intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Luận văn Thạc sĩ Kỹ thuật điện: Chọn mẫu và thông số điển hình trong đánh giá ổn định động hệ thống điện

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:82

Thêm vào BST
Báo xấu
14
lượt xem 4
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận văn "Chọn mẫu và thông số điển hình trong đánh giá ổn định động hệ thống điện" được hoàn thành với mục tiêu nhằm tạo mẫu và lựa chọn thông số điển hình cho HTĐ, và dựa trên cơ sở mạng nơ-ron truyền thẳng nhiều lớp để nhận dạng nhanh trạng thái ổn định động HTĐ.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Kỹ thuật điện: Chọn mẫu và thông số điển hình trong đánh giá ổn định động hệ thống điện

  1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRỌNG CHỌN MẪU VÀ THÔNG SỐ ĐIỂN HÌNH TRONG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN – 60520202 S K C0 0 4 7 1 4 Tp. Hồ Chí Minh, tháng 10/2015
  2. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VĂN TRỌNG CHỌN MẪU VÀ THÔNG SỐ ĐIỂN HÌNH TRONG ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Tp.Hồ Chí Minh, tháng 10/2015
  3. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Chƣơng 1 TỔNG QUAN 1.1 Tổng quan chung về lĩnh vực nghiên cứu 1.1.1 Thực trạng hệ thống điện Hệ thống điện (HTĐ) đóng vai trò quan trọng đối với sự phát triển kinh tế của mỗi quốc gia vì nó là một trong những cơ sở hạ tầng quan trọng nhất của nền kinh tế quốc dân. HTĐ thƣờng phân chia thành ba phần chính: Phần phát điện bao gồm các nhà máy phát điện nhƣ: nhiệt điện chạy than, nhiệt điện chạy khí, nhà máy thủy điện, nhà máy điện hạt nhân, và một số loại máy phát điện khác... Với phần truyền tải, đây có thể đƣợc coi là hệ thống xƣơng sống của một HTĐ, bao gồm các đƣờng dây siêu cao áp, cao áp và máy biến áp truyền tải. Phần phân phối, nơi điện áp đƣợc hạ thấp để cung cấp trực tiếp cho các phụ tải. Đây cũng là phần có nhiều nút và có chiều dài lƣới lớn nhất trong HTĐ với nhiều loại phụ tải khác nhau. Để đảm bảo cho HTĐ vận hành ở chế độ bình thƣờng thì HTĐ cần thoả mãn các điều kiện về ổn định, tin cậy, đảm bảo chất lƣợng điện năng và yêu cầu về kinh tế. Tuy nhiên, HTĐ không chỉ ở Việt Nam mà còn ở nhiều nƣớc phát triển trên thế giới đang phải đối mặt với nhiều khó khăn thách thức: + Thứ nhất là sự tăng trƣởng quá nhanh của phụ tải, đặc biệt là các nƣớc đang phát triển nhƣ Việt Nam, tỉ lệ tăng trƣởng phụ tải khoảng 15-20% mỗi năm đang đặt ra thách thức lớn cho ngành điện phải đáp ứng kịp thời nhu cầu của phụ tải. + Thứ hai là sự cạn kiệt tài nguyên thiên nhiên nhƣ than đá, dầu mỏ, khí đốt và nguồn nƣớc làm cho việc phát triển các loại nhà máy phát điện mới ngày càng bị giới hạn. Việt Nam và các nƣớc trên thế giới đều nhận thức rằng chúng ta đang phải đối mặt với sự cạn kiệt năng lƣợng sơ cấp và giá nhiên liệu ngày càng tăng trên bình diện quốc tế. Năng lƣợng thủy điện là nguồn năng lƣợng giá rẻ, kinh tế và an toàn nhất cũng đang dần cạn kiệt vì đã đƣợc phát hiện và khai thác gần hết. Việc ứng dụng công nghệ hạt nhân trong sản xuất điện đã phổ biến ở nhiều nƣớc trên thế giới nhƣng ở nƣớc ta vẫn còn là nguồn năng lƣợng mới lạ do vấn đề về công nghệ, sự lo HVTH: Nguyễn Văn Trọng trang 1
  4. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ngại về an toàn, nguồn cung cấp nhiên liệu, vốn đầu tƣ lớn và đặc biệt là vấn đề môi trƣờng khi sự cố xảy ra. + Thứ ba là sự xuất hiện và sử dụng ngày càng nhiều các nguồn năng lƣợng tái tạo nhƣ nguồn năng lƣợng gió, năng lƣợng mặt trời.... các nguồn năng lƣợng phân tán này cũng góp phần giảm thiểu gánh nặng cho ngành điện, đáp ứng một phần nhu cầu phụ tải đang gia tăng, làm giảm tổn thất, tiết kiệm chi phí trong truyền tải và phân phối điện. Cùng với sự xuất hiện của các thiết bị điện tử công suất cả ở phần truyền tải và phân phối điện đã làm thay đổi căn bản khái niệm về HTĐ truyền thống, làm khó khăn hơn trong quản lý, vận hành, giám sát và điều khiển HTĐ. Việc đảm bảo chất lƣợng điện năng, tính liên tục cung cấp điện đang là thách thức lớn đặt ra với ngành điện. Một số sự cố lớn gần đây ở Việt Nam và trên thế giới đã gây ra những hậu quả to lớn về kinh tế và nguy cơ rã lƣới toàn bộ hệ thống do mất ổn định HTĐ càng trở nên hiện hữu. Trong khi việc đánh giá ổn định động cho những HTĐ phức tạp thực sự là một vấn đề khó khăn, đặc biệt khi xét hệ thống vận hành trong thời gian thực. Do đó, vấn đề nghiên cứu ổn định động HTĐ đang là nhiệm vụ cấp thiết. 1.1.2 Hƣớng nghiên cứu về ổn định hệ thống điện Đầu thế kỷ 20, nhà bác học ngƣời Mỹ R. Park khởi đầu cho việc nghiên cứu ổn định HTĐ dựa trên cơ sở thiết lập hệ phƣơng trình vi phân quá trình quá độ điện cơ của các máy điện đồng bộ trong hệ tọa độ quay. Đồng thời với Park, một loạt các công trình đƣợc công bố độc lập của nhà bác học ngƣời Nga A.A. Goriev trong những năm 1930 – 1935 về mô hình quá trình quá độ trong các máy điện quay đã làm phát triển lý thuyết nghiên cứu ổn định của HTĐ thêm một bƣớc, sau này hệ phƣơng trình đó đƣợc gọi tên là Park – Goriev. Mô hình quá trình quá độ của HTĐ trong hệ tọa độ quay đã làm đơn giản đáng kể hệ phƣơng trình vi phân mô tả trạng thái quá độ của HTĐ. Dựa trên cơ sở đó, các phƣơng pháp toán về ổn định hệ thống đã đƣợc nghiên cứu áp dụng cho HTĐ [5]. Trƣớc tiên, đó là phƣơng pháp dựa trên khái niệm cân bằng năng lƣợng hay HVTH: Nguyễn Văn Trọng trang 2
  5. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh còn gọi là tiêu chuẩn năng lƣợng. Đây là phƣơng pháp khá đơn giản, cho kết quả đúng và áp dụng dễ dàng trong nhiều trƣờng hợp. Tuy nhiên, các phƣơng pháp khác sau đó đã chỉ ra rằng, khái niệm ổn định theo ý nghĩa cân bằng năng lƣợng là không đầy đủ, chỉ phát hiện đƣợc các hiện tƣợng mất ổn định do dao động quán tính. Hơn nữa, phƣơng pháp cân bằng năng lƣợng không có cơ sở chặt chẽ và khó áp dụng đối với HTĐ phức tạp nhƣ ngày nay [5]. Một phƣơng pháp khác đƣợc nhắc đến là phƣơng pháp dao động bé của A. M. Lyapunov. Chính Goriev trong các công trình của mình đã chỉ ra các cách nghiên cứu ổn định HTĐ theo Lyapunov từ HTĐ đơn giản đến phức tạp. Ông đã chứng minh đƣợc rằng sử dụng tiêu chuẩn dấu dƣơng của số hạng tự do phƣơng trình đặc trƣng của hệ phƣơng trình vi phân quá trình quá độ có thể phát hiện đƣợc hầu hết các trƣờng hợp mất ổn định HTĐ, còn gọi là tiêu chuẩn ổn định phi chu kỳ. Dựa trên tiêu chuẩn này những cách tính toán phân tích ổn định cho HTĐ phức tạp dạng chung đã đƣợc xây dựng và vẫn đƣợc áp dụng phổ biến hiện nay trong các chƣơng trình phân tích HTĐ [5]. Phƣơng pháp mô phỏng theo miền thời gian cũng cho kết quả chính xác để đánh giá ổn định quá độ HTĐ nhƣng không cho biết biên ổn định của hệ thống, tốn nhiều thời gian do phải giải hệ phƣơng trình vi phân phi tuyến sau sự cố [9,14], cho nên không phù hợp trong đánh giá trực tuyến. Phƣơng pháp này cũng không cung cấp thông tin mức độ ổn định hoặc không ổn định. Phƣơng pháp số cho câu trả lời chính xác về ổn định quá độ HTĐ, nhƣng gặp khó khăn trong giải phƣơng trình vi phân bậc 2 và mất nhiều thời gian giải [24]. Nhƣ vậy, các phƣơng pháp truyền thống tốn rất nhiều thời gian tính toán, không phù hợp đánh giá ổn định trong thời gian thực, với yêu cầu rất khắc khe về thời gian tính toán, tính nhanh nhƣng phải chính xác đã xuất hiện nhu cầu ứng dụng phƣơng pháp khác hiệu quả hơn. Kỹ thuật nhận dạng mẫu áp dụng đánh giá ổn định động HTĐ bỏ qua giải tích và thay thế bằng cách học quan hệ mẫu đầu vào và đầu ra, cách tiếp cận theo hƣớng này [14,15] thì bộ phân loại đƣợc huấn luyện off-line và kiểm tra on-line. Một số HVTH: Nguyễn Văn Trọng trang 3
  6. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh tác giả chọn tín hiệu đầu vào là các biến đặc trƣng chế độ xác lập tiền sự cố để chuẩn đoán sự cố qua chỉ số thời gian cắt tới hạn (CCT – Critical Clearing Time) [18,19]. Tuy nhiên, việc tìm mối liên hệ giữa các biến đặc trƣng trạng thái xác lập và cấp ổn định vẫn còn là nhiệm vụ khó khăn. Hệ thống nhận dạng mẫu tìm kiếm, lọc những mẫu thông tin đặc trƣng quan trọng làm mẫu dữ liệu đầu vào, việc trích xuất giảm biến đặc trƣng giúp cho hệ thống xử lý dữ liệu một cách nhanh chóng và nâng cao độ chính xác. Mạng nơ-ron nhân tạo (ANN – Artificial Neural Network) là một trong các phƣơng pháp tiếp cận đánh giá ổn định HTĐ đang thu hút đƣợc nhiều sự quan tâm của các nhà nghiên cứu do khả năng học hỏi nhanh chóng quan hệ phi tuyến vào/ ra [23,24]. Đã có nhiều ứng dụng MLPNN (Multilayer Perceptron Neural Network) để ƣớc lƣợng biên ổn định quá độ HTĐ. Trong chuẩn đoán ổn định động có thể chia thành hai giai đoạn. Một là chuẩn đoán dựa vào biến đặc trƣng tiền sự cố ở trạng thái xác lập gồm công suất máy phát, công suất đƣờng dây, điện áp bus, ... chuẩn đoán này mang tính dự phòng ngăn chặn tích cực sớm [16,17]. Hai là, chuẩn đoán ổn định động dựa vào biến đặc trƣng sau sự cố nhƣ chỉ số mức độ nghiêm trọng, góc , quỹ đạo điện áp,... trong chuẩn đoán này cho biết trạng thái ổn định sắp tới của HTĐ do sự cố gây ra. Trong đánh giá ổn định động đƣợc chia làm hai loại chính là chuẩn đoán và đánh giá. Chuẩn đoán ổn định động thƣờng tập trung vào chỉ số CCT của hệ thống đối với sự cố, CCT là thời gian cắt sự cố dài nhất cho phép để hệ thống vẫn giữ ổn định ứng với góc công suất cắt chuẩn [18,23] và ba giai đoạn sự cố mà HTĐ trải qua: trƣớc sự cố, đang sự cố và sau sự cố. Trong đánh giá ổn định động, không cần quan tâm CCT mà cần quan sát quá trình quá độ xảy ra khi gặp sự cố, câu hỏi mấu chốt trong đánh giá ổn định động là sau dao động quá độ kết quả là HTĐ ổn định hay không ổn định [19] và bài toán chuẩn đoán ổn định quá độ thƣờng xem xét quá trình trƣớc sự cố và sau sự cố, chuẩn đoán ổn định qua xác định góc đồng bộ và thời gian từ lúc dao động đầu tiên. Do kích cỡ HTĐ ngày càng lớn về quy mô, phức tạp về cấu trúc, nếu giải bằng HVTH: Nguyễn Văn Trọng trang 4
  7. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh các phƣơng pháp truyền thống sẽ mất nhiều thời gian và gây sự chậm trễ trong việc ra quyết định nên rất cần giải pháp đánh giá nhanh và tin cậy. Hệ thống nhận dạng kết hợp phƣơng pháp ANN, có ƣu điểm lớn là khả năng tính toán song song, nhanh và chính xác cao. Để hệ thống nhận dạng ANN có hiệu suất cao thì các biến đặc trƣng đầu vào phải đƣợc chọn hiệu quả, các biến đặc trƣng này lại gia tăng theo kích cỡ HTĐ, nên cần phải tìm giải pháp trích xuất giảm biến đặc trƣng, phân loại nhóm dữ liệu biến đặc trƣng giúp cho hệ thống nhận dạng ANN xử lý dữ liệu một cách nhanh chóng và nâng cao độ chính xác.Điều này các công trình đã công bố còn là hạn chế, cho nên đòi hỏi phải có cách mới phân loại mẫu hiệu quả, giúp giải quyết bài toán chuẩn đoán nhanh ổn định HTĐ và cảnh báo sớm trƣờng hợp không ổn định. ANN là một công cụ tính toán hiệu suất cao đƣợc lựa chọn để đánh giá ổn định động HTĐ. Hiệu suất của ANN ứng dụng để đánh giá ổn định động HTĐ yêu cầu quá trình huấn luyện ANN có thể bao trùm toàn bộ những kịch bản vận hành hệ thống mà không ảnh hƣởng đến cấu trúc hệ thống hoặc mức công suất phụ tải. Vì vậy, quá trình lựa chọn những biến đặc trƣng phù hợp là yêu cầu để xây dựng một công cụ tối ƣu để đánh giá chính xác ổn định động HTĐ. So sánh với những phƣơng pháp đánh giá ổn định khác, những đặc điểm nổi bật của ANN gồm: tốc độ đánh giá ổn định theo thời gian thực, yêu cầu ít dữ liệu hơn, khả năng tổng hợp và mở rộng cao hơn. Điển hình sự phát triển của hệ thống nhận dạng gồm những bƣớc sau: - Tạo cơ sở dữ liệu - Thiết lập các mẫu dữ liệu ngõ vào/ngõ ra - Trích xuất tri thức (bao gồm mối quan hệ giữa mẫu dữ liệu ngõ vào và ngõ ra cùng thuật toán học) - So sánh, đánh giá hiệu suất của ANN Các nghiên cứu gần đây chủ yếu tập trung vào bƣớc thứ ba trong khi ít quan tâm đến bƣớc lựa chọn biến đặc trƣng ngõ vào, thực tế là bƣớc rất quan trọng ảnh hƣởng đến hiệu suất của ANN. Nó không chỉ quyết định đến thời gian tính toán HVTH: Nguyễn Văn Trọng trang 5
  8. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh trong quá trình mô phỏng off-line mà còn tác động rất lớn đến độ chính xác. Lựa chọn biến đặc trƣng rất quan trọng trong bƣớc xây dựng hệ thống nhận dạng đánh giá ổn định động HTĐ dùng mạng nơ-ron. Các công trình nghiên cứu gần đây chƣa thực sự hiệu quả và có hệ thống về vấn đề lựa chọn biến đặc trƣng cho đánh giá ổn định HTĐ. Do đó sự cần thiết giới thiệu, bổ sung thêm một số phƣơng pháp mới để làm phong phú thêm những phƣơng pháp lựa chọn biến đặc trƣng. Mục tiêu của luận văn nhằm bổ sung những điểm cần thiết trên. 1.2 Mục tiêu của đề tài  Tạo mẫu và lựa chọn thông số điển hình cho HTĐ, và dựa trên cơ sở mạng nơ-ron truyền thẳng nhiều lớp để nhận dạng nhanh trạng thái ổn định động HTĐ. 1.3 Nhiệm vụ của đề tài và giới hạn đề tài 1.3.1 Nhiệm vụ của đề tài  Nghiên cứu lý thuyết mạng nơ-ron, nhận dạng và ổn định HTĐ;  Tạo mẫu và lựa chọn thông số điển hình trong đánh giá ổn định động HTĐ;  Ứng dụng phần mềm Matlab, PowerWorld nhằm tạo cơ sở dữ liệu và xây dựng mô hình mô phỏng để nhận dạng ổn định động HTĐ;  Đánh giá hiệu quả của phƣơng pháp nhận dạng đề xuất. 1.3.2 Giới hạn đề tài  Thử nghiệm phƣơng pháp nhận dạng ổn định động HTĐ điển hình (hệ thống IEEE 30bus, 6 máy phát) với các dạng sự cố xảy ra. 1.4 Phƣơng pháp nghiên cứu  Nghiên cứu tài liệu;  Mô hình hóa và mô phỏng;  Mạng nơ-ron;  Phân tích, tổng hợp. HVTH: Nguyễn Văn Trọng trang 6
  9. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Chƣơng 2 MẠNG NƠ-RON VÀ ỔN ĐỊNH HỆ THỐNG ĐIỆN 2.1 MẠNG NƠ-RON 2.1.1 Khái niệm Nơ-ron nhân tạo là sự sao chép nơ-ron sinh học của não ngƣời, nó có những đặc tính sau:  Mỗi nơ-ron có một số đầu vào, những kết nối (synaptic) và một đầu ra (axon);  Một nơ-ron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV);  Chỉ có một đầu ra duy nhất của một nơ-ron đƣợc nối với các đầu vào khác nhau của nơ-ron khác. Điều kiện để nơ-ron đƣợc kích hoạt hay không kích hoạt chỉ phụ thuộc những đầu vào hiện thời của chính nó. Thông thƣờng một nơ-ron có 3 phần nhƣ Hình 2.1: y1 Wi1 yj Wij Hệ Hàm động động ym WiN học yi vi học xi ⅀ phi tuyến * tuyến u1 Wil tính a(.) uk * Wik um * Wim 1 θ Hình 2.1: Mô hình nơ-ron nhân tạo Trên mỗi đầu vào của nơ-ron có gắn một trọng số để liên kết giữa nơ-ron thứ i và nơ-ron thứ j. Các trọng số này tƣơng tự nhƣ các tế bào cảm giác của mạng nơ- ron sinh học. HVTH: Nguyễn Văn Trọng trang 7
  10. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Tổng trọng: N M Vi (t )  neti (t )   Wij .y j (t )   W*ik .u k (t )  i (2.1) j 1 k 1 Với Vi(t) là tổng trọng của nơ-ron thứ i; yj(t) là các đầu ra của nơ-ron thứ j và uk(t) là các đầu vào từ bên ngoài tƣơng ứng với các trọng số Wij và W*ik; θi là hằng số, gọi là ngƣỡng của nơ-ron thứ i. 2.1.2 Cấu trúc mạng nơ-ron nhân tạo Bộ não con ngƣời có khoảng 1011÷1012 nơ-ron. Mỗi nơ-ron có thể liên kết với 104 nơ-ron khác thông qua các khớp nối (dendrite). Các nơ-ron nhận tín hiệu điện từ các khớp nối và sau khi tổng hợp của các tín hiệu này vƣợt quá một ngƣỡng cho phép thì nơ-ron sẽ kích hoạt một tín hiệu điện ở ngõ ra để truyền tới trục nơ-ron (axon) và dẫn đến các nơ-ron khác. Mối nối Tín hiệu ra từ các Khớp nối trục nơ-ron khác Trục nơ-ron Thân nơ-ron Hình 2.2: Cấu trúc 1 nơ-ron sinh học Hình 2.3: Sự liên kết của nơ-ron Mạng nơ-ron nhân tạo cũng hoạt động dựa theo cách thức của bộ não con HVTH: Nguyễn Văn Trọng trang 8
  11. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ngƣời nhƣng ở cấp độ đơn giản hơn. Nó là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con ngƣời gồm vô số các nơ-ron liên kết với nhau (Hình 2.3). Hai đặc tính cơ bản của mạng nơ-ron là:  Quá trình tính toán đƣợc tiến hành song song và phân tán trên nhiều nơ-ron gần nhƣ đồng thời.  Tính toán thực chất là quá trình học, chứ không phải theo sơ đồ định sẵn từ trƣớc. 2.1.3 Mô hình toán của mạng nơ-ron nhân tạo Mạng nơ-ron nhân tạo gồm 3 thuộc tính: trọng số kết nối, ngƣỡng phân cực và hàm kích hoạt. x1 W1 Hàm kích hoạt x2 W2 ⅀ y xn Wn Trọng số kết nối θ Ngƣỡng Hình 2.4: Mô hình toán của 1 nơ-ron nhân tạo Ta đặt X  [ x1 , x2 ,..., xn ]T là cƣờng độ của vector ngõ vào. Ngõ ra của mạng đƣợc tính theo công thức:  n   y  f  w j x j     f (W T X   )       (2.2)  i1    + Trọng số kết nối W  [ w1 , w2 ,..., wn ]T (2.3) + Ngưỡng phân cực (ký hiệu θ) là giá trị biên độ độ lệch, nó ảnh hƣởng đến sự kích hoạt ngõ ra của nơ-ron theo công thức: u  X TW   (2.4) + Hàm kích hoạt: xử lý thông tin tín hiệu đầu vào và tín hiệu đầu ra. Hàm tổng (u): dùng để kết hợp và xử lý các thông tin ở đầu vào HVTH: Nguyễn Văn Trọng trang 9
  12. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh  Hàm tuyến tính (linear fuction)  n      u   w j x j     (W T X   )    (2.5)  j1        Hàm toàn phƣơng (quadratic function) n u   wj x2   j (2.6) j 1  Hàm cầu (spherical function)   n  2  1   x  w  u  2       1 ( X  W )T ( X  W )     (2.7) j  2    j1 j         Thông thƣờng, hàm tổng đƣợc sử dụng nhiều nhất là hàm tuyến tính. Hàm kích hoạt để xử lý tín hiệu ngõ ra với một số kiểu hàm thông dụng: + Hàm nấc: 0,  u 0 y  f (u )    (2.8) 1,   u 0 f(u) 1 u o Hình 2.5 : Hàm nấc + Hàm dấu: 1,  u 0 y  f (u )    (2.9)  1,   u 0 f(u) 1 u o -1 Hình 2.6: Hàm dấu HVTH: Nguyễn Văn Trọng trang 10
  13. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh + Hàm tuyến tính (linear fuction): y  f (u )  .u (2.10) Với α là độ dốc của hàm tuyến tính, khi độ dốc α = 1 thì hàm tuyến tính đƣợc gọi là hàm đồng nhất – hàm lặp. f(u) u o Hình 2.7 : Hàm tuyến tính + Hàm tuyến tính bão hòa: 1,  u  1   y  f (u )   u, 1  u  1 (2.11)   1,    u 1 f(u) 1 -1 u o 1 -1 Hình 2.8 : Hàm tuyến tính bão hòa + Hàm dạng S (sigmoid) đơn cực: 1 y  f (u )  (2.12) 1  eu Với λ là hệ số dạng của hàm sigmoid Hàm này đặc biệt thuận lợi khi sử dụng cho các mạng đƣợc huấn luyện bởi thuật toán lan truyền ngƣợc (backpropagation) vì dễ lấy đạo hàm, do đó có thể giảm HVTH: Nguyễn Văn Trọng trang 11
  14. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh đáng kể tính toán trong quá trình huấn luyện. Hàm này đƣợc ứng dụng cho các chƣơng trình ứng dụng mà các đầu ra mong muốn rơi vào khoảng [0,1]. f(u) 1 0.7 0.5 0.3 u o Hình 2.9 : Hàm Sigmoid đơn cực + Hàm dạng S lƣỡng cực: 2 y  f (u )  1 (2.13) 1  eu f(u) 1 0.9 0.5 0.3 o u -1 Hình 2.10 : Hàm Sigmoid lưỡng cực Hàm này có các thuộc tính tƣơng tự hàm sigmoid, làm việc tốt đối với các ứng dụng có đầu ra yêu cầu trong khoảng [-1,1]. Đối với các đơn vị đầu ra, các hàm kích hoạt cần đƣợc chọn sao cho phù hợp với sự phân phối của các giá trị đích mong muốn. Chúng ta đã thấy rằng đối với các giá trị ra trong khoảng [0,1] thì hàm sigmoid là có ích, đối với các giá trị đích mong muốn là liên tục trong khoảng đó thì hàm này cũng vẫn có ích, nó có thể cho ta các giá trị ra hay giá trị đích đƣợc căn trong một khoảng của hàm kích hoạt đầu ra. HVTH: Nguyễn Văn Trọng trang 12
  15. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 2.1.4 Phân loại mạng nơ-ron. Nelson và Illingworth (1991) đã đƣa ra một số loại cấu trúc của mạng nơ-ron. Nơ-ron đƣợc vẽ là các vòng tròn xem nhƣ một tế bào thần kinh, chúng có các mối liên hệ đến các nơ-ron khác nhờ các trọng số, lập thành các ma trận trọng số tƣơng ứng, mỗi một nơ-ron có thể phối hợp với các nơ-ron khác tạo thành một lớp các trọng số. Mạng một lớp truyền thẳng (Single- Layer Feedforward Network) Hình 2.11. W11 x1 y1 x2 y2 xm ym Wmm Hình 2.11: Mạng nơ-ron truyền thẳng một lớp Có thể nối vài lớp nơ-ron với nhau tạo thành mạng nhiều lớp truyền thẳng (Multi- Layer Feedforward Network) Hình 2.12. x1 y1 x2 y2 xm ym Hình 2.12: Mạng nơ-ron truyền thẳng nhiều lớp Hai loại mạng nơ-ron một lớp và nhiều lớp đƣợc gọi là truyền thẳng nếu đầu ra của mỗi nơ-ron đƣợc nối với các đầu vào của các nơ-ron thuộc lớp trƣớc đó. Mạng nơ-ron phản hồi là mạng có đầu ra của mỗi nơ-ron đƣợc quay trở lại nối với đầu vào của các nơ-ron cùng lớp nhƣ Hình 2.13. Mạng nơ-ron phản hồi có thể thực hiện đóng vòng đƣợc gọi là mạng nơ-ron hồi quy (Recurrent Network) Hình 2.14. HVTH: Nguyễn Văn Trọng trang 13
  16. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Các nơ-ron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơ-ron chỉ có một tín hiệu vào, mỗi nơ-ron ở lớp ẩn đƣợc nối với tất cả các nơ-ron lớp vào và lớp ra. Các nơ-ron ở lớp ra có đầu vào đƣợc nối với tất cả các nơ-ron ở lớp ẩn, chúng là đầu ra của mạng, một mạng nơ-ron cũng có thể có nhiều lớp ẩn. Các mạng nơ-ron trong mỗi nơ-ron chỉ đƣợc liên hệ với tất cả các nơ-ron ở lớp kế tiếp và tất cả các mối liên kết chỉ đƣợc xây dựng từ trái sang phải đƣợc gọi là mạng nhiều lớp truyền thẳng (perceptrons). x1 y1 x2 y2 xm ym Hình 2.13: Mạng nơ-ron phản hồi x1 W11 y1 x2 y2 xm ym Wmm Hình 2.14: Mạng nơ-ron hồi quy 2.1.4.1 Mạng nơ-ron truyền thẳng một lớp Một lớp nơ-ron là một nhóm các nơ-ron mà chúng cùng nhận một số tín hiệu vào đồng thời (Hình 2.11). Trong ma trận trọng số W, các dòng thể hiện trọng số của mỗi nơ-ron, mỗi dòng thứ j có thể đặt nhãn nhƣ một vector wj của nơ-ron thứ j gồm m trọng số wij. w j  (w j1,w j2 ,....,w jm ) (2.14) HVTH: Nguyễn Văn Trọng trang 14
  17. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Các trọng số trong cùng một cột thứ j (j = 1, 2, …, n) đồng thời nhận cùng một tín hiệu vào xj. Tại cùng một thời điểm, vector đầu vào x = (x1, x2..xj…, xm) có thể là một nguồn bên ngoài là cảm biến hoặc thiết bị đo lƣờng đƣa tới mạng. Tới khi toàn bộ ma trận trọng số wij đƣợc xác định tƣơng ứng với vector đầu vào x thì các tích số wij * xi cũng đƣợc tính toán. 2.1.4.2 Mạng nơ-ron truyền thẳng nhiều lớp Trong mạng nơ-ron truyền thẳng nhiều lớp (Hình 2.12), các lớp đƣợc phân chia thành 3 loại sau đây: Lớp vào: là lớp nơ-ron đầu tiên nhận các tín hiệu vào xi của vector tín hiệu vào x. Mỗi tín hiệu xi của tín hiệu vào sẽ đƣợc đƣa đến tất cả các nơ-ron của lớp nơ- ron đầu tiên, chúng đƣợc phân phối trên các trọng số có số lƣợng đúng bằng số nơ- ron của lớp này. Thông thƣờng, các nơ-ron đầu vào không làm biến đổi các tín hiệu vào xi, tức là chúng không có các trọng số hoặc không có các loại hàm chuyển đổi nào, chúng chỉ đóng vai trò phân phối các tín hiệu và không đóng vai trò sửa đổi chúng. Lớp ẩn: là lớp nơ-ron dƣới lớp vào, chúng không trực tiếp liên hệ với thế giới bên ngoài nhƣ các lớp nơ-ron vào và ra. Lớp ra: là lớp nơ-ron tạo các tín hiệu ra cuối cùng. 2.1.4.3 Mạng nơ-ron hồi quy Mạng nơ-ron hồi quy (Recurrent Neural Networks) còn đƣợc gọi là mạng phản hồi (Feedback Networks) là loại mạng tự liên kết thành các vòng và liên kết hồi quy giữa các nơ-ron. Mạng nơ-ron hồi quy có trọng số liên kết đối xứng nhƣ mạng Hopfield luôn hội tụ về trạng thái ổn định (Hopfid, 1982). Mạng liên kết 2 chiều (Bidirectional Associative Memory – BAM) là mạng thuộc nhóm mạng nơ-ron hồi quy gồm 2 lớp nơ-ron liên kết tay đôi, trong đó đảm bảo nơ-ron của cùng một lớp không liên kết với nhau và cùng hội tụ về trạng thái ổn định (Kosko, 1986). Nghiên cứu mạng nơ-ron hồi quy có trọng số liên kết không đối xứng sẽ gặp nhiều HVTH: Nguyễn Văn Trọng trang 15
  18. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh phức tạp hơn so với mạng truyền thẳng (Feedforward Networks) và mạng hồi quy đối xứng (Symmetrich Recurrent Neural Networks). Mạng nơ-ron hồi quy có khả năng về nhận dạng mẫu, nhận dạng các hàm phi tuyến, dự báo … Một ƣu điểm khác của mạng nơ-ron hồi quy là chỉ cần mạng nhỏ hơn về cấu trúc cũng có khả năng nhƣ mạng truyền thẳng có cấu trúc lớn hơn. Nó khắc phục đƣợc giả thuyết truyền thống của mạng nơ-ron là coi mạng có số nơ-ron đủ lớn. Mạng nơ-ron hồi quy gồm hai loại: hồi quy không hoàn toàn (Partially Recrrent Networks) và hồi quy hoàn toàn (Fully Recrrent Networks). + Mạng hồi quy không hoàn toàn (Partially Recurrent Networks): Là mạng dựa trên cơ sở mạng lan truyền ngƣợc (Back – Propagation) với cấu trúc hồi quy, mạng này có cấu trúc phần lớn là truyền thẳng có cả sự chọn lựa cho một bộ phận có cấu trúc hồi quy. Trong nhiều trƣờng hợp, trọng số của cấu trúc hồi quy đƣợc duy trì không đổi nên luật học lan truyền ngƣợc có thể đƣợc dễ dàng sử dụng. Các mạng này đƣợc gọi là mạng dãy (Sequential Networks) và các nút nhận tín hiệu hồi quy đƣợc gọi là các phần tử Context (Context Units). Trong các mạng loại này, tín hiệu truyền thẳng xảy ra rất nhanh hoặc không phụ thuộc vào thời gian, trong khi tín hiệu hồi quy thực hiện có tính thời gian. Từ đó, tại thời điểm t phần tử nằm trong phạm vi Context Units có tín hiệu vào từ một phần mạng ở thời điểm (t – 1). Vì vậy, bộ phận nằm trong phạm vi nhớ đƣợc một số dữ liệu của quá khứ từ kết quả biến đổi ở thời điểm t. Do vậy, trạng thái mạng nguyên thủy của các mẫu phụ thuộc vào các trạng thái đó cũng nhƣ dòng thông tin đầu vào. Mạng có thể nhận mẫu (Recognice) dãy dựa vào tình trạng cuối cùng của dãy và có thể dự báo tiếp theo cho tín hiệu của dãy theo thời gian. Từ đó, mạng hồi quy về cơ bản không hoàn toàn là mạng truyền thẳng, liên kết hồi quy có thể đi từ các nút ở các lớp ra hoặc lớp ẩn. + Mạng nơ-ron hồi quy hoàn toàn (Fully Recurrent Networks): Là mạng nơ-ron hồi quy đầu tiên đƣợc Gossberg xây dựng để học và biểu diễn các mẫu bất kỳ. Loại mạng này đƣợc xây dựng theo mẫu Instar- Outstar và nhận số lƣợng mẫu nhiều nhơn. Với mạng hồi quy hoàn toàn đã hình thành quan điểm thực HVTH: Nguyễn Văn Trọng trang 16
  19. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh hiện và luyện mạng hồi quy từ mạng truyền thẳng nhiều lớp đƣợc xây dựng từ một lớp cho mỗi bƣớc tính. Khái niệm này đƣợc gọi là lan truyền ngƣợc theo thời gian phù hợp khi quan tâm đến các dãy với độ lớn T là nhỏ. Nó đã đƣợc sử dụng học cho máy ghi với nhiệm vụ thực hiện các dãy và có khả năng áp dụng cho điều khiển thích nghi. 2.1.5 Các luật học Thông thƣờng mạng nơ-ron đƣợc điều chỉnh hoặc đƣợc huấn luyện để hƣớng các đầu vào riêng biệt đến đích ở đầu ra. Cấu trúc huấn luyện mạng đƣợc chỉ ra trên Hình 2.15. Ở đây, hàm trọng của mạng đƣợc điều chỉnh trên cơ sở so sánh đầu ra với đích mong muốn (taget) đến khi đầu ra mạng phù hợp với đích. Những cặp vào/đích (input/taget) đƣợc dùng để giám sát cho huấn luyện mạng. Đích Hàm trọng Vào So sánh (weights) giữa các nơ-ron Điều chỉnh Hình 2.15: Cấu trúc huấn luyện mạng nơ-ron Để có đƣợc một số cặp vào/ra, ở đó mỗi giá trị vào đƣợc gửi đến mạng và giá trị ra tƣơng ứng đƣợc thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn. Thông thƣờng tồn tại một sai số vì giá trị mong muốn không hoàn toàn phù hợp với giá trị thực. Sau mỗi lần chạy, ta có tổng bình phƣơng của tất cả các sai số, sai số này đƣợc sử dụng để xác định các hàm trọng mới. Mỗi lần chạy, hàm trọng của mạng đƣợc sửa đổi với đặc tính tốt hơn tƣơng ứng với đặc tính mong muốn. Từng cặp giá trị vào/ra phải đƣợc kiểm tra và trọng lƣợng đƣợc điều chỉnh một vài lần. Sự thay đổi các hàm trọng của mạng đƣợc dừng lại nếu tổng các bình phƣơng sai số nhỏ hơn một giá trị đặt trƣớc hoặc đã chạy đủ một số lần chạy xác định (trong trƣờng hợp này mạng có thể không thoả mãn yêu cầu đặt ra do sai lệch HVTH: Nguyễn Văn Trọng trang 17
  20. Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh còn cao). Có hai kiểu học là học thông số và học cấu trúc. Học thông số (paramater learning) là tìm ra biểu thức cập nhật các thông số về trọng số, cập nhật kết nối giữa các nơ-ron. Học cấu trúc (structure learning) là sự biến đổi cấu trúc của mạng nơ-ron gồm số lƣợng nút (node) và các mẫu liên kết. Nhiệm vụ của việc học thông số là bằng cách nào đó tìm đƣợc ma trận chính xác mong muốn từ ma trận giả thiết ban đầu với cấu trúc của mạng nơ-ron có sẵn. Vì vậy, mạng nơ-ron sử dụng các trọng số điều chỉnh với nhiều phƣơng pháp học khác nhau có thể tính toán gần đúng ma trận W cần tìm đặc trƣng cho mạng. Có ba phƣơng pháp học: + Học có giám sát ( supervised learning): là quá trình học ở mỗi thời điểm thứ i khi đƣa tín hiệu xi đƣợc đƣa vào mạng nơ-ron, tƣơng ứng sẽ có đáp ứng mong muốn di của đầu ra cho trƣớc ở thời điểm đó. Có thể nói, trong quá trình học có giám sát, mạng nơ-ron đƣợc cung cấp liên tục các cặp số liệu mong muốn vào/ra ở từng thời điểm (x1, d1), (x1, d2), (xk, dk),… khi cho tín hiệu vào thực là xk sẽ tƣơng ứng có tín hiệu đầu ra cũng đƣợc lặp lại là dk giống nhƣ mong muốn. Kết quả của quá trình học có giám sát là tạo đƣợc một hộp đen có đầu vào là vector tín hiệu vào x sẽ đƣa ra đƣợc câu trả lời đúng d. Để đạt đƣợc kết quả mong muốn trên, khi đƣa vào tín hiệu xk, thông thƣờng sẽ có sai lệch ek giữa tín hiệu đầu ra thực yk với tín hiệu đầu ra mong muốn dk. Sai lệch đó sẽ đƣợc truyền ngƣợc tới đầu vào để điều chỉnh thông số mạng nơ-ron là ma trận trọng số W. Quá trình tiếp tục lặp lại sao cho sai lệch giữa tín hiệu ra mong muốn và tín hiệu ra thực tế nằm trong phạm vi cho phép, kết quả nhận đƣợc ma trận trọng số với các phần tử Wij đã đƣợc điều chỉnh phù hợp với đặc điểm của đối tƣợng hay hàm số mạng nơ-ron cần học. Mô hình học có giám sát đƣợc minh họa nhƣ Hình 2.16. Nhƣ vậy, học có giám sát có thể đƣợc xem nhƣ việc xấp xỉ một ánh xạ X→ Y, trong đó X là tập các vấn đề và Y là tập các lời giải tƣơng ứng cho vấn đề đó. Các mẫu (x, y) với x = (x1, x2,. . ., xn) ∈ X, y = (yl, y2, . . ., ym) ∈ Y đƣợc cho HVTH: Nguyễn Văn Trọng trang 18
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí
65 tài liệu
2431 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2