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

5 Kết nối các lớp của mạng nơ ronTrong 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.. Một nơ ron sẽ nhận cùng lúc

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ

CHÍ MINH

LUẬN VĂN THẠC SĨ PHẠM VĂN TÍNH

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON NHÂN TẠO ÐỂ ÐỊNH VỊ SỰ CỐ TRÊN LƯỚI ÐIỆN

NGÀNH: KỸ THUẬT ÐIỆN - 60520202

SKC005808

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM

KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ PHẠM VĂN TÍNH

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON NHÂN TẠO ĐỂ ĐỊNH VỊ SỰ CỐ TRÊN LƯỚI ĐIỆN

NGÀNH: KỸ THUẬT ĐIỆN-60520202

Tp Hồ Chí Minh, tháng 10 năm 2018

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM

KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH

********

LUẬN VĂN THẠC SĨ PHẠM VĂN TÍNH

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON NHÂN TẠO ĐỂ ĐỊNH VỊ SỰ CỐ TRÊN LƯỚI ĐIỆN

NGÀNH: KỸ THUẬT ĐIỆN - 60520202

Hướng dẫn khoa học:

PGS-TS NGUYỄN MINH TÂM

Tp Hồ Chí Minh, tháng 10 năm 2018

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học: PGS-TS NGUYỄN MINH TÂM

(Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Luận văn Thạc sĩ được bảo vệ tại Trường Đại học Sư Phạm Kỹ thuật TP HCM ngày tháng 10 năm 2018

Thành phần Hội đồng đánh giá Luận văn Thạc sĩ gồm:

(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ Luận văn Thạc sĩ)

TT Họ và tên Chức danh Hội đồng

1 PGS.TS Trương Việt Anh Chủ tịch

2 PGS.TS Dương Hoài Nghĩa Phản biện 1

3 PGS.TS Trương Đình Nhơn Phản biện 2

4 PGS.TS Lê Minh Phương Ủy viên

5 TS Nguyễn Phan Thanh Ủy viên, Thư ký

Xác nhận của Chủ tịch Hội đồng đánh giá Luận sau khi Luận văn đã được sửa chữa (nếu có)

Chủ tịch Hội đồng đánh giá LV

LÝ LỊCH KHOA HỌC

I LÝ LỊCH SƠ LƯỢC:

Họ & tên: PHẠM VĂN TÍNH Giới tính: Nam

Ngày, tháng, năm sinh: 02/09/1992 Nơi sinh: Quảng Trị

Quê quán: Xã Cam Nghĩa, H Cam Lộ, T Quảng Trị Dân tộc: KinhChỗ ở riêng hoặc địa chỉ liên lạc: Số 49c Lò Lu, P Trường Thạnh, Quận 9 Thành phố

Hệ đào tạo: Chính quy Thời gian đào tạo từ năm 2010 - 2015

Nơi học: Trường Đại học Bách Khoa Đà Nẵng

Ngành học: Kỹ thuật điện

3 Thạc sĩ:

Hệ đào tạo: Chính quy Thời gian đào tạo từ: 10/2016 đến 04/2018

Nơi học (trường, thành phố): Trường Đại Học Sư Phạm Kỹ Thuật Tp.HCM

Ngành học: Kỹ Thuật Điện

Tên luận văn: “Nghiên cứu ứng dụng mạng nơ ron nhân tạo để định vị sự cố trên

lưới điện”

Ngày & nơi bảo vệ luận văn: Luận văn Thạc sĩ được bảo vệ tại Trường Đại học Sư

Phạm Kỹ thuật TP HCM ngày 28 tháng 06 năm 2018

Người hướng dẫn: PGS-TS Nguyễn Minh Tâm

III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT

NGHIỆP CAO HỌC:

Thời gian Nơi công tác Công việc đảm nhiệm

2015-2018 Công ty cổ phần tư vấn và xây Cán bộ kỹ thuật phòng tư vấn

dựng tổng hợp Bình Dương điện

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công

bố trong bất kỳ công trình nào khác

Tp Hồ Chí Minh, ngày … tháng … năm 2018

(Ký tên và ghi rõ họ tên)

Phạm Văn Tính

Xin bày tỏ lòng biết ơn sâu sắc tới PGS-TS Nguyễn Minh Tâm, Thầy đã tậntình hướng dẫn, giúp đỡ tôi trong suốt quá trình thực hiện luận văn tốt nghiệp.

Chân thành cảm ơn quý thầy, cô đã tận tâm chỉ dẫn, truyền đạt kiến thức cho tôitrong quá trình học tại trường

Xin gửi lời cảm ơn đến các thành viên Hội đồng phản biện đã góp ý để tôi hoànthiện luận văn của mình

Cảm ơn các bạn học viên trong lớp cao học Kỹ thuật điện 2016B đã cùng nhauđoàn kết, giúp đỡ trong suốt thời gian học tập tại Trường

Trân trọng

TP Hồ Chí Minh, ngày 28 tháng 09 năm 2018

Học viên

Phạm Văn Tính

TÓM TẮT

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

Theo Thống kê các nghiên cứu đãđươc ̣ thưc ̣ hiêṇ từ trước đến nay trong linh̃ vưc ̣xác định vị tri sự cố cáp ngầm phân phối đươc ̣ phân thành ba phương pháp chinh́ đólàphương pháp bơm xung phản xa,̣phương pháp tổng trở, phương pháp sóng truyền.Trong các nghiên cứu [1] và[2] tác giả chỉđươc ̣ thưc ̣ hiêṇ bằng các máy phát xungchuyên dung ̣ cótần sốcao vàchỉxác đinḥ đươc ̣ vi ̣tríngắn macḥ sau khi đa ̃cô lâp ̣ lướiđiêṇ Nhược điểm của phương pháp này là làm tăng thời gian mất điên,̣ giảm chất lương ̣cung cấp điêṇ vàphải đầu tư khálớn cho máy taọ xung công suất lớn, tần sốcao vàyêucầu thiết bi đọ lường chất lương ̣ tốt với tần sốđo lớn rất mắc tiền Phương pháp đươc ̣đềxuất trong [3] sử dụng phương pháp giải lặp nên có nhược điểm là sai số tính toán khácao 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 đươc ̣ đềxuất trong [12] sử dụngphương pháp sóng truyền Nhược điểm của phương pháp này là do xây dựng đường đặctính tương quan giữa tần số cộng hưởng và vị trí trước khi xảy ra sự cố Trong lưới điệnphân phối thì phụ tải thay đổi liên tục theo thời gian nên độ chính xác của phương phápnày không cao và không thể áp dụng trong một hệ thống lớn

Vì vậy qua tìm hiểu và phân tich́ vềcác giải thuâṭxác đinḥ vi ̣tríngắn macḥ đã đươc ̣

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

Currently, along with the development of technical infrastructure and urbanbeauty, the underground electricity grid distribution in big cities such as Hanoi and HoChi Minh City are very concerned by the state In addition, the increasing demandfor 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 ofdetermining the location of underground cable breakdown is divided into three mainmethods: Reflective Pulse Pump, wave transmission In studies [1] and [2] the authorsonly performed by high frequency pulse generators and only identified short circuitsafter isolation of the grid The disadvantage of this method is that it increases thepower failure time, decreases the quality of power supply and requires a largeinvestment in high frequency pulse generators, high frequency and good qualitymeasurement equipment with frequency Measurement is very expensive The methodproposed in [3] uses the iterative solving method, so the disadvantage is that thecalculation error is quite high Studies in [4-7] require that the correct type of waveletanalysis be chosen to obtain a short-circuit position The method proposed in [12] usesthe transmission method The disadvantage of this method is that it builds thecharacteristic curve between the resonance frequency and the position before theincident In the distribution grid, the load changes continuously over time so theaccuracy 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 circuitlocation algorithms, based on the high frequency resonances contained in the phasetransition 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 withtransmission 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 macḥ 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 macḥ môṭpha chaṃ đất 38

2.5.2.2 Ngắn macḥ hai pha chaṃ đất 40

2.5.2.3 Ngắn macḥ ba pha chaṃ 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 hinh hoa cac khối trong lươi điêṇ phân phối đươc ̣ mô phong 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 Dang ̣ sóng dòng áp khi cósư ̣cốngắn macḥ môṭpha chaṃ đất 28

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

Hình 2.18 Dang ̣ sóng dòng áp khi cósư ̣cốngắn macḥ hai pha chaṃ đất 30

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

Hình 2.20 Dang ̣ sóng dòng áp khi cósư ̣cốngắn macḥ 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

Mạng nơ ron ở đây là các mô hình của các thành phần chính trong hệ thống phânphối là các đường dây và tải Các tín hiệu báo động tương ứng với các rơ le bảo vệ vàcác máy cắt là các tập đầu vào cho mạng huấn luyện nơ ron với thuật toán lan truyềnngược được cấu trúc như một bảng tra với đầu ra được xác định liệu có sự cố haykhông và xảy ra ở đâu Các chương trình huấn luyện nơ ron cũng như chương trình môphỏng sự cố được thực hiện trên phần mềm Matlab

Luận văn đề xuất phương pháp định vị sự cố ngắn mạch cáp ngầm dựa việcnghiên cứu ứng dụng mạng nơ ron nhân tạo kết hợp với sóng truyền Phương phápđược đề xuất có giải thuật biến đổi đơn giản dễ áp dụng và độ chính xác cao Việcchứng 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 ởphần 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 tạotrong 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 phầnmềm mô phỏng Matlab/Simulink để đánh giá hiệu quả định vị sự cố ngắn mạch khi chưa cóđiều 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 loaịsư ̣cốthường 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 mốiquan hệ vị trí ngắn mạch-tần số cộng hưởng bậc cao dùng để xác định vị trí ngắn mạch khi

− Nghiên cứu vềcác loaịsư ̣cốtrên lưới điêṇ phân phối vàcách phân loaịcác loaị sư

̣cốkhi cósư ̣cốxảy ra

− Đưa ra mô hình mô phỏng đánh giákết quảcủa giải thuâṭxác đinḥ vi ̣trísư ̣cố được đề xuất

− Áp dụng để tiến đến kiểm chứng kết quảtrên lưới điện phân phối thưc ̣ 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 môhình thuật toán Từ đó, xây dựng mô hình mô phỏng dựa trên việc nghiên cứu ứngdụng 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 tríngắn mạch trên lưới nhằm nâng cao độ chính xác và nhanh chóng xác định vị trí sự cố ngắnmạch mà không phải xét tất cả các trường hợp hiện có Điều này sẽ giúp tiết kiệm thời giantính toán cho chương trình trong thực tế

− Đưa ra giải thuật và chương trình mới đểxác đinḥ vi tṛísư ̣cốtrên lưới điện phânphối môṭcách 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 nguờibao gồm khoảng 100 tỷ tế bào thần kinh, thuờng gọi là các nơ ron Mỗi tế bào no rongồm ba phần:

− Thân nơ ron với nhân bên trong (gọi là soma) là nơi tiếp nhận hay phát ra các xung động thần kinh

− Một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) để đưa tín hiệutới nhân nơ ron Các dây thần kinh vào tạo thành một lưới dày đặc xung quanh thân nơ ron,chiếm diện tích khoảng 0,25 mm2

− 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 bàocủa 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) sẽcho tín hiệu qua nó để tới nơ ron, còn khớp nối ức chế (inhibitory) có tác dụnglàm cản tín hiệu tới nơ ron Người ta ước tính mỗi nơ ron trong bộ não của connguời 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 thốngthần kinh điều khiển hoạt động của cơ thể sống Các tế bào nơ ron truyền tín hiệu chonhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện và đượctạo ra từ các quá trình phản ứng hoá học phức tạp Tại nhân tế bào, khi điện thế của tínhiệu vào đạt tới một ngưỡng nào đó thì nó sẽ tạo ra một xung diện dẫn tới trục dây thầnkinh ra Xung này truyền theo trục ra tới các nhánh rẽ và tiếp tục truyền tới các nơ ronkhác

Hình 2.1 Cấu tạo của tế bào nơ ron sinh họcVới mục đích tạo ra một mô hình tính toán phỏng theo cách làm việc của nơ rontrong bộ não con nguời, vào năm 1943 các tác giả McCulloch và Pitts [1] đã đề xuấtmột 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 sốtương ứng là wij, tổng các thông tin vào có trọng số là:

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

hiệu vào nhỏ hơn nguỡng

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

chế còn 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 vàngưỡng được chọn phù hợp Sự liên kết giữa các nơ ron nhân tạo với các cách thứckhác 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 Chứcnăng của mạng được xác định bởi sự kết nối giữa các phần tử Mạng có thể được huấnluyện bằng cách hiệu chỉnh các giá trị kết nối (gọi là các trọng số) giữa các phần tửtrong 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 ronTrong 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

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 ngảvào sẽ có một ngả ra riêng biệt Mạng được hiệu chỉnh dựa vào kết quả so sánh giữangả 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 Dạngtổng quát như Hình 2.5

Hình 2 5 Kết nối các lớp của mạng nơ ronTrong 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 trongmạng

Thông thường một mạng nơ ron sẽ có 3 lớp: Lớp vào, lớp ẩn và lớp ra Mỗi nơron trong lớp ẩn sẽ nhận tín hiệu từ tất cả các nơ ron phía trước nó, với mạng có 3 lớpthì lớp trước lớp ẩn là lớp vào, sau khi xử lý nó sẽ chuyển ngả ra tới các nơ ron phíasau, 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 nơron sau sẽ nối ngược lại nơ ron phía trước Cách các nơ ron kết nối nhau có ảnh hưởngđáng kể đến hoạt động của mạng

Hình 2.6 Mạng nơ ron có hồi tiếp2.1.4 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 nốiriêng tạo ra ảnh hưởng lên ngả vào và nó cần có hàm tổng của phần tử xử lý Một sốngả vào được làm cho quan trọng hơn các ngả vào khác để chúng có ảnh hưởng lớnhơn 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 thayđổi đáp ứng cho nhiều tập huấn luyện khác nhau và theo một cấu trúc riêng của mạnghoặc qua các tập huấn luyện khác nhau

2.1.4.2 Hàm tổng

Bước đầu tiên trong hoạt động của phần tử xử lý là tính tổng có trọng số của tất cảcác ngả vào Về mặt toán học, các ngả vào và trọng số của chúng đều là các vectơ, gọi làvectơ (i1, i2, …, in) và vectơ (w1, w2, …, wn) Tổng ngả vào là tích số của 2 vec tơ này,

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.

Input (2) = i 2 * w 2 ,

(0.4)(0.5)

Sum _ finction = i 1 * w 1 + i 2 * w 2 + + i n * w n (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 đồnggiữa chúng Nếu các vectơ cùng hướng thì tích này sẽ cực đại, các vectơ ngược hướngthì tích cực tiểu

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

Một số hàm tổng có thêm quá trình xử lý kết quả trước khi chuyển nó tới hàmtruyền 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 làhàm truyền Trong hàm truyền, tổng số hàm tổng được so sánh với một ngưỡng để xácđịnh ngả ra của nơ ron Nếu tổng lớn hơn giá trị ngưỡng thì phần tử xử lý tạo ra một tínhiệu 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 làmcho 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 cóthể 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 vàomột hệ số bù Việc định giới hạn để bảo đảm rằng kết quả lấy tỉ lệ không vượt quá mộtbiên 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 cấutrúc mạng sẽ điều chỉnh kết quả truyền cho hợp với tính cạnh tranh giữa các phần tửgần nhau Các nơ ron được phép cạnh tranh với từng nơ ron khác và có thể kiềm chếcác phần tử xử lý trừ khi chúng có cường độ rất lớn Sự cạnh tranh có thể xảy ra ở mộthoặc cả hai mức Thứ nhất, cạnh tranh sẽ xác định nơ ron nào kích hoạt, thứ hai sẽ xácđịnh 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 ramẫu sẽ được tính Sai số này sau đó được biến đổi bằng hàm lỗi cho phù hợp với từngloại mạng riêng biệt Phần lớn các cấu trúc cơ bản sử dụng trực tiếp sai số này, một sốkhác sẽ bình phương chúng nhưng vẫn giữ lại dấu hiệu của nó, một số khác lại lấy lũythừa ba sai số Các mô hình khác thì biến đổi sai số cho phù hợp với mục đích riêngcủa chúng Sai số của nơ ron sau đó được truyền tới hàm học của phần tử khác Sai sốnày 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 theocác thuật toán nơ ron Quá trình thay đổi trọng số ngả vào để đạt được kết quả theomong 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 cóthầy 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 bêntrong 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 củamạng Mạng sẽ xử lý dữ liệu vào để tạo ngả ra tương ứng rồi so sánh ngả ra này với dữliệu 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 huấnluyện 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, hàmhuấn luyện, và cả các trọng số ban đầu, có thể thay đổi các thành phần trên để tạo ramạng hoàn chỉnh

Huấn luyện không phải là một kỹ thuật mà là sự nhận biết và phân tích có ý thứcnhằm đảm bảo mạng không bị quá tải Ban đầu mạng tự định hình bằng khuynh hướngthống 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 thíchnghi hay tự sắp xếp Mạng này được giới hạn ở mạng tự sắp xếp, chưa được sử dụng rộngrãi

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 thôngtin 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 kỳtrong 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 luyệncác 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 thỏađáng Tuy nhiên, với tốc độ học nhanh hơn thì có thể mạng sẽ không thể phân biệt tốtnhư 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 dụngnhiều nhất Luật Delta dựa trên ý tưởng làm thay đổi liên tục cường độ kết nối của ngảvào để giảm sự khác biệt giữa ngả ra thực và ngả ra mẫu của một phần tử xử lý Nóthay 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 nhỏnhất (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 điềuchỉnh sai số trước khi đưa tới các trọng số Tuy nhiên một hằng số tỉ lệ trong tốc độ họcđược thêm vào hệ số điều chỉnh sau cùng để tác động lên trọng số Luật này cũngthường 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 nhậttrọng số của chúng Phần tử có ngả ra lớn nhất được cho là chiến thắng và có khả năngcấm các đối thủ của nó và kích hoạt các phần tử lân cận Chỉ có phần tử chiến thắngmới được phép tạo ngả ra và chỉ có nó cùng với các phần tử lân cận có thể điều chỉnhcác trọng số của chúng

Vì phần tử chiến thắng được xác định là phần tử phù hợp nhất với mẫu vào nênmạng Kohonen tạo ra mô hình cho phân bố các ngả vào Mạng này phù hợp với việctạo ra mô hình theo cấu trúc hoặc theo thống kê cho dữ liệu Mạng còn được gọi làmạng 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 đểthực hiện các mạng nhiều lớp, phức tạp Nó được sử dụng cho nhiều ứng dụng khácnhau Cấu trúc này đã tạo ra một số lượng lớn các loại mạng với nhiều cấu trúc vàphương pháp huấn luyện khác nhau Mặt mạnh của nó là các nghiệm phi tuyến đối vớicác bài toán không rõ ràng Mạng có lớp vào, lớp ra và ít nhất một lớp ẩn Số lớp ẩn làkhông giới hạn nhưng thường chỉ có một hoặc hai lớp Mỗi một lớp trong mạng sẽ kếtnối 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 số phần tử trong lớp ẩn cũng tăng

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

− Luật 3: Số lượng dữ liệu huấn luyện có sẵn sẽ đặt biên trên cho các phần tử tronglớp ẩn Để tính giá trị biên này ta dùng số đôi mẫu vào ra trong tập huấn luyện

rồi chia cho tổng số phần tử vào và ra trong mạng Sau cùng chia kết quả cho một hệ số tỉ lệ giữa 5 và 10

Quá trình huấn luyện mạng thường dùng các biến của luật Delta, bắt đầu bằng sựkhác 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 nàyđối với một nút có nghĩa là các ngả vào, ngả ra và ngả ra mẫu đều phải được đưa tớicùng 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 truyềncũng có thể được sử dụng

Có những giới hạn đối với mạng truyền thẳng, lan truyền ngược Mạng lan truyềnngược cần huấn luyện nhiều lần với nhiều mẫu vào–ra Thêm vào đó, kết cấu bên trongkhông 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 rakhi 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 mạngnày dựa vào luật học Kohonen, cho phép sắp xếp thông tin thành những nhóm thíchhợp bao gồm các phần tử tương tự nhau Mô hình mạng LVQ được dùng cho cả haidạng bài toán: phân loại và phân đoạn ảnh Về mặt cấu trúc, mạng gồm lớp vào, lớpKohonen và lớp ra như Hình 2.8

Hình 2.8 Mạng LVQLớp ra có số phần tử bằng với số nhóm riêng biệt Số phần tử trong lớp Kohonenđược tập hợp theo các nhóm riêng biệt này Số phần tử trong lớp tùy thuộc vào độ phứctạp của quan hệ vào–ra Thường mỗi nhóm sẽ có cùng số phần tử trong một lớp LớpKohonen 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 sovới luật lan truyền ngược Để tối ưu hàm học và hàm gọi lại, lớp vào sẽ chứa chỉ mộtphần tử cho mỗi thông số

Ở chế độ học, mạng sử dụng lớp Kohonen để tính khoảng cách từ một vectơ huấnluyện 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 củavectơ 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 làchiến 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 sựkiện 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 tiêubiểu của mạng xác suất PNN như Hình 2.9

Hình 2.9 Mạng Xác SuấtMạng PNN sử dụng tập huấn luyện có giám sát để tạo ra các hàm phân bố trong mộtlớp mẫu Những hàm này, ở chế độ gọi lại, dùng để ước lượng khả năng xảy ra của mộtvectơ vào đang là một bộ phận của một nhóm được học Các mẫu học được lấy trọng sốtheo một xác suất ưu tiên, gọi là tần số liên quan, của mỗi nhóm để xác định nhóm giống

nhóm được xem là như nhau và sự xác định nhóm sẽ dựa vào sự giống nhau của vectơđặc 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 sốlượng các thông số cần thiết để mô tả vật được phân loại Lớp mẫu dùng để sắp xếp tậphuấn 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 sẽkết 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 hàmmật độ xác suất phụ thuộc được xấp xỉ bằng bộ ước lượng Parzen Phương pháp nàytạo ra một bộ phân loại mẫu tối ưu về mặt cực tiểu sự rủi ro của việc phân biệt sai mộtvật Với bộ ước lượng này, phương pháp thực hiện sẽ gần hơn với hàm mật độ nhómthật vì số mẫu huấn luyện tăng lên, miễn là tập huấn luyện biểu diễn đầy đủ sự phânbiệt 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 nhiềunhóm 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 cómột hệ số san bằng toàn cục để tổng quát hóa tốt hơn kết quả phân loại Trong trường hợpbất kỳ, vectơ huấn luyện không buộc phải ở trong một thứ tự đặc biệt nào của tập huấnluyện, 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 chotrước bất kỳ Nếu ngả vào không phù hợp với bất kỳ mẫu nào có trong lớp mẫu thì sẽkhông có ngả ra

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

2.3.4 Mạng Hopffield.

Mạng Hopffield có dạng như Hình 2.10 Mỗi phần tử trong mạng hoạt động ởdạng nhị phân Đó là do các phần tử tính tổng có trọng số của các ngả vào và lượng tửhóa ngả ra bằng 0 hoặc 1 Hạn chế này sẽ được giảm bớt bằng cách dùng hàm truyềnSigmoid trong mô hình để phân biệt nhóm tốt hơn

Hình 2.10 Mạng HopffieldMạng Hopfield có 3 lớp: Lớp đệm ngả vào, lớp Hopfield và lớp ra Các lớp cócùng số phần tử Ngả vào của lớp Hopfield được nối với ngả ra của phần tử tương ứngtrong lớp đệm qua các biến trọng số Ngả ra của lớp Hopfield lại nối ngược lại ngả vàocủa mỗi phần tử khác chấp nhận nó Chúng cũng được nối với các phần tử tương ứngtrong 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 cốđịnh, và trạng thái hiện tại của lớp này sẽ được đưa tới ngả ra Trạng thái này thích hợpvới một mẫu đã được lập trình trong mạng

Việc học của mạng Hopfield có yêu cầu là một mẫu huấn luyện được đưa tới lớpvào và lớp ra cùng lúc Tính chất đệ qui của lớp Hopfield cung cấp một phương tiệnđiều 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 Thứnhất, 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 khắcphục 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 Tuynhiên, khi cấu trúc này được phối hợp với các lớp nơ ron khác để dự đoán hoặc phânloại thì mạng sẽ học không giám sát trước, sau đó chuyển sang học có giám sát đối vớinhững phần thêm vào

Mạng có hai lớp: Lớp vào kết nối hoàn toàn với lớp 2 chiều Kohonen, lớp ra dùngcho bài toán phân loại và biểu diễn nhóm của vectơ vào Lớp ra sử dụng luật Delta đểhọc 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 giátrị vào Trong khi gọi lại, phần tử Kohonen có khoảng cách nhỏ nhất sẽ chiến thắng vàtạo 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 chiềuKohonen Do đó dữ liệu vào phải được biểu diễn ở dạng vectơ 2 chiều Cấu trúc mạngnhư Hình 2.11

Hình 2.11 Mạng Tự Sắp Xếp

Trong khi huấn luyện, phần tử Kohonen có khoảng cách nhỏ nhất sẽ điều chỉnhtrọng số của nó gần hơn các giá trị dữ liệu vào Các phần tử lân cận phần tử chiếnthắng cũng điều chỉnh trọng số của chúng đạt gần hơn với cùng một vectơ vào Sự điềuchỉnh 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 liệuvào có thể tồn tại trong mô hình này Vấn đề này được giải quyết bằng cơ chế trongsạch 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 càngcao trong một xã hội hiện đại, các đường dây cáp ngầm cũng được đầu tư ngày càngnhiều khi yêu cầu về độ an toàn cho người, đường dây, yêu cầu cấp điện liên tục vàchất lượng điện năng đảm bảo của hệ thống điện, hay tại các công trình không thể dùngđường dây trên không bởi lý do an toàn như các đường dây vượt biển, vượt sông, cácđường 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 cáp2.4.1.2 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 chuẩnquộc tế IEC 60228.

2.4.1.3 Lớp cách điện XLPE

Hình 2.13 Cấu tạo cáp ngầm điện lực dùng cách điện XLPE2.4.1.4 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 cảcác vị trí được ngăn ngừa

Quá trình đùn các bộ phận màn chắn lõi, màn chắn cách điện… sẽ được thực hiệndưới hệ thống công nghệ tiên tiến, hiện đại, được các công nhân có kinh nghiệm điềukhiển 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 băngđồng/sợi đồng/vỏ chì theo quy chuẩn để áp bên ngoài màn chắn này