zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Năng lượng

Xây dựng hệ thống phân loại tự động các kịch bản làm việc của tấm pin năng lượng mặt trời

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

27
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Xây dựng hệ thống phân loại tự động các kịch bản làm việc của tấm pin năng lượng mặt trời trình bày việc phát hiện và đánh giá lỗi chậm trễ có thể dẫn đến phá hủy hệ thống năng lượng mặt trời và các thiết bị bảo vệ của hệ thống điện. Việc ra đời của học máy đã đóng góp quan trọng trong việc phát hiện lỗi tự động.

Chủ đề:

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

Lưu

Nội dung Text: Xây dựng hệ thống phân loại tự động các kịch bản làm việc của tấm pin năng lượng mặt trời

Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 XÂY DỰNG HỆ THỐNG PHÂN LOẠI TỰ ĐỘNG CÁC KỊCH BẢN LÀM VIỆC CỦA TẤM PIN NĂNG LƯỢNG MẶT TRỜI Lê Thị Hương Trường Đại học Thủy lợi 1. GIỚI THIỆU CHUNG Chỉ số Precision là tỉ lệ số điểm true positive trong số những điểm được phân loại Phát hiện và đánh giá lỗi chậm trễ có thể là positive: dẫn đến phá hủy hệ thống năng lượng mặt TP trời và các thiết bị bảo vệ của hệ thống điện. Precision = (1) TP  FP Việc ra đời của học máy đã đóng góp quan Chỉ số Recall là tỉ số điểm true positive trọng trong việc phát hiện lỗi tự động. Từ các trong số điểm thực sự là positive: kịch bản làm việc tấm pin PV của hệ thống TP năng lượng mặt trời được phân tích ở [1], tác Recall = (2) TP  FN giả sử dụng học máy để phân loại 3 kịch bản Chỉ số F1-score là nhiễu trung bình làm việc dựa trên mạng nơron [2]: hệ thống harmonic mean của precision và recall: hoạt động bình thường, sự cố ngắn mạch, 2 1 1 hiện tượng partial shading.   (3) F1 precision recall Thuật ngữ: (1): Độ chính xác; (2): Độ phủ; (3): Điểm F1; Precision cao đồng nghĩa với độ chính xác Phương pháp đánh giá bài toán phân loại: của các điểm tìm được cao. Recall cao đồng  Độ chính xác: Tính tỉ lệ giữa số điểm nghĩa với việc tỉ lệ dương tính thật cao. được dự đoán đúng và tổng số điểm trong tập F1_score có giá trị nằm trong nửa khoảng dữ liệu kiểm thử. (0, 1]. F1 càng cao, bộ phân lớp càng tốt.  Ma trận nhầm lẫn: Cách dựa vào độ 2. PHƯƠNG PHÁP NGHIÊN CỨU chính xác ở trên không chỉ ra được cụ thể mỗi loại được phân loại như thế nào, lớp nào Hệ thống phân loại gồm 5 bước: được phân loại đúng nhiều nhất, và dữ liệu Xác định mô hình: Lựa chọn mô hình thuộc lớp nào thường bị phân loại nhầm vào thuật toán, lựa chọn cấu trúc mạng nơron, xác các lớp khác. Ma trận nhầm lẫn thể hiện có định số lượng lớp ẩn trong mạng, số lượng bao nhiêu điểm dữ liệu thực sự thuộc vào unit trong mỗi lớp và loại hàm kích hoạt. một class, dự đoán điểm rơi vào một class. Biên dịch mô hình: Lựa chọn hàm mất  Precision(1), Recall(2), F1-score(3) mát để tối ưu, lựa chọn learning rate. Huẩn luyện mô hình: Lựa chọn số lượng Bảng 1. Ma trận nhầm lẫn epoch, kích thước của batch. Dự đoán Dự đoán Đánh giá kết quả: Ước lượng độ chính dương tính âm tính xác, xây dựng learning curve, ma trận nhầm Dương Dương tính Âm tính giả lẫn, các hệ số F1, precision, recall… tính thật(TP) (FN) Dự đoán: Dự đoán kết quả từ một đầu vào mới. Âm tính Âm tính giả(FP) Âm tính thật Theo [1] sử dụng Matlab/Simulink để (TN) tiến hành mô phỏng hệ thống với 3 kịch bản 273
Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 làm việc: Bình thường, ngắn mạch, partial Dữ liệu gồm có 567 giá trị được chia đều shading. Thông số mô phỏng: Thời gian mô vào 3 lớp, mỗi lớp có 189 giá trị. phỏng: 1s, thời gian trích mẫu: 5.e-5s. Điều Mạng neural được minh họa trên Hình 3 kiện mô phỏng: Cường độ ánh sáng thay đổi W (1) W (2) W (3) từ 600W/m2 tới 1000 W/m2 với mỗi lần thay đổi là 50W/m2, nhiệt độ thay đổi trong dải từ 20oC tới 40oC mỗ lần thay đổi 1oC, mỗi lần mô phỏng nhiệt độ cố định và thay đổi cường ánh sáng. Nguyên lý mô phỏng như Hình 1. Chuẩn bị số liệu: Thu thập giá trị điện áp và dòng điện tại điểm công suất cực đại nhờ mô phỏng 3 kịch bản của Hình 1, sau đó Input Hidden 1 Hidden 2 Output chuẩn hóa về khoảng giá trị (0,1): Vmpp Hình 3. Cấu trúc mạng nơron Vnorm  (4) N s xVOC Chia dữ liệu: Chia dữ liệu 70% thành dữ I mpp I norm  (5) liệu dùng để huẩn luyện mô hình và 30% N p xI SC dùng để kiểm chứng Trong đó NS: số tấm pin mắc nối tiếp trong Cấu trúc mạng: Đầu vào: có 2 nút do dữ 1 string, Np: số string nối song song với nhau. liệu đầu vào là điện áp và dòng điện tại điểm công suất cực đại. Lớp ẩn gồm 2 lớp ẩn, lớp thứ nhất bao gồm 32 nút, lớp thứ 2 có 8 nút. Đầu ra: bài toán phân loại có 3 lớp do vậy đầu ra có 3 nút. Lựa chọn hàm kích hoạt: Lớp ẩn: hàm Relu, Đầu ra là hàm softmax: exp( zi ) (6) ai  C , i  1,2,..., C exp( z ) j 1 j Cần một mô hình xác suất sao cho với mỗi input x, ai thể hiện xác suất để input đó rơi vào class i => Điều kiện cần là các ai phải dương và tổng của chúng bằng 1 => Cần nhìn Hình 1. Mô phỏng hệ thống năng lượng mọi giá trị zi và dựa trên quan hệ giữa các zi mặt trời cho kịch bản làm việc này để tính toán giá trị của ai trong Matlab/ Simulink Lựa chọn hàm tối ưu: Phương pháp tối ưu ở đây sử dụng phương pháp Adam (learning Dữ liệu sau khi chuẩn hóa như Hình 2 rate = 0.01) và hàm tối ưu categorical - crossentropy. Lựa chọn tham số để huẩn luyện mô hình: Số lượng epoch: 250; kích thước batch: 32 Chương trình viết bằng công cụ Keras được phát hành bởi Google. 3. KẾT QUẢ NGHIÊN CỨU Độ chính xác phân loại của mô hình: Hình 2. Dữ liệu sau khi chuẩn hóa 99,41%. 274
Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 Hình 4. Đồ thị tổn hao Từ hình vẽ rút ra một số nhận xét sau: Cả tổn hao trong quá trình huẩn luyện (train) và quá trình kiểm tra (test) đều giảm đồng đều và cùng gần đạt giá trị 0. Không có sự bất thường trong quá trình biến thiên của tổn hao nên kết luận mô hình đã xây dựng là hợp lý, đạt yêu cầu, có độ chính xác phân loại cao. Các thông số lựa chọn như số lượng epoch, kích thước của batch và cấu trúc mạng Hình 6. Kết quả dự đoán cho 3 kịch bản neural đều hợp lý, phù hợp với dữ liệu đã có. làm việc Theo hình 5 chỉ có 1 điểm thuộc loại ổn định bị phân loại nhầm thành shading. Theo 4. KẾT LUẬN Bảng 3 Các chỉ số đánh giá F1 - score, Mô hình sau khi huấn luyện có khả năng Precision and Recall đều cao - bằng hoặc gần dự đoán tốt, ứng dụng những kết quả của học giá trị 1, chứng tỏ kết quả mô hình phân máy để xử lý các vấn đề ngành điện. Tuy loại tốt. nhiên, mô hình vẫn tồn tại một số nhược điểm: Mô hình chưa mang tính tổng quả, có nghĩa là mô hình chỉ hoạt động đúng với một hệ thống PV nhất định, nếu muốn kiểm định ở hệ thống khác thì cần phải xây dựng mô hình lại từ đầu. Mô hình mới chỉ phân loại được lỗi chứ chưa chỉ ra vị trí lỗi trong hệ thống. 5. TÀI LIỆU THAM KHẢO [1] Lê Thị Hương, 2017, “Nghiên cứu mô hình điều khiển công suất cực đại cho hệ thống Hình 5: Ma trận nhầm lẫn năng lượng mặt trời”, HNKHTN, Đại học Thủy lợi, Hà Nội, Việt Nam. Bảng 3: Các chỉ số đánh giá [2] Y.Zhao, 2015, “Fault detection, F1 - score Precision Recall classification and protection in solar photovoltaic arrays”, Northeastern Ngắn University Boston, Massachusetts. 1 1 1 mạch Ổn định 0.991 1 0.983 Shading 0.992 0.984 1 275

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.