lớn và thường xuyên biến động là khá lớn Để khắc phục nhược điểm này, ta có thể chia hệ thống điện thành các mô-đun nhỏ và huấn luyện mạng nơ-ron cho từng mô-đun riêng biệt; trong khuôn khổ mô hình hóa, mạng nơ-ron ở đây đóng vai trò là đại diện cho các thành phần chính của hệ thống phân phối là đường dây và tải, các tín hiệu báo động từ rơ-le bảo vệ và máy cắt trở thành tập đầu vào cho mạng nơ-ron được huấn luyện bằng thuật toán lan truyền ngược, với đầu ra xác định liệu có sự cố hay không và vị trí xảy ra Quá trình huấn luyện và mô phỏng sự cố được triển khai trên phần mềm Matlab.

Luận văn đề xuất phương pháp định vị sự cố ngắn mạch cáp ngầm dựa việc nghiên cứu ứng dụng mạng nơ ron nhân tạo kết hợp với sóng truyền Phương pháp được đề xuất có giải thuật biến đổi đơn giản dễ áp dụng và độ chính xác cao Việc chứng minh hiệu quả của giải thuật đề xuất được kiểm tra đánh giá qua mô hình hóa mô phỏng lưới điện phân phối bằng phần mềm Matlab/Simulink.

Mục tiêu luận văn

Để định vị sự cố ngắn mạch cáp ngầm trên lưới điện phân phối như đã phân tích ở phần trên, luận văn đề ra một số các mục tiêu cần đạt được như sau:

− Tìm hiểu về nguyên lý hoạt động, cấu tạo và các ứng của mạng nơ ron nhân tạo trong điều khiển ổn định hệ thống điện

− Đề xuất được phương án tính toán đơn giản và hiệu quả khi tính đến tiết giảm chi phí giá thành thiết bị

Đã phát triển một chương trình mô phỏng cho giải thuật định vị được đề xuất, triển khai trên Matlab/Simulink để đánh giá hiệu quả định vị sự cố ngắn mạch khi chưa có điều kiện thực nghiệm Chương trình mô phỏng cho phép thử nghiệm các tham số của thuật toán, đánh giá độ chính xác và tính ổn định của phương pháp dựa trên dữ liệu mô phỏng Kết quả từ mô phỏng cung cấp nền tảng để tối ưu hóa thuật toán và chuẩn bị cho thử nghiệm thực tế khi có điều kiện.

Nội dung của luận văn

Luận văn “Nghiên cứu ứng dụng mạng nơ ron nhân tạo để định vị sự cố trên lưới điện” có nội dung chủ yếu:

− Tìm hiểu về các loa ̣i sự cố thường xảy tra trên lưới cáp ngầm phân phối

− Xây dựng mô hình hóa mô phỏng cho lưới điện phân phối ngoài thực tế

Xây dựng thuật toán thu thập dữ liệu và định vị sự cố ngắn mạch bằng cách khai thác mối quan hệ giữa vị trí ngắn mạch và tần số cộng hưởng của hệ thống Thuật toán tập trung vào thu thập dữ liệu thời gian thực từ cảm biến và phân tích tần số để xác định vị trí xảy ra sự cố một cách nhanh chóng và chính xác Việc liên kết vị trí ngắn mạch với tần số cộng hưởng giúp chuyển đổi dữ liệu đo thành các đặc trưng định vị, nâng cao độ tin cậy và hiệu quả của quá trình phát hiện sự cố ngắn mạch, đồng thời tối ưu hóa công tác bảo vệ và khôi phục hệ thống.

Xây dựng một mạng nội suy dựa trên nơ-ron để xác định nhanh đường đặc tuyến giữa vị trí ngắn mạch và tần số cộng hưởng bậc cao nhằm xác định vị trí ngắn mạch khi có sự cố Mạng nơ-ron được huấn luyện với tập dữ liệu từ hệ thống đo lường để mô hình hóa mối quan hệ phi tuyến và xử lý nhiễu tín hiệu, từ đó cho kết quả ước lượng vị trí ngắn mạch với độ chính xác cao và tốc độ tính toán nhanh Phương pháp này giúp rút ngắn thời gian phát hiện sự cố, nâng cao tính tin cậy của hệ thống bảo vệ điện và tối ưu vận hành lưới khi đối mặt với các tình huống ngắn mạch phức tạp có tần số cộng hưởng cao Ứng dụng nội suy bằng mạng nơ-ron còn hỗ trợ giám sát và chẩn đoán sự cố một cách hiệu quả, giảm thiểu gián đoạn cung cấp điện và tối ưu hóa nguồn lực hệ thống.

− Dùng phần mềm Matlab 2017 mô phỏng cho phương pháp được đề xuất.

Phạm vi nghiên cứu

− Nghiên cứu ứng dụng mạng nơ ron nhân tạo vẽ được đường đặc tính tương quan giữa tần số cộng hượng và vị trí ngắn mạch

− Nghiên cứ u về các loa ̣i sự cố trên lưới điê ̣n phân phối và cách phân loa ̣i các loa ̣i sự cố khi có sự cố xảy ra

− Đưa ra mô hình mô phỏng đánh giá kết quả của giải thuâ ̣t xác đi ̣nh vi ̣ trí sự cố được đề xuất

Việc áp dụng này nhằm tiến tới kiểm chứng kết quả trên lưới điện phân phối thực tế, từ đó đánh giá hiệu suất, độ ổn định và an toàn của giải pháp trong điều kiện vận hành thực tế Ví dụ điển hình là lưới điện phục vụ các công trình bệnh viện nhà nước ở Bình Dương, nơi cần kiểm tra toàn diện các tham số và hiệu quả của hệ thống trước khi mở rộng triển khai.

Phương pháp nghiên cứu

Nghiên cứu cấu tạo và nguyên lý làm việc của lưới điện phân phối là cơ sở để xây dựng mô hình thuật toán và mô phỏng hệ thống phân phối Từ đó, chúng tôi phát triển một mô hình mô phỏng dựa trên nghiên cứu ứng dụng mạng nơ-ron nhân tạo nhằm định vị sự cố trên lưới điện một cách nhanh chóng và chính xác Mô hình này tập trung vào đặc tính của lưới điện phân phối, biến thiên tải và trạng thái các phần tử để tái hiện hiệu quả các yếu tố gây ra sự cố Việc ứng dụng mạng nơ-ron nhân tạo cho định vị sự cố giúp tối ưu hóa quy trình chẩn đoán và nâng cao độ tin cậy của hệ thống cung cấp điện.

Điểm mới của luận văn

Áp dụng mạng nơ ron để xây dựng mối liên hệ giữa tần số cộng hưởng và vị trí ngắn mạch trên lưới cho phép nâng cao độ chính xác và nhanh chóng xác định vị trí sự cố ngắn mạch mà không cần xét tất cả các trường hợp hiện có Phương pháp này làm giảm đáng kể thời gian tính toán cho chương trình trong thực tế, đồng thời cải thiện hiệu suất chẩn đoán và tối ưu hóa quy trình bảo trì lưới điện.

Đề xuất một giải thuật và chương trình mới nhằm xác định vị trí sự cố trên lưới điện phân phối một cách nhanh chóng và có độ chính xác cao Giải thuật kết hợp phân tích tín hiệu từ các thiết bị đo trên lưới, mô hình hóa đặc tính điện và các kỹ thuật học máy để ước lượng vị trí sự cố dựa trên dữ liệu thời gian thực Chương trình đi kèm thu thập và xử lý dữ liệu cảm biến, hiển thị kết quả trên bản đồ lưới và cung cấp các tham số đánh giá hiệu suất Việc ứng dụng giải thuật này giúp rút ngắn thời gian cô lập sự cố, giảm thiểu dịch vụ gián đoạn và nâng cao độ tin cậy của hệ thống phân phối Quá trình triển khai gồm tiền xử lý dữ liệu, huấn luyện và thử nghiệm mô hình, tích hợp với hệ thống SCADA/EMS và thử nghiệm trong môi trường mô phỏng trước khi triển khai trên lưới thực.

Nội dung luận văn

Luận văn được chia làm 5 chương với các nội dung chính sau:

− 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

CƠ SỞ LÝ THUYẾT

Tổng quan về mạng nơ ron nhân tạo

2.1.1 Giới thiệu về mạng nơ ron

Theo các nhà nghiên cứu sinh học về bộ não và hệ thống thần kinh của con người, số lượng khoảng 100 tỷ tế bào thần kinh được gọi là nơ-ron Mỗi tế bào nơ-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

Dendrite là hệ thống nhánh dạng cây nhận tín hiệu và đưa chúng tới thân nơ ron Các nhánh dendrite tạo thành một lưới dày quanh thân nơ ron, chiếm diện tích khoảng 0,25 mm².

Dây thần kinh ra (axon) phân nhánh dạng cây, có thể dài từ một centimet đến hàng mét, nối với các nơ-ron khác thông qua khớp nối (synapse) và trực tiếp với nhân tế bào của các nơ-ron khác Thông thường mỗi nơ-ron có từ vài chục cho tới hàng ngàn khớp nối để kết nối với các nơ-ron khác Có hai loại khớp nối: kích thích (excitatory) sẽ truyền tín hiệu 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 não người có khoảng 10.000 khớp nối.

Chức năng cơ bản của tế bào nơ ron là liên kết với nhau để hình thành hệ thống thần kinh, điều khiển mọi hoạt động của cơ thể Các nơ ron truyền tín hiệu cho nhau thông qua các dây thần kinh, tín hiệu ở dạng xung điện được sinh ra từ các quá trình phản ứng hoá học phức tạp Tại thân tế bào, khi điện thế của tín hiệu đến đạt ngưỡng nhất định, nó sẽ tạo ra một xung điện dẫn truyền theo trục dây thần kinh ra và lan tới các nhánh rẽ, tiếp tục truyền tới các nơ ron khác.

Hình 2.1 mô tả cấu tạo của tế bào nơ ron sinh học và các thành phần cơ bản tham gia vào quá trình xử lý tín hiệu Nhằm xây dựng một mô hình tính toán phỏng theo cách nơ ron hoạt động trong não người, vào năm 1943 các tác giả McCulloch và Pitts đã đề xuất một mô hình toán học cho một nơ ron như một nền tảng cho lý thuyết và ứng dụng sau này.

Hình 2.2 trình bày mô hình nơ-ron nhân tạo Trong mô hình này, nơ-ron thứ i nhận các tín hiệu đầu vào x_j với các trọng số tương ứng là w_ij; tổng các tín hiệu vào có trọng số được ký hiệu là S_i = Σ_j w_ij x_j Giá trị S_i được đưa qua một hàm kích hoạt f để tạo ra đầu ra của nơ-ron, theo công thức y_i = f(S_i) Quá trình cộng có trọng số và hàm kích hoạt cho phép nơ-ron biểu diễn các mối quan hệ phi tuyến giữa đầu vào và đầu ra, từ đó làm nền tảng cho huấn luyện và học các tham số w_ij trong mạng.

Thông tin đầu ra ở thời diểm t+1 được tính từ các thông tin đầu vào như sau:

Trong mạng neural, g là hàm kích hoạt (còn gọi là hàm chuyển) có dạng là hàm bước nhảy, và hàm này biến đổi từ thông tin đầu vào thành tín hiệu đầu ra, đóng vai trò quyết định cách dữ liệu được xử lý trong hệ thống Nhờ đặc tính bước nhảy, hàm kích hoạt góp phần thiết lập ngưỡng phi tuyến cần thiết cho quá trình học và ảnh hưởng trực tiếp tới khả năng nhận diện, phân loại của mạng bằng cách xác định xem neuron có bật hay tắt dựa trên ngưỡng đã xác định.

Trong mạng nơ-ron, tín hiệu đầu ra out được quyết định bởi ngưỡng kích hoạt θ_i Cụ thể, out bằng 1 khi tổng các tín hiệu đầu vào lớn hơn ngưỡng θ_i, cho thấy nơ-ron đang phát tín hiệu đầu ra; ngược lại, out bằng 0 khi tổng các tín hiệu đầu vào nhỏ hơn ngưỡng θ_i, tức là nơ-ron không phát tín hiệu ở đầu ra.

Trong mô hình nơ ron của McCulloch và Pitts, các trọng số w_ij thể hiện ảnh hưởng của khớp nối giữa nơron j gửi tín hiệu và nơron i nhận tín hiệu Trọng số w_ij dương tương ứng với khớp nối kích thích, trọng số âm với khớp nối ức chế, và w_ij bằng 0 khi hai nơron không liên kết Hàm kích hoạt ngoài dạng hàm bước nhảy có thể được chọn ở nhiều dạng khác nhau và sẽ được đề cập ở các phần sau Nhờ cách mô hình hóa đơn giản một nơron sinh học như trên, McCulloch–Pitts đã giới thiệu một khái niệm nơ ron nhân tạo có tiềm năng tính toán quan trọng, có thể thực hiện các phép toán lô-gíc cơ bản như AND, OR và NOT khi các trọng số và ngưỡng được thiết lập phù hợp Sự liên kết giữa các nơron nhân tạo với nhiều cách triển khai 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 đa dạng.

2.1.2 Định nghĩa Mạng nơ ron

Mạng nơ ron là một hệ thống liên kết gồm nhiều phần tử hoạt động song song, được mô phỏng theo hệ thống thần kinh sinh học của con người Chức năng của mạng được xác định bởi sự kết nối giữa các phần tử và các trọng số liên kết giữa chúng Mạng nơ ron có thể được huấn luyện bằng cách điều chỉnh các trọng số này để thực hiện một chức năng cụ thể hoặc nhận diện mẫu từ dữ liệu đầu vào.

Các phần tử của mạng hoạt động giống như các tế bào thần kinh của con người, được gọi là các nơ ron

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

Quá trình tổng các tín hiệu được đưa qua một hàm truyền Y để tạo ra kết quả tại đầu ra của phần tử xử lý Các trọng số của mạng được cập nhật trực tiếp theo các quy tắc học của mạng, giúp hệ thống tự điều chỉnh để tối ưu hóa hiệu suất dự đoán Sự kết hợp giữa phép toán tổng và hàm truyền tạo nên khả năng biểu diễn mối quan hệ phi tuyến giữa đầu vào và đầu ra, trong khi việc cập nhật trọng số theo các luật học đảm bảo quá trình huấn luyện diễn ra hiệu quả và ổn định.

Hình 2.4 Cấu trúc mạng nơ ron

2.1.3 Hoạt động của mạng nơ ron

Mạng nơ ron được hiệu chỉnh, còn gọi là huấn luyện, nhằm ánh xạ mỗi ngả vào sao cho có một ngã ra riêng biệt Quá trình hiệu chỉnh dựa trên kết quả so sánh giữa ngã ra và giá trị mẫu (mẫu đích), từ đó điều chỉnh các tham số của mạng cho đến khi ngã 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

Trong mạng nơ ron, một nhóm nơ ron giao tiếp với thế giới thực để nhận dữ liệu đầu vào, một nhóm nơ ron khác chịu trách nhiệm xuất kết quả ra bên ngoài mạng, còn phần lớn nơron tồn tại ở dạng ẩn giữa các lớp và thực hiện xử lý, biến đổi thông tin để các lớp được kết nối với nhau một cách hiệu quả.

Thông thường, một mạng nơ-ron có 3 lớp gồm lớp vào, lớp ẩn và lớp ra Mỗi nơ-ron ở lớp ẩn nhận tín hiệu từ tất cả các nơ-ron ở lớp trước nó, tức là từ lớp vào; sau khi xử lý, nó sẽ gửi tín hiệu tới các nơ-ron ở lớp sau, tức lớp ra Với một mạng có đúng 3 lớp, lớp trước lớp ẩn là lớp vào và lớp sau lớp ẩn là lớp ra.

Một cách kết nối khác là hồi tiếp (feedback), như Hình 2, trong đó đầu ra của nơ-ron ở lớp sau được nối ngược lại với nơ-ron ở lớp trước Cách các nơ-ron kết nối với nhau có ảnh hưởng đáng kể đến hoạt động của mạng, từ quá trình xử lý tín hiệu đến khả năng học và lan tỏa thông tin Việc thiết kế và điều chỉnh các đường hồi tiếp đóng vai trò quan trọng trong tối ưu hóa hiệu suất của mạng nơ-ron và đảm bảo sự ổn định của hệ thống.

Hình 2.6 Mạng nơ ron có hồi tiếp 2.1.4 Các thành phần chính của mạng nơ ron

Một mạng nơ ron gồm có 7 thành phần chính:

Huấn luyện mạng nơ ron

2.2.1 Học có giám sát / Học có thầy

Quá trình học có giám sát là một chu trình trong đó dữ liệu từ tập huấn luyện được đưa vào mạng và mạng sẽ tạo ra đầu ra tương ứng Đầu ra này được so sánh với đầu ra mẫu (giá trị mục tiêu), sai số giữa hai đầu ra được lan truyền ngược qua hệ thống để điều chỉnh các trọng số nhằm cải thiện khả năng dự đoán của mạng Quá trình này lặp đi lặp lại khi các trọng số tiếp tục thay đổi Tập dữ liệu dùng để huấn luyện được gọi là tập huấn luyện hay tập học, và trong quá trình huấn luyện, tập học được xử lý nhiều lần để hiệu chỉnh các trọng số.

Khi một mạng neural không giải quyết được bài toán, người thiết kế cần xem xét lại các yếu tố từ đầu vào và đầu ra, số lớp, số phần tử của mỗi lớp, sự kết nối giữa các lớp, hàm tổng, hàm truyền, hàm huấn luyện và cả các trọng số khởi tạo; có thể điều chỉnh các thành phần trên để tạo ra một mạng hoàn chỉnh phù hợp với bài toán.

Huấn luyện mạng không phải là một kỹ thuật đơn thuần mà là quá trình nhận thức và phân tích có ý thức nhằm đảm bảo hệ thống không bị quá tải Ban đầu mạng tự hình thành dựa trên khuynh hướng thống kê dữ liệu, nhận diện các mẫu và thiết lập các cơ chế ổn định, sau đó nó tiếp tục học hỏi từ các tập dữ liệu mới để mở rộng khả năng thích ứng và tối ưu hóa hiệu suất vận hành.

Khi hệ thống học máy được huấn luyện đúng cách, các trọng số sẽ ổn định, giúp mô hình đạt hiệu suất cao và độ tin cậy Sau quá trình huấn luyện, một số hệ thống có thể chuyển từ mô hình sang thực thi trên phần cứng nhằm tăng tốc độ xử lý và tối ưu hiệu suất hoạt động.

2.2.2 Học không giám sát / Học không thầy Ơ dạng này mạng sẽ được cung cấp dữ liệu vào nhưng không biết dữ liệu ra Tự nó phải quyết định dùng những đặc trưng nào để tập hợp dữ liệu vào, được gọi là sự thích nghi hay tự sắp xếp Mạng này được giới hạn ở mạng tự sắp xếp, chưa được sử dụng rộng rãi

Học không giám sát, còn được gọi là học tự giám sát, là phương pháp học máy mà mạng lưới tự giám sát quá trình học mà không dựa vào nhãn dữ liệu bên ngoài Mạng không điều chỉnh trọng số theo các ảnh hưởng bên ngoài mà tự giám sát hoạt động nội tại của chính nó Mạng sẽ tìm kiếm sự cân bằng hoặc định hướng theo các ngả khác nhau để tạo ra các thích nghi theo điều kiện vận hành.

Trong học máy không giám sát, mạng nơ-ron vẫn có khả năng tự tổ chức và nắm bắt thông tin về cách sắp xếp cấu trúc cũng như các quy tắc học Thông tin này được gắn vào các cấu trúc mạng và các luật học, cho phép mạng tự điều chỉnh cách thức xử lý và học từ dữ liệu Thuật toán học không giám sát nhấn mạnh sự hợp tác giữa các nhóm phần tử xử lý: các nhóm làm việc cùng nhau, khi tín hiệu vào kích hoạt một nút bất kỳ trong nhóm thì hoạt động của nhóm tăng lên và ngược lại, giúp mạng nhận diện và phân loại dữ liệu một cách hiệu quả.

Trong học máy, sự cạnh tranh giữa các phần tử tạo nền tảng cho quá trình học tập Việc huấn luyện các nhóm cạnh tranh làm tăng đáp ứng của chúng đối với các kích hoạt, từ đó cải thiện khả năng nhận diện và xử lý tín hiệu Nhờ cơ chế học cạnh tranh, mỗi nhóm tối ưu hóa hoạt động dựa trên dữ liệu kích hoạt, giúp mạng nơ-ron phát hiện đặc trưng nổi bật và nâng cao hiệu quả phân loại.

Tốc độ học của mạng nơ-ron phụ thuộc vào nhiều hệ số có thể điều chỉnh Tốc độ học ở mức thấp sẽ kéo dài thời gian huấn luyện nhưng cho phép mạng học và phân biệt dữ liệu một cách đầy đủ hơn Trong khi đó, đẩy nhanh tốc độ học có thể rút ngắn thời gian huấn luyện nhưng sẽ làm mạng khó phân biệt và hiệu suất nhận diện có thể bị giảm so với ở tốc độ học thấp.

Có nhiều luật học được sử dụng trong quá trình huấn luyện mạng nơ ron, sau đây là nội dung một số luật quan trọng:

Trong mạng nơ-ron, khi một nơ-ron nhận tín hiệu từ nơ-ron khác và cả hai nơ-ron đều kích hoạt, trọng số synap giữa chúng được tăng lên Đây là nguyên lý của học Hebb, cho phép các kết nối giữa những nơ-ron hoạt động đồng thời trở nên mạnh hơn Việc củng cố trọng số khi tín hiệu đồng thời giúp mạng nơ-ron ghi nhớ và nhận diện các mẫu dữ liệu, từ đó cải thiện khả năng dự đoán và nhận diện thông tin Các liên kết được tăng lên nhờ quá trình này phản ánh cách hệ thần kinh tự tổ chức và thích nghi với môi trường, nâng cao hiệu suất của bài toán nhận diện và học tập.

Luật này tương tự luật Hepp nhưng được làm rõ biên độ của sự tăng hay giảm trong quá trình học Khi ngả ra mẫu và ngả vào cùng kích hoạt hoặc cùng cấm, tốc độ học sẽ làm tăng trọng số kết nối; ngược lại, nếu hai hành động không đồng thuận, trọng số sẽ giảm Nhờ xác định biên độ này, mô hình có thể diễn tả một cách rõ ràng sự tăng giảm của trọng số dựa trên mối quan hệ giữa đầu vào và kích hoạt, giúp tối ưu hóa quá trình học và dễ phát hiện các yếu tố có ảnh hưởng đến hiệu suất mạng neuron.

Đây là biến thể của Luật Hebb và là một trong những nguyên tắc được sử dụng nhiều nhất trong mạng nơ-ron và học máy Luật Delta dựa trên ý tưởng liên tục điều chỉnh cường độ các kết nối đầu vào nhằm thu hẹp khoảng cách giữa đầu ra thực tế và đầu ra mục tiêu của một đơn vị xử lý Quá trình cập nhật trọng số theo Luật Delta được thực hiện để giảm sai số bình phương trung bình, từ đó đảm bảo hội tụ và cải thiện hiệu suất của mạng nơ-ron.

Luật Delta còn gọi là luật Widrow-Hoff và luật học trung bình bình phương nhỏ nhất (LMS – Least Mean Square Learning Rule)

Luật này tương tự luật Delta về cách dùng đạo hàm của hàm truyền để điều chỉnh sai số trước khi cập nhật trọng số Tuy nhiên, một hằng số tỉ lệ của tốc độ học được thêm vào hệ số điều chỉnh cuối cùng để tác động lên các trọng số Do đó, luật này thường được sử dụng ngay cả khi tốc độ hội tụ tới điểm ổn định của nó có thể chậm.

Trong quy tắc này, các phần tử xử lý cạnh tranh để tìm cơ hội học hoặc cập nhật trọng số của chúng Phần tử có mức kích hoạt cao nhất được coi là người chiến thắng, có khả năng cản trở các đối thủ và kích hoạt các phần tử lân cận Chỉ có phần tử chiến thắng mới được phép phát tín hiệu kích hoạt, và chỉ nó cùng với các phần tử lân cận mới có thể điều chỉnh trọng số của chúng.

Với phần tử chiến thắng được xác định là phần tử phù hợp nhất với mẫu vào, mạng Kohonen tạo ra mô hình phân bố các ngã vào dữ liệu Mạng này phù hợp để tạo ra mô hình theo cấu trúc hoặc theo thống kê cho dữ liệu, và do đó được gọi là mạng tự sắp xếp.

Giới thiệu các loại mạng nơ ron

Mạng lan truyền ngược có cấu tạo như Hình 2

Hình 2.7 Mạng lan truyền ngược

Cấu trúc mạng neural truyền thẳng (feedforward) kết hợp với cơ chế lan truyền ngược (backpropagation) là dạng phổ biến và hiệu quả nhất để triển khai các mạng nhiều lớp phức tạp và được ứng dụng trong nhiều lĩnh vực của học máy Dựa trên nền tảng này, có rất nhiều loại mạng với nhiều cấu trúc và phương pháp huấn luyện khác nhau được phát triển cho các bài toán khác nhau Điểm mạnh của mạng truyền thẳng là khả năng nắm bắt các nghiệm phi tuyến đối với các bài toán không rõ ràng nhờ khả năng khái quát và học được các mối quan hệ phi tuyến phức tạp Mô hình cơ bản gồm lớp vào, lớp ra và ít nhất một lớp ẩn; số lớp ẩn có thể không giới hạn nhưng thông thường chỉ có một hoặc hai lớp Mỗi lớp trong mạng sẽ kết nối đầy đủ với lớp kế tiếp, đảm bảo sự truyền thông tin một cách liên tục từ đầu vào đến đầu ra.

Có 3 luật quan trọng cần dùng để giải các bài toán với mạng lan truyền ngược:

− Luật 1: Khi tính phức tạp trong quan hệ giữa dữ liệu vào và ngả ra mẫu tăng thì số phần tử trong lớp ẩn cũng tăng

− Luật 2: Nếu mô hình xử lý là riêng biệt thành nhiều tầng thì có thể cần thêm các lớp ẩn

Luật 3 cho biết số lượng dữ liệu huấn luyện có sẵn sẽ giới hạn số lượng phần tử ở lớp ẩn Để tính giá trị biên này, ta dùng số đôi mẫu vào–ra trong tập huấn luyện, chia cho tổng số phần tử vào và ra trong mạng, và cuối cùng chia kết quả cho một hệ số tỉ lệ nằm trong khoảng từ 5 đến 10.

Quá trình huấn luyện mạng nơ-ron thường dựa vào luật Delta, bắt đầu từ sự khác biệt giữa đầu ra thực tế và đầu ra mong muốn Sai số này được dùng để cập nhật trọng số theo tỉ lệ với sai số và với các giá trị ngõ vào thông qua một hệ số tỉ lệ (learning rate) nhằm cải thiện độ chính xác tổng quát của mô hình Đối với một neuron, quá trình này áp dụng cho các liên kết từ ngõ vào và được tính toán tại cùng một phần tử xử lý để điều chỉnh trọng số dựa trên sai số và ngõ vào.

Có nhiều thay đổi gần đây liên quan đến quy trình học của mạng lan truyền ngược Các hàm kích hoạt và hàm mất mát khác nhau đang được triển khai để tối ưu hóa hiệu suất, và thậm chí việc điều chỉnh phương pháp tính đạo hàm của hàm kích hoạt cũng có thể được áp dụng để cải thiện quá trình huấn luyện.

Có những giới hạn đối với mạng truyền thẳng và mạng lan truyền ngược Mạng lan truyền ngược đòi hỏi quá trình huấn luyện kéo dài với nhiều mẫu dữ liệu vào–ra để cải thiện hiệu suất Thêm vào đó, kết cấu bên trong của mô hình thường khó hiểu, nên không đảm bảo hệ thống sẽ hội tụ ở nghiệm tối ưu hoặc nghiệm chấp nhận được Đôi khi điều này dẫn tới huấn luyện không ổn định và yêu cầu điều chỉnh tham số hoặc kiến trúc để đạt kết quả tốt hơn.

Trong quá trình tối ưu hóa của các mô hình học máy, việc học có thể bị dừng ở một cực tiểu nội bộ (cực tiểu cục bộ), khiến nghiệm tối ưu toàn cục bị bỏ qua Hiện tượng này xảy ra khi hệ thống đạt được sai số thấp hơn các trạng thái lân cận, nhưng vẫn chưa đạt được sai số nhỏ nhất có thể trong toàn bộ không gian tham số Điều này giới hạn hiệu suất của mô hình và đòi hỏi các kỹ thuật vượt qua địa phương như khởi tạo ngẫu nhiên, điều chỉnh tham số, hoặc sử dụng các thuật toán tối ưu hóa nhạy với toàn cục để tìm tới cực tiểu toàn cục.

2.3.2 Mạng Vectơ lượng tử LVQ – Learning Vector Quantity

Mạng tự sắp xếp (Self-Organizing Map – SOM) do Teuvo Kohonen đề xuất dựa trên nguyên lý học tập của Kohonen, cho phép sắp xếp dữ liệu thành các nhóm tương tự nhau Mô hình mạng LVQ được dùng cho cả hai dạng bài toán: phân loại và phân đoạn ảnh Về mặt cấu trúc, mạng gồm ba lớp: lớp vào, lớp Kohonen và lớp ra, như Hình 2.8 minh họa.

Trong hình 2.8 Mạng LVQ, lớp đầu ra có số phần tử bằng với số nhóm riêng biệt, và số phần tử của lớp Kohonen được sắp xếp theo các nhóm này Số lượng phần tử trong lớp phụ thuộc vào độ phức tạp của mối quan hệ giữa đầu vào và đầu ra, và thường mỗi nhóm có cùng số phần tử trong một lớp Lớp Kohonen tham gia vào quá trình học và thực hiện phân loại với sự trợ giúp của một tập huấn luyện Mạng này sử dụng các luật học có giám sát, tuy nhiên có sự khác biệt đáng kể so với luật lan truyền ngược Để tối ưu hàm học và hàm gọi lại, lớp đầu vào được cấu hình sao cho chứa chỉ một phần tử cho mỗi tham số Ở chế độ học, mạng dùng lớp Kohonen để tính khoảng cách từ vectơ huấn luyện tới từng phần tử và phần tử có khoảng cách nhỏ nhất được cho là chiến thắng.

Trong hệ thống gồm 32 phần tử, có một phần tử chiến thắng duy nhất được phép kích hoạt và thông báo loại của vectơ đầu vào Nếu phần tử chiến thắng nằm trong nhóm mong đợi của vectơ huấn luyện, nó sẽ được củng cố và đẩy tới vectơ huấn luyện; ngược lại, các trọng số kết nối tới phần tử xử lý sẽ bị rút ra khỏi vectơ huấn luyện Ở chế độ gọi lại, mạng tính khoảng cách giữa vectơ đầu vào và từng phần tử; phần tử có khoảng cách gần nhất được coi là chiến thắng và tạo ra một nhánh đại diện cho nhóm được tìm thấy.

Mạng LVQ có một số hạn chế Đối với bài toán phân loại phức tạp thì mạng cần có lớp Kohonen lớn với nhiều phần tử cho mỗi nhóm

Mạng xác suất (PNN – Probabilistic Neural Network) do Donald Specht đề xuất, là một hệ thống phân loại mẫu dựa trên phương pháp thống kê và bộ phân loại Bayes Mô hình tận dụng lý thuyết Bayes để tính xác suất xảy ra của từng lớp và sử dụng thông tin xác suất để cải thiện độ chính xác dự đoán PNN sử dụng các bộ ước lượng Parzen (Parzen window estimators) để xây dựng các hàm mật độ xác suất của các lớp, từ đó hình thành phân loại Bayes tối ưu Dạng tiêu biểu của mạng xác suất PNN được thể hiện ở Hình 2.9.

Mạng PNN (Probabilistic Neural Network) sử dụng một tập huấn luyện có giám sát để xây dựng các hàm phân bố cho từng lớp mẫu Những hàm này, khi được gọi ở chế độ nhận diện, ước lượng xác suất để một vectơ thuộc về một nhóm đã được học Các mẫu được gán trọng số theo một xác suất ưu tiên gọi là tần số liên quan của mỗi nhóm nhằm xác định nhóm giống nhất với vectơ đầu vào Khi tần số liên quan của các nhóm được biết, ta có thể tính toán và so sánh xác suất thuộc về từng nhóm để lựa chọn nhóm có xác suất cao nhất, từ đó thực hiện phân loại vectơ vào nhóm tương ứng.

33 nhóm được xem là như nhau và sự xác định nhóm sẽ dựa vào sự giống nhau của vectơ đặc trưng đối với hàm phân bố của một nhóm

Trong một mạng nơ-ron ba lớp, có lớp vào, lớp mẫu và lớp ra Lớp vào có số phần tử bằng với số lượng tham số cần thiết để mô tả đối tượng được phân loại Lớp mẫu được dùng để sắp xếp tập huấn luyện; sau mỗi phần tử được xử lý, nó sẽ biểu diễn dưới dạng một vectơ đầu vào cho mạng Lớp ra, còn gọi là lớp tổng hợp hay lớp quyết định, có số phần tử bằng với số nhóm cần phân loại Mỗi phần tử trong lớp ra liên kết với các phần tử ở lớp mẫu cùng nhóm và chịu trách nhiệm phân loại cho đầu ra.

Lớp mẫu trình bày cách triển khai một phiên bản của bộ phân loại Bayes, trong đó hàm mật độ xác suất phụ thuộc được xấp xỉ bằng bộ ước lượng Parzen Phương pháp này tạo ra một bộ phân loại mẫu tối ưu về mặt cực tiểu rủi ro khi phân biệt sai một vật Nhờ ước lượng này, quá trình phân loại sẽ tiến gần tới hàm mật độ của nhóm thật khi số mẫu huấn luyện tăng lên, miễn là tập huấn luyện thể hiện đầy đủ sự phân biệt giữa các nhóm Trong lớp mẫu có một phần tử xử lý cho mỗi vectơ vào của tập huấn luyện; thông thường, số phần tử trong mỗi nhóm ra sẽ bằng nhau Tuy nhiên, một hoặc nhiều nhóm có thể bị lệch và mạng sẽ cho ra các kết quả sai.

Mỗi phần tử trong lớp mẫu được huấn luyện một lần Một phần tử được huấn luyện sẽ tạo một giá trị ra cao khi vectơ vào phù hợp với vectơ huấn luyện Hàm huấn luyện có một hệ số san bằng toàn cục để tổng quát hóa tốt hơn kết quả phân loại Trong trường hợp bất kỳ, vectơ huấn luyện không buộc phải ở trong một thứ tự đặc biệt nào của tập huấn luyện, vì loại của một vectơ được chỉ định bởi ngả ra mẫu ứng với một ngả vào Lớp mẫu hoạt động mang tính cạnh tranh, vectơ vào phù hợp nhất sẽ chiến thắng và tạo một ngả ra Theo cách này, chỉ có một loại được tạo ra đối với một vectơ cho trước bất kỳ Nếu ngả vào không phù hợp với bất kỳ mẫu nào có trong lớp mẫu thì sẽ không có ngả ra

Huấn luyện mạng xác suất đơn giản hơn mạng lan truyền ngược Tuy nhiên, lớp mẫu có thể rất lớn nếu sự khác biệt giữa các nhóm bị thay đổi và ở cùng thời điểm sự tương tự thật sự là các vùng riêng biệt

Cáp ngầm điện lực

Trong quá trình huấn luyện mạng Kohonen, neuron có khoảng cách ngắn nhất tới vectơ dữ liệu sẽ điều chỉnh trọng số của nó sao cho gần hơn với vectơ đó Các neuron lân cận của neuron chiến thắng cũng đồng thời điều chỉnh trọng số để tiến gần tới cùng một vectơ đầu vào Những thay đổi ở các neuron lân cận giúp bảo toàn topology của không gian đầu vào Quá trình huấn luyện được thực hiện theo quy luật học cạnh tranh Kohonen, nhằm hình thành một bản đồ tự tổ chức có sự sắp xếp các đơn vị theo mức độ giống nhau của dữ liệu.

Trong mạng Kohonen (Self-Organizing Map - SOM), một hạn chế phổ biến là một phần tử có thể chiếm quá nhiều vùng và biểu diễn quá nhiều dữ liệu, làm phức tạp quá trình phân tích và giảm hiệu quả của mô hình Vấn đề này được giải quyết bằng cơ chế làm sạch gắn vào hàm học, nhằm loại bỏ dữ liệu nhiễu và điều chỉnh sự cập nhật của các nơ-ron sao cho phản chiếu đúng hơn cấu trúc dữ liệu Cơ chế này giúp lớp Kohonen tối ưu hoá việc tự tổ chức, cải thiện khả năng biểu diễn dữ liệu và tăng cường hiệu suất của mạng SOM cho các nhiệm vụ phân loại và trực quan hóa dữ liệu.

2.4 Giới thiệu về cáp ngầm điện lực

Trong bối cảnh phát triển của hệ thống điện để đáp ứng nhu cầu điện năng ngày càng cao trong xã hội hiện đại, việc đầu tư vào đường dây cáp ngầm đang ngày càng được đẩy mạnh nhằm tăng cường an toàn cho người dùng và cho toàn bộ hệ thống, đồng thời đảm bảo cấp điện liên tục và chất lượng điện năng ổn định Đối với các công trình và khu vực không thể lắp đặt đường dây trên không vì lý do an toàn — như các tuyến vượt biển, vượt sông hoặc đô thị đông dân — đường dây cáp ngầm là giải pháp tối ưu, giúp giảm thiểu rủi ro và nâng cao độ tin cậy của nguồn cung điện Việc chuyển đổi sang hạ tầng cáp ngầm còn góp phần tối ưu hóa an toàn lưới điện và đáp ứng yêu cầu an toàn ngày càng cao của xã hội hiện đại.

2.4.1 Cấu tạo cáp ngầm điện lực

Hình 2.12 lõi cáp 2.4.1.2 Lớp bán dẫn

Mọi loại dây điện và cáp điện trên thị trường đều sử dụng vật liệu dẫn điện là đồng (Cu) hoặc nhôm (Al); các vật liệu này được bện nén tròn và gia công cho đến khi đáp ứng tiêu chuẩn quốc tế IEC 60228, đảm bảo tính dẫn điện và chất lượng chịu lực phù hợp với các ứng dụng điện.

Hình 2.13 Cấu tạo cáp ngầm điện lực dùng cách điện XLPE 2.4.1.4 Lớp bán dẫn cách điện

Vật liệu cách điện sẽ được liên kết ngang siêu sạch

Các bộ phận như màn chắn lõi và màn chắn cách điện được đùn đồng thời trong một quá trình duy nhất Quá trình đùn diễn ra liên tục nhằm đảm bảo không có khoảng trống ở mọi vị trí và ngăn ngừa sai lệch trong cấu trúc của sản phẩm.

Quá trình đùn các bộ phận màn chắn lõi và màn chắn cách điện sẽ được thực hiện dưới hệ thống công nghệ tiên tiến và hiện đại, do đội ngũ công nhân có kinh nghiệm điều khiển tia X và kiểm soát áp suất không khí đạt tiêu chuẩn Điều này đảm bảo chất lượng, độ bền và an toàn cho sản phẩm, đồng thời tối ưu hóa hiệu suất sản xuất.

Trong cáp ngầm trung thế, màn chắn kim loại phi từ tính được dùng để giảm phát xạ và nhiễu từ, đồng thời bảo vệ lõi dẫn điện khỏi tác động môi trường Theo quy chuẩn, một lớp băng đồng hoặc sợi đồng và/vỏ chì được áp sát bên ngoài màn chắn này nhằm tăng độ kín, tính cơ học và độ bền của đường truyền.

Lớp bọc, hay còn gọi là lớp phân cách, được làm từ nhựa PVC hoặc nhựa PE Trong nhiều trường hợp, nếu không có quy định cụ thể về lớp bảo vệ, sau lớp màn chắn sẽ là lớp ngoài cùng.

Lớp bảo vệ này có tác dụng chống va đập cơ học, được làm từ kim loại phi từ tính và cấu tạo từ các băng thép hoặc sợi thép để tăng cường độ bền và bảo vệ các thành phần bên trong khỏi các tác động va đập.

2.4.1.8 Lớp vỏ bảo vệ ngoài cùng

Sử dụng vật liệu là nhựa PE hoặc nhựa PVC.

Ngă ́n ma ̣ch trong cáp ngầm điện lực

2.5.1 Các nguyên nhân và hậu quả của ngắn mạch cáp ngầm

2.5.1.1 Nguyên nhân của ngắn mạch cáp ngầm trên lưới phân phối

Nguyên nhân chung và chủ yếu của ngắn mạch là sự hỏng hóc của lớp cách điện Các yếu tố gây hỏng cách điện gồm hao mòn do vận hành lâu ngày, tác động cơ học gây vỡ nát lớp cách điện, nhiệt độ cao phá hủy môi chất và cấu trúc của lớp cách điện, sự xuất hiện của điện trường mạnh có thể phá hủy lớp vỏ bọc, và cả nguyên nhân do tác động cơ khí của con người như đào đất hoặc thao tác sai khiến trong thi công và vận hành, làm tăng nguy cơ ngắn mạch.

2.5.1.2 Hậu quả của ngắn mạch cáp ngầm trên lưới phân phối

Ngắn mạch là một loại sự cố nguy hiểm trong hệ thống điện, khi dòng điện đột ngột tăng lên rất lớn và chạy qua các phần tử của mạng điện Tác động của ngắn mạch có thể gây quá tải, làm nóng các thiết bị, phá hỏng cách điện, gây cháy nổ và làm mất ổn định cung cấp điện Để giảm thiểu thiệt hại, hệ thống cần có biện pháp bảo vệ như ngắt tự động và cách ly nguồn, nhằm đảm bảo an toàn cho người vận hành và toàn bộ hệ thống điện.

- Phát nóng cục bộ rất nhanh, nhiệt độ cao gây cháy nổ;

- Gây sụt áp lưới điện ảnh hưởng đến năng suất làm việc của máy móc, thiết bị;

- Gây mất ổn định hệ thống điện do các máy phát bị mất cân bằng công suất, làm gián đoạn việc cung cấp điện

Qua thực tế hoạt động của các đường dây cáp ngầm và kết quả khảo sát về sự cố, các trường hợp ngắn mạch cáp ngầm được phân loại thành ngắn mạch một pha chạm đất, ngắn mạch hai pha chạm đất và ngắn mạch ba pha chạm đất Các sợi dẫn của cáp ngầm thường được bảo vệ bằng một lớp shielding (lớp bọc kim loại) và lớp này được nối đất tại các điểm nối cáp ngầm Khi có sự cố phóng điện, dòng phóng điện đầu tiên sẽ lưu thông từ dây dẫn tới đất thông qua lớp shielding, giải thích vì sao các sự cố ngắn mạch ở cáp ngầm thường là các sự cố chạm đất trong quá trình vận hành.

Theo nghiên cứu [12] của tác giả Trần Anh Chương, trên cáp ngầm phân phối có 3 loại sự cố chính: ngắn mạch một pha chạm đất, ngắn mạch hai pha chạm đất và ngắn mạch ba pha chạm đất Những sự cố này ảnh hưởng đến độ tin cậy của hệ thống điện và đòi hỏi các biện pháp phát hiện sớm để giảm thiểu thiệt hại và phục hồi nhanh chóng.

2.5.2.1 Ngắn ma ̣ch mô ̣t pha cha ̣m đất

Trong hệ thống cáp ngầm, sự cố ngắn mạch một pha chạm đất xảy ra khi có sự hư hỏng cách điện giữa dây mang điện và lớp vỏ bọc cách điện bên ngoài Lúc này, sự chênh lệch điện áp giữa dây pha và lớp bảo vệ nối đất sẽ khiến hồ quang từ dây pha phóng ra lớp bảo vệ, gây ra dòng ngắn mạch một pha chạm đất Khi xuất hiện, tổng trở của đường dây có sự cố ngắn mạch sẽ giảm nhanh do điện trở của dây mang điện thông thường rất nhỏ so với điện trở của tải, và kết hợp với điện trở hồ quang trong cáp ngầm thường rất nhỏ vì khoảng cách giữa dây mang điện và vỏ bảo vệ gần nhau.

Trong cáp ngầm, phóng điện giữa các dây dẫn chỉ xảy ra với khoảng cách vài centimet, và điện trở hồ quang gần như bằng không trong trường hợp này Do đó, dòng điện sự cố có thể tăng vọt và giá trị của dòng sự cố so với hai pha còn lại có thể cao gấp nhiều lần Mức tăng của dòng sự cố phụ thuộc vào vị trí sự cố và tổng trở của hệ thống Việc tăng dòng điện tại dây sự cố sẽ dẫn đến sụt điện áp ở đầu nguồn cấp, khiến biên độ điện áp ở pha sự cố thấp hơn biên độ của hai pha còn lại.

Sơ đồ tương đương cho ngắn mạch một pha chạm đất được trình bày trong Hình 2.1, cho thấy đặc tính của dòng điện và điện áp khi xảy ra sự cố chạm đất Hình 2.1 minh họa rõ ràng dạng đường sóng của dòng điện và điện áp trong trường hợp một pha chạm đất, phục vụ cho phân tích, đánh giá ảnh hưởng và thiết kế biện pháp bảo vệ hệ thống điện.

Hình 2.15 Sơ đồ tương đương ngắn mạch một pha chạm đất

Hình 2.16 Dạng sóng dòng điện (a) và điện áp (b) khi có sự cố ngắn ma ̣ch mô ̣t pha cha ̣m đất 2.5.2.2 Ngắn ma ̣ch hai pha cha ̣m đất

Trong hệ thống cáp ngầm, sự cố ngắn mạch hai pha chạm đất xảy ra khi có sự hư hỏng cách điện giữa dây mang điện (pha) và vỏ bọc ngoài, dẫn đến sự chênh lệch điện áp giữa pha và lớp bảo vệ và hình thành hồ quang điện phóng từ pha ra lớp bảo vệ Dòng sự cố tăng lên khi tổng trở của đường dây cho sự cố giảm nhanh, do điện trở dây dẫn thường rất nhỏ so với điện trở của tải, và điện trở hồ quang trong cáp ngầm cũng rất nhỏ do khoảng cách phóng điện giữa các dây dẫn chỉ vài centimet Vì vậy, dòng điện sự cố ở pha có thể tăng vọt và cao hơn nhiều lần so với pha còn lại Giá trị của dòng sự cố phụ thuộc vào vị trí sự cố và tổng trở của hệ thống Việc tăng dòng điện tại dây sự cố sẽ gây sụt áp tại đầu nguồn cấp; biên độ điện áp ở pha sự cố sẽ thấp hơn biên độ điện áp của pha không có sự cố.

Sơ đồ tương đương cho ngắn mạch hai pha chạm đất được trình bày chi tiết như trong Hình 2 Đồng thời dạng sóng của dòng điện và điện áp khi xảy ra sự cố một pha chạm đất được minh họa ở hình (b).

Hình 2.17 Sơ đồ tương đương ngắn mạch hai pha chạm đất

(b) Hình 2.18 Dạng sóng dòng điện (a) và điện áp (b) khi có sự cố ngắn ma ̣ch hai pha cha ̣m đất 2.5.2.3 Ngắn ma ̣ch ba pha cha ̣m đất

Trong hệ thống cáp ngầm, sự cố ngắt mạch ba pha chạm đất xuất hiện khi có sự hư hỏng cách điện giữa dây dẫn điện và vỏ bọc cách điện bên ngoài Lúc này, điện áp rò rỉ từ dây dẫn có thể xuyên qua lớp cách điện hỏng và phóng điện xuống đất, gây ngắt nguồn cho một phần hoặc toàn bộ khu vực và làm tăng nguy cơ cháy nổ hay hư hỏng thiết bị Nguyên nhân chủ yếu gồm mài mòn hoặc hỏng lớp cách điện theo thời gian, va đập cơ học, nước hoặc độ ẩm xâm nhập và các yếu tố môi trường Để bảo đảm an toàn và giảm thiểu thiệt hại, hệ thống sẽ kích hoạt các thiết bị bảo vệ như rơ le và cầu dao tự động ngắt nguồn khi phát hiện sự cố; sau đó, đội ngũ kỹ thuật sẽ kiểm tra, xác định vị trí hỏng và thực hiện biện pháp khắc phục, sửa chữa hoặc thay thế phần hỏng, đồng thời cải thiện lớp cách điện và biện pháp cách ly để ngăn ngừa tái diễn.

Chênh lệch điện áp giữa dây mang điện (dây pha) và lớp bảo vệ bên ngoài nối đất có thể sinh ra hồ quang điện phóng từ dây pha ra lớp bảo vệ, gây ngắn mạch chạm đất một pha Khi xảy ra ngắn mạch ba pha chạm đất, tổng trở đường dây có sự cố giảm nhanh do điện trở của dây dẫn thường rất nhỏ so với điện trở của tải, kết hợp với điện trở hồ quang trong cáp ngầm thường rất nhỏ do khoảng cách phóng điện giữa các dây dẫn trong cáp ngầm chỉ vài centimet, khiến giá trị điện trở hồ quang gần như không đáng kể trong trường hợp này Do đó, dòng điện sự cố ở pha tăng lên rất cao, và giá trị dòng sự cố so với pha còn lại có thể cao hơn nhiều lần so với mức vận hành bình thường Giá trị của dòng sự cố phụ thuộc vào vị trí sự cố và tổng trở của hệ thống Sự gia tăng dòng điện tại dây sự cố sẽ gây sụt áp tại đầu nguồn, khiến biên độ điện áp ở đầu trạm biến áp bị giảm nhanh xuống mức thấp hơn mức vận hành bình thường.

Sơ đồ tương đương ngắn mạch ba pha chạm đất được trình bày trong Hình 2.1, thể hiện cấu trúc mạch và đường đi của dòng điện giữa ba pha và đất khi xảy ra sự cố Dạng sóng của dòng điện và điện áp trong trường hợp một pha chạm đất được minh họa qua Hình 2, giúp hình dung sự biến thiên tín hiệu điện theo thời gian và đánh giá hành vi của hệ thống bảo vệ Việc kết hợp hai hình minh họa này cho phép mô phỏng và phân tích nhanh chóng các tham số quá trình, từ đó hỗ trợ thiết kế, vận hành an toàn và tin cậy của mạng điện.

Hình 2.19 Sơ đồ tương đương ngắn mạch ba pha chạm đất

(b) Hình 2.20 Dạng sóng dòng điện (a) và điện áp (b) khi có sự cố ngắn ma ̣ch ba pha chạm đất

DỤNG MẠNG NƠ RON ĐỂ ĐỊNH VỊ SỰ CỐ TRÊN LƯỚI ĐIỆN

MÔ HÌNH HÓA VÀ MÔ PHỎNG

Mô tả lưới điện phân phối cần mô phỏng

Luận văn tiến hành mô phỏng trên một phát tuyến hiện hữu tại thành phố Thủ Dầu Một, tỉnh Bình Dương, đang cấp điện cho khu Bệnh viện Đa khoa 1500 giường, Bệnh viện Ung bướu 300 giường, Bệnh viện Nhi 400 giường và Bệnh viện Điều dưỡng và Phục hồi chức năng Sơ đồ vận hành lưới điện của lộ cáp ngầm được thể hiện qua hình 4.1, cho thấy tuyến cáp thuộc trạm trung gian 110kV Định Hoà và được Công ty Điện lực thành phố Thủ Dầu Một – Tổng Công ty Điện lực tỉnh Bình Dương quản lý cấp điện cho khu vực các công trình bệnh viện nhà nước.

- Tiêu chuẩn thiết kế : Đường dây được thiết kế theo tiêu chuẩn lưới điện ngầm

22kV ban hành kèm theo quyết định số 441/ĐVN/HCM.IV ngày 7/5/1997

- Tổng chiều dài đơn tuyến đường dây trung thế cáp ngầm xây dựng mới

+ Cáp CXV/SE/DSTA-24kV-3x300mm 2 : 4.162m

- Loại tuyến: Đường dây cáp ngầm 22KV/ 3P – 1N được thiết kế theo tiêu chuẩn cáp ngầm 22KV

-Loại dây dẩn: Dùng 01 sợi cáp đồng bọc cách điện 24KV : CXV/SeHH –DSTA-

Cáp điện 3×300 mm² gồm ba lõi, mỗi lõi được luồn trong ống HDPE xoắn chịu lực có đường kính D195/150 mm; phần lên trụ được luồn trong ống sắt tráng kẽm có đường kính D114 mm Giáp băng đồng của cáp được dùng làm dây trung tính.

52 Hình 4.1a Sơ đồ lưới điện phân phối cáp ngầm 479 Định Hoà

53 Hình 4.1b Sơ đồ lưới điện phân phối cáp ngầm 479 Định Hoà

Hình 4.2 Sơ đồ đơn tuyến lưới điện phân phối cáp ngầm 479 Định Hoà

Mô hi ̀nh hóa các khối trong lưới điê ̣n phân phối được mô phỏng

Để mô phỏng lưới điện phân phối dùng cáp ngầm, hệ thống được kết nối bởi các thành phần lưới điện như trong hình 4.2 và các thành phần này được mô phỏng bằng các khối cơ bản như đã trình bày ở trên Thông số của các mô hình được chọn dựa trên các dữ liệu đo thực tế và thông số do nhà sản xuất cung cấp Trong mạch mô phỏng, các thành phần lưới điện được kết nối với nhau, và một bộ đo dòng điện và điện áp ba pha được đặt tại đầu phát tuyến Các giá trị thu được sẽ được ghi nhận và dùng làm dữ liệu cho các quá trình xử lý số liệu bằng máy tính.

Thiết kế giao diện chương trình ước lượng vị trí ngắn mạch cáp ngầm

Dựa trên các lưu đồ, công thức và kết quả thu được ở các phần trước, giao diện ước lượng vị trí sự cố ngắn mạch cáp ngầm được thiết kế nhằm tối ưu hóa tương tác người-máy và tăng tính trực quan cho người dùng Giao diện được trình bày thành hai phần tách biệt, giúp người dùng dễ dàng nhập dữ liệu, xem kết quả ước lượng và thao tác phân tích một cách thuận tiện Các thuật toán và cơ sở dữ liệu liên quan được tích hợp nhằm cung cấp ước lượng vị trí sự cố nhanh chóng và chính xác dựa trên thông tin từ lưu đồ và công thức đã xác lập Mục tiêu là mang lại một công cụ đáng tin cậy cho đội ngũ kỹ thuật trong việc phân tích và xử lý sự cố ngắn mạch cáp ngầm.

55 Hình 4.3 Mô hình hoá mô phỏng lưới điện phân phối tuyến 479 Định Hoà

4.3.1 Giao diện chương trình tạo sự cố ngắn mạch

Kết quả của chương trình tạo dữ liệu ngắn mạch được sinh từ quá trình chạy mô phỏng lưới điện phân phối trong trạng thái trước và sau sự cố Với một lưới điện phân phối đã xác định trước, chỉ cần nhập vị trí và loại sự cố ngắn mạch, chương trình sẽ xuất các giá trị dòng điện và điện áp trước và sau sự cố được đo tại đầu đường dây Dữ liệu này cho phép phân tích nhanh mức độ ảnh hưởng và hỗ trợ đánh giá độ tin cậy cũng như đề xuất biện pháp bảo vệ cho hệ thống phân phối, đồng thời tối ưu hóa vận hành và thiết kế thông qua mô phỏng Simulink.

Để mô phỏng ngắn mạch, giá trị vị trí được xác định bằng khoảng cách từ vị trí ngắn mạch đến đầu đường dây và được xem là giá trị thực tế cần mô phỏng Giá trị nhập vào phải là một số dương nhỏ hơn chiều dài của đường dây; nếu giá trị này nằm ngoài khoảng cho phép, chương trình sẽ báo lỗi và yêu cầu nhập lại giá trị thích hợp Giao diện chương trình cho mô phỏng sự cố ngắn mạch được thể hiện như trong Hình 4.

Loại ngắn mạch được chọn từ năm trạng thái sự cố ngắn mạch của cáp ngầm hiện có Muốn mô phỏng một loại ngắn mạch bất kỳ, bạn chỉ cần chọn đúng loại sự cố ngắn mạch tương ứng.

Để tạo file mô phỏng, hãy nhập đầy đủ hai tham số: vị trí ngắn mạch và loại sự cố ngắn mạch Sau khi điền xong hai tham số, nhấn nút Tạo file mô phỏng để yêu cầu chương trình thực hiện mô phỏng sự cố ngắn mạch Kết quả sau mô phỏng được xuất ra dưới dạng một file kết quả có tên sẽ được hệ thống gán hoặc đặt theo thiết lập của chương trình.

VoltageDataFile.mat chứa các giá trị dòng điện và điện áp trước và sau mô phỏng trên các pha

Làm lại: Xóa hết các giá trị đã nhập vào trước đó

Hình 4.4 Giao diện chương trình tạo sự cố ngắn mạch 4.3.2 Giao diện chương trình ước lượng vị trí ngắn mạch

Hình 4.5Chương trình tính toán vị trí sự cố ngắn mạch

Chương trình ước lượng vị trí sự cố ngắn mạch cho cáp ngầm xử lý tín hiệu dòng điện và điện áp đầu vào từ file VoltageDataFile.mat để xác định tần số hài bậc cao trong tín hiệu quá độ điện áp thu được; kết quả phân tích tần số hài này được dùng để đưa vào bảng tra vị trí ngắn mạch - tần số cộng hưởng nhằm ước lượng vị trí sự cố ngắn mạch cáp ngầm Giao diện chương trình ước lượng vị trí ngắn mạch được thể hiện như trong Hình 4.5 Việc nhập dữ liệu từ VoltageDataFile.mat được thực hiện bằng cách nhấn nút.

“tìm kiếm” như trong Hình 4.5

Khi nhấn nút “tính toán vị trí”, hệ thống sẽ bắt đầu quá trình ước lượng vị trí ngắn mạch Kết quả ước lượng được hiển thị sau khi tính toán và sẽ xuất hiện sau dòng chữ “Xuất hiện sự cố ngắn mạch tại vị trí:” để người dùng có thể nhận biết vị trí sự cố một cách nhanh chóng Quá trình này hỗ trợ chuẩn hóa báo cáo và đẩy nhanh quá trình khắc phục, đồng thời cung cấp dữ liệu vị trí ngắn mạch và thời gian ước lượng để phân tích và lưu trữ hiệu quả.

Kết quả mô phỏng

Để đánh giá kết quả thu được, chúng tôi thực hiện một chuỗi mô phỏng nhằm kiểm tra độ chính xác của ước lượng vị trí định vị sự cố ngắn mạch so với vị trí ngắn mạch thực tế được mô phỏng Các vị trí và loại ngắn mạch được lựa chọn để đảm bảo bao quát đầy đủ các dạng sự cố thường gặp trong lưới điện phân phối Các kết quả được trình bày cụ thể trong các phần sau, thể hiện mức độ chính xác của phương pháp và các yếu tố ảnh hưởng đến hiệu quả định vị sự cố.

4.4.1 Khi ngắn mạch pha a chạm đất tại vị trí 1700 m

Kết quả tạo file mô phỏng cho sự cố ngắn mạch pha A chạm đất tại vị trí 1700m được hiển thị trên giao diện hệ thống Để thực hiện thí nghiệm này, bước đầu là thiết lập sự cố ngắn mạch pha A chạm đất tại vị trí 1700m Giao diện chương trình sẽ thực hiện công việc này sau khi người dùng điền đầy đủ các thông số và nhấn nút “Tạo file mô phỏng” Kết quả sau khi chạy được hiển thị trực tiếp trên giao diện, như minh họa trong Hình 4.6.

Dạng sóng của dòng điện và điện áp sau quá trình mô phỏng được thể hiện lần lượt tại Hình 4.5 và Hình 4.6 Qua các đồ thị, có thể nhận thấy sự tăng đột biến của dòng điện và sự giảm điện áp diễn ra ở pha gặp sự cố ngắn mạch, cho thấy tác động của sự cố lên tín hiệu và vận hành của hệ thống điện Những hình biểu diễn này cung cấp cơ sở cho phân tích đáp ứng động của hệ thống và hỗ trợ đánh giá mức độ ảnh hưởng của sự cố ngắn mạch đến biên độ và thời gian đáp ứng.

Hình4.8 Dạng sóng dòng điện trước và trong ngắn mạch pha a chạm đất

Hình 4.9 Dạng sóng điện áp trước và trong ngắn mạch pha a chạm đất

Trong quá trình xác định các điểm tương quan giữa vị trí ngắn mạch và tần số cộng hưởng, các kết quả thu được được trình bày trong Hình 4.10 và cho thấy các điểm này đều tạo thành một đường cong phi tuyến trên đồ thị.

Đồ thị Hình 4.10 trình bày các điểm tương quan vị trí – tần số trong sự cố pha a chạm đất, làm dữ liệu cho quá trình huấn luyện mạng nơ ron nhằm nhận dạng hàm phi tuyến đi qua các điểm này Qua quá trình huấn luyện, mạng nơ ron đã tìm được một hàm số phù hợp với các điểm trên đồ thị và cho kết quả như minh họa trong Hình 4 với độ chính xác lên tới 1e-7 Kết quả cho thấy mạng nơ ron có khả năng khớp dữ liệu ở mức sai lệch rất nhỏ và nhận diện hàm phi tuyến một cách chính xác cao, mở ra triển vọng ứng dụng trong phân tích và mô phỏng sự cố pha trong hệ thống điện.

Quá trình nhận dạng sự cố ngắn mạch cho thấy kết quả ước lượng vị trí được thể hiện trên Hình 4.12 Sai số giữa vị trí đặt và vị trí đo được là 3.7m, cho thấy phương pháp đề xuất có độ chính xác cao trong ước lượng vị trí sự cố và tăng độ tin cậy của hệ thống bảo vệ lưới điện. -**Support Pollinations.AI:** -🌸 **Ad** 🌸Powered by Pollinations.AI free text APIs [Support our mission](https://pollinations.ai/redirect/kofi) to keep AI accessible for everyone.

62 Hình 4.11 Kết quả huấn luyện mạng nơ ron

63 Hình 4.12 Kết quả tính toán thu được trong ngắn mạch pha a chạm đất tại 1700m

Hình 4.13 Kết quả tạo file mô phỏng trong hai pha b chạm đất tại 2445m

Hình 4.1 Kết quả tính toán thu được trong hai pha b chạm đất tại 2445m 4.4.2 Khi ngắn mạch hai pha bc chạm đất tại 2600m

Hình 4.15 Kết quả tạo file mô phỏng trong hai pha bc chạm đất tại 2600m

Để thực hiện thí nghiệm, bước đầu là tạo sự cố ngắn mạch hai pha bc chạm đất tại 2600m Giao diện chương trình thực hiện công việc này sau khi người dùng điền đầy đủ các thông số và nhấn nút “Tao file mo phong” Kết quả của quá trình thực thi được hiển thị trực tiếp trên giao diện, như được minh họa cụ thể trong Hình 4.15.

Dạng sóng của dòng điện và của điện áp sau quá trình mô phỏng được thể hiện lần lượt tại Hình 4.216 và Hình 4.317 Qua các đồ thị có thể nhận thấy sự tăng của dòng điện và sự giảm của điện áp diễn ra mạnh trong pha gặp sự cố ngắn mạch.

Hình 4.26 Dạng sóng dòng điện trước và trong hai pha bc chạm đất tại 2600m

Hình 4.3 mô tả dạng sóng điện áp trước và trong hai pha bc chạm đất tại độ cao 2600 m, làm cơ sở phân tích đặc tính ngắn mạch và tần số cộng hưởng Trong quá trình xác định các điểm tương quan giữa vị trí ngắn mạch và tần số cộng hưởng, các kết quả thu được được mô tả như trong Hình 4.18 và cho thấy các điểm này có đồ thị là một đường cong phi tuyến.

Hình 4.18 Đồ thị các điểm tương quan vị trí – tần số trong hai pha bc chạm đất

Huấn luyện mạng nơ-ron để nhận dạng hàm phi tuyến đi qua các điểm như trong Hình 4.18 cho kết quả như trong Hình 4.419 Qua kết quả cho thấy mạng nơ-ron đã tìm được hàm số đi qua các điểm đó với độ chính xác lên tới 1e-7.

68 Hình 4.49 Kết quả huấn luyện mạng nơ ron

Quá trình nhận dạng đã xác định vị trí sự cố ngắn mạch và kết quả ước lượng được thể hiện như trong Hình 4.20 Sai số giữa giá trị đặt và giá trị đo được là 2,7 m, cho thấy phương pháp được đề xuất có độ chính xác cao và đáng tin cậy trong ước lượng vị trí sự cố.

Hình 4.20 Kết quả tính toán thu được trong hai pha bc chạm đất tại 2600m

70 Hình 4.21 Kết quả tạo file mô phỏng trong pha ab chạm đất tại 1330m

Hình 4.22 Kết quả tính toán thu được trong ngắn mạch pha ab chạm đất tại 1330m

4.4.3 Khi ngắn mạch ba pha abc chạm đất tại 3900m

Hình 4.23 mô tả kết quả tạo file mô phỏng cho sự cố ngắn mạch ba pha abc chạm đất tại độ cao 3900 m Để thực nghiệm, bước đầu là tạo ra sự cố ngắn mạch ba pha abc chạm đất tại 3900 m; giao diện chương trình sẽ thực hiện công việc này sau khi người dùng điền đầy đủ tham số và nhấn nút "Tạo file mô phỏng" Kết quả sau khi thực thi được hiển thị trên giao diện như hình minh họa trong Hình 4.23.

Dạng sóng dòng điện và điện áp sau quá trình mô phỏng được thể hiện lần lượt như trong Hình 4.24 và Hình 4.25 Qua các đồ thị này, có thể nhận thấy sự tăng dòng và giảm điện áp xuất hiện trong pha gặp sự cố ngắn mạch.

Hình 4.24 trình bày dạng sóng của dòng điện trước và trong ba pha ABC chạm đất tại 3900 m Trong quá trình xác định các điểm tương quan vị trí ngắn mạch và tần số cộng hưởng, các kết quả thu được được mô tả như trong Hình 4.24 và cho thấy các điểm này có đồ thị là một đường cong phi tuyến.

Hình 4.25 Dạng sóng điện áp trước và trong ba pha abc chạm đất tại 3900m

Trong hình 4.26 thể hiện đồ thị các điểm tương quan vị trí – tần số cho ba pha ABC chạm đất tại độ cao 3900 m, phục vụ cho huấn luyện mạng nơ-ron nhằm nhận dạng hàm phi tuyến đi qua các điểm này Kết quả thu được sau huấn luyện, như thể hiện ở hình 4.27, cho thấy mạng nơ-ron đã xác định được một hàm số đi qua các điểm trên với độ chính xác lên tới 1e-7.

74 Hình 4.27 Kết quả huấn luyện mạng nơ ron