Nhận dạng sự cố trong hệ thống điện luận văn thạc sĩ ngành kỹ thuật điện

Trong trí tu nhân t o hoặc máy học, mẫu huấn luy n bao gồm một vec – tơ ngõ vào và một vec – tơ đáp ứng, đ ợc sử dụng cùng với ph ơng pháp học có giám sát để huấn luy n một cơ s dữ li u

M C L C

Trang

Quyết định giao đề tài

Lý lịch khoa học i

L i cam đoan iii

L i c m ơn iv

Tóm tắt v

Abstract vi

Mục lục vii

Danh sách các chữ viết tắt xi

Danh sách các hình xii

Danh sách các b ng xiv

Ch ng 1: T NG QUAN 1.1 Tổng quan chung về vấn đề nghiên cứu 1

1.2 Các kết qu nghiên cứu trong và ngoài n ớc đã công bố 1

1.2.1 Ph ơng pháp m ng nơ – ron nhân t o để b o v kho ng cách cho đ ng dây truyền t i 1

1.2.2 Áp dụng nhận d ng mẫu trong b o v kho ng cách 2

1.2.3 Ph ơng pháp Nơ – ron m (Fuzzy neural) để phân lo i sự cố cho b o v đ ng dây truyền t i 3

1.2.4 Thuật toán m ng nơ – ron c i tiến cho vi c phân lo i sự cố trên đ ng dây truyền t i 3

1.2.5 Xác định vị trí x y ra sự cố trong h thống đi n: ph ơng pháp nhận d ng mẫu 4

1.3 Mục tiêu của đề tài 5

1.4 Nhi m vụ của đề tài và giới h n đề tài 5

1.5 Ph ơng pháp nghiên cứu 6

Ch ng 2: C S LÝ THUY T 2.1 Các d ng rơ le b o v 7

2.1.1 B o v dòng đi n cực đ i (51) 7

2.1.2 B o v dòng đi n cắt nhanh (50) 8

2.1.3 B o v kho ng cách (21) 8

2.1.4 B o v dòng có h ớng (67) 9

2.1.5 B o v dòng thứ tự nghịch (46) 9

2.1.6 B o v quá nhi t (49) 10

2.1.7 B o v tự động đóng tr l i (79) 10

2.1.8 B o v tần số cao và vô tuyến (85) 11

2.1.9 B o v so l ch dòng đi n (87) 11

2.2 Sơ đồ và chức năng h thống rơ le b o v đ ng dây 11

2.2.1 Rơ le b o v cho m ng đi n hình tia một nguồn cung cấp 13

2.2.2 Rơ le b o v cho m ng đi n m ch vòng 13

2.2.3 Rơ le b o v cho m ng đi n phân phối có máy cắt tự đóng l i 14

2.2.4 Rơ le b o v cho đ ng dây song song 15

2.2.5 Rơ le b o v cho đ ng dây trên không hay cáp ngầm với nguồn cấp hai phía 16

2.3 Các khái ni m cơ b n về nhận d ng mẫu 17

2.3.1 Chức năng h thống nhận d ng mẫu 17

2.3.1.1 Ph ơng pháp thống kê (Statistical approach) 18

2.3.1.2 Ph ơng pháp tiếp cận cú pháp (Syntactic approach) 18

2.3.1.3 Ph ơng pháp mẫu phù hợp (Template matching) 19

2.3.1.4 Ph ơng pháp m ng nơ – ron (Neural networks) 20

2.3.2 Mẫu huấn luy n và mẫu kiểm tra 20

2.3.2.1 Mẫu huấn luy n 20

2.3.2.2 Mẫu kiểm tra 22

2.3.3 Thông số đặc tr ng của mẫu 22

Ch ng 3: THU T TOÁN M NG N – RON 3.1 Cấu t o m ng nơ – ron đa lớp (Multilayer Perception) 24

3.2 Học tập không có giám sát 31

3.3 Học tập có giám sát 33

3.4 Thuật toán m ng nơ – ron 34

Ch ng 4: MÔ HÌNH HOÁ H TH NG ĐI N VÀ GI I PHÁP Đ XU T 4.1 Mô hình l ới đi n 42

4.2 Tập dữ li u huấn luy n và mục tiêu 43

4.3 Môi tr ng mô phỏng 44

4.3.1 Phần mềm PowerWorld 44

4.3.2 Phần mềm Matlab 46

4.4 Gi i pháp phần cứng đề xuất 48

Ch ng 5: NH N D NG S C Đ NG DÂY 5.1 Kết qu huấn luy n 50

5.2 Nhận xét kết qu 51

5.3 Kiểm tra nhận d ng sự cố trên đ ng dây 55

Ch ng 6: K T LU N VÀ H NG NGHIÊN C U PHÁT TRI N

6.1 Kết luận 69 6.2 H ớng phát triển của đề tài 69 TÀI LI U THAM KH O 70

DANH SÁCH CÁC CH VI T T T

AC Thành phần xoay chiều (Alternating Current)

ADC Bộ chuyển đổi tín hi u t ơng tự sang tín hi u số (Analog to Digital

Converter)

ANN M ng nơ – ron nhân t o (Artificial Neural Network )

CT Biến dòng đi n (Current Tranformer)

DC Thành phần một chiều (Direct Current)

Epoch Số lần đ a mẫu vào huấn luy n

Gradient Độ dốc

IEEE Vi n kỹ ngh Đi n và Đi n tử (Institute of Electrical and Electronics

Engineers)

kA Đơn vị đo dòng đi n (kiloAmpere)

kV Đơn vị đo đi n áp (kiloVolt)

MLP M ng nơ – ron đa lớp (Multilayer Perceptron)

MSE Sai số bình ph ơng trung bình (Mean Square Error)

Nơ – ron Neural

Rơ le Relay

Vec – tơ Vector

VT Biến đi n áp (Voltage Transformer)

DANH SÁCH CÁC HÌNH

Trang

Hình 2.1 Đặc tính th i gian phụ thuộc và đặc tính th i gian độc lập 10

Hình 2.2 Sơ đồ b o v m ng đi n hình tia của rơ le Siemens – 7SJ60 13

Hình 2.3 Sơ đồ b o v m ng đi n m ch vòng của rơ le Siemens – 7SJ60 14

Hình 2.4 Sơ đồ b o v m ng đi n phân phối có máy cắt tự đóng l i của rơ le Siemens – 7SJ60 15

Hình 2.5 Sơ đồ b o v đ ng dây song song của rơ le Siemens – 7SJ60 và 7SJ62 16

Hình 2.6 Sơ đồ b o v đ ng dây trên không và cáp ngầm của rơ le Siemens – 7SA511 16

Hình 2.7 Ví dụ các dấu hi u mô t theo phân tích cú pháp 19

Hình 2.8 Minh ho cho ph ơng pháp nhận d ng mẫu phù hợp 19

Hình 2.9 Ví dụ cho m ng nơ – ron 20

Hình 2.10 T o mẫu huấn luy n 21

Hình 3.1 Minh ho cho một nơ – ron 24

Hình 3.2 Mô hình của một nơ – ron 25

Hình 3.3 Hàm ng ỡng 26

Hình 3.4 Hàm tuyến tính 26

Hình 3.5 Hàm Logistic (sigmoid) 27

Hình 3.6 Cấu trúc m ng MLP bắt ch ớc cấu trúc của một h thống thần kinh đơn gi n 28

Hình 3.7 Cấu trúc m ng nơ – ron nhiều lớp MLP 29

Hình 3.8 Giai đo n kh i t o của học tâp không có giám sát 32

Hình 3.9 Giai đo n ổn định của học tập không có giám sát 32

Hình 3.10 Học tập có giám sát 34

Hình 3.11 L u đồ thuật toán huấn luy n m ng đa lớp với ph ơng pháp TRAINSCG 37

Hình 3.12 Biểu đồ kết qu huấn luy n m ng nơ – ron 38

Hình 3.13 Biểu đồ mối quan h giữa ngõ ra và mục tiêu của m ng nơ – ron 39

Hình 3.14 Kết qu huấn luy n m ng nơ – ron 40

Hình 4.1 Mô hình l ới đi n kh o sát 43

Hình 4.2 Cửa sổ Fault Analysis 45

Hình 4.3 Gi i pháp đề xuất cho rơ le b o v dựa trên m ng nơ – ron 48

Hình 5.1 Cấu trúc m ng nơ – ron đ ợc lựa chọn 52

Hình 5.2 Kết qu huấn luy n m ng nơ – ron với 13 nơ – ron trong lớp ẩn 53

Hình 5.3 Biểu đồ sai số bình ph ơng trung bình 54

Hình 5.4 Mối quan h tuyến tính giữa ngõ ra và mục tiêu huấn luy n 55

DANH SÁCH CÁC B NG

Trang

B ng 4.1: Cấu trúc tập dữ li u input 44

B ng 4.2: Cấu trúc tập dữ li u target 44

B ng 5.1: Các kết qu huấn luy n m ng nơ – ron 50

B ng 5.2: Các tr ng hợp sự cố dùng để kiểm tra thuật toán nhận d ng 56

B ng 5.3: Kết qu nhận d ng các tr ng hợp sự cố B ng 5.2 59

Ch ơng 1

T NG QUAN 1.1 T ng quan chung v v n đ nghiên c u

Vi c phát hi n và phân lo i các d ng sự cố trên đ ng dây truyền t i dựa vào tín hi u đi n áp và dòng đi n ba pha đã đ ợc biết đến từ lâu Tr ớc đây, ng i ta

th ng sử dụng các lo i rơ le truyền thống để gi i quyết các vấn đề này, chẳng h n

nh rơ le b o v quá dòng, b o v kho ng cách, b o v quá áp – thấp áp, b o v so

l ch… Tất c các lo i rơ le này ho t động dựa trên nguyên tắc so sánh các thông số

đo đ ợc từ biến dòng và biến áp với các thông số cài đặt tr ớc đ ợc xác định bằng

vi c tính toán chế độ làm vi c bình th ng và khi x y ra sự cố Mỗi rơ le có một

chức năng riêng bi t, nhiều rơ le kết hợp với nhau sẽ t o thành một h thống rơ le

b o v đủ tin cậy để b o v cho h thống đi n u điểm của h thống rơ le b o v truyền thống đó là cấu t o đơn gi n, d lắp đặt Tuy nhiên, trong quá trình vận hành

sẽ gặp khó khăn khi phối hợp giữa các rơ le với nhau để đ t hi u qu b o v tối u Bên c nh đó, một h thống có quá nhiều rơ le sẽ làm gi m độ tin cậy b o v khi một trong các rơ le bị sự cố Vì vậy, cần xây dựng một h thống b o v có cấu t o đơn

gi n hơn nh ng vẫn đ m b o tính chọn lọc và độ tin cậy vận hành cao

1.2 Các k t qu nghiên c u trong vƠ ngoƠi n c đã công b

1.2.1 Ph ng pháp m ng n – ron nhân t o đ b o v kho ng cách cho đ ng dây truy n t i [1]

Rơ le kho ng cách để b o v cho đ ng dây truyền tr i th ng đ ợc thiết kế

dựa trên cơ s của những thiết lập cố định Ph m vi b o v của các rơ le nh vậy sẽ

bị nh h ng b i sự thay đổi các điều ki n của m ng đi n Vi c thực hi n nhận

d ng mẫu cho chẩn đoán h thống đi n có thể cung cấp một c i tiến đáng kể trong

lĩnh vực b o v Nghiên cứu này chứng minh cho vi c sử dụng m ng nơ – ron nhân

t o nh một ph ơng pháp phân lo i mẫu cho ho t động của rơ le kho ng cách

Ch ơng trình sử dụng biên độ của đi n áp và dòng đi n ba pha nh là các ngõ vào

Hi u qu đ ợc c i thi n với vi c sử dụng m ng nơ – ron nhân t o làm cho rơ le ho t động chính xác hơn, khi ph i đối mặt với các điều ki n sự cố khác nhau cũng nh

sự thay đổi cấu trúc m ng đi n

Vi c sử dụng m ng nơ – ron nhân t o nh một ph ơng pháp phân lo i mẫu để

mô phỏng rơ le kho ng cách đ a ra một kết qu rất đáng khích l Rơ le ANN có thể cung cấp một ho t động nhanh và chính xác, giữ đ ợc ph m vi chính xác khi đối mặt với các điều ki n sự cố khác nhau trong h thống đi n (ngay c khi có sự

hi n di n của thành phần DC làm dịch chuyển d ng sóng dòng đi n), cũng nh sự thay đổi của m ng đi n Đây là một điểm c i tiến đáng kể so với các lo i rơ le thông

th ng Do đó vi c sử dụng ANN có thể làm cho nó m rộng ph m vi b o v của vùng thứ nhất, tăng c ng b o v h thống

Quá trình này có liên quan đến vi c huấn luy n và kiểm tra các cấu hình m ng khác nhau cho đến khi đ t đ ợc kết qu mong muốn Công cụ này sẽ m ra một chiều h ớng mới trong nghiên cứu rơ le, cho phép gi i quyết một số vấn đề nghiêm

trọng liên quan đến b o v kho ng cách trên đ ng dây truyền t i

1.2.2 Áp d ng nh n d ng m u trong b o v kho ng cách [2]

Nghiên cứu này cho thấy vi c sử dụng các m ng nơ – ron nhân t o (ANNs)

nh một sự phân lo i mẫu cho ho t động của rơ le b o v kho ng cách M ng nơ – ron đ ợc thực hi n nên nắm bắt kiến thức cho ho t động của rơ le khi ph i đối mặt

với nhiều điều ki n khác nhau của m ng đi n Ph ơng pháp này sử dụng biên độ

của dòng đi n và đi n áp ba pha (bao gồm thành phần thứ tự không) nh là ngõ vào

Phần mềm Alternative Transient Program (ATP) đ ợc sử dụng để t o ra dữ li u cho các đ ng dây truyền t i trong điều ki n sự cố cho c quá trình huấn luy n và kiểm tra Một c i tiến liên quan đến vi c sử dụng ANNs cho các mục đích b o v đ ợc tìm thấy

Vi c sử dụng một m ng nơ – ron nhân t o nh một công cụ phân lo i mẫu cho

mô phỏng rơ le kho ng cách đ ợc nghiên cứu Phần m rộng vùng I của b o v kho ng cách lên đến 96% chiều dài đ ng dây đã đ ợc thực hi n, tăng c ng an

ninh cho h thống, và c i thi n hi u suất của các rơ le thông th ng đ ợc xét đến 97,3% của 1050 tr ng hợp thử nghi m có kết qu đáp ứng nh mong đợi cho rơ le kho ng cách ANN Tổng số sai số thu đ ợc mức 2,7%

Cũng cần l u ý rằng, nghiên cứu này chỉ đ a vào huấn luy n các sự cố ch m đất Để m rộng ph ơng pháp đề xuất với các tình huống thực tế, phân lo i các

d ng sự cố t ơng tự đ ợc trình bày trong nghiên cứu Neural Network Approach to

Fault classification for High Speed Protective Relay trong t p chí IEEE

Transmission on Power Delivery, vol 10, 1995, nên đ ợc sử dụng và các quá trình

huấn luy n áp dụng cho các d ng sự cố khác nhau

1.2.3 Ph ng pháp N – ron m (Fuzzy neural) đ phân lo i s c cho b o v

đ ng dây truy n t i [3]

Nghiên cứu này giới thi u một ph ơng pháp mới để phát hi n và phân lo i sự

cố th i gian thực trong h thống truyền t i bằng vi c sử dụng kỹ thuật nơ – ron m

Vi c tích hợp kỹ thuật m ng nơ – ron nâng cao kh năng học tập của h thống logic

m Các thành phần đối xứng trong sự kết hợp với dòng đi n ba pha đ ợc dùng để phát hi n lo i sự cố, chẳng h n nh sự cố một pha ch m đất, hai pha ch m nhau, hai pha ch m đất và ba pha ch m đất, và sau đó xác định đ ng dây bị lỗi Các kết qu

mô phỏng trên máy tính đ ợc trình bày trong nghiên cứu này và chúng cho thấy

ph ơng pháp này có thể đ ợc sử dụng nh một công cụ hi u qu cho các rơ le kỹ thuật số tốc độ cao

1.2.4 Thu t toán m ng n – ron c i ti n cho vi c phân lo i s c trên đ ng dây truy n t i [8]

Nghiên cứu này giới thi u một khái ni m mới của trí thông minh nhân t o dựa trên thuật toán để phân lo i các sự cố trong m ng đi n Vi c phân lo i này xác định chính xác lo i sự cố và vùng bị sự cố Thuật toán đ ợc dựa trên một d ng đặc bi t

của m ng nơ – ron đ ợc phát triển để đối phó với một tập hợp lớn các dữ li u ngõ vào Một c i tiến của thuật toán đ ợc đề xuất bằng cách thực hi n các b ớc khác nhau của tiền xử lí tín hi u ngõ vào, thông qua vi c lựa chọn các thông số cho bộ

lọc t ơng tự, các giá trị cho cửa sổ dữ li u và tần số lấy mẫu Ngoài ra, một kỹ thuật

c i tiến cho vi c phân lo i các mẫu kiểm tra đ ợc th o luận và những u điểm chính

so với vi c sử dụng phân lo i lân cận gần nhất tr ớc đây cũng đ ợc trình bày

Nghiên cứu này đ a ra các h ớng dẫn có thể để c i thi n thuật toán m ng nơ – ron đang có cho vi c phân lo i các sự cố trên đ ng dây truyền t i Thuật toán này

đã đ ợc sử dụng tr ớc đó trong nỗ lực nhằm thay thế các rơ le kho ng cách bằng các lo i rơ le mới mà không sử dụng các cài đặt truyền thống Thuật toán là một

d ng đặc bi t của gi i thuật phân cụm Nó dịch chuyển các mẫu ngõ vào vào trong

mẫu ban đầu Cấu trúc của các cụm đ i di n cho vi c phân lo i khác nhau của tập

dữ li u ngõ vào Thuật toán rất linh ho t và d dàng cho phép thay đổi và nâng cấp Điều ki n của các tín hi u ngõ vào cũng nh vi c lựa chọn các giá trị cho bộ

lọc t ơng tự, cửa sổ dữ li u để lấy mẫu, và tần số lấy mẫu đóng vai trò quan trọng trong thuật toán trong suốt quá trình huấn luy n và kiểm tra Các khía c nh khác nhau của yếu tố này đ ợc minh ho thông qua một số ví dụ Hơn nữa, vi c phân

lo i các mẫu kiểm tra đ ợc phân tích thông qua vi c so sánh của một ph ơng pháp phân lo i lân cận gần nhất K đ ợc sử dụng cho đến nay, và cách tiếp cận m của

nó

Ph ơng pháp đề xuất và những c i tiến của thuật toán m ng nơ – ron có thể phân lo i tốt hơn lo i sự cố và vùng bị sự cố Kết hợp giữa vi c sử dụng m ng nơ – ron và kỹ thuật m trong cùng một thuật toán dẫn đến suy luận phức t p để c i thi n

kh năng phân lo i sự ki n cho vi c nhận d ng một lo t các sự ki n có thể x y ra trong m ng đi n

1.2.5 Xác định vị trí x y ra s c trong h th ng đi n: ph ng pháp nh n d ng

m u [9]

H thống đi n là một trong những h thống nhân t o phức t p nhất trên thế

giới hi n nay, mà sự ho t động an toàn, ổn định, kinh tế và đáng tin cậy của nó đóng vai trò rất quan trọng trong phát triển kinh tế xã hội, thậm chí là trong ổn định xã hội Các sự cố x y ra trong h thống đi n là hoàn toàn không thể tránh khỏi Trong

nghiên cứu này, một ph ơng pháp đ ợc hình thành nhằm gi i quyết các vấn đề về

vị trí x y ra sự cố trong h thống đi n, dựa trên phép đo th i gian thực của các đơn

vị đo l ng vecto Kỹ thuật phân lo i mẫu đ ợc sử dụng chủ yếu và nguyên tắc phân bi t tuyến tính của lý thuyết nhận d ng mẫu để tìm kiếm các luật của đ i

l ợng đi n đ ợc đánh dấu thay đổi Các kết qu mô phỏng cho thấy những nghiên cứu t ơng ứng trên đi n áp pha, đi n áp thứ tự thuận, đi n áp thứ tự nghịch, dòng

đi n pha, dòng đi n thứ tự thuận, dòng đi n thứ tự nghịch của các sự cố ch m đất

một pha, và đi n áp thứ tự thuận, đi n áp thứ tự nghịch, dòng đi n thứ tự thuận của các sự cố ngắn m ch ba pha, kỹ thuật phân lo i mẫu và nguyên tắc phân bi t tuyến tính có thể xác định một cách nhanh chóng và chính xác các thành phần bị sự cố, và

cuối cùng là cô lập sự cố Trong nghiên cứu h thống đi n, lý thuyết nhận d ng mẫu

có triển vọng tốt trong các ứng dụng

1.3 M c tiêu c a đ tài

- Nghiên cứu các gi i pháp b o v đ ng dây bằng h thống b o v rơ le

- Nghiên cứu ph ơng pháp nhận d ng sự cố bằng các thuật toán nhận d ng

- Đề xuất ph ơng pháp nhận d ng sự cố đ ng dây và đánh giá kết qu

1.4 Nhi m v c a đ tài và gi i h n đ tài

Từ mục tiêu nghiên cứu nh trên, nhi m vụ của đề tài bao gồm các công vi c sau:

a Tìm hiểu các bài báo về nhận d ng sự cố trong h thống đi n từ tr ớc đến nay trong n ớc và ngoài n ớc

b Đánh giá các ph ơng pháp

c Đề xuất một ph ơng pháp nhận d ng sự cố trên h thống đi n

d Kiểm chứng trên l ới đi n mẫu để đánh giá độ tin cậy của ph ơng pháp thông qua các phần mềm mô phỏng

e Đánh giá l i ph ơng pháp thực hi n và kh năng áp dụng ph ơng pháp trong thực tế Đề xuất h ớng nghiên cứu phát triển đề tài

Luận văn nghiên cứu xoay quanh l ới đi n truyền t i theo chuẩn IEEE các

chế độ sự cố ngắn m ch

1.5 Ph ng pháp nghiên c u

Các ph ơng pháp nghiên cứu đ ợc sử dụng trong quá trình thực hi n luận văn nh sau:

- Ph ơng pháp phân tích, tổng hợp tài li u có liên quan đến đề tài về nhận

d ng mẫu, cơ s lý thuyết liên quan đến đề tài nghiên cứu, các kết qu nghiên

cứu đ ợc công bố trong và ngoài n ớc

- Nghiên cứu, xây dựng ph ơng pháp nhận d ng sự cố dựa trên các ph ơng pháp cổ điển, hi n đ i và thông minh

- Mô hình hoá mô phỏng bằng cách sử dụng phần mềm PowerWorld Simulator 17 để t o các tập dữ li u và phần mềm Matlab 7.11.0.584 (2010b)

để huấn luy n m ng nơ – ron

Ch ơng 2

C S LÝ THUY T

Gi i thi u

Ch ơng này trình bày cơ s lý thuyết liên quan đến các mục tiêu nghiên cứu

đ ợc đề xuất, đ ợc chia thành ba phần: Phần đầu tiên trình bày về các d ng rơ le

b o v th ng gặp trong h thống đi n Phần thứ hai sẽ giới thi u một số sơ đồ và

chức năng h thống b o v đ ng dây trên thực tế Phần thứ ba trình bày các khái

thẳng)

B o v dòng đi n cực đ i có thể làm vi c theo đặc tính th i gian phụ thuộc: khi dòng đi n ngắn m ch nhỏ hơn 10 lần dòng định mức, th i gian tác động tỉ l nghịch với dòng đi n ch y qua b o v , dòng ngắn m ch càng lớn thì th i gian tác động càng bé

u điểm của d ng b o v này là cách tính toán và cài đặt của b o v khá đơn

gi n và d áp dụng Khi sử dụng, cần ph i phối hợp với nhau để điều chỉnh th i gian đặt cho mỗi rơ le sao cho th i gian cắt ngắn m ch là nhanh nhất nh ng vẫn

đ m b o tính cắt chọn lọc

Phối hợp các b o v theo th i gian: là ph ơng pháp phổ biến nhất, nguyên tắc

của phối hợp này là chọn th i gian của b o v sau lớn hơn một kho ng th i gian Δt

so với b o v liền kề tr ớc nó, tính từ t i về nguồn Thông th ng ng i ta chọn Δt

= 0,5 giây đối với rơ le cơ 0,4 giây đối với rơ le tĩnh (0,2 ÷ 0,3) giây đối với rơ le

số (tuỳ theo lo i máy cắt đ ợc sử dụng)

Phối hợp các b o v theo dòng đi n: dựa vào tính chất dòng ngắn m ch càng

gần nguồn thì càng lớn Ngắn m ch càng gần nguồn thì th i gian cắt ngắn m ch càng nhỏ Nh ợc điểm của ph ơng pháp này là tồn t i vùng chết khi x y ra ngắn

m ch t i các thanh góp

B o v dòng đi n cực đ i sử dụng tín hi u dòng đi n từ phía thứ cấp của các

CT để điều khiển

2.1.2 B o v dòng đi n c t nhanh (50)

Nguyên tắc làm vi c của b o v dòng đi n cắt nhanh là chọn dòng kh i động

lớn hơn dòng ngắn m ch lớn nhất qua chỗ đặt b o v khi h hỏng ngoài phần tử

đ ợc b o v

B o v dòng đi n cắt nhanh th ng làm vi c tức th i hoặc với th i gian rất bé

Thực tế đối với rơ le cơ thì th i gian trì hoãn đ ợc chỉnh kho ng 0,05 ÷ 0,08 giây,

rơ le số kho ng 0,03 ÷ 0,05 giây

Giá trị đặt của b o v quá dòng cắt nhanh ph i đ ợc chọn sao cho lớn hơn dòng ngắn m ch cực đ i đi qua chỗ đặt rơ le khi có ngắn m ch ngoài vùng b o v

Do vùng tác động của b o v cắt nhanh không bao trùm hoàn toàn đ ng dây nên

chỉ làm b o v phụ hoặc phối hợp với các b o v khác

B o v quá dòng cắt nhanh sử dụng tín hi u dòng đi n để điều khiển với đặc tính th i gian độc lập

2.1.3 B o v kho ng cách (21)

B o v kho ng cách là b o v dựa vào giá trị dòng đi n và đi n áp đo đ ợc từ

đó tính toán giá trị tổng tr rồi so sánh với giá trị đặt của vùng cùng với h ớng công

suất trên đ ng dây để tổng hợp đ a ra quyết định thao tác

B o v dòng đi n có h ớng thực chất là một b o v quá dòng thông th ng

nh ng có gắn thêm bộ phận định h ớng công suất để phát hi n chiều công suất qua đối t ợng đ ợc b o v B o v sẽ tác động khi dòng đi n qua b o v lớn hơn dòng

đi n kh i động của rơ le và h ớng công suất ngắn m ch đi từ thanh góp vào đ ng dây B o v dòng đi n có h ớng vừa đ m b o chức năng cắt nhanh, vừa đóng vai trò nh một b o v dự trữ

B o v quá dòng có h ớng cho m ng hình tia có hai nguồn cung cấp: B o v

cấp I: Th i gian tác động có thể chọn là 0 giây, nh ng thực tế ng i ta chọn có th i gian tr kho ng 0,01 ÷ 0,05 giây B o v cấp II đ ợc chọn th i gian tr kho ng 0,3

÷ 0,5 giây B o v cấp III đ ợc chọn th i gian tr kho ng 0,2 ÷ 0,3 giây so với b o

v liền kề B o v quá dòng có h ớng cũng có thể áp dụng cho m ng vòng một nguồn cung cấp

B o v quá dòng có h ớng sử dụng tín hi u dòng và áp để xác định h ớng công suất thông qua một bộ so sánh pha Là b o v phụ cho rơ le kho ng cách

2.1.5 B o v dòng th t ngh ịch (46)

Khi x y ra sự cố mất cân bằng t i hoặc ngắn m ch không đối xứng, lúc này sẽ

xuất hi n dòng thứ tự nghịch Rơ le phát hi n dòng thứ tự nghịch v ợt quá giá trị đặt thì sẽ tác động đến máy cắt Dòng thứ tự nghịch I2 càng lớn thì th i gian cho phép tồn t i càng bé, vì vậy b o v chống dòng đi n thứ tự nghịch có th i gian tác động t phụ thuộc tỉ l nghịch với dòng I2

B o v có thể có đặc tính th i gian phụ thuộc tỉ l nghịch nh Hình 2.1a hoặc đặc tính th i gian độc lập hai cấp nh Hình 2.1b, với cấp một c nh báo và cấp hai

cắt máy cắt

2.1.6 B o v quá nhi t (49)

B o v sẽ tác động khi nhi t độ của phần ứng động cơ AC, cuộn dây mang t i,

biến tần, bộ chỉnh l u đi n, hay máy biến áp (bao gồm biến áp chỉnh l u) v ợt quá giá trị đặt của nó

2.1.7 B o v t đ ng đóng tr l i (79)

Sự cố thoáng qua là sự cố mà có thể đ ợc lo i trừ bằng tác động cắt tức th i máy cắt để cô lập sự cố và sự cố sẽ không xuất hi n tr l i khi đ ng đây đ ợc đóng tr l i sau đó Các đ ng dây trên không vận hành với đi n áp cao đều có kh năng x y ra các sự cố thoáng qua (chiếm tới 80 – 90%), trong đó đ ng dây có đi n

áp càng cao thì phần trăm x y ra sự cố thoáng qua càng lớn

Để gi m th i gian ngừng cung cấp đi n cho các hộ tiêu thụ, thao tác đóng tr

l i đ ng dây cần đ ợc thực hi n một cách tự động nh các thiết bị tự động đóng

tr l i Áp dụng này có hi u qu nhất những đ ng dây có nguồn cung cấp từ một phía m ng vòng, cắt một đ ng dây sẽ không làm ngừng cung cấp đi n, tuy nhiên áp dụng này sẽ làm tăng nhanh vi c lo i trừ chế độ không bình th ng và khôi phục sơ đồ m ng đ m b o vận hành kinh tế và tin cậy

Hình 2.1. Đặc tính thời gian phụ thuộc và đặc tính thời gian độc lập

2.1.8 B o v t ần s cao và vô tuy n (85)

Các b o v dọc dựa trên nguyên tắc so sánh các đ i l ợng đi n hai đầu

đ ng dây, mà b o v so l ch dùng dây dẫn phụ là một ví dụ Vi c liên l c giữa hai đầu đ ng dây có thể thực hi n bằng dây dẫn phụ, kênh tần số cao, kênh vô tuyến… Các b o v dọc dùng dây dẫn phụ khi xét về mặt kinh tế – kỹ thuật thuật thì chỉ phù hợp với các đ ng dây ngắn m ng 110kV tr lên, ng i ta b o v tần số cao, đó

là lo i b o v mà vi c liên l c giữa hai đầu đ ng dây đ ợc thực hi n bằng tín hi u

tần số cao (kho ng 50 – 300kHz) đ ợc truyền trên dây dẫn của chính đ ng dây đó

Về nguyên tắc b o v có thể tác động chọn lọc trong m ng có hình dáng bất kì

với một số nguồn cung cấp bất kỳ, tác động nhanh, đủ độ nh y cần thiết và khá tin

cậy Nh ng nh ợc điểm của lo i b o v này đó là giá thành cao và phức t p

2.1.9 B o v so l ch dòng đi n (87)

B o v so l ch dòng đi n là b o v dựa trên nguyên tắc so sánh trực tiếp dòng

đi n hai đầu phần tử đ ợc b o v B o v so l ch dòng đi n sử dụng tín hi u từ các biến dòng CT đ ợc đặt hai đầu phần tử đ ợc b o v , hai biến dòng này ph i

có cùng tỉ số biến nh nhau B o v này có tính chọn lọc tuy t đối nên không cần

ph i phối hợp với các b o v phần tử liền kề khác mà có thể đ ợc thực hi n để tác động không th i gian Nh ợc điểm chủ yếu của b o v này là có sử dụng dây dẫn

phụ Khi đứt dây dẫn phụ có thể làm ngừng ho t động của b o v hoặc b o v tác động không đúng Đ ợc dùng khá rộng rãi để b o v cho máy phát, máy biến áp, thanh góp…

2.2 S đ và ch c năng h th ng r le b o v đ ng dây

Đ ng dây có thể đ ợc b o v bằng nguyên tắc dòng đi n, kho ng cách hay

so l ch B o v bằng nguyên tắc sử dụng dòng đi n thông qua các biến dòng đi n (CT) có u điểm là đơn gi n, kinh tế và d dàng thay thế cũng nh hi u chỉnh khi

h thống đi n thay đổi B o v này th ng đ ợc dùng để b o v chống ngắn m ch nhiều pha, một pha ch m đất cho m ng phân phối, h thống công nghi p và một vài

đ ng dây truyền t i công suất nhỏ mà đó chi phí để sử dụng b o v kho ng cách

là quá đắt

Trong đ ng dây có b o v dòng đi n là b o v chính chống ch m nhiều pha, thì b o v dòng đi n thứ tự không th ng đ ợc dùng làm b o v chính, nh ng nó sẽ

tr thành b o v dự trữ cho đ ng dây có b o v so l ch là b o v chính B o v dòng đi n thích hợp cho b o v h thống phân phối b i nhiều lý do: Ngoài yếu tố đơn gi n và rẻ tiền, b o v dòng đi n còn có thể thực hi n b o v nhiều cấp trong nhiều m ch phân phối Trong m ng phân phối tiêu dùng, thuận lợi nhất là sử dụng

rơ le dòng đi n có đặc tính phụ thuộc vì giá trị dòng ch m phụ thuộc vào vị trí

ch m Đặc tính cực dốc của rơ le dòng đi n có thể phối hợp với đặc tính cầu chì và

tự đóng l i để đ t đ ợc độ nh y tốt nhất

B o v kho ng cách bao gồm một h thống dò tìm sự cố, một h thống đo kho ng cách và một h thống xác định h ớng công suất (dòng di n) sự cố B o v kho ng cách đ ợc dùng khi b o v dòng đi n không đ m b o tính chọn lọc và tác động nhanh B o v kho ng cách th ng đ ợc dùng làm b o v chính chống ngắn

m ch nhiều pha và b o v dự trữ cho đ ng dây truyền t i B o v kho ng cách có

u điểm hơn b o v dòng đi n do không bị nh h ng nhi u do sự thay đổi dòng

ngắn m ch, thay đổi nguồn phát hay cấu trúc h thống Nguyên lý cơ b n của b o

v kho ng cách là dựa vào giá trị dòng đi n và đi n áp đo đ ợc, từ đó tính toán giá

trị tổng tr rồi so sánh với giá trị đặt vùng cùng với h ớng công suất trên đ ng dây

để tổng hợp đ a ra quyết định thao tác

B o v so l ch đ ng dây là lo i có nguyên lý làm vi c b o v tốt nhất, nó

đ ợc sử dụng khi có yêu cầu cắt nhanh đối với mọi d ng ngắn m ch bất kì vị trí

sự cố nào Trong đ ng dây có rẽ nhánh không cần thiết ph i cắt nhanh, đóng nhanh và không thể dùng b o v kho ng cách vì cấu trúc m ch không cho phép có

thể sử dụng b o v so l ch Ngoài ra, đ ng dây khá ngắn không thể dùng rơ le kho ng cách do sai số đo ohm khá lớn, có thể sử dụng b o v so l ch Do đó, có thể

sử dụng b o v so l ch cho đ ng dây truyền t i siêu cao, cao và phân phối

2.2.1 R le b o v cho m ng đi n hình tia m t ngu n cung c p

M ng đi n hình tia có một nguồn cung cấp là m ng đơn gi n và chi phí rẻ

nhất, vì vậy nó là m ch thông dụng nhất Các d ng rơ le đ ợc dùng để b o v cho

m ng đi n hình tia là rơ le quá dòng cực đ i (51), rơ le quá dòng chống ch m đất

th i gian tr (51N), rơ le tự động đóng tr l i (79) chỉ có đ ng dây trên không,

rơ le b o v dòng thứ tự nghịch (46) có chức năng b o v dự trữ chống l i các sự cố không đối xứng

Rơ le t i điểm xa nhất D có th i gian tác động ngắn nhất Các rơ le càng gần

về phía nguồn thì có th i gian tác động chậm hơn so với rơ le liền kề sau nó một kho ng th i gian là 0,2 ÷ 0,3 giây đối với rơ le số; 0,4 giây đối với rơ le tĩnh và 0,5 giây đối với rơ le cơ

dòng thứ tự nghịch (46) có chức năng b o v dự trữ chống l i các sự cố không đối

xứng, và rơ le b o v quá nhi t cho cáp

Th i gian tác động của các rơ le b o v quá dòng đ ợc phối hợp với các cầu chì bên d ới để b o v cho máy biến áp t i (sử dụng đặc tính th i gian rất dốc tốt hơn trong kho ng 0,2 giây trì hoãn chọn lọc)

2.2.3 R le b o v cho m ng đi n phân ph i có máy c t t đóng l i

Các đặc tính tác động của rơ le b o v đ ng dây, th i gian trì hoãn và chu kì

tự động đóng l i ph i đ ợc phối hợp cẩn thận với các máy cắt tự đóng l i bên d ới, các máy cắt phân đo n và cầu chì

Vùng cắt tức th i 50/50N th ng đ ợc thiết lập để nằm ngoài tầm của máy cắt phân đo n đ ng dây Nó có thể đ m b o xoá nhanh các sự cố lân cận và ngăn c n

sự tác động của các cầu chì nằm trong khu vực này Rơ le tự động đóng l i sẽ đ ợc

kh i động trong tr ng hợp này Th i gian trì hoãn cho các b ớc ngắt và tự đóng

l i (th ng là 2 hoặc 3) ph i đ ợc phân h ng tuỳ vào máy cắt tự đóng l i

Hình 2.3. Sơ đồ bảo vệ mạng điện mạch vòng của rơ le Siemens – 7SJ60

Rơ le b o v quá dòng tự động chuyển sang các đặc tính có độ nh y thấp hơn sau những lần máy cắt bị gián đo n lâu để cho phép sự u tiên của các t i phía sau

c m biến và dòng kh i động của máy biến áp

2.2.4 R le b o v cho đ ng dây song song

M ch này đ ợc sử dụng nhiều cho nguồn cung cấp đ ợc phép gián đo n dành cho các khách hàng quan trọng mà không cần ph i có nguồn cung cấp ng ợc l i đáng kể Các rơ le b o v có h ớng 67/67N sẽ cắt tức th i các sự cố xuất hi n trên

đ ng dây mà nó b o v Điều này sẽ tiết ki m đ ợc một kho ng th i gian phân

h ng của rơ le b o v quá dòng t i ngõ vào cung cấp

Hình 2.4. Sơ đồ bảo vệ mạng điện phân phối có máy cắt tự đóng lại của rơ le

Siemens – 7SJ60

2.2.5 R le b o v cho đ ng dây trên không hay cáp ngầm v i ngu n c p hai phía

Rơ le b o v tần số cao 85 cho sơ đồ cắt liên động và khoá liên động Tín hi u

sẽ đ ợc truyền thông qua dây pilot, sóng mang trên đ ng dây truyền t i, sóng vi ba hay cáp quang (sẽ đ ợc cấp riêng) Các thành phần phụ b o v tần số cao chỉ cần

Hình 2.6. Sơ đồ bảo vệ đường dây trên không và cáp ngầm của rơ le Siemens – 7SA511

Hình 2.5. Sơ đồ bảo vệ đường dây song song của rơ le Siemens – 7SJ60 và7SJ62

thiết nếu vi c xoá nhanh 100% sự cố trên chiều dài đ ng dây đ ợc yêu cầu, tức là vùng cắt thứ hai (kho ng 0,3 giây) không thể đ ợc chấp nhận cho những sự cố xa

Rơ le b o v dòng định h ớng chống ch m đất với th i gian trì hoãn đặc tính th i gian ng ợc chống l i các sự cố có tr kháng cao

2.3 Các khái ni m c b n v nh n d ng m u

2.3.1 Ch c năng h th ng nh n d ng m u

Nhận d ng mẫu là một môn khoa học mà mục tiêu của nó là phân lo i các đối

t ợng vào trong cùng một chủng lo i hoặc một nhóm Tuỳ thuộc vào mỗi ứng dụng

mà các đối t ợng này có thể là hình nh hoặc các d ng sóng tín hi u hoặc bất kỳ

lo i phép đo nào cần ph i đ ợc phân lo i [6]

H thống nhận d ng mẫu là một h thống tự động với mục đích là phân lo i các mẫu dữ li u ngõ vào đến các nhóm xác định Nó thực hi n hai nhi m vụ kế tiếp nhau: phân tích (hoặc mô t ) để đ a ra các đặc tính từ các mẫu đ ợc nghiên cứu và phân lo i (hoặc nhận d ng) để cho phép chúng ta nhận ra một đối t ợng (hay một

mẫu) bằng các sử dụng một số đặc đính đ ợc suy ra từ nhi m vụ đầu tiên

Gi n đồ phân lo i th ng đ ợc dựa trên tập huấn luy n có sẵn, đó là tập hợp các mẫu đã đ ợc phân lo i Chiến l ợc học tập này đ ợc gọi là học có giám sát, nó đối lập với học không có giám sát Một chiến l ợc học tập đ ợc gọi là không có giám sát nếu h thống đó không đ ợc cung cấp thông tin về nhóm tr ớc đó, nó thiết

lập các nhóm riêng dựa trên những quy luật của các dấu hi u Các dấu hi u này là

những phép đo đ ợc lấy từ một mẫu mà nó đ i di n trong không gian các dấu hi u Nói cách khác, phân tích mẫu cho phép chúng ta sử dụng một vài dấu hi u để mô t

và trình bày nó thay vì sử dụng chính mẫu đó

Nhận d ng mẫu t o thành một công cụ quan trọng trong các lĩnh vực ứng dụng khác nhau, nh ng nó th ng không ph i là một nhi m vụ d dàng thực hi n Thông

th ng, chúng ta có thể gặp ph i bốn ph ơng pháp chính trong các h thống nhận

d ng mẫu, đó là: ph ơng pháp thống kê, ph ơng pháp tiếp cận cú pháp, ph ơng pháp mẫu phù hợp, ph ơng pháp m ng nơ – ron [4]

2.3 1.1 Ph ng pháp th ng kê (Statistical approach)

Thông th ng, h thống nhận d ng mẫu theo ph ơng pháp thống kê đ ợc dựa trên số li u thống kê và xác suất Trong những h thống này, các dấu hi u đ ợc chuyển đổi thành các con số đ ợc đặt vào trong một vec – tơ đ i di n cho mẫu

Ph ơng pháp này đ ợc sử dụng m nh mẽ trên thực thế b i vì nó rất đơn gi n để xử

lí Trong ph ơng pháp này, các mẫu phân lo i đ ợc đ i di n b i một tập hợp các

dấu hi u xác định một vec – tơ đa chiều đặc tr ng: bằng cách đó, mỗi mẫu đ ợc đ i

di n b i một điểm trong không gian dấu hi u đa chiều Để so sánh các mẫu, ph ơng pháp này sử dụng bi n pháp quan sát kho ng cách giữa các điểm trong không gian

thống kê này

2.3.1.2 Ph ng pháp ti p c n cú pháp (Syntactic approach)

Ph ơng pháp này còn đ ợc gọi là h thống nhận d ng mẫu theo cấu trúc,

những h thống này dựa trên mối quan h giữa các dấu hi u Trong ph ơng pháp này, mẫu đ ợc đ i di n b i những cấu trúc có thể đ a vào tài kho n các mối quan

h phức t p giữa các dấu hi u hơn là các vec – tơ dấu hi u số đ ợc sử dụng h

thống nhận d ng theo ph ơng pháp thống kê (Venguerov & Cunningham, 1998)

H thống phân tích cú pháp tập hợp các dấu hi u đ ợc trích xuất bằng cách sử dụng

một lo i ngữ pháp đ ợc xác định tr ớc Nếu toàn bộ các dấu hi u trích xuất từ một

mẫu có thể đ ợc phân tích cú pháp đến ngữ pháp thì h thống nhận d ng đ ợc mẫu Tuy nhiên, ph ơng pháp này nhìn chung rất khó thực hi n

Lấy ví dụ Hình 2.7, các codeword đ ợc cho Hình 2.7a, hình dáng của Hình 2.7b có thể đ ợc trình bày d ới d ng một chuỗi S = d b a b c b a b d b a b c b

a b, khi nó đ ợc bắt đầu t i điểm Starting codeword đ ợc trình bày trong hình

2.3.1.3 Ph ng pháp m u phù h p (Template matching)

Ph ơng pháp mẫu phù hợp đ ợc sử dụng rộng rãi trong xử lí hình nh để định

vị và nhận d ng cho một hình nh Trong ph ơng pháp này, ng i ta tìm kiếm các

bộ phận trong hình nh mà nó đúng với một mẫu (hoặc mô hình) nào đó có sẵn Chiến l ợc của ph ơng pháp này là: đối với mỗi vị trí có thể (trong nh), mỗi góc quay có thể, hay mỗi phép biến đổi hình học có thể của mẫu, đ ợc so sánh với

từng lân cận điểm của mẫu này Sau khi tính toán các tỉ l phù hợp cho mỗi kh năng, chọn mẫu lớn nhất mà nó v ợt quá một giá trị ng ỡng xác định tr ớc Hình 2.8 minh ho cho nhận d ng mẫu dựa trên ph ơng pháp mẫu phù hợp Hình 2.8a là hình nh ngõ vào, Hình 2.8b đ i di n cho hai mẫu cần nhận d ng (chữ K và chữ P)

Hình 2.8c và Hình 2.8d đ i di n một cách t ơng đối mối t ơng quan chéo giữa hình nh và mẫu Trong hai hình nh này, mức độ t ơng quan cao nhất đ ợc khoanh tròn để chỉ ra vị trí của ký tự phù hợp nhất với mẫu của nh ngõ vào Hình 2.8e, chỉ ra kết qu nhận d ng nghiên cứu này, yếu tố góc quay và tỉ l

Hình 2.8. Minh ho ạ cho phương pháp nhận dạng mẫu phù hợp

Hình 2.7. Ví d ụ các dấu hiệu mô tả theo phân tích cú pháp

không đ ợc đ a vào tài kho n nên kết qu ngõ ra chỉ nhận d ng đ ợc các hình nh

giống hoàn toàn với ký tự K và P (xét về kích th ớc và góc quay)

2.3.1.4 Ph ng pháp m ng n – ron (Neural networks)

Thông th ng, một m ng nơ – ron nhân t o (ANN) là một quá trình đào t o tự thích nghi, đó có thể là học tập để gi i quyết những vấn đề phức t p dựa trên những kiến thức có sẵn Tập hợp các dữ li u có sẵn đ ợc cung cấp cho h thống để nó tìm

thấy chức năng phù hợp nhất trong một nhóm các chức năng cho phép sao cho phù

hợp với ngõ vào

H thống m ng nơ – ron nhân t o mô phỏng một bộ não sinh học ho t động

nh thế nào: nó bao gồm các thành phần liên kết với nhau để mô phỏng các nơ – ron Bằng cách sử dụng liên kết này (hoặc khớp thần kinh), mỗi nơ – ron có thể truyền thông tin qua nơ – ron khác Quan sát Hình 2.9, những liên kết này không

nhất thiết ph i d ng nhị phân (on hoặc off) mà chúng có thể đ ợc định nghĩa bằng các ma trận W:

Ngoài những ph ơng pháp trên, ng i ta có thể gặp những ph ơng pháp khác

nh lý thuyết tập m , thuật toán di truyền…

luy n đ ợc sử dụng trong trí tu nhân t o, máy học, lập trình gen di truyền, các h

thống thông minh và thống kê Trong tất c các lĩnh vực này, một mẫu huấn luy n

có nhiều vai trò giống nhau và th ng đ ợc sử dụng kết hợp với một mẫu kiểm tra Trong trí tu nhân t o hoặc máy học, mẫu huấn luy n bao gồm một vec – tơ ngõ vào và một vec – tơ đáp ứng, đ ợc sử dụng cùng với ph ơng pháp học có giám sát để huấn luy n một cơ s dữ li u tri thức Một h thống thông minh bao gồm một hàm có một hay nhiều đối số và các kết qu trong một vec – tơ ngõ ra, và nhi m

vụ của ph ơng pháp học là ch y h thống một lần với vec – tơ ngõ vào bằng các đối

số, tính toán vec – tơ ngõ ra, so sánh nó với vec – tơ đáp ứng và sau đó hi u chỉnh

để có một vec – tơ ngõ ra giống hơn với vec – tơ đáp ứng lần ch y tiếp theo của

h thống

Mẫu huấn luy n có thể đ ợc t o một cách d dàng bằng cách phân tích theo chuỗi th i gian Một số các giá trị đo đ ợc đ ợc sử dụng nh các ngõ vào và giá trị

đ ợc tiên đoán (tức là giá trị t ơng lai, một vài kho ng cách đ ợc chọn sau

những giá trị ngõ vào đo đ ợc này) Phần ngõ vào của chuỗi th i gian đ ợc gọi là

cửa sổ (window), phần ngõ ra là giá trị tiên đoán Bằng cách dịch chuyển cửa sổ dọc theo chuỗi th i gian, các phần tử của mẫu huấn luy n đ ợc hình thành Mẫu huấn luy n thu đ ợc bằng cách này có thể đ ợc hi u chỉnh sau đó để phù hợp với m ng

nơ – ron cụ thể

Hình 2.10. T ạo mẫu huấn luyện

2.3.2.2 M u ki m tra

Mẫu kiểm tra là một tập hợp các dữ li u đ ợc sử dụng trong nhiều lĩnh vực

của khoa học thông tin để đánh giá sức m nh và ti n ích của một mối quan h tiên đoán Mẫu kiểm tra đ ợc sử dụng trong trí tu nhân t o, máy học, lập trình gen di truyền và thống kê Trong tất c các lĩnh vực này, một mẫu kiểm tra có nhiều vai trò giống nhau

Phân tích hồi quy là một trong những ph ơng pháp tiếp cận sớm nhất đ ợc hình thành Dữ li u đ ợc sử dụng để xây dựng hay phát hi n mối quan h tiên đoán

đ ợc gọi là tập dữ li u huấn luy n Hầu hết các ph ơng pháp tiếp cận mà tìm kiếm thông qua các dữ li u huấn luy n cho các mối quan h thực nghi m th ng có xu

h ớng học quá dữ li u Mẫu kiểm tra là tập hợp các dữ li u độc lập với dữ li u huấn luy n, nh ng sau đó phân phối xác xuất t ơng tự nh dữ li u huấn luy n Nếu một

mô hình phù hợp với mẫu huấn luy n thì nó cũng phù hợp với mẫu kiểm tra, vi c

tối thiểu hoá học quá dữ li u đ ợc thực hi n Nếu mô hình phù hợp với mẫu huấn luy n tốt hơn so với mẫu kiểm tra thì nguyên nhân có thể là do học quá mức

để xử lí tiếp bao gồm dòng đi n hoặc tín hi u ba pha, hoặc c dòng đi n và đi n áp

ba pha đ ợc chuẩn hoá

K t lu n:

Các d ng rơ le th ng gặp trong h thống đi n nh rơ le b o v dòng đi n cực

đ i, b o v dòng đi n cắt nhanh, b o v kho ng cách, b o v dòng có h ớng, b o v

tự động đóng l i… Các lo i rơ le này ho t động dựa trên nguyên tắc so sánh giữa giá trị đo tức th i từ biến dòng đi n và biến đi n áp với các giá trị cài đặt sẵn

H thống nhận d ng mẫu thực hi n hai nhi m vụ kế tiếp nhau là phân tích để

đ a ra các đặc tính từ các mẫu đ ợc nghiên cứu và phân lo i để cho phép nhận ra

một đối t ợng từ một số đặc tính đ ợc suy ra tr ớc đó

Bốn ph ơng pháp chính trong các h thống nhận d ng mẫu là ph ơng pháp

thống kê, ph ơng pháp tiếp cận cú pháp, ph ơng pháp mẫu phù hợp và ph ơng pháp m ng nơ – ron

Ch ơng 3:

Gi i thi u

Ch ơng này trình bày thuật toán nhận d ng mẫu của m ng nơ – ron đa lớp

Phần đầu tiên trình bày cấu t o m ng nơ – ron đa lớp Phần thứ hai và ba trình bày các ph ơng pháp học không có giám sát và có giám sát Các b ớc huấn luy n m ng

nơ – ron đ ợc trình bày phần thứ t

3.1 C u t o m ng n – ron đa l p (Multilayer Perceptron)

M ng nơ – ron nhân t o (ANN) đ ợc thiết kế để bắt ch ớc kh năng ra quyết định của não bộ, và do đó cấu trúc của chúng cũng t ơng tự nh của h thần kinh,

mặc dù rất thô sơ, nh ng chúng có một sự liên kết lớn các phần tử bên trong Một

nơ – ron bao gồm bốn phần cơ b n nh đ ợc minh ho Hình 3.1: Các sợi nhánh hình cây (dendrite) nhận thông tin từ các nơ – ron khác, thân tế bào (soma) chứa các

h t nhân và xử lí thông tin nhận đ ợc b i nơ – ron, sợi trục (axon) đ ợc sử dụng để truyền t i thông tin đ ợc xử lí từ soma đến điểm đến dự định của nó, và các ngõ ra (synaptic terminal) sẽ chuyển các thông tin này đến các nơ – ron kế tiếp, não bộ, hay các cơ quan khác [5]

Trong vô số các cấu trúc m ng nơ – ron, m ng nơ – ron nhiều lớp MLP đ ợc

sử dụng th ng xuyên hơn so với những cấu trúc m ng khác M ng nơ – ron này

Hình 3.1 Minh ho ạ cho một nơ – ron

đã đ ợc nghiên cứu rộng rãi, đ ợc thử nghi m trên nhiều ứng dụng và do nó nó

đ ợc biết đến nhiều hơn

Nơ – ron đ ợc mô hình hoá nh Hình 3.2, th ng đ ợc gọi là một nút Nó bao gồm nhiều ngõ vào, các ngõ vào này có thể là dữ li u gốc hay là các ngõ ra của

nơ – ron khác trong m ng Mỗi kết nối đến ngõ vào có một trọng số w, trọng số này

có thể d ơng hoặc âm, t ơng ứng với tác dụng kích ho t hoặc kiềm chế nơ – ron

Cần l u ý rằng đối với một vec – tơ dấu hi u d chiều, thì nút đó th ng có d+1 ngõ vào, trong đó ngõ vào thứ 0 đ ợc kí hi u là x0 với giá trị hằng số là 1 và trọng

số của nó là w0 Ngõ vào này đ ợc dùng nh độ l ch (ng ỡng) của nút đó Ngõ ra

của nút đ ợc tính bằng tổng trọng số các ngõ vào của nó, thông qua một hàm truyền

0 , ng ợc l i

Hình 3.2 Mô hình c ủa một nơ – ron

(3) Hàm logistic (sigmoid): Hàm này đặc bi t thuận lợi khi sử dụng cho các m ng

đ ợc huấn luy n b i thuật toán lan truyền ng ợc (back – propagation), b i vì nó d

lấy đ o hàm, do đó có thể gi m đáng kể tính toán trong quá trình huấn luy n Hàm này đ ợc ứng dụng cho các ứng dụng mà các đầu ra mong muốn rơi vào kho ng [0 , 1]

Hình 3.4 Hàm tuy ến tính

Hình 3.3 Hàm ngưỡng

Thông số làm thay đổi hình dáng của hàm truyền Đối với hàm ng ỡng thì

= 1, hàm tuyến tính thì = 0 và hàm logistic thì nằm trong kho ng từ 0 đến 1 Trong tr ng hợp hàm ng ỡng, nút đ a ra quyết định rõ ràng là có hay không,

phụ thuộc vào trọng số ngõ vào của nó có tác dụng kích ho t hay kiềm chế Trong

tr ng hợp hàm tuyến tính, nút không xử lí mà chỉ chuyển tiếp tín hi u từ ngõ vào đến ngõ ra của nó, và đối với tr ng hợp hàm sigmoid, nó cung cấp một ngõ ra liên

tục nằm trong kho ng [0 – 1] Rosenblatt, ng i đặt ra những điều kho n cho m ng

nơ – ron một lớp, đã chỉ ra rằng m ng nơ – ron một lớp có thể học bất kì giới h n quyết định tuyến tính nào thông qua một thuật toán đơn gi n, mà đó các trọng số

đ ợc kh i t o một cách ngẫu nhiên và sau đó đ ợc cập nhật liên tục bằng các biến

lặp

Với xi là các phân lo i bị sai của thuật toán thực hi n chu kì tr ớc đó,

đ ợc gọi là tỉ l học và là sai số của m ng nơ – ron một lớp ngõ vào xi

Mặc dù m ng nơ – ron một lớp riêng lẻ thì không đ ợc sử dụng nhiều trong

thực tế, nh ng sự kết hợp nhiều m ng nơ – ron một lớp t ơng thích có thể đủ m nh

để đ a ra những quyết định cho các hàm phi tuyến phức t p Trong tr ng hợp này,

ng i ta th ng sử dụng m ng nơ – ron nhiều lớp (MLP) M ng MLP là sự m rộng của mô hình m ng nơ – ron một lớp với sự bổ sung thêm những lớp ẩn và các

nơ – ron trong các lớp ẩn này có hàm truyền phi tuyến Cấu trúc của của m ng nơ – ron nhiều lớp đ ợc thiết kế để bắt ch ớc một h thống thần kinh: nó bao gồm một

Hình 3.5 Hàm logistic (sigmoid)

số l ợng lớn các nơ – ron đ ợc kết nối với nhau, và thông tin đi từ nơ – ron này đến

nơ – ron khác theo cấu trúc từng bậc cho đến khi đ t đ ợc điểm đến dự định của nó (xem Hình 3.6)

Hình 3.7 minh ho chi tiết hơn về cấu trúc m ng MLP M ng MLP là lo i

m ng nơ – ron truyền thẳng, nghĩa là dữ li u sẽ đi một chiều từ ngõ vào đến ngõ ra,

nó trái ng ợc với m ng có tín hi u hồi tiếp Lớp đầu tiên, còn gọi là lớp ngõ vào, sử

dụng các nút có hàm truyền tuyến tính, đó mỗi nút có một ngõ vào riêng lẻ t ơng ứng với một trong các dấu hi u của vec – tơ ngõ vào Vì vậy, lớp ngõ vào bao gồm

có d nút và nó không tác động xử lí đến tín hi u ngõ vào tr ớc khi đ ợc đ a đến lớp

tiếp theo, đ ợc gọi là lớp ẩn Một m ng MLP có thể có một hay nhiều lớp ẩn Mỗi nút ngõ vào đ ợc kết nối với tất c các nút khác lớp kế tiếp thông qua một tập hợp các trọng số wij Các nút của lớp ẩn sử dụng hàm phi tuyến, th ng là hàm sigmoid Ngõ ra của các nút lớp ẩn sau đó l i đ ợc kết nối với các nút lớp ẩn kế tiếp hoặc

Hình 3.6. (a) C ấu trúc mạng MLP bắt chước (b) cấu trúc của một hệ thống thần kinh

đơn giản

các nút lớp ngõ ra, thông qua một tập hợp các trọng số wkj Các nút ngõ ra cũng sử

dụng hàm sigmoid Các nhãn phân lo i của dữ li u huấn luy n đ ợc mã hoá thành các chữ số nhị phân c (ví dụ, nhãn số 3 trong 5 lo i đ ợc biểu di n là [0 0 1 0 0], trong khi nhãn số 5 thì đ ợc biểu di n là [ 0 0 0 0 1]) Hàm logistic buộc mỗi ngõ ra

ph i nằm trong kho ng từ 0 đến 1 Trong thực tế, nếu tập dữ li u huấn luy n có sẵn

đủ nhiều, cấu trúc m ng MLP đ ợc chọn một cách phù hợp để học d ới sự phân bố

dữ li u đó, và các ngõ ra đ ợc chuẩn hoá để thêm lên đến 1, thì các ngõ ra riêng lẻ

xấp xỉ với xác suất hậu nghi m của các lo i t ơng ứng Do đó, quyết định đ ợc

chọn sẽ là lo i có xác suất hậu nghi m lớn nhất

Mặc dù số l ợng các nút lớp ngõ vào và ngõ ra là cố định (t ơng ứng với số

l ợng các dấu hi u và phân lo i), số l ợng nút của lớp ẩn l i là một tham số tự do

của thuật toán Nhìn chung, kh năng tiên đoán của m ng MLP sẽ gia tăng với số

l ợng các nút trong lớp ẩn, vì vậy, số l ợng tối thiểu các nút để đ t đ ợc hi u suất mong muốn đ ợc sử dụng Mục tiêu của m ng MLP là để điều chỉnh trọng số của

nó để hàm mục tiêu đ ợc tính bằng bình ph ơng sai số trên các dữ li u huấn luy n

đ ợc dán nhãn là nhỏ nhất Điều này có thể đ t đ ợc bằng cách sử dụng một thuật toán tối u hoá, một trong các ph ơng pháp phổ biến đó là ph ơng pháp gi m dựa vào Gradient (Gradient descent based)

Hình 3.7 C ấu trúc mạng nơ – ron nhiều lớp MLP

( ) = ∑ ∑ ( − ) (3.6) Trong đó, w là tập hợp các trọng số của m ng MLP, N là số l ợng các đối

t ợng dữ li u đ ợc huấn luy n, c là số l ợng các lo i, tk là ngõ ra mong muốn cho nút ngõ ra thứ k, zk là ngõ ra thực tế của nút ngõ ra thứ k

M ng MLP đòi hòi vi c lựa chọn các tham số cho nó ph i phù hợp, những tham số đó bao gồm tỉ l học, số l ợng các nút trong lớp ẩn, mục tiêu sai số, hàm truyền, cách thức kh i t o trọng số… Mặc dù không có những quy tắc để lựa chọn giá trị cho những tham số này, nh ng có một số khuyến nghị nh sau:

T ỉ lệ học :Tỉ l học thể hi n kích th ớc mỗi b ớc lặp đ ợc thực hi n trong

nghiên cứu sai số bé nhất Về lí thuyết, tỉ l học chỉ nh h ng đến th i gian

hội tụ Tuy nhiên, trong thực tế, tỉ l học quá lớn có thể sẽ làm cho h thống sẽ

hội tụ sớm ngay t i một cực tiểu địa ph ơng gần nhất mà không đ t đ ợc độ sai số nh mong muốn Tỉ l học quá nhỏ cũng dẫn đến th i gian học bị kéo dài, thậm chí m ng có thể không v ợt qua đ ợc các cực tiểu cục bộ và vì vậy

dẫn đến học mãi mà không hội tụ đ ợc Ng i ta th ng lựa chọn giá trị của

nằm trong kho ng từ 0 đến 1

S ố lượng các nút trong lớp ẩn H:Số l ợng các nút trong lớp ẩn thể hi n mức

độ ý nghĩa của m ng, giá trị H càng lớn thì m ng càng có kh năng gi i quyết các vấn đề phức t p hơn Tuy nhiên, số l ợng nút trong lớp ẩn quá lớn sẽ dẫn đến hi n t ợng học quá mức (overfitting) Số l ợng nút trong lớp ẩn quá ít, có

thể sẽ không gi i quyết đ ợc các vấn đề phức t p Thông th ng, H đ ợc xác định bằng vi c kết hợp từ các chuyên gia tr ớc đó, số l ợng dữ li u có sẵn, số

bậc thứ nguyên, mức độ phức t p của vấn đề, thử và sai, hay dựa trên tập dữ

li u đ ợc thêm vào

M ục tiêu sai số E: Nếu dữ li u huấn luy n bị nhi u hoặc chồng chéo với nhau,

thì khó có thể đ t đ ợc sai số bằng 0 Vì vậy, mục tiêu sai số đ ợc thiết lập

nh là một ng ỡng Lựa chọn giá trị sai số E quá lớn sẽ làm cho thuật toán kết

thúc sớm, ng ợc l i giá trị E quá nhỏ sẽ làm cho thuật toán ph i học những nhi u lo n trong quá trình huấn luy n E đ ợc chọn dựa trên những kinh nghi m tr ớc đó, thử và sai, hoặc dựa trên tập dữ li u đ ợc thêm vào

3.2 H ọc t p không có giám sát

Tập dữ li u ban đầu, chứa đựng tất c các mẫu, đ ợc xử lí đầu tiên bằng cách

sử dụng ph ơng pháp học tập không có giám sát, đ ợc thực hi n bằng gi i thuật phân cụm ISODATA đ ợc hi u chỉnh Trong giai đo n này, các mẫu đ ợc trình bày

mà không cần nhãn phân lo i của chúng Số l ợng các cụm hay vị trí ban đầu của chúng đều không đ ợc xác định tr ớc, chỉ có một kho ng cách rất lớn giữa các mẫu ban đầu cần ph i đ ợc xác định Học tập không có giám sát bao gồm hai giai đo n: giai đo n kh i t o và giai đo n ổn định

Giai đo n kh i t o lặp đi lặp l i tất c các mẫu và hình thành cấu trúc cụm đầu tiên dựa trên sự t ơng đồng giữa các mẫu Toàn bộ tập hợp mẫu chỉ đ ợc trình bày

một lần Vi c huấn luy n bắt đầu bằng cách hình thành cụm đầu tiên với một mẫu đầu tiên đ ợc gán Bất cứ khi nào xuất hi n một mẫu mới mà mẫu đó không giống hoàn toàn với tất c các mẫu đ ợc trình bày tr ớc đó thì cụm mới đ ợc hình thành Nói cách khác, mẫu sẽ đ ợc đ a vào cụm chứa các mẫu có sự t ơng đồng cao nhất

Sự t ơng đồng đ ợc đo l ng bằng cách tính toán kho ng cách Euclide giữa một

mẫu với các mẫu ban đầu đang tồn t i Nếu kho ng cách nhỏ nhất bé hơn hoặc bằng

với tham số c nh giác, mẫu sẽ đ ợc đ a vào cụm gần nhất, khi đó trung tâm cụm

đ ợc cập nhật bằng cách chèn thêm mẫu mới vào cụm Nếu kho ng cách nhỏ nhất

lớn hơn tham số c nh giác, mẫu sẽ hình thành nên một cụm mới

Giai đo n này không lặp l i các mẫu, và mặc dù các cụm thay đổi vị trí của chúng trong suốt quá trình trình bày mẫu, nh ng các mẫu đã đ ợc trình bày thì vẫn không thay đổi cụm Do đó, ngõ ra của giai đo n kh i t o sẽ là một tập các cụm không ổn định, và cần có thêm giai đo n ổn định để điều chỉnh số l ợng cũng nh

vị trí của các cụm này

Giai đo n ổn định đ ợc lặp đi lặp l i nhiều lần cho đến khi cấu trúc cụm không ổn định ban đầu tr nên ổn định và các mẫu sẽ không thay đổi cụm sau khi quá trình lặp kết thúc Tất c các mẫu đ ợc trình bày một lần nữa Mỗi mẫu đ ợc so sánh l i với tất c các mẫu ban đầu đang tồn t i và mẫu nào chiến thắng thì sẽ đ ợc

Kiểm tra

c nh giác

Thêm nơ – ron

m ới và nơ – ron chi ến thắng tr ớc

Nơ – ron chiến

th ắng mới và

tr ớc đó

L ớp các nơ – ron c nh tranh

Các nơron chiến thắng

Hình 3.8 Giai đoạn khởi tạo của học tập không có giám sát