Ứng dụng phân tích wavelet và neural trong bảo vệ máy biến áp lực

Do phép biến đổi wavelet có thể rút ra được nhiều thông tin từ các tín hiệu thoáng qua trong cả hai miền tần số và miền thời gian.. Hình 1.1- Phép biến đổi Fourier Biến đổi Fourier của m

Trang 1

ĐẠI HỌC QUỐC GIA TP HCM CỘNG HỒ XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập - Tự Do - Hạnh Phúc

Tp HCM, ngày tháng năm 2007

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ và tên học viên : Phạm Hữu Lý Giới tính: Nam

Ngày, tháng, năm sinh : 03/06/1980 Nơi sinh : Đồng Tháp

Chuyên ngành : Thiết bị - Mạng và Nhà máy điện

Khố (Năm trúng tuyển) : 2005

1- TÊN ĐỀ TÀI:

ỨNG DỤNG PHÂN TÍCH WAVELET VÀ NEURAL TRONG BẢO VỆ MÁY

BIẾN ÁP LỰC 2- NHIỆM VỤ LUẬN VĂN:

1 Lý thuyết về Wavelet

2 Lý thuyết về Neural

3 Sự cố MBA và kết quả mô phỏng

4.Ứng dụng Wavelet và Neural

5.Chương trình nhận dạng

3- NGÀY GIAO NHIỆM VỤ : 05 – 03 – 2007

4- NGÀY HỒN THÀNH NHIỆM VỤ : 01 – 11 – 2007

5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN :

TS NGUYỄN HỒNG VIỆT

TS VÕ VĂN HUY HỒNG

Nội dung và đề cương Luận văn thạc sĩ đã được Hội Đồng Chuyên Ngành thơng qua

CÁN BỘ HƯỚNG DẪN 1 CÁN BỘ HƯỚNG DẪN 2 CHỦ NHIỆM BỘ MƠN

QUẢN LÝ CHUYÊN NGÀNH

TS NGUYỄN HỒNG VIỆT TS VÕ VĂN HUY HỒNG TS NGUYỄN HỒNG VIỆT

Trang 2

LỜI CẢM ƠN

Trước hết, em xin trân trọng bày tỏ lòng biết ơn sâu sắc đến Thầy Nguyễn Hoàng Việt và Thầy Võ Văn Huy Hoàng – người đã trực tiếp hướng dẫn tận tình em trong suốt quá trình thực hiện Luận án tốt nghiệp này

Xin chân thành cảm ơn đến tất cả các quí Thầy, Cô Trường Đại Học Bách Khoa đã trang bị cho em kiến thức bổ ích trong toàn bộ khoá học và em cũng chân thành gửi lòng biết ơn đến các Thầy, Cô bộ môn Hệ Thống đã tạo điều kiện, hỗ trợ cho em trong quá trình học tập cũng như thực hiện luận án

Ngoài ra, tôi xin chân thành cám ơn đến bạn bè, đồng nghiệp và gia đình đã tạo điều kiện thuận lợi, niềm tin và nghị lực để hoàn thành luận án này

Tp Hồ Chí Minh, tháng 11 nắm 2007

Phạm Hữu Lý

Trang 3

Mục Lục

Chương 1: Lý thuyết về Wavelet

1 Phép biến đổi Fourier 1

2 Phép biến đổi Fourier thời gian ngắn (STFT) 2 3 Phép biến đổi Fourier nhanh (FFT) 3

4 Biến đổi Wavelet 4

a Khái niệm cơ bản 5

b Cơ sở lý thuyết 6

c Biến đổi wavelet liên tục (CWT – Continuous Wavelet Transform) 7

d Biến đổi wavelet rời rạc (DWT – Discrete Wavelet Transform) 9

e Một số họ Wavelet 10

f Ưùng dụng Wavelet 12

Chương 2: Lý thuyết về Neural I Khái niệm 13

II Mô hình mạng neuron 13

1 Mô hình một ngõ vào 13

2 Mô hình một ngõ vào là vector

14 3 Hàm truyền 15

a Hàm truyền giới hạn 15

b Hàm truyền tuyến tính 15

c Hàm truyền log-sigmoi 15

4 Lớp Neuron ( Layer) 16

a Neuron một lớp 16

b Neuron nhiều lớp

16 5 Một số mạng neuron 17

a Mạng Perceptron 17

b Mạng Tuyến Tính 21

6 Ứng dụng 22

Chương 3: Sự cố MBA và kết quả mô phỏng I Sự cố mba 23

1 Sự cố bên ngoài máy biến áp 23

2 Sự cố bên trong máy biến áp 23

Trang 4

II Giới thiệu chương trình mô phỏng quá độ emtp-atp 24

1 Giới thiệu 24

2 Chuyển các dữ liệu từ ATP sang matlab 24

III Mô phỏng các dạng dòng từ hóa, dòng kích từ, dòng ngắn bên trong và bên ngoài 25

A Mô hình đối xứng 25

1 Mô hình 25

2 Kết quả mô phỏng 29

2.1 Kết quả mô phỏng dòng từ hóa 29

2.2 Kết quả mô phỏng dòng quá kích 32

2.3 Kết quả mô phỏng dòng ngắn mạch bên trong 34

2.4 Kết quả mô phỏng dòng ngắn mạch bên ngoài 35

B Mô hình bất đối xứng 36

1 Dòng từ hóa 36

a Sơ đồ 36

b Kết quả mô phỏng 37

2 Dòng quá kích 40

3 Ngắn mạch một pha chạm đất 46

a Sơ đồ 46

4 Ngắn mạch hai pha chạm nhau

49 a Sơ đồ 49

5 Ngắn mạch bên trong 53

a Sơ đồ 53

Chương 4: Ứng dụng Wavelet và Neural I Ưùng dụng kỹ thuật phân tích wavelet 57

1 Ưùng dụng 57

2 Kết quả phân tích 57

A Mô hình đối xứng 57

a Dòng từ hóa 57

b Dòng quá kích 58

c Ngắn mạch bên trong 60

d Ngắn mạch bên ngoài 61

Trang 5

c Ngắn mạch một pha chạm đất 71

d Ngắn mạch hai pha chạm đất 74

e Ngắn mạch bên trong 77

II PHÂN TÍCH NEURAL 80

1 Phương pháp giải quyết 80

2 Kết quả phân tích 81

A Mô hình đối xứng 81 a Dòng từ hóa 81

c Ngắn mạch bên trong 84

d Ngắn mạch bên ngoài 85

c Ngắn mạch một pha chạm đất 88

d Ngắn mạch hai pha chạm đất 89

e Ngắn mạch bên trong 90

Chương 5: Chương trình nhận dạng I Chương trình nhận dạng 91

II Nhận xét kết quả và đánh gia 93

III Hướng phát triển của đề tài 93

Tài liệu tham khảo 94

Phần phụ lục: Mã chương trình 96

Trang 6

TỔNG QUAN

Trong hệ thống điện, tình trạng sự cố và chế độ làm việc không bình thường của các phần tử luôn có thể xảy ra Phần lớn các sự cố đều gây ảnh hưởng đến hệ thống điện, do đó cần được khắc phục và phát hiện kịp thời để khôi phục lại tình trạng vận hành ổn định

Do yêu cầu đẩy nhanh phát triển công nghiệp hoá và hiện đại hoá của nước ta thì nhu cầu năng lượng điện ngày càng tăng đòi hỏi cần ứng dụng rộng rãi các máy biến áp (MBA) lực càng nhiều Vì vậy, vấn đề đặt ra là làm sao phải bảo đảm cho MBA hoạt động an toàn, tránh những sự cố ngoài mong muốn.Việc bảo vệ MBA chủ yếu dựa vào bảo vệ so lệch ( 87T) và phải hết sức thận trọng đối với các trường hợp sự cố, vì có một số trường hợp dòng không phải là sự cố như dòng từ hóa hay dòng quá kích nhưng nó vẫn tạo ra dòng so lệch rất lớn

Thời gian gần đây, có nhiều phương pháp đề xuất được đề nghị: phương pháp thay đổi độ tự cảm ( kỹ thuật hạn chế sóng hài), phương pháp thay đổi từ thông ( kỹ thuật dựa vào đặc tính của lõi sắt), phương pháp trì hoãn thời gian tác động của relay… Tuy các đề xuất trên giải quyết phần nào trong việc bảo vệ MBA, nhưng nó vẫn tồn tại những hạn chế nhất định

Từ những phương pháp trên, trong đề tài này xin đưa ra một đề xuất là sử dụng giải thuật cơ bản của phép biến đổi của wavelet kết hợp với mạng neural trong bảo vệ máy biến áp lực Do phép biến đổi wavelet có thể rút ra được nhiều thông tin từ các tín hiệu thoáng qua trong cả hai miền tần số và miền thời gian Từ kết quả phân tích từ wavelet sẽ được huấn luyện bởi mạng neural trong việc nhận dạng các dòng xung kích, dòng kích từ, dòng ngắn mạch bên trong và bên ngoài Giải thuật đề xuất mô phỏng các dòng trên bằng các chương trình ATP-EMTP hay Matlab, từ kết quả của quá trình mô phỏng sẽ được phép biến

Trang 7

đổi wavelet và neural được đề xuất một sơ đồ bảo vệ máy biến áp tránh tác nhầm bởi các dòng xung kích và dòng quá kích từ

Trang 8

Chương 1: Lý thuyết về Wavelet

1 Phép biến đổi Fourier:

Phép biến đổi Fourier là một công cụ rất mạnh được sử dụng phổ biến trong phân tích tín hiệu Qua phép biến đổi, các thành phần tần số không thấy được trong miền thời gian có thể hiển thị rõ ràng trong miền tần số Tuy nhiên khi chuyển tín hiệu từ miền thời gian sang miền tần số thì các thông tin về miền thời gian hoàn toàn mất, chúng ta không thể biết các thành phần tần số xuất hiện tại thời điểm nào của tín hiệu Do đó biến đổi Fourier cổ điển không thể phân tích các tín hiệu không dừng

Hình 1.1- Phép biến đổi Fourier Biến đổi Fourier của một tín hiệu x(t) được định nghĩa:

Với =2f là tần số của tín hiệu

Tích phân này lấy trong toàn miền thời gian của tín hiệu f(t) với hàm mũ

cơ số e Kết quả của biến đổi là hệ số Fourier F() ( gọi là phổ tần số của f(t) ) khi nhân với sóng hình sin với tần số tương ứng sẽ cho ra các thành phần sin của tín hiệu nguyên mẫu

1 (1.2) Chuỗi Fourier là tổng các hàm chu kỳ bao gồm hàm sin và cosin theo tần số, là bội số nguyên của tần số cơ bản của hàm

Mặc dù phân tích Fourier đóng vai trò quan trọng trong quá trình phân tích tín hiệu nhưng nó vẫn tồn tại những nhược điểm sau:

Trang 9

 Các hàm chức năng chỉ biến đổi trong miền tần số hoặc trong miền thời gian Vì vậy nó không thể hiện được bất kỳ lượng thông tin nào của tín hiệu cũng như nó không phản ánh được sự thay đổi dạng sóng trong miền thời gian sang miền tần số

 Trong cùng một thời điểm tín hiệu chỉ được thể hiện hoặc trong miền thời gian hoặc trong miền tần số

2 Phép biến đổi Fourier thời gian ngắn (STFT):

Để khắc phục các nhược điểm trên, Dennis Gabor (1946) đãsử dụng một cách linh hoạt biến đổi Fourier để chia tín hiệu ra thành từng đoạn đủ nhỏ theo thời gian, thì tín hiệu trong mỗi đoạn có thể xem là tín hiệu dừng, tín hiệu của từng đoạn nhỏ dễ dàng phân tích bằng biến đổi Fourier Do đó, phép biến đổi vừa có tính định vị theo tần số do tính chất của biến đổi Fourier, vừa có tính định

vị theo thời gian do được tính trong từng khoảng thời gian ngắn Đây là nguyên lý của biến đổi Fourier thời gian ngắn ( STFT), hay còn gọi là biến đổi Fourier cửa sổ ( Windowed Fourier Transform )

Trong STFT, tín hiệu f(t) đầu tiên được nhân với một hàm cửa sổ wtđể lấy được tín hiệu trong một khoảng thời gian ngắn xung quanh thời điểm  Hàm biến đổi STFT xác định như sau:

 Đây là phổ cục bộ của f(t) xung quanh thời điểm  Do đó, STFT có tính định

vị

theo thời gian Cửa sổ phân tích càng hẹp thì sự định vị này ( hay độ phân giải theo thời gian ) càng tốt

Trang 10

Hình 1.2-Biến đổi Fouriere trong thời gian ngắn (STFT)

STFT thể hiện mối quan hệ giữa thời gian và tần số của tín hiệu Nó cung cấp thông tin về thời gian và tần số xuất hiện sự kiện Tuy nhiên, độ chính xác của thông tin này có hạn và phụ thuộc vào kích thước cửa sổ

Khuyết điểm của STFT là khi chọn hàm cửa sổ phân tích thì độ phân giải thời gian – tần số không thay đổi trên khắp mặt phẳng thời gian – tần số Trong khi, các tín hiệu không dừng thường gặp trong thực tế đều gồm một số thành phần tần số thấp khá ổn định ( gần tuần hoàn, quasi-stationary) trong khoảng thời gian dài và các burst tần số cao tồn tại trong một khoảng thời gian ngắn Nếu chọn cửa sổ rộng để phân tích các thành phần ổn định với độ phân giải tần số tốt thì không phân tích được các burst với độ phân giải thời gian tốt Ngược lại, nếu chọn cửa sổ hẹp để phân giải tốt các burst về thời gian thì phân giải tần số lại xấu đi Mâu thuẩn này không thể giải quyết được trong STFT

3 Phép biến đổi Fourier nhanh (FFT):

Biến đổi Fourier nhanh thực ra là biến đổi Fourier rời rạc ( Discrete Fourier Transform – DFT), chính là xấp xỉ một hàm số bằng cách lấy mẫu tại một số giá trị tần số nhất định

Giả sử tín hiệu được lấy mẫu tại N điểm với chu kỳ lấy mẫu là T, khi biến đổi sang miền tần số bằng FFT N điểm, các tần số được lấy mẫu là:

Trang 11

T

k N

k NT

ta hình ảnh rõ ràng hơn về phổ tần số phân tích

Qua các phép biến đổi Fourier ta thấy: lý thuyết Fourier mặc dù có vai trò trong phân tích tín hiệu và có tầm ảnh hưởng về mặt lý thuyết của nhiều ngành khoa học nhưng nó không thể giải bài toán với thời gian thay đổi hoặc tín hiệu không ổn định Vì vậy cần phải có một phương pháp mới đáp ứng được cả trong miền tần số lẫn miền thời gian

4 Biến đổi Wavelet:

Phép biến đổi Wavelet được phát triển như một công cụ thay thế STFT trong phân tích tín hiệu không dừng

Hình 1.3- Phép biến đổi Wavelet Những điểm khác biệt của biến đổi Wavelet với biến đổi Fourier là các hàm wavelet được khoanh vùng trong không gian ( localized in space ) Đặc tính này cùng với đặc tính định vị trong tần số của wavelet tạo điều kiện tốt cho nhiều hàm số và toán tử sử dụng phép rời rạc hóa wavelet khi biến đổi sang miền wavelet Sự rời rạc hóa này lần lượt được ứng dụng và cho kết quả tốt

Trang 12

trong lĩnh vực như: nén dữ liệu, phát hiện các tính chất của ảnh, loại nhiễu, rada…

Trong biến đổi Wavelet, dễ dàng phân tích tín hiệu không liên tục bằng hàm cơ sở ngắn tại cùng một thời điểm hoặc phân tích tần số chi tiết sẽ dùng hàm cơ sở dài Như vậy, phân tích wavelet có thể đáp ứng trong miền thời gian lẫn tần số, vì vậy thích hợp để phân tích tín hiệu không ổn định Biến đổi wavelet trực chuẩn có thể được xem như một phân tích đa phân giải của tín hiệu, các đặc tính tốt của tín hiệu được phân tích với độ phân giải tốt, các tín hiệu kém được phân tích với độ phân giải kém Hình sau cho thấy sự khác biệt giữa các phép biến đổi

Hình 1.4- Các phép biến đổi

a Khái niệm cơ bản:

Wavelet được gọi là dạng sóng nhỏ với năng lượng hạn chế, mà năng lượng này được tập trung lại tại một thời điểm hay một khoảng không gian nào đó và nó chính là công cụ dùng để phân tích các hiện tượng thoáng qua, không dừng hoặc thời gian biến động

Wavelet là cơ sở triển khai toán học mới để biểu diễn hàm, là kỹ thuật mới để phân tích hệ trục thời gian – tần số của tín hiệu Trong phân tích wavelet, thang tỷ lệ ( scale ) và thuật toán đa phân giải ( multi-resolution ) đóng vai trò đặc biệt đối với xử lý dữ liệu Nó có thể đưa ra được mức phân giải tốt

Trang 13

theo thời gian lẫn tần số Nghĩa là, nếu chúng ta quan sát tập dữ liệu qua cửa sổ ( window) lớn thì sẽ nhận được đặc tính thô (gross ), còn nếu quan sát qua cửa sổ nhỏ thì sẽ thu được đặc tính tinh (small)

Tập hợp các sóng ngắn wavelet được xấp xỉ một tín hiệu, mỗi phần tử trong tập wavelet được xây dựng từ hàm đơn điệu, hàm wavelet gốc, được gọi là hàm wavelet mẫu Mỗi phần tử của tập wavelet là một hàm wavelet mẫu co giãn (scaled) và dịch chuyển (translated)

b Cơ sở lý thuyết:

Wavelet là hàm được tạo ra từ một hàm cơ sở w(x) được gọi là wavelet giải tích (hay wavelet mẫu) Hàm w(x) được xác định với biến thực x và có thể mang giá trị phức Nói các khác, hàm w(x) là một hàm từ R  C, có tiêu chuẩn giới hạn L2, chuẩn w , được định nghĩa:





K dx x w w

2

Vì hàm w(x) có thể có giá trị phức, nên có thể dùng 2

w , được gọi là hàm năng lượng của hàm w Giả sử w=1 bằng cách chuẩn hóa hàm w với hệ số

Nếu tồn tại tích phân, thì điều kiện tương thích trên suy ra:

   0 (1.6)





dx x w

Hàm sin không thỏa mãn điều kiện trên, và không có chuẩn L2

Do đó:

Trang 14

2 2

2 cos 1 sin

0 0

w ab a, b là các số thực (1.8)

c Biến đổi wavelet liên tục (CWT – Continuous Wavelet Transform):

Biến đổi wavelet liên tục (CWT) được định nghĩa là tổng trong miền thời gian của tín hiệu được nhân bởi các phiên bản dịch chuyển (position) và co giãn của hàm wavelet :

C(scale, position)=  f  t scale,position,tdt (1.9)





Kết quả của CWT là nhiều hệ số wavelet C, các hệ số này là một hàm của độ co giãn và vị trí Việc nhân mỗi hệ số bởi những wavelet được co giãn và dịch chuyển cho ta các wavelet liên tục của tín hiệu ban đầu

Trang 15

Hình 1.5 - Biến đổi wavelet liên tục

Cho hàm g theo thời gian t, xét phép co giãn của g bởi hệ số a:

t g t

g ab

Sự co giãn:

Lấy ví dụ về sự co giãn và dịch chuyển của hàm sine:

Hệ số co giãn, ký hiệu là a Nếu tín hiệu là sóng hình sine thì hệ số co giãn rất dễ dàng nhận ra

Hình 1.6 - Sự co giãn của sóng sine Hệ số co giãn này có ý nghĩa tương tự đối với wavelet, hệ số co giãn càng nhỏ thì wavelet càng bị nén

Hình 1.7 - Sự co giãn của một wavelet

Sự dịch chuyển:

Trang 16

Việc dịch một wavelet đơn giản có nghĩa làm trễ (hoặc sớm) sự bắt đầu của nó Về mặt toán học làm trễ hàm f(t) đi một hệ số k được biểu diễn bởi hàm f(t-k)

Hình 1.8 - Biến đổi wavelet với hệ số dịch chuyển k

d Biến đổi wavelet rời rạc (DWT – Discrete Wavelet Transform):

Wavelet là một loạt hàm cơ sở khai triển tín hiệu, ta có thể phân loại chúng theo tính liên tục hay rời rạc theo thời gian hay theo tính chất của loại hàm cơ sở như wavelet trực chuẩn, trực giao, khung… Một vấn đề dễ nhận thấy hàm cơ sở wavelet rất đa dạng và phức tạp hơn so với các hàm cơ sở liên tục hình sine và cosine của phép biến đổi Fourier

Wavelet rời rạc có nghĩa là hàm cơ sở trong phép biến đổi wavelet là các hàm rời rạc, một hàm cơ sở loại này được biết đến đó là hàm Haar Với hàm cơ sở Haar, người ta đã thực hiện khai triển tín hiệu với tính định vị trong cả miền thời gian và tần số, tuy nhiên kết quả thu được trong miền tần số không tốt Điểm mấu chốt trong phân tích wavelet rời rạc đó là thông số độ phân giải a và thông số dịch chuyển b trong biểu thức (1.8) Thực vậy, trong đa số các trường hợp việc lựa chọn các thông số a và b được giới hạn theo tập rời rạc:

ka k

b

a2j;  2j  với (j,k) € Z2 (1.10) Thay các giá trị a và b trên vào (1.8) ta có biểu thức rời rạc:

 x 2 2 w2 t k)

j

jk       với (j,k) € Z2 (1.11) DWT là một biến đổi tuyến tính tác động lên hai vector 2n chiều ( vector trong không gian Euclic 2n chiều ) vào một vector không gian tương tự DWT là một biến đổi trực giao và việc tính toán hệ số wavelet tại mỗi co giãn có thể là

Trang 17

một khối lượng công việc rất lớn và tạo ra rất nhiều dữ liệu Do đó, chúng ta chọn những hệ số co giãn và dịch chuyển dựa vào hệ số luỹ thừa bậc 2, được gọi là những co giãn và dịch chuyển nhị nguyên để quá trình phân tích đạt hiệu quả và chính xác hơn Phép biến đổi như vậy gọi là biến đổi rời rạc

Việc xây dựng lại tín hiệu từ các biến đổi wavelet rời rạc DWT có thể cung cấp các wavelet đáp ứng những điều kiện nào đó, dạng công thức của việc xây dựng lại tín hiệu như sau:

 t f w w  n

k j

jk ,

G0=D.G H0=D.H Một mẫu cổ điển của D sẽ giữ lại tất cả các thành phần chẵn (hoặc lẽ) trong bảng lấy mẫu, trong giới hạn phân tích tín hiệu D tương đương như lấy mẫu xuống và trong trường hợp tái tạo lại tín hiệu D tương đương như lấy mẫu lên

Hình 1.10 - Bộ lấy mẫu xuống

Hình 1.11 - Bộ lấy mẫu lên

e Một số họ Wavelet:

Để áp dụng được các ứng dụng thực tế, người ta đã xây dựng rất nhiều hàm cơ sở Tùy theo ứng dụng cụ thể mà ta sử dụng hàm wavelet thích hợp Một số hàm wavelet thông dụng

Trang 18

1 2

/ 1 1

2 / 1 1

Có phổ:

2 sin 2

2 0

3

8 3

4 1

4

3 2

sin 2

1

3

4 3

2 1

2

3 2

sin 2

1

2 2

e e

với v()53584702 203, 0,1

 Mexican hat wavelet:

Được định nghĩa là hàm vi phân bậc 2 của hàm Gauss:

Trang 19

 Morlet wavelet:

Được định nghĩa là một hàm mũ phức:

2 0

2

t j

e e

1 dùng để bảo đảm  t  1

Phổ của hàm Morlet wavelet được xác định:

    2 / 2

Ta thấy rằng  có dạng hàm Gauss bị dịch đi một khoảng 0 theo trục tần số Tần số trung tâm 0 được chọn sao cho đỉnh thứ 2 của Re{  } có độ lớn bằng một nữa đỉnh thứ nhất, dẫn đến:

2 ln

2

0  



f Ưùng dụng Wavelet:

- Công nghệ xử lý trên máy tính

- Phân tích, xử lý tín hiệu

- Nén ảnh, triệt nhiễu, rađa

- Nhận dạng và phát triển các tác động giống nhau trong một chuỗi thời gian

- Ưùng dụng trong âm nhạc ( musical tones)

Trang 20

- Ưùng dụng trong hệ thống điện…

Trang 21

Chương 2: Lý thuyết về Neural

I Khái niệm:

Mạng Neuron là sự kết nối lẫn nhau của rất nhiều thành phần xử lý song song với các tham số biến Những thành phần này được liên kết với nhau thông qua hàm truyền Chúng ta có thể huấn luyện mạng neuron bằng việc điều chỉnh giá trị trọng số giữa các thành phần Cặp thông số tiêu biểu là tín hiệu đầu vào và mục tiêu, cặp thông số này được huấn luyện để đạt được kết quả chính xác

Mạng neuron được điều chỉnh, huấn luyện dựa vào so sánh giữa tín hiệu đầu ra và giá trị mục tiêu, cho đến khi hai giá trị đạt giá trị bằng giá gần nhau

Hình 2.1- Cấu trúc của mạng neuron

II Mô hình mạng neuron:

1 Mô hình một ngõ vào:

Dạng này với ngõ vào là thành phần vô hướng có thể có trọng số hoặc không có trọng số

Hình 2.2- Neuron không có trọng ngưỡng

Trang 22

Hình 2.3- Neuron có trọng ngưỡng Trong hai sơ đồ trên:

+ p: ngõ vào vô hướng

+ b: trọng ngưỡng

+ w: trọng số

+ f: hàm truyền

+ a: ngõ ra ( target)

2 Mô hình một ngõ vào là vector:

a Neuron với ngõ vào và trọng số là một vector :

+ p1,p2,p3,p4,p5………pR + w1,w2,w3,w4,w5………wR

Hình 2.4- Neuron ngõ vào là vector Trong đó: nw1.1p1w1.2p2  w1.R p R b

b p W

n *  với W là ma trận trọng số Ngõ ra: a fW*pb

Trang 23

Ta có thể biểu diễn rút gọn như sau:

Hình 2.5- Neuron ngõ vào là vector rút gọn

3 Hàm truyền:

Có ba hàm truyền được sử dụng phổ biến nhất:

a Hàm truyền giới hạn:

Hình 2.6- Hàm truyền giới hạn Hàm này biểu diễn như sau:

00

n

n n

b Hàm truyền tuyến tính:

Hình 2.6- Hàm truyền tuyến tính

c Hàm truyền log-sigmoid:

Trang 24

Hình 2.7- Hàm truyền log-sigmoid

4 Lớp Neuron ( Layer):

Hai hay nhiều neuron có thể liên kết với nhau thông qua các lớp neuron Một neuron cũng có thể chứa nhiều lớp

a Neuron một lớp:

Hình 2.8- Neuron một lớp Trong neuron này ngõ vào được liên kết với thành phần của ma trận trọng số Ngõ ra n là tổng của pi wi +bi Ngõ ra a=f(p w+b) Chúng ta có thể chọn các hàm truyền khác nhau làm việc song song Ta có thể biểu diễn gọn lại như sau:

Hình 2.9- Neuron một lớp

b Neuron nhiều lớp:Một mạng neuron có thể chứa nhiều lớp Mỗi lớp có ma trận trọng số W, trọng ngưỡng b và ngõ rõ a khác nhau Để phân biệt ma trận trọng số W, trọng

Trang 25

ngưỡng b và ngõ rõ a như hình chúng ta sẽ dặt tên cho từng các tham số trên Hình sau đây sẽ minh họa điều này:

Hình 2.10- Neuron nhiều lớp

Ngõ ra các lớp ( layer) :

+ Ngõ ra 1: 1 1 11 1

b p IW f

+ Ngõ ra 2: 2 2 21 2

b p IW f

+ Ngõ ra 3: 3 3 32 3

b p IW f

Mỗi layer chúng ta có thể chọn hàm truyền, các học và huấn luyện khác nhau

5 Một số mạng neuron:

Có nhiều mạng neuron nhưng trong tài liệu này xin trình bày hai mạng neuron điển hình:

a Mạng Perceptron:

Mạng perceptron là mạng sử dụng hàm truyền cứng (Harlim)

Hình 2.11- Mạng Percptron

Trang 26

Mỗi ngõ ngoài bên ngoài được xem là một trọng số tương ứng với w1j, tổng của tích trọng số với ngõ ngoài và trọng ngưỡng b được gửi qua hàm truyền cứng Harlim Ngõ ra của neuron sẽ là 1 hoặc 0

Hình 2.12- Hàm truyền Harlim

Hàm truyền sẽ là cho các vector ngõ vào của neuron phân thầnh hai miền Ngõ ra sẽ là 1 nếu n < 0, ngược lại sẽ bằng 1 nếu n ≥ 0 Miền không gian của hàm truyền được thể hiện như sau:

Hình 2.13- Miền hàm truyền Harlim Phân loại giữa hai miền được giới hạn bởi đường biên L=Wp+b=0, đường này là đường trực giao của ma trận trọng số W và trọng ngưỡng b Vector ngõ vào bên trên và bên trái đường L sẽ cho kết quả n nhỏ hơn bằng 0 nên ngõ rõ sẽ là 1 Ngược lại vector ngõ vào bên dưới và bên phải đường L sẽ cho ngõ rõ sẽ là

0

 Luật học:

Trang 27

Luật học được định nghĩa là thủ tục thay đổi giữa trọng số W và trọng ngưỡng b Nó được dùng để huấn luyện mạng thực hiện một vài nhiệm vụ nào đó Có hai dạng luật học:

- Học có giám sát: luật này được cung cấp bởi cặp p1,t1,

…

p2,t2 p , Q t Q Ơû đây pq là ngõ vào của neuron và tq là thông số mục tiêu tương ứng ( target) Nếu ngõ vào được sử dụng trong mạng thì ngõ ra của neuron sẽ so sánh với các giá trị hàm mục tiêu ( target) Luật học được áp dụng ở đây là điều chỉnh giữa trọng số w và trọng ngưỡng b để sao cho ngõ ra phải tiến gần giá trị hàm mục tiêu

Học không giám sát: ở cách học này trọng số w và trọng ngưỡng b sẽ thay đổi theo ngõ vào của mạng do đó giá trị hàm mục tiêu không có giá trị

 Sai số e:

Để đánh giá sai số chúng ta sẽ dựa vào sự thay đổi của cặp p và t làm sao cho ngõ ra a của neuron tiến gần tới hàm mục tiêu Vì vậy sẽ xảy ra các trường hợp sau:

- Nếu a=t thì e=t-a=0  w sẽ không thay đổi

- Nếu a=0, t=1 thì e=t-a=1  ta phải cộng thêm ngõ vào p với trọng số

w cho đến khi ngõ ra a gần như bằng 1

- Nếu a=1, t=0 thì e=t-a=-1  ta phải trừ đi ngõ vào p với trọng số w cho đến khi ngõ ra a gần như bằng 0

Như vậy sai số này được đánh giá dựa vào sự thay đổi của giá w

- Nếu e=0 w=0

- Nếu e=1 thay đổi w bằng cách cộng thêm PT

- Nếu e=-1 thay đổi w bằng cách trừ đi PT

Tất cả các trường hợp trên sẽ biễu diễn như sau:

- w=  T T

ep p a

Trang 28

ep W

Cho một Perceptron có hai ngõ vào

Hình 2.14- Mạng neuron Peceptron

1,2

2,

0,2

2

2 2

00

a

b p W hard a

Trang 29

Sai số e=t1-a=0-1=-1 do đó ta phải thay đổi giá trị của trọng số w và trọng ngưỡng

w=   T  T 1.  2,2  2,2

ep p a t

b=e=-1

ep W

W new  old  T        

 1 1  1

e b

b new  old      Chúng ta sẽ tính toán ngõ ra a với ngõ vào p2:

11

a

b p W hard a

 Sai số e=0

b Mạng Tuyến Tính ( Learner):

Mạng neuron tuyến tính cũng giống như mạng perceptron, nhưng hàm truyền của nó là hàm truyền tuyến tính Ngõ ra của nó sẽ là giá trị bất kỳ không giống mạng perceptron chỉ là 0 hoặc 1

Hình 2.15- Mạng neuron Tuyến Tính Hàm truyền của mạng neuron tuyến tính:

Trang 30

Ngõ ra:a purelin(n) purelin(Wpb)

Hàm truyền được quyết định bởi đường bao n=0=Wp+b=0

Hình 2.16- Miền hàm truyền tuyến tính Nếu ngõ vào bên phải đường bao sẽcho ngõ ra lớn hơn 1 Ngược lại ngõ vào bên trái sẽ cho ngõ ra nhỏ hơn 0

k

k a k t Q k e Q mse

6 Ứng dụng:

Mạng neuron ứng dụng nổi bậc trong lĩnh vực thương mại, với một neuron được sử dụng trong hệ thống điện thoại đường dài để thiết lập tín hiệu voice: nhận biết tiếng nói nhỏ, phân tích tín hiệu nhiễu… Một số ứng dụng trong lĩnh vực khác

- Trong không gian

- Tự động hóa

- Ngân hàng

- Công nghiệp

- Điện tử…

Trang 31

Chương 3: Sự cố MBA và kết quả mô phỏng

I SỰ CỐ MBA:

Máy biến áp (MBA) là một trong những thành phần quan trọng nhất liên kết hệ thống phát, truyền tải và phân phối Do đó, bảo vệ của phần tử này phải làm việc với độ tin cậy cao Sơ đồ bảo vệ tuỳ thuộc vào cỡ máy biến áp Công suất định mức MBA được dùng trong hệ thống truyền tải và phân phối từ vài trăm kVA đến MVA Đối với các máy biết áp cỡ trung bình thì dùng bảo vệ dòng điện Các máy biến áp công suất lớn thì bảo vệ so lệch là bảo vệ chính

Sự cố máy biến áp chia làm hai loại:

- Sự cố bên ngoài máy biến áp

- Sự cố bên trong máy biến áp

1 Sự cố bên ngoài máy biến áp:

Sự cố bên ngoài gồm các sự cố hay các hiện tượng nguy hiểm xảy ra bên ngoài MBA như quá tải, quá điện áp, tần số thấp, ngắn mạch ngoài…

Trong trường hợp có sự cố bên ngoài máy biến áp, sự cố phải được cách

ly khỏi MBA để không ảnh hưởng đến MBA

2 Sự cố bên trong máy biến áp:

Sự cố bên trong máy biến áp gồm các sự cố xảy ra bên trong bảo vệ của MBA Sự cố bên trong gồm có: sự cố gián tiếp và trực tiếp Sự cố gián tiếp diễn

ra từ từ nhưng sẽ trở thành sự cố chính trực tiếp nếu không phát hiện và xử lý ( quá nhiệt, quá từ, áp suất dầu thay đổi…) Sự cố trực tiếp là ngắn mạch bên trong các cuộn dây, hư hỏng cách điện Các dạng sự cố bên trong máy biến áp:

- Chạm đất một pha cuộn dây nối sao

- Sự cố bên trong cuộn tam giác

- Ngắn mạch giữa các pha trong máy biến áp

- Chạm giữa các vòng dây bên trong máy biến áp

Trong đề tài này xin trình bày một số dạng sự cố như sau: Dòng từ hóa, dòng quá kích ( quá áp, tần số thấp), ngắn mạch bên trong và bên ngoài cho hai trường hợp đối xứng và bất đối xứng

Trang 32

II GIỚI THIỆU CHƯƠNG TRÌNH MÔ PHỎNG QUÁ ĐỘ EMTP-ATP:

1 Giới thiệu:

EMTP-ATP (ElectroMagnetic Transients Program –Alternative Transients Program) là chương trình máy tính dùng để mô phỏng các hiện tượng điện từ, điện cơ và quá trình quá độ của hệ thống điện đồng thời có thể xác định được các biến số mà chúng ta quan tâm trong mạng điện như là một hàm của thời gian, là hàm tiêu biểu cho hiện tượng nhiễu

Đây là chương trình được sử dụng rộng rãi trên toàn cầu với việc mô phỏng các hiện tượng quá độ về tính chất điện từ và điện cơ trong hệ thống điện Với chương trình này chúng ta có thể tạo ra mạng điện phức tạp với nhiều nút, nhiều phần tử điện…

Ngoài ra chương trình này có liên quan đến các chương trình khác như matlab… Vì vậy dễ dàng xuất kết quả của tín hiệu từ chương trình này khi đã mô phỏng xong sang file.mat, để nhận dạng và khảo sát bằng kỹ thuật Wavelet và Neural

2 Chuyển các dữ liệu từ ATP sang matlab:

Hình 3.1-Cửa sổ giao diện và thực hiện chuyển dữ liệu qua Matlab của

GTPPLOT

Trang 33

Sau khi chạy sơ đồ mạch điện của ATP, chúng ta khởi động chương trình xuất dự liệu GTPPLOT để xuất tập tin *pl4 của chương trình ATP thành dữ liệu của matlab.mat Sau khi khởi động xong, chương trình tự động chỉ đến đường dẫn chứa file *pl4 Để chuyển đổi file ta tiến hành theo các bước sau:

1 Đánh lệnh Choice để hiện thị các biến trong tập tin ( là Output xuất ra từ chương ATPDraw)

2 Đánh lệnh # 1,2 hoặc 6… để xuất dữ liệu qua matlab các thông số là các quá điện áp tại các nút 1,2,3…

3 Đánh lệnh matlab để xác định định dạng cần xuất tập tin của Matlab

4 Đánh lệnh Go để kết thúc việc xuất tập tin ra matlab

5 Nếu ta muốn xuất tiếp các nút điện áp của nhánh khác chúng ta làm tương tự các bước trên

Từ cửa sổ Workspace của matlab chúng ta dễ dàng xác định được tham số thời gian t và giá trị điện áp của file vừa xuất qua, đồng thời ta có thể vẽ lại dạng sóng của nó bằng lệnh Plot(t,i)

III MÔ PHỎNG CÁC DẠNG DÒNG TỪ HÓA, DÒNG KÍCH TỪ, DÒNG NGẮN BÊN TRONG VÀ BÊN NGOÀI

A Mô hình đối xứng:

1 Mô hình:

Trang 34

Hình 3.2-Sơ đồ bảo vệ MBA

Mô hình áp dụng cho trường hợp này là MBA 40MVA -11/66KV, CT 1200/5 và CT 200/5 làm việc theo nguyên lý bảo vệ so lệch (87T) của MBA Sau đây là sơ đồ bảo vệ so lệch mô phỏng bằng ATP:

Hình 3.2-Sơ đồ bảo vệ MBA mô phỏng bằng ATP

 Đường dây truyền tải:

 Nguồn: Điện áp nguồn 15.500V, tần số 50Hz và góc lệch

900

Trang 35

 CT1200/5: Thông số của CT

- Thông số của đường cong từ hoá CT1200/5

- Đặc tuyến đường cong từ hóa của CT1200/5:

Trang 36

 CT200/5: Thông số của CT

 MBA 40MVA -11/66KV: Thông số của MBA

- Thông số đường cong từ hoá của MBA:

Trang 37

- Đặc tuyến đường cong từ hóa của MBA

2 Kết quả mô phỏng:

2.1 Kết quả mô phỏng dòng từ hóa:

a Tại thời điểm t=0s

Inrush current, t=0

Trang 38

Dòng sơ cấp chạy qua CT 1200/5 (c:8-5) và dòng thứ cấp CT 200/5 (c:5-6)

Inrush current, t=0

Dòng so lệch chạy qua Relay ( c:9-10 )

b Tại thời điểm t=0.005s (1/4 chu kỳ)

Inrush current, t=0.005s

Trang 39

B

IV

c Tại thời điểm t=0.01s (1/2 chu kỳ)

Trang 40

2.2 Kết quả mô phỏng dòng quá kích:

a Tại điện áp nguồn U=23.000V:

Overexcitation, U=23000V

Định dạng
Số trang	111
Dung lượng	2,55 MB