Ứng dụng phân tích Wavelet kết hợp mạng neural trong bảo vệ máy biến áp

Ứng dụng phân tích Wavelet kết hợp mạng neural trong bảo vệ máy biến áp Ứng dụng phân tích Wavelet kết hợp mạng neural trong bảo vệ máy biến áp Ứng dụng phân tích Wavelet kết hợp mạng neural trong bảo vệ máy biến áp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

ỨNG DỤNG PHÂN TÍCH WAVELET KẾT HỢP MẠNG NEURAL

TRONG BẢO VỆ MÁY BIẾN ÁP

LUẬN VĂN THẠC SĨ KỸ THUẬT NGÀNH HỆ THỐNG ĐIỆN

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

-

NGUYỄN HẢI HÀ

ỨNG DỤNG PHÂN TÍCH WAVELET KẾT HỢP MẠNG NEURAL

TRONG BẢO VỆ MÁY BIẾN ÁP

LUẬN VĂN THẠC SĨ KỸ THUẬT CHUYÊN NGÀNH HỆ THỐNG ĐIỆN

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 TS.PHAN ĐĂNG KHẢI

Hà Nội – Năm 2013

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn:" Ứng dụng phân tích Wavelet kết hợp mạng Neural trong bảo vệ máy biến áp " là công trình nghiên cứu của riêng tôi Các số

liệu, kết quả trình bầy trong luận văn là trung thực và chưa từng được công bố trong bất kỳ luận văn nào trước đây

Hà Nội, ngày tháng 03 năm 2013

Tác giả luận văn

Nguyễn Hải Hà

1

MỤC LỤC

Trang phụ bìa

Lời cam đoan

Danh mục các ký hiệu, các chữ viết tắt

Danh mục các bảng

Danh mục các hình vẽ, đồ thị

A/ PHẦN MỞ ĐẦU 3

1 Lý do chọn đề tài 3

2 Mục tiêu và nhiệm vụ của luận văn 4

3 Đối tượng và phạm vi nghiên cứu 4

4 Ý nghĩa khoa học và thực tiễn 5

5 Nội dung chính của luận văn 5

B/ NỘI DUNG LUẬN VĂN

CHƯƠNG I: TỔNG QUAN 6

1.1 Lịch sử nghiên cứu biến đổi Wavelet trên thế giới 6

1.2 Kết hợp biến đổi Wavelet và mạng Neural để nhận dạng sự cố trong máy biến áp 9

CHƯƠNG II: LÝ THUYẾT NHẬN DẠNG VÀ BIẾN ĐỔI WAVELET 2.1 Khái niệm về nhận dạng 21

2.1.1 Nhận dạng đường cong tín hiệu 22

2.1.2 Kỹ thuật nhận dạng đường cong tín hiệu 23

2.1.3 Nhận dạng sự cố hệ thống điện 25

2.2 Phương pháp biến đổi tín hiệu 26

2.2.1 Biến đổi Wavelet 28

2.2.2 Wavelet và Matlab 32

2.3 Áp dụng Wavelet trong nhận dạng sự cố 35

2

CHƯƠNG III: KẾT HỢP BIẾN ĐỔI WAVELET VÀ MẠNG NEURAL ĐỂ NHẬN DẠNG SỰ CỐ TRONG BẢO VỆ MÁY BIẾN ÁP

3.1 Mạng Neural nhân tạo 37

3.1.1 Cấu trúc và mô hình neuron thần kinh 37

3.1.2 Mô hình toán học của neuron nhân tạo 37

3.1.3 Mạng Neural nhân tạo 40

3.1.4 Phương thức làm việc của mạng Neural 41

3.1.5 Phân loại mạng Neural 42

3.2 Kết hợp biến đổi Wavelet - mạng Neural để nhận dạng và điều khiển bảo vệ máy biến áp 46

3.2.1 Biến đổi Wavelet nhận dạng sự cố 47

3.2.2 Mạng Wavelet - Neural áp dụng trong nhận dạng và điều khiển bảo vệ máy biến áp 49

CHƯƠNG IV: ỨNG DỤNG BIẾN ĐỔI WAVELET VÀ MẠNG NEURAL ĐỂ NHẬN DẠNG SỰ CỐ NGẮN MẠCH MÁY BIẾN ÁP TRONG TRẠM BIẾN ÁP 4.1 Ứng dụng mạng Wavelet-mạng Neural nhận dạng sự cố bảo vệ máy biến áp 55

4.2 Giới thiệu trạm E24.2 và sơ đồ mô phỏng 56

4.2.1 Cấu trúc biến đổi Wavelet – Neural và sơ đồ mô phỏng 58

4.2.2 Biến đổi Wavelet nhận dạng sự cố 61

4.3 Chương trình Wavelet - Neural, kết quả nhận dạng và điều khiển bảo vệ máy biến áp 63

4.3.1 Chương trình Wavelet – Neural của máy biến áp 63

4.3.2 Kết quả mô phỏng, nhận dạng và điều khiển 63

KẾT LUẬN 85

Phụ lục 1: Thông số cài đặt cho các phần tử trong sơ đồ mô phỏng 88

Phụ lục 2: Chương trình Wavelet nhận dạng sự cố dòng điện 93

Phụ lục 3: Chương trình Wavelet nhận dạng sự cố điện áp 98

Phụ lục 4: Chương trình Wavelet – Neural của máy biến áp 90

Tài liệu tham khảo 100

DANH MỤC CÁC BẢNG BIỂU – HÌNH VẼ

Danh mục các bảng biểu

Bảng 1.2 Đáp ứng ANN ứng với tình trạng xung từ hóa 14 Bảng 3.1 Các mô hình neuron thông dụng 40 Bảng 3.2 Phương pháp xác định sự cố dòng điện 48 Bảng 3.3 Xác định sự cố điện áp trong các chế độ vận hành 49 Bảng 3.4 Tập mẫu huấn luyện mạng Neural bảo vệ máy biến áp 51 Bảng 4.1 Tổng hợp giá trị D1 nhận dạng dòng điện sự cố máy biến áp 61 Bảng 4.2 Tổng hợp các giá trị nhận dạng từ phép biến đổi Wavelet 62

Danh mục các hình vẽ , đồ thị

Hình 1.1 Áp dụng biến đổi Wavelet trong hệ thống điện 6 Hình 1.2 Cấu trúc nhận dạng lớp - chuyên gia 7 Hình 1.3 Cấu trúc nhận dạng chuyên gia - lớp 8 Hình 1.4 Cấu trúc mạng ANN lan truyền ngược truyền thẳng 9 Hình 1.5 Sự cố một pha chạm đất bên ngoài thứ cấp 10 Hình 1.6 Biến đổi wavelet sự cố một pha chạm đất 10 Hình 1.7 Tình trạng xung từ hóa và sự biến đổi của hệ số chi tiết 11 Hình 1.8 Trạng thái mang tải và sự biến đổi của hệ số chi tiết 11

Hình 2.2 Chu trình nhận dạng đường cong tín hiệu 23

Hình 3.2 Một số mạng Neural thông thường 41 Hình 3.3 Mô hình mạng Neural Perceptron 44 Hình 3.4 Mạng MLP hai lớp truyền thẳng 45

Hình 3.7 Biểu đồ quá trình mạng Neural – biến đổi Wavelet để nhận dạng

và điều khiển bảo vệ máy biến áp

50

Hình 4.1 Sơ đồ mạng điện đơn giản dùng để ứng dụng mạng wavelet -

neural trong quá trình nhận dạng sự cố MBA T1 trạm E24.2

55

Hình 4.3 Sơ đồ cấu trúc mạng Wavelet – Neural bảo vệ máy biến áp 58 Hình 4.4 Sơ đồ mô phỏng máy biến áp trên Matlab 59 Hình 4.5 Các khối đo lường và sự cố trong sơ đồ mô phỏng 60

3

PHẦN MỞ ĐẦU 1.1 Lý do chọn đề tài

Máy biến áp là một trong những phần tử quan trọng nhất của hệ thống điện Máy biến áp đảm nhận đồng thời hai chức năng là truyền tải và phân phối năng lượng điện, sự ngừng làm việc của máy biến áp dù là có kế hoạch hay bất thường do

sự cố, khi phục hồi sửa chữa đều tốn kém, mất thời gian đồng thời ảnh hưởng tới sản xuất và người tiêu dùng Vì vậy, bảo vệ máy biến áp vận hành ổn định và an toàn là một việc làm vô cùng quan trọng Mặc dù hệ thống bảo vệ Rơ le đang sử dụng trong hệ thống điện nói chung và bảo vệ máy biến áp nói riêng ngày càng được hoàn thiện, vận hành tin cậy, chắc chắn, hiệu quả ; tuy nhiên, hệ thống Rơ le khó có thể phát hiện được nhanh các sự cố phức tạp như nhiễu, dao động lưới…và

Rơ le phải có thời gian tác động, như vậy không tác động nhanh, cô lập nhanh được điểm sự cố Do đó, cần phải có một phương pháp nhận dạng và điều khiển sự cố mới cùng tồn tại, phát triển và từng bước thay thế hệ thống bảo vệ Rơ le

Hiện nay, cùng với sự phát triển của khoa học kỹ thuật ; mạng Neural, Fuzzy logic và biến đổi Wavelet ngày càng được ứng dụng rộng rãi trong các lĩnh vực như nhận dạng, thiết kế, quy hoạch, dự báo, điều khiển…Chính vì vậy, việc áp dụng biến đổi Wavelet và mạng Neural nhằm bảo vệ hệ thống điện nói chung và máy biến áp nói riêng là rất cần thiết Nếu nhận dạng đúng loại sự cố, điểm sự cố, điều khiển đúng lúc sự cố tin cậy thì mạng Wavelet – Neural hoàn toàn có thể bảo vệ được máy biến áp Ngoài ra, sự mã hóa các thông số vận hành, thông số chế độ ở dạng nhị phân và truyền dẫn về mạng trung tâm sẽ thuận tiện hơn cho việc lưu trữ

và điều khiển chung cho một trạm biến áp

Các sự cố trong trạm biến áp bao gồm ngắn mạch một pha, ngắn mạch hai pha, ngắn mạch hai pha chạm đất, ngắn mạch ba pha, đứt dây, sự cố nội bộ máy biến áp, sự cố điện áp, sự cố tần số…Mạng Wavelet – Neural sử dụng để nhận dạng

và điều khiển sự cố máy biến áp cần phải nhận biết được các dạng sự cố đã nêu và đưa ra tín hiệu điều khiển phù hợp đảm bảo cô lập được sự cố bảo vệ máy biến áp

và ổn định trạm biến áp

1.2 Mục tiêu và nhiệm vụ của luận văn

Luận văn sẽ trình bày lý thuyết về biến đổi Wavelet, mạng Neural, lý thuyết nhận dạng và nhận dạng các loại sự cố trong trạm biến áp Tín hiệu ngõ vào, ngõ ra cho biến đổi Wavelet và mạng Neural, phương pháp huấn luyện cho mạng để nhận dạng và điều khiển sự cố trong trạm biến áp nhằm bảo vệ máy biến áp

Nhận dạng các loại sự cố, điểm sự cố được thực hiện bằng cách biến đổi Wavelet các sóng tín hiệu dòng điện và điện áp, kết quả đầu ra của biến đổi Wavelet được đưa đến ngõ vào mạng Neural Mạng Neural được huấn luyện để xác định sự

cố, nếu có sự cố thì mạng Neural sẽ xuất các tín hiệu tác động máy cắt có liên quan,

cô lập điểm sự cố

Phần thực hành sẽ thiết kế mạng Wavelet – Neural bảo vệ sự cố máy biến áp của một trạm biến áp thực tế được mô phỏng trên phần mềm Matlab

1.3 Đối tượng và phạm vi nghiên cứu

Phạm vi nghiên cứu chú trọng vào công cụ phân tích Wavelet, cấu trúc mạng Neural Perceptron và sự phối hợp giữa chúng thông qua ngôn ngữ kỹ thuật Matlab

để nhận dạng và điều khiển các loại sự cố trong trạm biến áp nhằm bảo vệ máy biến

áp

Đối tượng được bảo vệ là các máy biến áp được mô phỏng ở chế độ làm việc bình thường và sự cố ngắn mạch Tín hiệu dòng điện so lệch và điện áp được nhận dạng thông qua phân tích Wavelet, kết quả đầu ra của biến đổi Wavelet được đưa đến ngõ vào mạng Neural Mạng Neural được huấn luyện để xác định các trạng thái của máy biến áp, từ đó cảnh báo tín hiệu sự cố hoặc xuất tín hiệu điều khiển cô lập điểm sự cố

5

1.4 Ý nghĩa khoa học và thực tiễn

Mạng Wavelet – Neural khi nhận dạng và điều khiển được sự cố máy biến áp, đánh giá được sai số, chất lượng và độ tin cậy của mạng thì việc áp dụng cho bảo vệ trạm là thực tế Điều này giảm được đáng kể chi phí đầu tư, tránh phụ thuộc vào sự hoạt động không tin cậy của từng Rơ le bảo vệ Mặt khác, do có sự liên lạc bảo vệ trong toàn trạm mà mạng Wavelet – Neural có thể phối hợp bảo vệ chính xác, cô lập nhanh điểm sự cố, tránh lây lan sự cố trong trạm và ngoài hệ thống

Mạng Wavelet – Neural sử dụng nhận dạng và điều khiển sự cố máy biến áp khi được huấn luyện đáp ứng các ngõ ra về yêu cầu vận hành lúc sự cố có thể áp dụng được trong thực tiễn bảo vệ trạm biến áp cũng như cho toàn hệ thống Sự mã hóa các thông số vận hành, thông số chế độ về dạng nhị phân và truyền dẫn về trung tâm

sẽ không làm sai lệch kết quả đánh giá Từ đó các tín hiệu điều khiển từ mạng Wavelet – Neural là tin cậy và chọn lọc

1.5 Nội dung chính của luận văn

CHƯƠNG I: TỔNG QUAN

- Lịch sử nghiên cứu biến đổi Wavelet trên thế giới

CHƯƠNG II: LÝ THUYẾT NHẬN DẠNG VÀ BIẾN ĐỔI WAVELET

- Lý thuyết nhận dạng và biến đổi Wavelet

- Wavelet và Matlab

CHƯƠNG III: KẾT HỢP BIẾN ĐỔI WAVELET VÀ MẠNG NEURAL ĐỂ NHẬN DẠNG SỰ CỐ TRONG BẢO VỆ MÁY BIẾN ÁP

- Mạng Neural nhân tạo

- Biến đổi Wavelet nhận dạng sự cố

- Mạng Wavelet – Neural áp dụng trong nhận dạng và điều khiển bảo vệ máy biến áp

CHƯƠNG IV: ỨNG DỤNG BIẾN ĐỔI WAVELET VÀ MẠNG NEURAL ĐỂ NHẬN DẠNG SỰ CỐ NGẮN MẠCH MÁY BIẾN ÁP TRONG TRẠM BIẾN ÁP

- Sơ đồ nguyên lý trạm E24.2, sơ đồ mô phỏng

- Chương trình Wavelet – Neural, kết quả mô phỏng, nhận dạng và điều khiển

6

CHƯƠNG I TỔNG QUAN

1.1 Lịch sử nghiên cứu biến đổi Wavelet trên thế giới

Về mặt lịch sử, biến đổi Wavelet là một phương pháp mới, dù rằng cơ sở toán học của nó có từ thời Joseph Fourier trong thế kỷ 19 Fourier đã đặt nền tảng từ các giả thuyết của ông về biến đổi tần số, đã được chứng minh là có tầm ảnh hưởng

và vai trò vô cùng quan trọng Sự quan tâm của các nhà nghiên cứu dần chuyển từ biến đổi theo cơ sở tần số sang biến đổi theo cơ sở tỉ lệ và bắt đầu thấy rõ trong việc

đo các dao động trung bình ở các mức khác nhau có thể cải thiện tính nhạy cảm với nhiễu

Tiến triển đáng ghi nhận đầu tiên của biến đổi Wavelet hiện nay dường như xảy ra trong năm 1909 với luận văn của Alfred Haar Khái niệm về Wavelet ở dạng

lý thuyết hiện nay là từ Jean Morlet và nhóm cộng sự Trung tâm vật lý lý thuyết Marseille, Pháp do Alex Grossmann chỉ đạo Các phương pháp biến đổi Wavelet được phát triển bởi Y.Meyer và các đồng nghiệp, dẫn đến sự phổ biến các phương pháp Thuật toán chủ yếu là từ Stephane Mallat năm 1988 Sau đó, nghiên cứu về Wavelet đã mang tính quốc tế hóa Các nghiên cứu này đặc biệt phát triển ở Mỹ, nơi

nó là mũi nhọn với các nghiên cứu của các nhà khoa học như Ingrid Daubechies, Ronald Coifman và Victor Wickerhauser Lĩnh vực Wavelet đang phát triển nhanh chóng, rất nhiều tài liệu toán học và nghiên cứu thử nghiệm được xuất bản hàng tháng

Ứng dụng Wavelet trong hệ thống điện đầu tiên là của Robertson và Ribeiro năm 1994 và đã phát triển mạnh trong những năm sau đó

Hình 1.1 Áp dụng biến đổi Wavelet trong hệ thống điện

7

Biến đổi Wavelet được áp dụng trong nhiều lĩnh vực hệ thống điện như bảo

vệ hệ thống 36%, chất lượng điện năng 32%, dao động hệ thống 11%, phóng điện 4%, dự báo phụ tải 3%, đo đếm 2% và các lĩnh vực khác 12% Đối với bảo vệ hệ thống điện, biến đổi Wavelet có thể kết hợp với mạng Neural, Fuzzy logic áp dụng

để nhận dạng sự cố, phân loại sự cố, vị trí sự cố trên đường dây hay máy biến áp, bảo vệ tổng trở cao, bảo vệ so lệch hoặc tự đóng lại đường dây hay trạm biến áp

Có hai cấu trúc nhận dạng điển hình được thiết kế như sau:

Cấu trúc 1: Hình 1.2 - Tập vectơ đầu vào được đưa đến các lớp nhận dạng

Mỗi lớp làm nhiệm vụ nhận dạng một đặc điểm riêng của đối tượng Mỗi lớp lại được phân nhỏ ra nhiều chuyên gia với chức năng nhận dạng và ngưỡng nhận dạng khác nhau Tổng hợp kết quả từ tất cả các chuyên gia trong một lớp sẽ cho ra kết quả nhận dạng của lớp đó Cuối cùng là tổng hợp kết quả các lớp sẽ cho ra kết quả nhận dạng đối tượng

Hình 1.2 Cấu trúc nhận dạng lớp - chuyên gia

Cấu trúc 2: Hình 1.3 - Tập vectơ đầu vào được đưa đến các chuyên gia Mỗi

chuyên gia được phân nhỏ ra nhiều lớp với chức năng nhận dạng khác nhau Với hàm ngưỡng quan hệ giữa các lớp sẽ cho ra kết quả nhận dạng của từng chuyên gia Tổng hợp kết quả từ tất cả các chuyên gia sẽ cho ra kết quả nhận dạng đối tượng

8

Hình 1.3 Cấu trúc nhận dạng chuyên gia - lớp

Wavelet gần đây được miêu tả như một phương pháp mới cho xử lý tín hiệu

So với biến đổi Fourier - phương pháp dựa vào một hàm cơ bản, thì số hàm cơ bản trong biến đổi Wavelet được mở rộng Vấn đề cơ bản trong biến đổi Wavelet là chọn hệ số tỷ lệ và hàm Wavelet mẹ, biến đổi Wavelet là thay đổi các hệ số tỷ lệ và dịch chuyển hàm Wavelet mẹ Biến đổi Wavelet biến đổi tín hiệu sang cả hai miền thời gian và tần số, điều này khác với biến đổi Fourier - chỉ biến đổi tín hiệu sang miền tần số và biến đổi Fourier thời gian ngắn - biến đổi tín hiệu sang miền thời gian và tần số nhưng với cửa sổ tín hiệu không linh hoạt Biến đổi Wavelet sử dụng cửa sổ tín hiệu nhỏ cho mức tần số cao và cửa sổ tín hiệu lớn cho mức tần số thấp

Khi áp dụng Wavelet, có nhiều hàm cơ bản khác nhau để chọn lựa như Morlet, Daubechies, Haar… Hàm db1 thường được sử dụng cho nhận dạng sự cố,

do db1 là hàm Wavelet ngắn phù hợp cho nhận dạng dao động Hàm db4 được sử dụng cho đánh giá độ lớn và góc pha của điện áp và dòng điện

Với khả năng thay đổi dễ dàng kích thước cửa sổ tín hiệu, biến đổi Wavelet được sử dụng rất hiệu quả trong nhận dạng các sóng dao động xảy ra khi có sự cố đường dây hay khi đóng cắt vận hành Khác với biến đổi Fourier, biến đổi Wavelet

9

inputs

outputs

Hình 1.4 Cấu trúc mạng ANN lan truyền ngược truyền thẳng

có khả năng xác định được vùng sự cố, làm việc với sóng không liên tục ở cả hai miền tần số cao và thấp

1.2 Kết hợp biến đổi Wavelet và mạng Neural để nhận dạng sự cố trong bảo vệ máy biến áp

Bài báo [1] trình bày thuật toán Wavelet để phân biệt dòng xung từ hóa và dòng sự cố hệ thống Kỹ thuật xử lý dựa trên cơ sở biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT) kết hợp với mạng Neural nhân tạo (Artificial Neural Network - ANN) để dò tìm và phân loại dòng sự cố DWT xử lý bằng cách tách các đặc trưng trong tín hiệu Thông tin này là điều kiện vào của mạng ANN để phân biệt sự cố và dòng xung từ hóa Máy biến áp 220/55/55V, 50Hz đã được dùng

để mô phỏng EMTP DWT trong Matlab và Wavelet mẹ Coiflet mức 1 đã được sử dụng để phân tích dòng sơ cấp tạo ra dữ liệu đào tạo

Để phân biệt dòng xung và dòng ngắn mạch, cấu trúc mạng ANN với ba lớp

điển hình được sử dụng như Hình 1.4 dưới đây: bao gồm một lớp vào với ba

neuron, một lớp ẩn với hai neuron và một lớp ra với tám neuron

Dữ liệu ngõ vào của ANN được sắp xếp trong cửa sổ một phần tư chu kỳ (5ms, 10 mẫu của dòng sơ cấp và thứ cấp) DWT tách từng phần tín hiệu thành những hệ số chi tiết ANN được cung cấp với ba hệ số chi tiết; theo đó, véc tơ ngõ vào có 30 yếu tố ANN dò tìm có 8 neuron ngõ ra, những neuron này cho biết sự tồn tại của xung từ hóa, tình trạng hoạt động bình thường, sự cố pha - pha, sự cố hai pha chạm đất, sự cố ngắn mạch ba pha, sự cố một pha chạm đất, tình trạng quá tải và tín hiệu tác động cắt máy cắt

10

Còn Hình 1.5 mô phỏng sự cố một pha chạm đất máy biến áp ba pha nối

Yo/Yo với sự cố bắt đầu tại 200ms và kết thúc tại 240ms có điện trở sự cố là 1

Các hệ số chi tiết được hiển thị ở Hình1.6

Hình 1.5 Sự cố một pha chạm đất bên ngoài thứ cấp

Hình 1.6 Biến đổi wavelet sự cố một pha chạm đất

11

Cùng một cách thức tương tự, Hình 1.7 và Hình 1.8 trình bày những mô phỏng

của dòng xung từ hóa và tình trạng hoạt động bình thường mang tải cùng với cách DWT phân tích chúng

Hình 1.7 Tình trạng xung từ hóa và sự biến đổi của hệ số chi tiết

Hình 1.8 Trạng thái mang tải và sự biến đổi của hệ số chi tiết

S

Mạng Wavelet- Neural

3 ngõ vào, 8 ngõ ra

Phát hiện dòng xung từ hóa ?

Dòng sự cố ? Phát tín hiệu

báo sự cố

Kiềm chế

Rơ le

Dòng điện từ khối đo lường

Lấy mẫu tín hiệu tần số lấy mẫu 2kHz

Biến đổi Wavelet tại mức 1 với Coif 6

13

Trong phần tiếp theo của bài báo, những đáp ứng ANN được xuất ra dưới dạng bảng giá trị Ngõ vào là bộ hệ số chi tiết D1, D2 và D3 của dòng xung hoặc

dòng ngắn mạch của mỗi pha sử dụng biến đổi Wavelet rời rạc Trong Bảng 1.1,

máy biến áp được bật tại 0.5ms sau khi khởi động mô phỏng, vì vậy ba giá trị của D1, D2 và D3 là zero Từ đó xung từ hóa được giả định như là sự hoạt động bình thường, những ngõ ra neuron “mag” và “normal” là đạt giá trị 1, trong khi những ngõ ra neuron khác là 0

* Trong Bảng 1.1, các quy ước bao gồm:

- Neuron ngõ ra “mag” quy ước “ tình trạng xung từ hóa”;

- Neuron ngõ ra “normal” quy ước “tình trạng hoạt động bình thường”;

- Neuron ngõ ra “pg” quy ước “sự cố chạm đất một pha”;

- Neuron ngõ ra “ppg” quy ước “sự cố hai pha chạm đất”;

- Neuron ngõ ra “tp” quy ước “sự cố ngắn mạch ba pha”;

- Neuron ngõ ra “pp” quy ước “sự cố ngắn mạch hai pha”;

- Neuron ngõ ra “ol” quy ước “tình trạng quá tải”;

- Neuron ngõ ra “cb” quy ước “vị trí máy cắt”

* Trong Bảng 1.2, T là giá trị đích và C là đáp ứng của ANN sau 2000 phép tính

lặp

Bảng 1.1 Dữ liệu đào tạo xung từ hóa

14

Bảng 1.2 Đáp ứng ANN ứng với tình trạng xung từ hóa

Hình 1.10 Sai số hiệu dụng trong thời gian xung từ hóa

Hình 1.10 trình bày sai số hiệu dụng khi sử dụng đào tạo mạng Neural lan

truyền ngược Quá trình đào tạo kết thúc khi sai số tiến tới giá trị 0.0003

Tóm lại, bài báo này đã giới thiệu một kỹ thuật mới để phân biệt giữa dòng xung từ hóa và dòng ngắn mạch trong máy biến áp bằng sự phối hợp kỹ thuật biến đổi Wavelet và mạng Neural Yêu cầu về tính toán để thực hiện sự biến đổi Wavelet là tại mức 1 của Wavelet mẹ Coif 6

Cùng một mục đích tương tự, bài báo [2] giới thiệu thuật toán biến đổi Wavelet và mạng Neural (Wavelet Neural Network - WNN) để phân biệt dòng xung

từ hóa với những dòng sự cố bên trong máy biến áp trong hệ thống điện ba pha

Các trường hợp dòng sự cố được mô phỏng với sự cố một pha chạm đất, sự

cố hai pha chạm đất, sự cố hai pha, sự cố hai pha chạm đất và sự cố ba pha Tần số

cơ bản của dòng điện là 50Hz

Những dạng sóng dòng điện sự cố phát ra từ phần mềm PSCAD có tần số lấy mẫu là 2 kHz

Biến đổi Wavelet đã được sử dụng để phân tích quá độ trong máy biến áp

Dữ liệu nhận được từ mô phỏng PSCAD đưa đến phần mềm Matlab để tính toán những hệ số DWT của tín hiệu Trong bài báo này, Wavelet mẹ db6 đã được sử dụng ở mức 1

Biến đổi Wavelet dòng xung từ hóa: Khi sơ cấp của một máy biến áp không tải nhận năng lượng, trong cuộn dây sẽ tạo ra một dòng từ hóa rất lớn có thể 10 lần lớn hơn so với dòng bình thường và mất khoảng 10 chu kỳ để tắt dần Điều này trông giống như một dòng sự cố với relay so lệch và relay có thể tác động nhầm

Biến đổi DWT ba pha của một dòng xung từ hóa khi máy biến áp đang nhận năng lượng tại thời điểm góc đóng điện áp 360 trình bày trong Hình 1.12 Từ đó cho

thấy những điểm nhọn quá độ trong chi tiết 1 tại lúc khởi động dòng xung, những

16

đỉnh nhọn suy giảm chậm và kéo dài hơn 10 chu kỳ Hệ số chi tiết pha A: 0,0097; pha B: 0,0175; pha C: 0,0228

Hình 1.12 Biến đổi DWT dòng xung ba pha tại góc đóng điện áp 36 0

Biến đổi Wavelet dòng sự cố bên trong: Những dòng sự cố xảy ra giữa hai

biến dòng của máy biến áp được gọi là sự cố bên trong Những dòng này xảy ra tương ứng với một vài trường hợp ngắn mạch trong cuộn dây máy biến áp, do đó cần có hành động ngay lập tức để cô lập máy biến áp bị sự cố Biến đổi DWT của

dòng ba pha với pha C chạm đất trình bày trong Hình 1.13

Từ hình vẽ cho thấy những đỉnh nhọn đột biến xuất hiện tại lúc khởi động sự

cố và suy giảm rất nhanh trong vòng một chu kỳ Giá trị lớn nhất của hệ số D1 của mỗi pha khi pha C chạm đất với điện trở 1 là: Pha A: 0,0321; pha B: 0,0321; pha C: 0,0509 (pha bị sự cố)

Kết quả biến đổi cho thấy rất rõ ràng hệ số D1 của pha sự cố lớn hơn nhiều khi so sánh với hệ số D1 của dòng xung từ hóa và của những pha không

sự cố Vì vậy, có thể dễ dàng phân biệt một dòng xung với dòng sự cố bên trong

17

dựa trên cơ sở những hệ số D1 và gởi đi một tín hiệu tác động nếu hệ số D1 vượt quá ngưỡng cài đặt

Hình 1.13 Biến đổi DWT của dòng sự cố pha C chạm đất

Biến đổi DWT của dòng ba pha cho sự cố hai pha chạm đất (BC-G) với điện

Rõ ràng những hệ số D1 của những pha sự cố là lớn hơn khi so sánh với hệ

số D1 của dòng xung và của pha không bị sự cố

18

Hình 1.14 Biến đổi DWT của dòng sự cố hai pha BC chạm đất

Sự làm việc của mạng Neural: Trong bài báo này, thuật toán lan truyền

ngược được sử dụng để phân loại những dòng xung và dòng sự cố bên trong máy biến áp Sự lựa chọn những lớp ẩn và số lượng neuron trong mỗi lớp là một trong những vấn đề quan tâm trong xây dựng cấu trúc mạng Neural ANN với quá nhiều neuron có thể ngăn cản quá trình hội tụ nhưng nếu quá ít neuron thì độ chính xác không cao

Mạng Neural với hai lớp ẩn có mười neuron trong lớp đầu và 20 neuron trong lớp thứ nhì đã làm việc tốt với sai số thấp nhất so với những mô hình khác

được thử nghiệm Hình 1.15 trình bày cấu trúc mạng WNN đã thiết kế để phân loại

những dòng xung và dòng sự cố bên trong của bài báo này

Hình 1.15 Cấu trúc của WNN được sử dụng

sự cố hay là một dòng xung Đích của ngõ ra được ấn định 1 cho dòng sự cố bên trong và 0 cho dòng xung trong quá trình đào tạo Tổng phân tích lặp đạt đến 3000 Đích sai số được cài đặt tới 0.001 Đánh giá sự học của mạng cài đặt tới 0.7

Tổng cộng 220 trường hợp đã được mô phỏng Những dòng so lệch ba pha được thu nhận để phân tích Những hệ số Wavelet D1 nhận được cho cả hai tình trạng sự cố và dòng xung được cung cấp cho ngõ vào mạng Neural đã thiết kế Ngõ

ra của biến đổi Wavelet – mạng Neural với những dòng sự cố bên trong và những

dòng xung thể hiện ở Hình 1.16

20

Hình 1.16 Ngõ ra ANN với dòng sự cố bên trong và dòng xung

Mạng Neural sử dụng đã cho thấy tính chính xác phân biệt dòng sự cố bên trong và những dòng xung từ 5 hệ số trong 1/8 chu kỳ quan trọng đầu tiên Wavelet phối hợp với mạng Neural đã biến đổi đơn giản dữ liệu ngõ vào và giảm nhỏ thời gian tác động của relay

Từ những kết quả nghiên cứu của bài báo cho thấy sự phối hợp Wavelet và mạng Neural đã phân biệt chính xác sự cố bên trong với dòng xung từ hóa trong máy biến áp ba pha WNN đã phân biệt có hiệu quả, gởi tín hiệu tác động chính xác

và nhanh trong vòng 1/8 chu kỳ đầu tiên

Một đối tượng hay một quá trình, nhìn chung có vô số các nét đặc trưng để

mô tả Trong thực tế người ta chỉ khai thác một số các biểu diễn ứng với một số hữu hạn các nét đặc trưng Như vậy, ta chỉ xem xét hình chiếu của đối tượng lên một không gian hữu hạn có các chiều ứng với các nét đặc trưng

Gọi X là không gian biểu diễn n chiều: X = x 1 , x 2 ,…, x n

Tập các đối tượng phân loại trong X nếu x i x j = ; i, j; j i

Các lớp x i tạo thành một hình chiếu trên X: (X) Vấn đề cốt lõi của nhận

dạng là xác định hàm nhận dạng f sao cho f: X → (X) và cho ra dạng của đối

tượng

Giả sử C = c 1 , c 2 ,…, c p là tập các kí tự biểu thị các thông số đặc trưng của đối tượng Những thông số này có thể lượng hóa bằng các phép đo, so sánh với chuẩn, hoặc được đặc trưng bởi tần suất xuất hiện, hay có khi được thể hiện qua việc nó có hay không một tính chất nào đó

Các thành phần cấu thành không gian nhận dạng gồm: không gian độ đo ,

không gian phân biệt Y, không gian quyết định , tập các dữ liệu được so sánh trong

 và các tiêu chuẩn để phân biệt các dạng với nhau Điều này cần có những tri thức nhất định về các lớp của đối tượng

2.1.1 Nhận dạng đường cong tín hiệu

Trong thực tế hoạt động sản xuất, chúng ta thường gặp những quá trình mà tín hiệu về quá trình đó vẽ nên một đường cong theo thời gian hay không gian Con người tìm hiểu về quá trình đang xảy ra thông qua việc xử lý các tín hiệu nhận được Đó thường là công việc phức tạp, gồm nhiều công đoạn mà trong đó nhận dạng là một công đoạn có tính quyết định

Đường cong tín hiệu là kết quả của sự tương tác giữa quá trình và môi trường xung quanh, được đo bằng cường độ theo thời gian hay không gian Khi nhận được đường cong tín hiệu, cần phải có các chuyên gia, những người có kinh nghiệm để nhận dạng, phân biệt hay huấn luyện quá trình nhận dạng Một chu trình nhận dạng

đường cong tín hiệu mô tả như Hình 2.2

Kết quả nhận dạng có tốt hay không phụ thuộc vào kỹ thuật nhận dạng, kỹ thuật nhận dạng phụ thuộc vào công việc lấy mẫu, chọn ngưỡng, huấn luyện,… Phương pháp nhận dạng bao gồm các bước:

- Thu nhận tín hiệu;

- Lựa chọn các dấu hiệu để nhận dạng;

- Nhận dạng từ tập các dấu hiệu đã trích chọn

23

Các bước này mang tính đồng bộ rõ rệt, mỗi thay đổi trong một bước đều dẫn tới những thay đổi ở các bước tiếp theo

Hình 2.2 Chu trình nhận dạng đường cong tín hiệu

2.1.2 Kỹ thuật nhận dạng đường cong tín hiệu

Công việc đầu tiên khi nhận dạng là thu nhận, đo lường tín hiệu, nhận dạng

có tốt hay không phụ thuộc vào chất lượng thu nhận, đo lường tín hiệu và việc lọc nhiễu tín hiệu Sau đó, để nhận dạng đường cong tín hiệu ta phải lần lượt thực hiện các bước sau đây:

Xác định mục tiêu nhận dạng: là xác định đâu là tín hiệu, đâu là nhiễu Nó

bao gồm toàn bộ khâu thu nhận tín hiệu phục vụ cho quá trình nhận dạng Khi thu nhận tín hiệu để xử lý trên máy tính phải chú ý đến khả năng làm việc của máy, lựa chọn tần số lấy mẫu cho phù hợp

24

Chọn các tiêu chuẩn nhận dạng: thể hiện đặc trưng của quá trình nhận dạng

đường cong tín hiệu Những tiêu chuẩn nhận dạng này phụ thuộc vào các phương

pháp nhận dạng được trình bày như Hình 2.3

Hình 2.3 Phương pháp nhận dạng

Việc lựa chọn các tiêu chuẩn nhận dạng sẽ tập trung vào những công việc sau:

- Phân tích đường cong tín hiệu để tách những phần đặc trưng;

- Chọn tiêu chuẩn nhận dạng cho từng loại phần đặc trưng;

- Chọn tiêu chuẩn nhận dạng kết hợp cho toàn bộ đường cong tín hiệu

Chọn ngưỡng để nhận dạng: là vấn đề chung của mọi bài toán nhận dạng

Với nhận dạng đường cong tín hiệu thường là nhận dạng kinh nghiệm, giá trị ngưỡng được xác định trong từng trường hợp cụ thể chứ không phải là một giá trị xác định trước

Sau các bước xác định mục tiêu nhận dạng, chọn các tiêu chuẩn nhận dạng

và chọn ngưỡng ta đã chuẩn bị sẵn sàng để thực hiện quá trình nhận dạng Trong

bước này cần thực hiện những công việc:

- Lựa chọn thuật toán nhận dạng;

- Lựa chọn tập mẫu;

- Trích các tín hiệu của đường cong tín hiệu cần nhận dạng;

- Thực hiện thuật toán nhận dạng

25

Đánh giá kỹ thuật nhận dạng: đây là bước cuối cùng, quá trình nhận dạng

có chính xác hay không, hiệu quả nhận dạng mang lại như thế nào và áp dụng trong thực tiễn ra sao

Hệ thống bảo vệ nhìn hệ thống điện thông qua các thiết bị đo lường Các thông số hệ thống điện bao gồm thông số vận hành và thông số chế độ Một số thông số đã được biết trước như tổng trở, chiều dài đường dây,…, không thay đổi trong quá trình vận hành; các thông số dòng điện, điện áp, công suất luôn thay đổi khi vận hành, nhất là khi có sự cố Việc đo lường chính xác các thông số này là vô cùng quan trọng, ảnh hưởng đến việc nhận dạng chế độ, bảo vệ và điều khiển hệ thống

Dòng điện và điện áp vận hành được đo lường thông qua các biến dòng điện

CT, biến điện áp VT Thiết bị bảo vệ nhận biết sự cố thông qua các thông số đo lường được Thiết bị bảo vệ relay nhận biết các loại sự cố và đưa ra tín hiệu tác động cắt máy cắt, cô lập điểm sự cố khỏi hệ thống Có rất nhiều loại relay bảo vệ như bảo vệ quá dòng (50/51), bảo vệ quá dòng chạm đất (50/51N), bảo vệ quá dòng

có hướng (67), bảo vệ khoảng cách (21), bảo vệ so lệch (87), bảo vệ tần số (81), bảo

26

xác Một phương pháp được nghiên cứu nhiều trong thời gian gần đây là nhận dạng

sự cố hệ thống điện bằng biến đổi Wavelet các sóng tín hiệu dòng điện và điện áp

đo lường Biến đổi Wavelet biến đổi sóng tín hiệu sang cả hai miền thời gian và tần

số, do đó mọi sự thay đổi về biên độ, tần số của tín hiệu phân tích đều có thể nhận biết được

Sau đây sẽ trình bày phương pháp biến đổi tín hiệu, biến đổi Wavelet, áp

dụng để nhận dạng sự cố trong hệ thống điện

2.2 Phương pháp biến đổi tín hiệu

Có nhiều phương pháp biến đổi tín hiệu, tùy vào loại tín hiệu và mục đích của việc biến đổi mà áp dụng các phương pháp biến đổi khác nhau Trước biến đổi Wavelet - WT (Wavelet Transform), về cơ bản có 2 phương pháp biến đổi tín hiệu

là biến đổi Fourier - FT (Fourier Transform) và biến đổi Fourier thời gian ngắn - STFT (Short Time Fourier Transform)

Biến đổi Fourier mô tả tín hiệu là tổng các hàm sin hay cosin với các tần số

khác nhau thể hiện như Hình 2.4; các thành phần tần số không thấy được trong miền

thời gian có thể được hiển thị rõ ràng trong miền tần số Tuy nhiên sau quá trình biến đổi, tín hiệu được chuyển hoàn toàn sang miền tần số, như vậy thông tin về thời gian của tín hiệu bị mất Do đó phép biến đổi Fourier không thích hợp để phân tích các tín hiệu động

Biến đổi Fourier của hàm f(t) được định nghĩa là:

27

Tín hiệu f(t) có thể được khôi phục bằng phép biến đổi Fourier ngược:

e F d

F e t

1

Biến đổi Fourier thời gian ngắn là một dạng biến thể của biến đổi Fourier, thực hiện biến đổi Fourier trên từng phần nhỏ của tín hiệu, là một sự thỏa hiệp giữa thông tin thời gian và thông tin tần số của tín hiệu trong một khoảng thời gian ngắn

gọi là cửa sổ tín hiệu, thể hiện như Hình 2.5 Kết quả của phép biến đổi phản ánh

được thông tin trong cả hai miền thời gian và tần số của tín hiệu nguyên bản Khuyết điểm của phương pháp STFT là độ rộng cửa sổ tín hiệu phân tích phải cố định trên toàn khoảng thời gian biến đổi

Với 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 , sau đó áp dụng phép biến đổi Fourier cho đoạn tín hiệu này ta được một hàm 2 biến

Như vậy, STFT tại thời điểm  là biến đổi Fourier của tín hiệu f(t) nhân với

phiên bản dịch theo thời gian một khoảng  : w(t - ) của cửa sổ cơ bản xung quanh

 Cửa sổ biến đổi càng hẹp thì sự định vị theo thời gian càng tốt và tín hiệu được đánh giá càng chính xác hơn

Hình 2.5 Phép biến đổi STFT

28

Một phép biến đổi tốt phải có được sự kết hợp linh động giữa độ phân giải về thời gian và tần số tùy theo đặc trưng của tín hiệu biến đổi Phép biến đổi Wavelet (biến đổi Wavelet liên tục) thực hiện được điều này khi biến đổi tín hiệu dựa vào

các hệ số tỷ lệ (scale) a và vị trí (position) b

Biến đổi Wavelet mô tả tín hiệu theo các hàm Wavelet mẹ Các hàm Wavelet đồng thời có đặc tính thời gian và đặc tính tỷ lệ, cho phép sử dụng các khoảng thời gian dài khi ta cần thông tin tần số thấp và miền thời gian ngắn với thông tin tần số

cao Biến đổi Wavelet không dùng miền thời gian - tần số mà dùng miền thời gian -

tỷ lệ Ưu điểm chính của biến đổi Wavelet là khả năng thực hiện biến đổi cục bộ và

nhờ vậy có thể biến đổi một vùng cục bộ của tín hiệu để phát hiện các điểm gãy, các điểm gián đoạn với độ dốc lớn,… Biến đổi Wavelet có thể thực hiện nén hoặc khử

nhiễu tín hiệu Hình 2.6 mô tả phép biến đổi Wavelet

Hình 2.6 Phép biến đổi Wavelet

Hiện nay Wavelet là một công cụ mới trong biến đổi tín hiệu và được áp dụng nhiều trong thực tế Trong ngành điện, Wavelet được áp dụng trong các lĩnh vực như chất lượng điện năng 32%, bảo vệ hệ thống điện 36%, đo đếm 2%, dao động điện 11%, dự báo phụ tải 3%, phóng điện 4% và các lĩnh vực khác 12%

2.2.1 Biến đổi Wavelet

Biến đổi Wavelet là chia tách tín hiệu thành các phiên bản dịch và tỷ lệ của Wavelet cơ bản (Wavelet mẹ) Với khả năng định vị tốt trong cả miền thời gian và tần số, phép biến đổi Wavelet là một phép phân tích tín hiệu tối ưu Biến đổi Wavelet được áp dụng trong nhiều lĩnh vực khác nhau như toán học ứng dụng, xử

lý tín hiệu số và ứng dụng máy tính

29

Các tín hiệu có những đặc điểm khác nhau về thời gian và tần số, những thành phần tần số cao thường có thời gian tồn tại ngắn hơn những thành phần tần số thấp Biến đổi tín hiệu bằng Wavelet là chia tách tín hiệu thành các phiên bản dịch

vị trí và tỷ lệ của Wavelet cơ bản mẹ  Dạng sóng của hàm Wavelet cơ bản mẹ có thời gian duy trì tới hạn và giá trị trung bình bằng không, thỏa điều kiện sau:

( ) ( )

dt t

a Biến đổi Wavelet liên tục

Biến đổi Wavelet liên tục - CWT (Continous Wavelet Transform) được xác

định là tổng trên toàn khoảng thời gian của tín hiệu nhân theo tỷ lệ (scale) a (a 

R + ) và vị trí (position) b (b  R) của hàm Wavelet mẹ  :

b a

Kết quả của CWT là cho ra rất nhiều hệ số Wavelet C a b CWT f(a i b j)

j

i, = , là

hàm của tỷ lệ và vị trí, đo mức độ tương quan giữa Wavelet với tín hiệu f(t) Khi a

< 1 là phiên bản nén của hàm Wavelet mẹ tương ứng với thành phần tần số cao, và

khi a > 1 là phiên bản kéo giãn của hàm Wavelet mẹ tương ứng với thành phần tần

số thấp Đặt tỷ lệ Wavelet theo nghĩa là kéo hoặc nén Wavelet mẹ  và vị trí được hiểu là làm trễ Wavelet mẹ  Khi nhân Wavelet mẹ với các hệ số theo tỷ lệ và vị trí tương ứng sẽ cho ta tín hiệu nguyên thủy

30

0

, 1

1

a

da db b a CWT a

b t a C

trong đó, () là phổ Fourier của hàm (t)

Năm bước thực hiện biến đổi Wavelet liên tục:

1- Chọn một Wavelet mẹ và so sánh với khởi đầu của tín hiệu;

2- Tính toán giá trị C đặc trưng cho tương quan gần của Wavelet mẹ với

đoạn đầu của tín hiệu;

3- Dịch Wavelet về phía bên phải và lặp lại bước 1 và 2 cho đến hết tín hiệu; 4- Định tỷ lệ Wavelet và lặp lại các bước từ 1 đến 3;

5- Lặp lại các bước từ 1 đến 4 cho mọi tỷ lệ

Sự tương quan giữa tỷ lệ Wavelet và tần số trong phân tích Wavelet:

- Mức a thấp  Wavelet được nén  chi tiết thay đổi nhanh  tần số  cao

- Mức a cao  Wavelet được dãn  chi tiết thay đổi chậm, thô hơn  tần số 

thấp

b Biến đổi Wavelet rời rạc

Biến đổi Wavelet liên tục tạo ra rất nhiều dữ liệu, làm cồng kềnh trong tính toán và việc khôi phục lại tín hiệu gốc thêm khó khăn Để khắc phục nhược điểm này ta thực hiện phép biến đổi Wavelet rời rạc - DWT (Discrete Wavelet Transform) với việc thay thế các tỷ lệ aa0m(a0 0,1) và vị trí b=nb0a0m (b0 0)

với m, n là các số nguyên:

m n

+ Các xấp xỉ và chi tiết

31

Biến đổi Wavelet rời rạc sẽ tạo ra các hệ số xấp xỉ a và chi tiết d Hệ số xấp

xỉ a phản ánh thành phần tỷ lệ cao, tần số thấp của tín hiệu, ngược lại hệ số d phản ánh thành phần tần số cao, tỷ lệ thấp Để khôi phục lại hàm f(t) từ các hệ số rời rạc nếu các Wavelet tạo thành một cơ sở trực chuẩn, điều này đạt được khi a 0 =2 và

c Biến đổi Wavelet gói

Biến đổi Wavelet gói là sự khái quát của biến đổi Wavelet, tạo ra một khả năng phong phú hơn trong biến đổi tín hiệu Khi biến đổi Wavelet rời rạc, một tín hiệu được chia thành một xấp xỉ và chi tiết, xấp xỉ đó lại được biến đổi thành xấp xỉ

và chi tiết mức 2 Quá trình tiếp tục được lặp lại, khi biến đổi n mức có n + 1 cách

để phân tách hoặc mã hóa tín hiệu Trong biến đổi Wavelet gói, các chi tiết cũng được biến đổi và tạo ra đến 2 1

2 n− cách khác nhau để tách hoặc mã hóa tín hiệu Lúc

đó ta có cây biến đổi Wavelet gói như Hình 2.7

Hình 2.7 Cây biến đổi Wavelet gói

Khi đó tín hiệu S có thể được biểu diễn bởi:

S = A1 + AAD3 + DAD3 + DD2

d Các hàm Wavelet thông dụng

- Wavelet Haar: là một hàm rời rạc có cơ sở là hàm bước

32

- Daubechies: bao gồm 10 dạng hàm từ db1 đến db10, db1 là hàm Wavelet Haar

- Biorthogonal (song trực giao): bao gồm 14 dạng hàm Wavelet

- Coiflets: gồm 5 dạng hàm từ coif1 đến coif5

- Symlets: gồm 7 dạng từ sym2 đến sym8

+ Các hàm theo dòng lệnh: là các lệnh, các hàm ứng dụng riêng, thực hiện

phân tích, tổng hợp tín hiệu Các hàm ứng dụng thường ở dạng m-file

+ Công cụ giao diện đồ họa: bao gồm các công cụ giao diện đồ họa có khả

năng truy nhập các hàm mở rộng Thực hiện giao diện đồ họa này khi gõ wavemenu

ở cửa sổ Command

* Hộp công cụ Wavelet cho phép thực hiện:

- Kiểm tra và khám phá các đặc tính của Wavelet riêng và Wavelet gói;

- Kiểm tra tính thống kê của các tín hiệu và thành phần tín hiệu;

- Thực hiện phép biến đổi Wavelet liên tục của tín hiệu 1 chiều;

- Thực hiện phân tích và tổng hợp rời rạc của tín hiệu 1 và 2 chiều;

- Thực hiện biến đổi Wavelet gói của tín hiệu 1 và 2 chiều;

- Nén và khử nhiễu trong các tín hiệu và hình ảnh;

- Hiển thị tín hiệu, miền hiển thị, màu sắc hiển thị

33

Sau đây sẽ trình bày phương pháp biến đổi Wavelet liên tục, Wavelet rời rạc

và Wavelet gói đơn mức một chiều bằng Matlab dùng cho phân tích tín hiệu

a) Biến đổi Wavelet liên tục một chiều

+ Thực hiện biến đổi bằng dòng lệnh

- Tải tín hiệu:

>> load tên tín hiệu;

Tên tín hiệu được save ở dạng: tên tín hiệu.m

- Biến đổi Wavelet liên tục:

>> c = cwt(tên tín hiệu,m:n:k,’db4’,’plot’);

c : ma trận chứa các hệ số ở các mức khác nhau

cwt : lệnh Matlab thực hiện biến đổi Wavelet liên tục

c : thực, dương là tỷ lệ đầu k : thực, dương là tỷ lệ cuối

n : thực, dương là bước nhảy plot : lệnh vẽ các hệ số

+ Biến đổi Wavelet liên tục dùng giao diện đồ họa

Thực hiện các thao tác: wavemenu/ enter/ Continuous Wavelet 1-D/ File/ Load signal/ MATLAB/ toolbox/ Wavelet/ wavedemo/ tên tín hiệu / chọn Wavelet db4, tỷ lệ 1:1:48/ Analyze

b) Biến đổi Wavelet rời rạc một chiều

+ Thực hiện biến đổi dùng dòng lệnh

- Tải tín hiệu:

>> load tên tín hiệu;

>> s = tên tín hiệu (1:n) % rời rạc hoá tín hiệu; n: nguyên dương là chiều dài rời rạc hoá

>> l_s = length(s); % chiều dài tín hiệu

- Biến đổi Wavelet rời rạc đơn mức 1 chiều

>> [cA1,cD1] = dwt (tên tín hiệu rời rạc,’Wavelet mẹ’); % dwt: lệnh Matlab tạo ra các hệ số của xấp xỉ mức 1 (cA1) và chi tiết mức 1 (cD1)

- Xây dựng các xấp xỉ A1 và chi tiết D1 từ các hệ số cA1 và cD1:

>> A1 = upcoef(‘a’,cA1,’db1’,1,l_s);

- Hiển thị xấp xỉ và chi tiết

>> subplot(m,n,k); plot(A1); title(‘Approximation A1’);

>> subplot(m,n,k); plot(D1); title(‘Detail D1’);

subplot: lệnh Matlab định vị trí đồ thị m: số hàng mảng đồ thị

plot: lệnh Matlab vẽ đồ thị n: số cột mảng đồ thị

title: lệnh Matlab ghi tên đồ thị k: vị trí đồ thị

+ Biến đổi Wavelet rời rạc dùng giao diện đồ họa

Thực hiện các thao tác sau: wavemenu/ Wavelet1-D/ File/ Load–signal/ toolbox/ Wavelet/ wavedemo/ tên tín hiệu / OK/ chọn Wavelet mẹ là db1, mức phân tích (level) bằng 1, nhấn Analyze

c) Biến đổi Wavelet gói một chiều

+ Thực hiện biến đổi dùng dòng lệnh

- Tải tín hiệu:

>> load tên tín hiệu;

>> x = tên tín hiệu;

>> plot(x);title(‘Original Signal’); % Vẽ tín hiệu nguyên thuỷ

- Biến đổi Wavelet gói 1 chiều

>> wpt = wpdec(tên tín hiệu,mức,’Wavelet mẹ’,’entropy’,độ chính xác); % wpdec: lệnh Matlab tạo ra các cây biến đổi Wavelet gói

>> plot(wpt) % Vẽ cây Wavelet gói

- Đọc các hệ số của gói số 4: vị trí (2,1)

35

>> cfs = wpcoef(wpt,[2 1]);

>> plot(cfs); title(‘Packet (2,1) coefficients); % Vẽ gói số 4 wpcoef: lệnh Matlab

+ Biến đổi Wavelet gói dùng giao diện đồ họa

Thực hiện các thao tác sau: wavemenu/ Wavelet Packet 1-D/File/ Load–signal/ toolbox/ Wavelet/ wavedemo/ tên tín hiệu / OK/ chọn Wavelet mẹ là db1, mức biến đổi (level) bằng 3, entropy Shannon, nhấn Analyze

2.3 Áp dụng Wavelet trong nhận dạng sự cố

Bảo vệ máy biến áp vận hành ổn định và an toàn là một việc làm vô cùng quan trọng Hiện nay hệ thống bảo vệ relay ngày càng được hoàn thiện và vận hành tin cậy Tuy nhiên, hệ thống relay khó có thể phát hiện nhanh được các sự cố phức tạp như nhiễu, dao động lưới,… và relay phải có thời gian tác động, như vậy không tác động nhanh, cô lập nhanh được điểm sự cố Do đó cần phải có một phương pháp nhận dạng và điều khiển sự cố mới cùng tồn tại, phát triển và từng bước thay thế hệ thống bảo vệ relay

Trong những năm gần đây, với sự phát triển mạnh của khoa học về biến đổi Wavelet, mạng Neural, cho phép chúng ta ứng dụng biến đổi Wavelet các tín hiệu

đo lường, sau đó đưa các hệ số phân tích đến mạng Neural Mạng Neural sẽ xử lý

và đưa ra tín hiệu sự cố, loại sự cố, tín hiệu điều khiển cũng như tín hiệu tác động cắt máy cắt, cô lập điểm sự cố ra khỏi hệ thống

Các bước thực hiện áp dụng Matlab để biến đổi Wavelet cho nhận dạng sự cố:

- Mô phỏng chế độ vận hành bình thường;

- Mô phỏng rời rạc các trạng thái sự cố;

- Lấy các tín hiệu đo như dòng điện, điện áp tại vị trí cần nhận dạng;

- Thực hiện biến đổi Wavelet rời rạc các tín hiệu đo được, thu nhận các xấp

xỉ và chi tiết;

- Từ các xấp xỉ và chi tiết, tổng hợp tín hiệu cho ngõ vào mạng Neural nhận dạng sự cố và điều khiển bảo vệ