Nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện

Nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện Nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện Nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện Nghiên cứu ứng dụng mạng nơron nhân tạo để định vị sự cố trên lưới điện

TÓM TẮT

Hiện nay, cùng với sự phát triển của cơ sở hạ tầng kỹ thuật và mỹ quan đô thị thì việc ngầm hoá lưới điện phân phối tại các thành phố lớn như Hà Nội và thành phố Hồ Chí Minh… đang rất được nhà nước quan tâm Ngoài ra nhu cầu sử dụng điện ngày càng tăng đòi hỏi mức độ xử lý về thông tin và kỹ thuật số phải nhanh chóng và chính xác nên việc tìm ra vị trí ngắn mạch trên cáp ngầm là hết sức cần thiết

Theo Thố ng kê các nghiên cứu đã được thực hiê ̣n từ trước đến nay trong lĩnh vực xác định vị tri sự cố cáp ngầm phân phối được phân thành ba phương pháp chính đó là phương pháp bơm xung phản xa ̣, phương pháp tổng trở, phương pháp sóng truyền Trong

các nghiên cứu [1] và [2] tác giả chỉ được thực hiê ̣n bằng các máy phát xung chuyên

dụng có tần số cao và chỉ xác đi ̣nh được vi ̣ trí ngắn ma ̣ch sau khi đã cô lâ ̣p lưới điê ̣n Nhược điểm của phương pháp này là làm tăng thời gian mất điê ̣n, giảm chất lượng cung

cấp điê ̣n và phải đầu tư khá lớn cho máy ta ̣o xung công suất lớn, tần số cao và yêu cầu thiết bi ̣ đo lường chất lượng tốt với tần số đo lớn rất mắc tiền Phương pháp được đề xuất trong [3] sử dụng phương pháp giải lặp nên có nhược điểm là sai số tính toán khá cao

Các nghiên cứu trong [4-7] yêu cầu phải biết chọn đúng kiểu phân tích wavelet mới có thể nhận được vị trí ngắn mạch Phương pháp được đề xuất trong [12] sử dụng phương pháp sóng truyền Nhược điểm của phương pháp này là do xây dựng đường đặc tính tương quan giữa tần số cộng hưởng và vị trí trước khi xảy ra sự cố Trong lưới điện phân phối thì phụ tải thay đổi liên tục theo thời gian nên độ chính xác của phương pháp này không cao và không thể áp dụng trong một hệ thống lớn

Vì vậy qua tìm hiểu và phân tích về các giải thuâ ̣t xác đi ̣nh vi ̣ trí ngắn ma ̣ch đã được đề xuất, dựa vào tính chất cộng hưởng cao tần chứa trong tín hiệu quá độ điện áp các pha, luận văn đề xuất một phương pháp định vị sự cố ngắn mạch mới là nghiên cứu ứng dụng của mạng nơ ron kết hợp với sóng truyền để giảm thiểu thời gian tính toán, chi phí và nâng cao tính hiệu quả

ABSTRACT

Currently, along with the development of technical infrastructure and urban beauty,

the underground electricity grid distribution in big cities such as Hanoi and Ho Chi Minh

City are very concerned by the state In addition, the increasing demand for

information and digital processing requires rapid and accurate searching of short-circuit

positions on underground cables

According to statistics, the research that has been carried out so far in the field of

determining the location of underground cable breakdown is divided into three main

methods: Reflective Pulse Pump, wave transmission In studies [1] and [2] the authors

only performed by high frequency pulse generators and only identified short circuits

after isolation of the grid The disadvantage of this method is that it increases the power

failure time, decreases the quality of power supply and requires a large investment in

high frequency pulse generators, high frequency and good quality measurement

equipment with frequency Measurement is very expensive The method proposed in [3]

uses the iterative solving method, so the disadvantage is that the calculation error is quite

high Studies in [4-7] require that the correct type of wavelet analysis be chosen to obtain

a short-circuit position The method proposed in [12] uses the transmission method The

disadvantage of this method is that it builds the characteristic curve between the

resonance frequency and the position before the incident In the distribution grid, the

load changes continuously over time so the accuracy of this method is not high and can

not be applied in a large system

Thus, through the understanding and analysis of the proposed short circuit location

algorithms, based on the high frequency resonances contained in the phase transition

voltage signals, the thesis proposes a method of determining The new short-circuit

incident is the study of the application of neural networks in combination with

transmission to minimize the computational time, cost and improve efficiency

MỤC LỤC

LỜI CAM ĐOAN 5

LỜI CẢM ƠN 6

TÓM TẮT 7

ABSTRACT 8

MỤC LỤC 9

MỤC LỤC CÁC HÌNH 13

CHƯƠNG 1: TỔNG QUAN 15

1.1 Đặt vấn đề 165

1.2 Mục tiêu luận văn 16

1.3 Nội dung của luận văn 16

1.4 Phạm vi nghiên cứu 17

1.5 Phương pháp nghiên cứu 17

1.6 Điểm mới của luận văn 18

1.7 Nội dung luận văn 18

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 18

2.1 Tổng quan về mạng nơ ron nhân tạo 18

2.1.1 Giới thiệu về mạng nơ ron 18

2.1.2 Định nghĩa Mạng nơ ron 20

2.1.3 Hoạt động của mạng nơ ron 22

2.1.4 Các thành phần chính của mạng nơ ron 23

2.1.4.1 Trọng số 23

2.1.4.2 Hàm tổng 23

2.1.4.3 Hàm truyền 24

2.1.4.4 Lấy tỉ lệ và định giới hạn 25

2.1.4.5 Hàm ngả ra 26

2.1.4.6 Hàm lỗi 27

2.1.4.7 Hàm học 27

2.2 Huấn luyện mạng nơ ron: 27

2.2.1 Học có giám sát / Học có thầy 28

2.2.2 Học không giám sát / Học không thầy 29

2.2.3 Tốc độ học: 30

2.2.4 Các luật học 30

2.2.4.1 Luật Hebb 30

2.2.4.2 Luật Hopffield 30

2.2.4.3 Luật Delta 30

2.2.4.4 Luật giảm Gradient 31

2.2.4.5 Luật Kohonen 31

2.3 Giới thiệu các loại mạng nơ ron 32

2.3.1 Mạng lan truyền ngược 32

2.3.2 Mạng Vectơ lượng tử LVQ – Learning Vector Quantity 33

2.3.3 Mạng xác suất 33

2.3.4 Mạng Hopffield 33

2.3.5 Mạng tự sắp xếp 34

2.4 Cáp ngầm điện lực 35

2.4.1 Cấu tạo cáp ngầm điện lực 35

2.4.1.1 Lõi cáp 35

2.4.1.2 Lớp bán dẫn 35

2.4.1.3 Lớp cách điện XLPE 35

2.4.1.4 Lớp bán dẫn cách điện 36

2.4.1.5 Màng chắn kim loại 36

2.4.1.6 Lớp bọc 37

2.4.1.7 Lớp bảo vệ 37

2.4.1.8 Lớp vỏ bảo vệ ngoài cùng 37

2.5 Ngắn ma ̣ch trong cáp ngầm điện lực 37

2.5.1 Các nguyên nhân gây ngắn mạch cáp ngầm 37

2.5.2 Các loại sự cố ngắn mạch cáp ngầm 38

2.5.2.1 Ngắn ma ̣ch mô ̣t pha cha ̣m đất 38

2.5.2.2 Ngắn ma ̣ch hai pha cha ̣m đất 40

2.5.2.3 Ngắn ma ̣ch ba pha cha ̣m đất 43

CHƯƠNG 3:ỨNG DỤNG MẠNG NƠ RON ĐỂ ĐỊNH VỊ SỰ CỐ TRÊN LƯỚI ĐIỆN 45

3.1 Thuật toán định vị sự cố ngắn mạch dựa trên sóng truyền kết hợp mạng nơ ron 46

3.1.1 Thuật toán ước lượng vị trí sự cố ngắn mạch dựa trên tần số cộng hưởng.Trong nghiên cứu [12], tác giả đã đề xuất phương pháp xác định vị trí sự cố ngắn mạch bằng sóng truyền Phương pháp này có lưu đồ như trong Hình 3.1 và được thực hiện dựa trên các bước sau: 47

3.1.2 Thuật toán tạo hàm tương quan vị trí ngắn mạch – tần số cộng hưởng dựa trên mạng nơ ron truyền thẳng 37

CHƯƠNG 4: MÔ HÌNH HÓA VÀ MÔ PHỎNG 50

4.1 Mô tả lưới điện phân phối cần mô phỏng 50

4.2 Mô hình hóa các khối trong lưới điê ̣n phân phối được mô phỏng 53

4.3 Thiết kế giao diện chương trình ước lượng vị trí ngắn mạch cáp ngầm 53

4.3.1 Giao diện chương trình tạo sự cố ngắn mạch 53

4.3.2 Giao diện chương trình ước lượng vị trí ngắn mạch 55

4.4 Kết quả mô phỏng 56

4.4.1 Khi ngắn mạch pha a chạm đất tại vị trí 1700 m 56

4.4.2 Khi ngắn mạch hai pha bc chạm đất tại 2600m 61

4.4.3 Khi ngắn mạch ba pha abc chạm đất tại 3900m 66

CHƯƠNG 5: KẾT LUẬN 76

5.1 Các vấn đề được thực hiện trong luận văn 76

5.2 Đề nghị và các hướng phát triển của luận văn 76

TÀI LIỆU TRÍCH DẪN 78

MỤC LỤC CÁC HÌNH

Hình 2.1 Cấu tạo của tế bào nơ ron sinh học 6

Hình 2.2 Mô hình nơ ron nhân tạo 6

Hình 2.3 Cấu trúc một phần tử của mạng nơ ron 8

Hình 2.4 Cấu trúc mạng nơ ron 8

Hình 2.5 Kết nối các lớp của mạng nơ ron 9

Hình 2.6 Mạng nơ ron có hồi tiếp 10

Hình 2.7 Mạng lan truyền ngược 16

Hình 2.8 Mạng LVQ 17

Hình 2.9 Mạng Xác Suất 19

Hình 2.10 Mạng Hopffield 20

Hình 2.11 Mạng Tự Sắp Xếp 22

Hình 2.12 Lõi cáp 23

Hình 2.13 Cấu tạo cáp ngầm điện lực dùng cách điện XLPE 24

Hình 2.14 Lắp đặt cáp ngầm đi trong tynel và chôn trong đất 405

Hình 2.15 Sơ đồ tương đương ngắn mạch một pha chạm đất 407

Hình 2.16 Dạng sóng dòng áp khi có sự cố ngắn ma ̣ch mô ̣t pha cha ̣m đất 28

Hình 2.17 Sơ đồ tương đương ngắn mạch hai pha chạm đất 429

Hình 2.18 Dạng sóng dòng áp khi có sự cố ngắn ma ̣ch hai pha cha ̣m đất 30

Hình 2.19 Sơ đồ tương đương ngắn mạch ba pha chạm đất 31

Hình 2.20 Dạng sóng dòng áp khi có sự cố ngắn ma ̣ch ba pha chạm đất 452

Hình 3.1 Lưu đồ định vị sự cố ngắn mạch dựa trên mạng nơ ron kết hợp sóng truyền 35 Hình 3.2 Lưu đồ xây dựng các điểm tương quan vị trí ngắn mạch – tần số cộng hưởng 37

Hình 3.3 Lưu đồ xây dựng hàm đặc tuyến vị trí ngắn mạch – tần số cộng hưởng dựa trên mạng nơ ron 38

Hình 3.4 Chương trình huấn luyện mạng nơ ron 38

Hình 4.1 Sơ đồ vận hành lưới điện phân phối Tuyến 479 Định Hoà 54

Hình 4.2 Sơ đồ đơn tuyến lưới điện phân phối Tuyến 479 Định Hoà 54

Hình 4.3 Mô hình hóa mô phỏng lưới điện phân phối cáp ngầm 57

Hình 4.4 Giao diện chương trình tạo sự cố ngắn mạch 58

Hình 4.5 Chương trình tính toán vị trí sự cố ngắn mạch 59

Hình 4.6 Kết quả tạo file mô phỏng trong ngắn mạch pha a chạm đất tại 1700m 60

Hình 4.7 Dạng sóng dòng điện trước và trong ngắn mạch pha a chạm đất 61

Hình 4.8 Dạng sóng điện áp trước và trong ngắn mạch pha a chạm đất 61

Hình 4.9 Đồ thị các điểm tương quan vị trí – tần số trong sự cố pha a chạm đất 62

Hình 4.10 Kết quả huấn luyện mạng nơ ron 63

Hình 4.11 Kết quả tính toán thu được trong ngắn mạch pha a chạm đất tại 1700m 64

Hình 4.12 Kết quả huấn luyện mạng nơ ron 63

Hình 4.13 Kết quả tính toán thu được trong ngắn mạch pha b chạm đất tại 2455m 64

Hình 4.14 Kết quả tạo file mô phỏng trong hai pha bc chạm đất tại 2600m 64

Hình 4.15 Dạng sóng dòng điện trước và trong hai pha bc chạm đất tại 2600m 65

Hình 4.16 Dạng sóng điện áp trước và trong hai pha bc chạm đất tại 2600m 66

Hình 4.17 Đồ thị các điểm tương quan vị trí – tần số trong hai pha bc chạm đất 68

Hình 4.18 Kết quả huấn luyện mạng nơ ron 69

Hình 4.19 Kết quả tính toán thu được trong hai pha bc chạm đất tại 2600m 69

Hình 4.21 Kết quả huấn luyện mạng nơ ron 70

Hình 4.22 Kết quả tính toán thu được trong hai pha ab chạm đất tại 1330m 70

Hình 4.23 Kết quả tạo file mô phỏng trong ba pha abc chạm đất tại 3900m 71

Hình 4.24 Dạng sóng dòng điện trước và trong ba pha abc chạm đất tại 3900m 72

Hình 4.25 Dạng sóng điện áp trước và trong ba pha abc chạm đất tại 3900m 72

Hình 4.26 Đồ thị các điểm tương quan vị trí – tần số trong ba pha abc chạm đất tại 3900m 73

Hình 4.27 Kết quả huấn luyện mạng nơ ron 74

Hình 4.28 Kết quả tính toán thu được trong ba pha abc chạm đất tại 3900m 75

CHƯƠNG 1: GIỚI THIỆU

và xảy ra ở đâu Các chương trình huấn luyện nơ ron cũng như chương trình mô phỏng

sự cố được thực hiện trên phần mềm Matlab

Luận văn đề xuất phương pháp định vị sự cố ngắn mạch cáp ngầm dựa việc nghiên cứu ứng dụng mạng nơ ron nhân tạo kết hợp với sóng truyền Phương pháp được đề xuất

có giải thuật biến đổi đơn giản dễ áp dụng và độ chính xác cao Việc chứng minh hiệu quả của giải thuật đề xuất được kiểm tra đánh giá qua mô hình hóa mô phỏng lưới điện phân phối bằng phần mềm Matlab/Simulink

1.2 Mục tiêu luận văn

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

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

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

− Viết được chương trình mô phỏng cho giải thuật định vị được đề xuất trên phần mềm mô phỏng Matlab/Simulink để đánh giá hiệu quả định vị sự cố ngắn mạch khi chưa có điều kiện thực nghiệm

1.3 Nội dung của luận văn

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

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

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

− Xây dựng thuật toán để thu thập dữ liệu và định vị trí sự cố ngắn mạch Qua mối quan hệ giữa vị trí ngắn mạch-tần số cộng hưởng

− Xây dựng mạng nội suy dùng nơ ron để xác định nhanh đường đặc tuyến mối quan hệ vị trí ngắn mạch-tần số cộng hưởng bậc cao dùng để xác định vị trí ngắn mạch khi có sự cố

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

1.4 Phạm vi nghiên cứu

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

− Nghiên cứu về các loa ̣i sự cố trên lưới điê ̣n phân phối và cách phân loa ̣i các loa ̣i

sự cố khi có sự cố xảy ra

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

− Áp dụng để tiến đến kiểm chứng kết quả trên lưới điện phân phối thực tế Ví dụ lưới điện phục vụ cho các công trình bệnh viện nhà nước ở Bình Dương

1.5 Phương pháp nghiên cứu

Nghiên cứu cấu tạo, nguyên lý làm việc của lưới điện phân phối để xây dựng mô hình thuật toán Từ đó, xây dựng mô hình mô phỏng dựa trên việc nghiên cứu ứng dụng mạng nơ ron nhân tạo để định vị sự cố trên lưới điện

1.6 Điểm mới của luận văn

− Áp dụng mạng nơ ron trong xây dựng mối liên hệ tần số cộng hưởng và vị trí ngắn mạch trên lưới nhằm nâng cao độ chính xác và nhanh chóng xác định vị trí

sự cố ngắn mạch mà không phải xét tất cả các trường hợp hiện có Điều này sẽ giúp tiết kiệm thời gian tính toán cho chương trình trong thực tế

− Đưa ra giải thuật và chương trình mới để xác đi ̣nh vi ̣ trí sự cố trên lưới điện phân phối một cách nhanh chóng và có độ chính xác cao

1.7 Nội dung luận văn

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

− Chương 1: Giới thiệu

− Chương 2: Cơ sở lý thuyết

− Chương 3: Ứng dụng mạng nơ ron để định vị sự cố trên lưới điện phân phối

− Chương 4: Mô hình hoá và mô phỏng

− Chương 5: Kết luận và hướng phát triển

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1 Tổng quan về mạng nơ ron nhân tạo

2.1.1 Giới thiệu về mạng nơ ron

Theo các nhà nghiên cứu sinh học về bộ não, hệ thống thần kinh của con nguời bao gồm khoảng 100 tỷ tế bào thần kinh, thuờng gọi là các nơ ron Mỗi tế bào no ron gồm

− Ðầu dây thần kinh ra (gọi là sợi trục axon) phân nhánh dạng hình cây, có thể dài

từ một cm đến hàng mét Chúng nối với các dây thần kinh vào hoặc trực tiếp với nhân tế bào của các nơ ron khác thông qua các khớp nối (gọi là synapse) Thông thường mỗi nơ ron có thể có từ vài chục cho tới hàng trăm ngàn khớp nối để nối với các nơ ron khác Có hai loại khớp nối, khớp nối kích thích (excitatory) sẽ cho tín hiệu qua nó để tới nơ ron, còn khớp nối ức chế (inhibitory) có tác dụng làm cản tín hiệu tới nơ ron Người ta ước tính mỗi nơ ron trong bộ não của con nguời có khoảng 10.000 khớp nối (hình 2.1)

Chức năng cơ bản của các tế bào nơ ron là liên kết với nhau để tạo nên hệ thống thần kinh điều khiển hoạt động của cơ thể sống Các tế bào nơ ron truyền tín hiệu cho nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện và được tạo ra từ các quá trình phản ứng hoá học phức tạp Tại nhân tế bào, khi điện thế của tín hiệu vào đạt tới một ngưỡng nào đó thì nó sẽ tạo ra một xung diện dẫn tới trục dây thần kinh ra Xung này truyền theo trục ra tới các nhánh rẽ và tiếp tục truyền tới các nơ ron khác

Hình 2.1 Cấu tạo của tế bào nơ ron sinh học Với mục đích tạo ra một mô hình tính toán phỏng theo cách làm việc của nơ ron trong bộ não con nguời, vào năm 1943 các tác giả McCulloch và Pitts [1] đã đề xuất một

mô hình toán cho một nơ ron như sau:

Hình 2.2 Mô hình nơ ron nhân tạo

Trong mô hình này, một nơ rôn thứ i sẽ nhận các tín hiệu vào x jvới các trọng số tương ứng là wij, tổng các thông tin vào có trọng số là:

1

m

ij j j

Trong đó g là hàm kích hoạt (còn gọi là hàm chuyển) có dạng là hàm bước nhảy,

nó đóng vai trò biến đổi từ thông tin đầu vào thành tín hiệu đầu ra

Như vậy, out = 1 (ứng với việc nơ ron tạo tín hiệu đầu ra) khi tổng các tín hiệu vào

lớn hơn nguỡng 𝜃𝑖, còn out = 0 (nơ ron không tạo tín hiệu ở đầu ra) khi tổng các tín hiệu

vào nhỏ hơn nguỡng 𝜃𝑖

Trong mô hình nơ ron của McCulloch và Pitts, các trọng số 𝑤𝑖𝑗 thể hiện ảnh hưởng của khớp nối trong liên kết giữa nơ ron j (nơ ron gửi tín hiệu) và nơ ron i (nơ ron nhận tín hiệu) Trọng số 𝑤𝑖𝑗 tương ứng với khớp nối kích thích, trọng số âm ứng với khớp nối

ức chế còn 𝑤𝑖𝑗 bằng 0 khi không có liên kết giữa hai nơ ron Hàm chuyển g ngoài dạng

hàm bước nhảy còn có thể chọn nhiều dạng khác nhau và sẽ đuợc đề cập ở các phần sau Thông qua cách mô hình hoá đơn giản một nơ ron sinh học như trên, McCulloch

và Pitts đã đưa ra một mô hình nơ ron nhân tạo có tiềm năng tính toán quan trọng Nó có thể thực hiện các phép toán lô-gíc cơ bản như AND, OR và NOT khi các trọng số và ngưỡng được chọn phù hợp Sự liên kết giữa các nơ ron nhân tạo với các cách thức khác nhau sẽ tạo nên các loại mạng nơ ron nhân tạo (Artificial Neural Network - ANN) với những tính chất và khả năng làm việc khác nhau

2.1.2 Định nghĩa Mạng nơ ron

Mạng nơ ron là một hệ thống liên kết nhiều phần tử hoạt động song song nhau Những phần tử này được mô phỏng theo hệ thống thần kinh sinh học con người Chức năng của mạng được xác định bởi sự kết nối giữa các phần tử Mạng có thể được huấn luyện bằng cách hiệu chỉnh các giá trị kết nối (gọi là các trọng số) giữa các phần tử trong mạng để thực hiện một chức năng nào đó

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

Hình 2.3 Cấu trúc một phần tử của mạng nơ ron Trong đó:

X=(xo, x1, …, xn) biểu diễn cho tập hợp các ngả vào của phần tử xử lý

W=(w1,w2,…,wn) biểu diễn cho vectơ trọng số ứng với vectơ vào X

Mỗi ngả vào có một trọng số wi đặc trưng cho cường độ kết nối

Các ngả vào có trọng số được lấy tổng tại phần tử xử lý theo công thức

I=SUM(wi*xi)=W*X

Sau đó hàm tổng được đưa qua một hàm truyền Y và tạo kết quả tại ngả ra của phần

tử xử lý Các trọng số được thay đổi trực tiếp qua các luật học của mạng

Hình 2.4 Cấu trúc mạng nơ ron

2.1.3 Hoạt động của mạng nơ ron

Mạng nơ ron được hiệu chỉnh, còn gọi là huấn luyện, sao cho ứng với một ngả vào

sẽ có một ngả ra riêng biệt Mạng được hiệu chỉnh dựa vào kết quả so sánh giữa ngả ra

và giá trị mẫu, cho đến khi ngả ra phù hợp với mẫu

Một mạng nơ ron được tạo ra bằng cách kết hợp nhiều lớp nơ ron với nhau Dạng tổng quát như Hình 2.5

Hình 2 5 Kết nối các lớp của mạng nơ ron Trong mạng này một số nơ ron sẽ giao tiếp với thế giới thực để nhận dữ liệu vào Một số nơ ron khác sẽ xuất kết quả ở ngả ra Các nơ ron còn lại tồn tại ở dạng ẩn trong mạng

Thông thường một mạng nơ ron sẽ có 3 lớp: Lớp vào, lớp ẩn và lớp ra Mỗi nơ ron trong lớp ẩn sẽ nhận tín hiệu từ tất cả các nơ ron phía trước nó, với mạng có 3 lớp thì lớp trước lớp ẩn là lớp vào, sau khi xử lý nó sẽ chuyển ngả ra tới các nơ ron phía sau, với mạng có 3 lớp thì lớp sau lớp ẩn là lớp ra

Một cách kết nối khác là hồi tiếp (feedback), như Hình 2., trong đó ngả ra của nơ ron sau sẽ nối ngược lại nơ ron phía trước Cách các nơ ron kết nối nhau có ảnh hưởng đáng kể đến hoạt động của mạng

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

Một mạng nơ ron gồm có 7 thành phần chính:

2.1.4.1 Trọng số

Một nơ ron sẽ nhận cùng lúc nhiều dữ liệu vào, mỗi ngả vào sẽ có trọng số kết nối riêng tạo ra ảnh hưởng lên ngả vào và nó cần có hàm tổng của phần tử xử lý Một số ngả vào được làm cho quan trọng hơn các ngả vào khác để chúng có ảnh hưởng lớn hơn lên phần tử xử lý khi chúng kết hợp với nhau để tạo ra một đáp ứng của nơ ron

Các trọng số là những hệ số thích nghi dùng để xác định mật độ của tín hiệu vào Chúng là phép đo cường độ kết nối của một ngả vào Cường độ này có thể được thay đổi đáp ứng cho nhiều tập huấn luyện khác nhau và theo một cấu trúc riêng của mạng hoặc qua các tập huấn luyện khác nhau

là một điểm Hàm tổng được tìm bằng cách nhân mỗi phần tử của vectơ i với phần tử tương ứng của vectơ w, rồi lấy tích các tổng này

( ) 1 1

( ) 2 2 Input 2 = i * w , (0.5)

Sum _ finction= i * w + i * w + + i * w (0.6) Chú ý kết quả đạt được là một số, không phải là một vectơ

Về mặt hình học, tích bên trong của các vectơ được xem xét như độ tương đồng giữa chúng Nếu các vectơ cùng hướng thì tích này sẽ cực đại, các vectơ ngược hướng thì tích cực tiểu

Các hệ số vào và trọng số có thể kết hợp theo nhiều cách khác nhau trước khi đưa tới hàm truyền Bằng cách chọn mô hình và cấu trúc mạng sẽ xác định được thuật toán riêng cho sự kết hợp các ngả vào

Một số hàm tổng có thêm quá trình xử lý kết quả trước khi chuyển nó tới hàm truyền Quá trình này gọi là hàm kích hoạt Mục đích của việc sử dụng hàm kích hoạt là cho phép ngả ra của hàm tổng thay đổi theo thời gian

2.1.4.3 Hàm truyền

Kết quả của hàm tổng được biến đổi thành ngả ra bằng một thuật toán xử lý gọi là hàm truyền Trong hàm truyền, tổng số hàm tổng được so sánh với một ngưỡng để xác định ngả ra của nơ ron Nếu tổng lớn hơn giá trị ngưỡng thì phần tử xử lý tạo ra một tín hiệu Nếu tổng nhỏ hơn ngưỡng thì không tạo tín hiệu ra

Ngưỡng này, hay hàm truyền, là phi tuyến Hàm tuyến tính sẽ bị loại trừ vì làm cho ngả ra tỉ lệ với ngả vào

Mạng có thể tạo ra giá trị zero và 1, hoặc 1 và -1, hoặc +1 và -1 Hàm truyền có thể

là một ‘giới hạn cứng’ hay là một hàm bước

2.1.4.4 Lấy tỉ lệ và định giới hạn

Sau hàm truyền của phần tử xử lý, kết quả có thể qua các quá trình phụ đó là lấy tỉ

lệ và giới hạn Việc lấy tỉ lệ chỉ là nhân hệ số tỉ lệ với một giá trị truyền, rồi thêm vào một hệ số bù Việc định giới hạn để bảo đảm rằng kết quả lấy tỉ lệ không vượt quá một biên trên và biên dưới

2.1.4.5 Hàm ngả ra

Mỗi phần tử xử lý được phép tạo một tín hiệu ra để nối tới hàng trăm nơ ron khác Thường ngả ra này tương đương với kết quả của hàm truyền Tuy nhiên, một số cấu trúc mạng sẽ điều chỉnh kết quả truyền cho hợp với tính cạnh tranh giữa các phần tử gần nhau Các nơ ron được phép cạnh tranh với từng nơ ron khác và có thể kiềm chế các phần tử xử lý trừ khi chúng có cường độ rất lớn Sự cạnh tranh có thể xảy ra ở một hoặc

cả hai mức Thứ nhất, cạnh tranh sẽ xác định nơ ron nào kích hoạt, thứ hai sẽ xác định phần tử nào tham gia vào quá trình học

2.1.4.6 Hàm lỗi

Trong phần lớn các mạng đang học, sự khác biệt giữa ngả ra hiện tại và ngả ra mẫu

sẽ được tính Sai số này sau đó được biến đổi bằng hàm lỗi cho phù hợp với từng loại mạng riêng biệt Phần lớn các cấu trúc cơ bản sử dụng trực tiếp sai số này, một số khác

sẽ bình phương chúng nhưng vẫn giữ lại dấu hiệu của nó, một số khác lại lấy lũy thừa

ba sai số Các mô hình khác thì biến đổi sai số cho phù hợp với mục đích riêng của chúng Sai số của nơ ron sau đó được truyền tới hàm học của phần tử khác Sai số này được gọi là sai số hiện tại

2.1.4.7 Hàm học

Mục đích của hàm học là thay đổi các trọng số ở ngả vào của mỗi phần tử theo các thuật toán nơ ron Quá trình thay đổi trọng số ngả vào để đạt được kết quả theo mong muốn gọi là hàm thích nghi hay chế độ học

Có hai loại học: Học có giám sát và không có giám sát Học có giám sát cần phải

có thầy giáo, là tập dữ liệu huấn luyện mạng, để xếp loại sự thực hiện kết quả của mạng

Khi không có thầy giáo, hệ thống phải tự sắp xếp theo các tiêu chuẩn được thiết kế bên trong của mạng Đây là quá trình học bằng hành động

2.2 Huấn luyện mạng nơ ron:

2.2.1 Học có giám sát / Học có thầy

Học có giám sát là quá trình trong đó dữ liệu được đưa tới ngả vào và ngả ra của mạng Mạng sẽ xử lý dữ liệu vào để tạo ngả ra tương ứng rồi so sánh ngả ra này với dữ liệu ra mẫu Sai số sẽ được truyền ngược qua hệ thống làm cho nó điều chỉnh trọng số

để điều khiển mạng Quá trình này lặp lại vì các trọng số thay đổi liên tục Tập hợp các

dữ liệu dùng để huấn luyện gọi là ‘tập huấn luyện’, hay ‘tập học’ Trong quá trình huấn luyện mạng, tập học được xử lý nhiều lần để hiệu chỉnh các trọng số

Nếu mạng không giải quyết được bài toán thì người thiết kế phải xem lại ngả vào

và ngả ra, số lớp, số phần tử của lớp, sự kết nối các lớp, hàm tổng, hàm truyền, hàm huấn luyện, và cả các trọng số ban đầu, có thể thay đổi các thành phần trên để tạo ra mạng hoàn chỉnh

Huấn luyện không phải là một kỹ thuật mà là sự nhận biết và phân tích có ý thức nhằm đảm bảo mạng không bị quá tải Ban đầu mạng tự định hình bằng khuynh hướng thống kê dữ liệu Sau đó nó tiếp tục học các dữ liệu khác

Khi hệ thống được huấn luyện thích hợp thì các trọng số sẽ được ổn định Một số

hệ thống có thể chuyển mạng sau cùng sang phần cứng để hoạt động nhanh hơn

2.2.2 Học không giám sát / Học không thầy

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

Học không giám sát còn được gọi là học tự giám sát Mạng không điều chỉnh trọng

số theo các ảnh hưởng bên ngoài mà chúng sẽ giám sát bên trong hoạt động của chúng Mạng sẽ tìm kiếm sự cân đối hoặc hướng đến các ngả vào để tạo ra các thích nghi theo

hàm của mạng Thậm chí không cần được dạy là đúng hay sai, mạng vẫn phải có thông tin về cách tự sắp xếp Thông tin này được gắn vào các cấu trúc mạng và các luật học Thuật toán học không giám sát nhấn mạnh đến sự hợp tác giữa các nhóm phần tử

xử lý Các nhóm này sẽ làm việc với nhau, nếu tín hiệu vào kích hoạt một nút bất kỳ trong nhóm thì hoạt động của nhóm sẽ tăng lên, và ngược lại

Sự cạnh tranh giữa các phần tử cũng tạo ra cơ sở cho việc học Việc huấn luyện các nhóm cạnh tranh sẽ làm tăng đáp ứng của các nhóm đối với các kích hoạt

2.2.3 Tốc độ học:

Tốc độ học của mạng nơ ron tùy thuộc vào nhiều hệ số có thể điều khiển được Tốc

độ thấp sẽ tốn nhiều thời gian học để tạo ra một hệ thống được huấn luyện thỏa đáng Tuy nhiên, với tốc độ học nhanh hơn thì có thể mạng sẽ không thể phân biệt tốt như mạng học với tốc độ thấp

2.2.4 Các luật học

Có nhiều luật học được sử dụng trong quá trình huấn luyện mạng nơ ron, sau đây

là nội dung một số luật quan trọng:

2.2.4.3 Luật Delta

Luật này là sự biến đổi của luật Hebb Đây là một trong những luật được sử dụng nhiều nhất Luật Delta dựa trên ý tưởng làm thay đổi liên tục cường độ kết nối của ngả vào để giảm sự khác biệt giữa ngả ra thực và ngả ra mẫu của một phần tử xử lý Nó thay đổi trọng số theo cách cực tiểu sai số trung bình bình phương

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

2.2.4.4 Luật giảm Gradient

Luật này tương tự luật Delta trong việc dùng đạo hàm của hàm truyền để điều chỉnh sai số trước khi đưa tới các trọng số Tuy nhiên một hằng số tỉ lệ trong tốc độ học được thêm vào hệ số điều chỉnh sau cùng để tác động lên trọng số Luật này cũng thường được

sử dụng dù tốc độ hội tụ tới điểm ổn định của nó chậm

2.2.4.5 Luật Kohonen

Trong luật này, các phần tử xử lý sẽ cạnh tranh tìm cơ hội để học hoặc cập nhật trọng số của chúng Phần tử có ngả ra lớn nhất được cho là chiến thắng và có khả năng cấm các đối thủ của nó và kích hoạt các phần tử lân cận Chỉ có phần tử chiến thắng mới được phép tạo ngả ra và chỉ có nó cùng với các phần tử lân cận có thể điều chỉnh các trọng số của chúng

Vì phần tử chiến thắng được xác định là phần tử phù hợp nhất với mẫu vào nên mạng Kohonen tạo ra mô hình cho phân bố các ngả vào Mạng này phù hợp với việc tạo

ra mô hình theo cấu trúc hoặc theo thống kê cho dữ liệu Mạng còn được gọi là mạng tự sắp xếp

2.3 Giới thiệu các loại mạng nơ ron

2.3.1 Mạng lan truyền ngược

Mạng lan truyền ngược có cấu tạo như Hình 2

Hình 2.7 Mạng lan truyền ngược

Cấu trúc truyền thẳng, lan truyền ngược là dạng hiệu quả và thông dụng nhất để thực hiện các mạng nhiều lớp, phức tạp Nó được sử dụng cho nhiều ứng dụng khác nhau Cấu trúc này đã tạo ra một số lượng lớn các loại mạng với nhiều cấu trúc và phương pháp huấn luyện khác nhau Mặt mạnh của nó là các nghiệm phi tuyến đối với các bài toán không rõ ràng Mạng có lớp vào, lớp ra và ít nhất một lớp ẩn Số lớp ẩn là không giới hạn nhưng thường chỉ có một hoặc hai lớp Mỗi một lớp trong mạng sẽ kết nối hoàn toàn với lớp kế tiếp

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

− Luật 1: Khi tính phức tạp trong quan hệ giữa dữ liệu vào và ngả ra mẫu tăng thì

Quá trình huấn luyện mạng thường dùng các biến của luật Delta, bắt đầu bằng sự khác biệt giữa ngả ra thực và ngả ra mẫu Ứng dụng sai số này, các trọng số được tăng

tỉ lệ với sai số theo một hệ số tỉ lệ đối với độ chính xác toàn cục Thực hiện điều này đối với một nút có nghĩa là các ngả vào, ngả ra và ngả ra mẫu đều phải được đưa tới cùng một phần tử xử lý

Có nhiều thay đổi tới luật học đối với mạng lan truyền ngược Các hàm truyền, hàm lỗi khác nhau và thậm chí việc thay đổi phương pháp lấy đạo hàm của hàm truyền cũng

có thể được sử dụng

Có những giới hạn đối với mạng truyền thẳng, lan truyền ngược Mạng lan truyền ngược cần huấn luyện nhiều lần với nhiều mẫu vào–ra Thêm vào đó, kết cấu bên trong không hiểu rõ nên không đảm bảo hệ thống sẽ hội tụ ở nghiệm chấp nhận được Đôi khi

việc học bị hạn chế ở cực tiểu nội bộ nên làm hạn chế nghiệm tốt nhất Điều này xảy ra khi hệ thống gặp một sai số thấp hơn các khả năng xung quanh nhưng cuối cùng không

có được sai số nhỏ nhất có thể

2.3.2 Mạng Vectơ lượng tử LVQ – Learning Vector Quantity

Cấu trúc mạng này được Tuevo Kohonen đưa ra, sau mạng tự sắp xếp Các mạng này dựa vào luật học Kohonen, cho phép sắp xếp thông tin thành những nhóm thích hợp bao gồm các phần tử tương tự nhau Mô hình mạng LVQ được dùng cho cả hai dạng bài toán: phân loại và phân đoạn ảnh Về mặt cấu trúc, mạng gồm lớp vào, lớp Kohonen và lớp ra như Hình 2.8

Hình 2.8 Mạng LVQ Lớp ra có số phần tử bằng với số nhóm riêng biệt Số phần tử trong lớp Kohonen được tập hợp theo các nhóm riêng biệt này Số phần tử trong lớp tùy thuộc vào độ phức tạp của quan hệ vào–ra Thường mỗi nhóm sẽ có cùng số phần tử trong một lớp Lớp Kohonen sẽ học và thực hiện sự phân loại với sự trợ giúp của một tập huấn luyện Mạng này sử dụng các luật học có giám sát Tuy nhiên, chúng có thay đổi đáng kể so với luật lan truyền ngược Để tối ưu hàm học và hàm gọi lại, lớp vào sẽ chứa chỉ một phần tử cho mỗi thông số

Ở chế độ học, mạng sử dụng lớp Kohonen để tính khoảng cách từ một vectơ huấn luyện tới mỗi phần tử và phần tử gần nhất được cho là chiến thắng Trong một lớp chỉ

có một phần tử chiến thắng và phần tử này chỉ cho phép một phần tử ra kích hoạt, thông báo loại của vectơ vào Nếu phần tử chiến thắng ở trong nhóm mong muốn của vectơ huấn luyện thì nó sẽ được tăng cường tới vectơ huấn luyện Ngược lại, các trọng số đưa vào phần tử xử lý sẽ được lấy ra khỏi vectơ huấn luyện Ở chế độ gọi lại, mạng sẽ tính khoảng cách giữa vectơ vào và từng phần tử Phần tử gần nhất được cho là chiến thắng

và tạo một ngả ra, biểu diễn cho một nhóm tìm được

Mạng LVQ có một số hạn chế Đối với bài toán phân loại phức tạp thì mạng cần

có lớp Kohonen lớn với nhiều phần tử cho mỗi nhóm

2.3.3 Mạng xác suất

Mạng xác suất (PNN – Probabilistic Neural Networks) được Donald Specht đưa

ra Mạng này đề xuất giải pháp cho bài toán phân loại mẫu dựa vào phương pháp thống

kê, gọi là bộ phân loại Bayes Lý thuyết Bayes tính đến khả năng xảy ra của các sự kiện

và sử dụng thông tin ưu tiên để cải thiện dự đoán Mô hình mạng còn sử dụng các bộ ước lượng Pazen để tạo ra các hàm mật độ xác suất cho lý thuyết Bayes Dạng tiêu biểu của mạng xác suất PNN như Hình 2.9

Hình 2.9 Mạng Xác Suất Mạng PNN sử dụng tập huấn luyện có giám sát để tạo ra các hàm phân bố trong một lớp mẫu Những hàm này, ở chế độ gọi lại, dùng để ước lượng khả năng xảy ra của một vectơ vào đang là một bộ phận của một nhóm được học Các mẫu học được lấy trọng

số theo một xác suất ưu tiên, gọi là tần số liên quan, của mỗi nhóm để xác định nhóm giống nhất với vectơ vào Nếu tần số liên quan của các nhóm này được biết thì tất cả các

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

Mạng có 3 lớp: Lớp vào, lớp mẫu và lớp ra Lớp vào có số phần tử bằng với số lượng các thông số cần thiết để mô tả vật được phân loại Lớp mẫu dùng để sắp xếp tập huấn luyện sau cho mỗi phần tử xử lý sẽ biểu diễn cho một vectơ vào Lớp ra, còn gọi là lớp tổng, có số phần tử bằng với số nhóm cần phân loại Mỗi phần tử trong lớp ra sẽ kết hợp với các phần tử trong lớp mẫu có cùng nhóm và phân loại cho ngả ra

Lớp mẫu biểu diễn sự thực hiện một phiên bản của bộ phân loại Bayes, với hàm mật độ xác suất phụ thuộc được xấp xỉ bằng bộ ước lượng Parzen Phương pháp này tạo

ra một bộ phân loại mẫu tối ưu về mặt cực tiểu sự rủi ro của việc phân biệt sai một vật Với bộ ước lượng này, phương pháp thực hiện sẽ gần hơn với hàm mật độ nhóm thật vì

số mẫu huấn luyện tăng lên, miễn là tập huấn luyện biểu diễn đầy đủ sự phân biệt nhóm Trong lớp mẫu có một phần tử xử lý cho mỗi vectơ vào của tập huấn luyện Thông thường, số phần tử trong mỗi nhóm ra sẽ bằng nhau Mặt khác, một hoặc nhiều nhóm có thể bị lệch và mạng sẽ tạo ra những kết quả sai

Mỗi phần tử trong lớp mẫu được huấn luyện một lần Một phần tử được huấn luyện

sẽ tạo một giá trị ra cao khi vectơ vào phù hợp với vectơ huấn luyện Hàm huấn luyện

có một hệ số san bằng toàn cục để tổng quát hóa tốt hơn kết quả phân loại Trong trường hợp bất kỳ, vectơ huấn luyện không buộc phải ở trong một thứ tự đặc biệt nào của tập huấn luyện, vì loại của một vectơ được chỉ định bởi ngả ra mẫu ứng với một ngả vào Lớp mẫu hoạt động mang tính cạnh tranh, vectơ vào phù hợp nhất sẽ chiến thắng

và tạo một ngả ra Theo cách này, chỉ có một loại được tạo ra đối với một vectơ cho trước bất kỳ Nếu ngả vào không phù hợp với bất kỳ mẫu nào có trong lớp mẫu thì sẽ không có ngả ra

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

số phần tử Ngả vào của lớp Hopfield được nối với ngả ra của phần tử tương ứng trong lớp đệm qua các biến trọng số Ngả ra của lớp Hopfield lại nối ngược lại ngả vào của mỗi phần tử khác chấp nhận nó Chúng cũng được nối với các phần tử tương ứng trong lớp ra

Trong hoạt động gọi lại, mạng sẽ áp các dữ liệu từ lớp vào, qua các trọng số học, tới lớp Hopfield Lớp Hopfield sẽ dao động cho đến khi hoàn tất một số chu kỳ cố định,

và trạng thái hiện tại của lớp này sẽ được đưa tới ngả ra Trạng thái này thích hợp với một mẫu đã được lập trình trong mạng

Việc học của mạng Hopfield có yêu cầu là một mẫu huấn luyện được đưa tới lớp vào và lớp ra cùng lúc Tính chất đệ qui của lớp Hopfield cung cấp một phương tiện điều chỉnh tất cả các trọng số Luật học này là luật Hopfield

Mạng Hopfield có 2 giới hạn chính khi sử dụng như bộ nhớ định địa chỉ được Thứ nhất, số lượng mẫu và độ chính xác bị giới hạn Nếu chứa quá nhiều mẫu thì mạng sẽ hội tụ tại một mẫu mới không chính xác với mẫu đã được lập trình Thứ hai, mạng có

thể không ổn định nếu số mẫu dùng chung quá giống nhau Vấn đề này có thể khắc phục bằng cách điều chỉnh tập mẫu trực giao với nhau

2.3.5 Mạng tự sắp xếp

Mạng này do Tuevo Kohonen đưa ra Dữ liệu được đưa tới một lớp 2 chiều

Sự khác biệt giữa mạng này và các mạng khác là nó học không giám sát Tuy nhiên, khi cấu trúc này được phối hợp với các lớp nơ ron khác để dự đoán hoặc phân loại thì mạng sẽ học không giám sát trước, sau đó chuyển sang học có giám sát đối với những phần thêm vào

Mạng có hai lớp: Lớp vào kết nối hoàn toàn với lớp 2 chiều Kohonen, lớp ra dùng cho bài toán phân loại và biểu diễn nhóm của vectơ vào Lớp ra sử dụng luật Delta để học và hoạt động tương tự mô hình mạng lan truyền ngược

Mỗi phần tử lớp Kohonen sẽ đo khoảng cách giữa các trọng số của nó và các giá trị vào Trong khi gọi lại, phần tử Kohonen có khoảng cách nhỏ nhất sẽ chiến thắng và tạo giá trị ngả ra Khi đó các phần tử khác bị buộc phải bằng zero đối với vectơ vào đó

Vì vậy phần tử chiến thắng sẽ là phần tử gần nhất nên sẽ đưa giá trị vào mạng 2 chiều Kohonen Do đó dữ liệu vào phải được biểu diễn ở dạng vectơ 2 chiều Cấu trúc mạng như Hình 2.11

Hình 2.11 Mạng Tự Sắp Xếp

Trong khi huấn luyện, phần tử Kohonen có khoảng cách nhỏ nhất sẽ điều chỉnh trọng số của nó gần hơn các giá trị dữ liệu vào Các phần tử lân cận phần tử chiến thắng cũng điều chỉnh trọng số của chúng đạt gần hơn với cùng một vectơ vào Sự điều chỉnh của các phần tử lân cận này là một công cụ để bảo toàn bậc của không gian vào Việc huấn luyện được thực hiện bằng luật học cạnh tranh Kohonen

Có một hạn chế là một phần tử chiếm một vùng và biểu diễn quá nhiều dữ liệu vào

có thể tồn tại trong mô hình này Vấn đề này được giải quyết bằng cơ chế trong sạch gắn vào trong hàm học Cơ chế này sẽ giúp lớp Kohonen đạt được lợi ích tốt nhất

2.4 Giới thiệu về cáp ngầm điện lực

Cùng với sự phát triển của hệ thống điện để đáp ứng nhu cầu điện năng ngày càng cao trong một xã hội hiện đại, các đường dây cáp ngầm cũng được đầu tư ngày càng nhiều khi yêu cầu về độ an toàn cho người, đường dây, yêu cầu cấp điện liên tục và chất lượng điện năng đảm bảo của hệ thống điện, hay tại các công trình không thể dùng đường dây trên không bởi lý do an toàn như các đường dây vượt biển, vượt sông, các đường dây điện trong các thành phố đông dân cư

2.4.1 Cấu tạo cáp ngầm điện lực

2.4.1.1 Lõi cáp

Hình 2.12 lõi cáp 2.4.1.2 Lớp bán dẫn

Tất cả các loại dây điện, cáp điện đều sử dụng vật liệu dẫn điện là đồng (Cu) hoặc nhôm (Al) Loại vật liệu này được bện nén tròn lại cho đến khi đạt tiêu chuẩn quộc tế IEC 60228

2.4.1.3 Lớp cách điện XLPE

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

Vật liệu cách điện sẽ được liên kết ngang siêu sạch

Các bộ phận như màn chắn lõi, màn chắn cách điện… sẽ được đùn đồng thời Việc đùn này diễn ra trong một quá trình Điều này để đảm bảo khoảng trống của tất cả các vị trí được ngăn ngừa

Quá trình đùn các bộ phận màn chắn lõi, màn chắn cách điện… sẽ được thực hiện dưới hệ thống công nghệ tiên tiến, hiện đại, được các công nhân có kinh nghiệm điều khiển tia X, áp suất không khí đạt tiêu chuẩn

2.4.1.5 Màng chắn kim loại

Cáp ngầm trung thế sử dụng màn chắn kim loại phi từ tính, sử dụng lớp băng đồng/sợi đồng/vỏ chì theo quy chuẩn để áp bên ngoài màn chắn này

Sử dụng vật liệu là nhựa PE hoặc nhựa PVC

Hình 2.14 Lắp đặt cáp ngầm đi trong tynel và chôn trong đất 2.5 Ngắn ma ̣ch trong cáp ngầm điện lực

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

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

Nguyên nhân chung và chủ yếu của ngắn ma ̣ch là do cách điện bị hỏng Lý do cách điện bị hỏng có thể là: Bị hao mòn do làm việc lâu ngày, chịu tác động cơ khí gây vỡ nát, bị tác động của nhiệt độ phá huỷ môi chất, xuất hiện điện trường mạnh làm phá huỷ lớp vỏ bọc… Những nguyên nhân tác động cơ khí của con người (đào đất, )

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

Ngắn mạch là một loại sự cố nguy hiểm vì khi ngắn mạch dòng điện đột ngột tăng lên rất lớn, chạy trong các phần tử của hệ thống điện Tác dụng của dòng ngắn mạch có thể gây ra:

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

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

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

Qua tìm hiểu thực tế hoa ̣t đô ̣ng của các đường dây cáp ngầm, các khảo sát về sự cố

cáp ngầm được thực hiê ̣n cho thấy các sự cố cáp ngầm gồm có ngắn ma ̣ch mô ̣t pha cha ̣m đất, ngắn ma ̣ch hai pha cha ̣m đất và ngắn ma ̣ch ba pha cha ̣m đất Có thể giải thích điều

này mô ̣t cách khoa ho ̣c đó là do các sợi dây dẫn trong cáp ngầm thường có mô ̣t lớp bo ̣c

bảo vê ̣ bằng dây kim loa ̣i xung quanh (shield ), lớp bảo vê ̣ này sẽ được tiếp đất ta ̣i các điểm đấu nối cáp ngầm Chính điều này đã dẫn đến viê ̣c nếu có sự phóng điê ̣n thì đầu tiên sẽ là phóng điê ̣n giữa dây dẫn và đất thông qua lớp bo ̣c bảo vê ̣ này Điều này lí giải

tại sao cáp ngầm điê ̣n lực chỉ bi ̣ các sự cố ngắn ma ̣ch cha ̣m đất trong quá trình hoa ̣t đô ̣ng 2.5.2 Các loại sự cố ngắn mạch cáp ngầm

Theo nghiên cứu [12] của tác giả Trần Anh Chương thì có 3 loại sự cố chính xảy

ra trên cáp ngầm phân phối đó là ngắn ma ̣ch mô ̣t pha cha ̣m đất, ngắn ma ̣ch hai pha cha ̣m đất và ngắn ma ̣ch ba pha cha ̣m đất

2.5.2.1 Ngắn ma ̣ch mô ̣t pha cha ̣m đất

Trong hệ thống cáp ngầm, sự cố ngắn ma ̣ch mô ̣t pha cha ̣m đất xuất hiê ̣n khi có sự

hư hỏng cách điê ̣n xuất hiê ̣n giữa dây dẫn điê ̣n với vỏ bo ̣c cách điê ̣n bên ngoài Lúc này,

sự chênh lê ̣ch điê ̣n áp giữa dây mang điê ̣n (dây pha) so với lớp bảo vê ̣ bên ngoài nối đất

sẽ làm xuất hiê ̣n dòng hồ quang điê ̣n phóng từ dây pha ra lớp bảo vê ̣ sinh ra ngắn ma ̣ch chạm đất mô ̣t pha Khi xuất hiê ̣n ngắn ma ̣ch mô ̣t pha cha ̣m đất, tổng trở đường dây có

sự cố ngắn ma ̣ch sẽ giảm đi rất nhanh do điê ̣n trở dây dẫn thường rất nhỏ so với điê ̣n trở

củ a phu ̣ tải, kết hợp với điê ̣n trở hồ quang trong cáp ngầm thường rất nhỏ do khoảng

cách phóng điê ̣n giữa các dây dẫn trong cáp ngầm chỉ vài centimet (giá tri ̣ điê ̣n trở hồ quang gần bằng không trong trường hợp này) Do đó, dòng điê ̣n trong pha có sự cố tăng

vọt, giá tri ̣ dòng điê ̣n sự cố so với hai pha còn la ̣i có thể cao hơn gấp nhiều lần Giá tri ̣

dòng sự cố cao hay thấp phu ̣ thuô ̣c vào vi ̣ trí sự cố và tổng trở của hê ̣ thống Sự tăng

dòng điê ̣n ta ̣i dây sự cố sẽ dẫn đến sự su ̣t điê ̣n áp ta ̣i đầu nguồn cung cấp điê ̣n, biên đô ̣ điê ̣n áp ta ̣i pha sự cố sẽ thấp hơn biên đô ̣ điê ̣n áp của hai pha còn la ̣i

Sơ đồ tương đương ngắn mạch một pha chạm đất được đưa ra như trong Hình 2.1

và hình da ̣ng của da ̣ng sóng dòng điê ̣n và điê ̣n áp khi có sự cố mô ̣t pha cha ̣m đất được minh họa qua Hình 2.1

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

(a)

(b) Hình 2.16 Dạng sóng dòng điện (a) và điện áp (b) khi có sự cố

ngắn ma ̣ch mô ̣t pha cha ̣m đất 2.5.2.2 Ngắn ma ̣ch hai pha cha ̣m đất

Trong hệ thống cáp ngầm, sự cố ngắn ma ̣ch hai pha cha ̣m đất xuất hiê ̣n khi có sự

hư hỏng cách điê ̣n xuất hiê ̣n giữa dây dẫn điê ̣n với vỏ bo ̣c cách điê ̣n bên ngoài Lúc này,

sự chênh lê ̣ch điê ̣n áp giữa dây mang điê ̣n (dây pha) so với lớp bảo vê ̣ bên ngoài nối đất

sẽ làm xuất hiê ̣n dòng hồ quang điê ̣n phóng từ dây pha ra lớp bảo vê ̣ sinh ra ngắn ma ̣ch chạm đất mô ̣t pha Khi xuất hiê ̣n ngắn ma ̣ch hai pha cha ̣m đất, tổng trở đường dây có sự

cố ngắn ma ̣ch sẽ giảm đi rất nhanh do điê ̣n trở dây dẫn thường rất nhỏ so với điê ̣n trở

củ a phu ̣ tải, kết hợp với điê ̣n trở hồ quang trong cáp ngầm thường rất nhỏ do khoảng

cách phóng điê ̣n giữa các dây dẫn trong cáp ngầm chỉ vài centimet (giá tri ̣ điê ̣n trở hồ quang gần bằng không trong trường này) Do đó, dòng điê ̣n trong pha có sự cố tăng vo ̣t, giá tri ̣ dòng điê ̣n sự cố so với pha còn la ̣i có thể cao hơn gấp nhiều lần Giá tri ̣ dòng sự

cố cao hay thấp phu ̣ thuô ̣c vào vi ̣ trí sự cố và tổng trở của hê ̣ thống Sự tăng dòng điê ̣n

tại dây sự cố sẽ dẫn đến sự su ̣t điê ̣n áp ta ̣i đầu nguồn cung cấp điê ̣n, biên đô ̣ điê ̣n áp ta ̣i pha sự cố sẽ thấp hơn biên đô ̣ điê ̣n áp của pha không có sự cố

Sơ đồ tương đương ngắn mạch hai pha chạm đất được đưa ra như trong Hình 2 và hình

dạng của da ̣ng sóng dòng điê ̣n và điê ̣n áp khi có sự cố mô ̣t pha cha ̣m đất được minh ho ̣a qua (b)

Hình 2.1 (b)

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