Luận án Nghiên cứu giải thuật điều khiển statcom trong việc cải thiện chất lượng điện áp

khi ba điều này đã được xác định, thuật toán GA sẽ hoạt động tốt và mang lại kết quả ngoài sự mong đợi. Trong các nghiên cứu của luận án này, tương tự như việc sử dụng thuật toán PSO, tác giả cũng khởi tạo cấu trúc ANFIS từ hàm genfis trong Matlab 2014, tiếp theo sử dụng thuật toán GA để tối ưu các thông số của các hàm liên thuộc và thông số hệ quả của hệ ANFIS. Về dữ liệu dùng để huấn luyện, tác giả sử dụng dữ liệu được thu thập từ kết quả mô phỏng của hệ Fuzzy-PID với thời gian lấy mẫu là 0,01 giây. Và hàm mục tiêu cần tối thiểu là trung bình bình phương sai số khi huấn luyện, được cho biết trong phương trình (3.6). 53 Hình 3.5 Các bước thực hiện thuật toán GA Các bước của thuật toán GA như trên Hình 3.5 gồm: (1) Khởi tạo các nhiễm sắc thể/ cá thể sao cho vị trí của mỗi nhiễm sắc thể là ngẫu nhiên trong không gian tìm kiếm. Như đã trình bày ở trên, cấu trúc ANFIS trong nghiên cứu này được tạo ra ban đầu từ hàm genfis trong Matlab 2014. Theo đó, trong nghiên cứu này, mỗi gen đại diện cho một biến trong hàm liên thuộc hoặc thông số hệ quả của hệ ANFIS. Kết thúc Khởi tạo dân số Tính toán giá trị mục tiêu cho từng nhiễm sắc thể tương ứng Kiểm tra điều kiện dừng Lựa chọn những cá thể tốt Lựa chọn nhiễm sắc thể thế hệ cấp cha để lai tạo nhiễn sắc thể mới dựa trên toán tử gen di truyền Quá trình lai tạo Quá trình đột biến Bắt đầu Đúng Sai 54 Nó được định hình đầu tiên dưới dạng chuỗi, gọi là nhiễm sắc thể. Cụ thể, cấu trúc của một nhiễm sắc thể được định nghĩa như sau: 𝑋(1,𝑁) = [𝐶1, 𝜎1, 𝐶𝑗 , 𝜎𝑗, 𝐴01, 𝐴12, 𝐴23, , 𝐴0𝑚 , 𝐴1𝑚, 𝐴2𝑚] (3.5) Trong đó, j và m là số hàm liên thuộc của các ngõ vào và ngõ ra tương ứng. Tổng số các nhiễm sắc thể Npop gọi là kích thước quần thể trong không gian tìm kiếm (2) Tính toán giá trị mục tiêu cho từng nhiễm sắc thể tương ứng. Trong nghiên cứu này, hàm mục tiêu chỉ số RMSE được tính theo công thức sau: 𝑅𝑀𝑆𝐸 = √ 1 𝑛 ∑(𝑥𝑖 − 𝑦𝑖) 2 𝑛 𝑖=1 (3.6) (3) So sánh hiệu quả của từng nhiễm sắc thể với hiệu quả tốt nhất của nó và điều kiện dừng; (4) Lựa chọn những cá thể tốt nhất. Trên cơ sở các gen và nhiễm sắc thể tạo ra giải pháp tốt, đồng nghĩa với hàm mục tiêu là chỉ số RMSE tốt nhất, lựa chọn các nhiễm sắc thể tốt và loại bỏ các nhiễm sắc thể không tốt. Với nghiên cứu này, tỉ lệ loại bỏ tương ứng phần trăm lai tạo 𝑝𝑐, (ở đây được chọn là 𝑝𝑐 = 40%). (5) Lựa chọn nhiễm sắc thể thế hệ cấp cha để lai tạo nhiễn sắc thể mới dựa trên toán tử gen di truyền. Trước khi lai tạo, cần lựa chọn nhiễm sắc thể thế hệ cấp cha theo công thức sau: 𝑃𝑎𝑟(𝑋𝑖) = 𝑓(𝑥𝑖) ∑ 𝑓(𝑥𝑖) 𝑛 𝑗=1 (3.7) (6) Thực hiện quá trình lai tạo: Việc lựa chọn nhiễm sắc thể cấp cha không tạo thêm cá thể mới, nhưng nó giúp tạo nhiều bản sao (nhiều giải pháp mới) phù hợp hơn và việc lai ghép sẽ tạo thêm cá thể mới và đa dạng hóa các giải pháp trong quần thể. Nhiễm sắc thể sau khi lai tạo sẽ bao gồm một phần của cá thể cha hoặc mẹ theo toán tử di truyền. Việc thực hiện lai ghép được thực hiện theo công thức sau: 55 𝑋𝑖 ′ = 𝛼. 𝑋1𝑖 + (1 − 𝛼). 𝑋2𝑖 (3.8) Trong đó: + 𝑋1𝑖, 𝑋2𝑖 là các nhiễm sắc thể thế hệ cấp cha; + 𝛼 = 𝑢𝑛𝑖𝑓𝑟𝑛𝑑(−𝛾, 1 + 𝛾,𝑁); với 𝛾 là tỉ lệ lai tạo và N là số gen trong nhiễm sắc thể (số biến) (7) Thực hiện quá trình đột biến và quay lại tính toán kiểm tra mục tiêu của từng nhiễm sắc thể như ở bước 2 và lặp lại cho đến khi hội tụ. Trong nghiên cứu này, tỉ lệ đột biến gen 𝜇 được chọn là 15% tổng số gen của nhiễm sắc thể (một cá thể). Gen được chọn ngẫu nhiên để thực hiện quá trình đột biến theo công thức: 𝑋𝑖 ′[𝑘] = 𝑋𝑖[𝑘] + 𝑟. (𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛). 𝑟𝑎𝑛𝑑() (3.9) Ở đây 𝑟 là dãy đột biến gen, giá trị của 𝑟 được chọn là 0,1. Gen mới được đột biến sẽ thay thế gen hiện hữu theo quá trình đột biến, quá trình này được giới thiệu trong hình sau: Hình 3.6 Quá trình đột biến gen của nhiễm sắc thể thứ i Tóm lại, các tham số được khởi tạo ngẫu nhiên trong bước 1, sau đó được cập nhật bằng thuật toán GA. Trong mỗi lần lặp, các thông số của các hàm liên thuộc {ai}, {bi}, {ci} hoặc {ci}, {i} và thông số hệ quả {a0i}, {a1i}, {a2i} được cập nhật và quá trình lặp lại Xi[1] Xi[2] Xi[k] Xi[N] Xi[1] Xi[2] Xi[N] Xi’[k] 𝑋𝑖 ′[𝑘] = 𝑋𝑖[𝑘] + 𝑟. (𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛). 𝑟𝑎𝑛𝑑() 56 đến khi thỏa điều kiện và chọn phương án tối ưu [84]. Sơ đồ khối mô phỏng bộ điều khiển ANFIS-GA được trình bày trong Hình 3.7. Hình 3.7 Sơ đồ khối mô phỏng bộ điều khiển dùng ANFIS-GA 3.2.3 Thuật toán huấn luyện ANFIS-Online ANFIS phân biệt chính nó với các hệ thống logic mờ thông thường bởi các tham số thích nghi, tức là, cả các tham số tiền đề và hệ quả đều có thể điều chỉnh được. Hiệu suất của hệ thống AFNIS phụ thuộc vào các tham số bên trong của chúng, bao gồm các hàm liên thuộc, số lượng hàm liên thuộc, dữ liệu huấn luyện của chúng, số lần huấn luyện và thời gian huấn luyện. Việc huấn luyện để đạt các tham số tối ưu của ANFIS có thể thực hiện bằng phương pháp huấn luyện off-line độc lập, miễn sao đáp ứng yêu cầu một tập huấn luyện được xác định giữa đầu vào và đầu ra. Nhưng trong phương pháp huấn luyện off-line, bộ dữ liệu huấn luyện không bao gồm toàn bộ các điều kiện vận hành, nó có thể là các nhiễu bên ngoài, nhiễu đo lường Hơn nữa, luật điều khiển là cố định và khó điều chỉnh thích nghi với hệ thay đổi [85]. Trong hệ phi tuyến cao như hệ thống điện, có nhiều điều kiện chưa biết có thể xảy ra như: nhiều dạng sự cố, nhiều dạng phụ tải thay đổi, nhiều trạng thái vận hành của các thiết bị hoặc nhiều phương thức vận hành khác nhau sẽ dẫn đến thông số của hệ thống điện cũng khác nhau. Để khắc phục vấn đề này, tác giả nghiên cứu và áp dụng phương pháp huấn luyện on-line để cải thiện bộ điều khiển STATCOM. 57 Hình 3.8 Bộ điều khiển ANFIS-Online Về tổng quát, thuật toán huấn luyện trực tuyến được biểu diễn trong hình Hình 3.8. Năm hàm liên thuộc của mỗi ngõ vào gồm sai số 𝑒 và tỉ lệ chênh lệch của nó 𝑑𝑒 được áp dụng. Nhiệm vụ của thuật toán huấn luyện cho cấu trúc này là hiệu chỉnh tất cả các thông số có thể điều chỉnh như các biến số của hàm liên thuộc Gauss và giá trị của các luật trong ANFIS [86-88]. Trong nghiên cứu này, bộ thông số tiền đề của hàm gauss là {𝑐𝑖𝑗, 𝜎𝑖𝑗} sẽ được điều chỉnh theo phương pháp huấn luyện sai số lan truyền ngược. Những thông số tiền đề hoặc các thông số phi tuyến được cập nhật tại mỗi lần lặp, nghĩa là sau mỗi cặp đầu vào-đầu ra nhận được trong quá trình huấn luyện và để giảm thiểu hàm sai số tức thời như phương trình (3.2): 𝐸(𝑛) = 1 2 (𝑈𝑠(𝑛) − 𝑈𝑎(𝑛)) 2 (3.10) Ở đây 𝑈𝑠(𝑛) là đầu ra mong muốn hoặc đầu ra giám sát và 𝑈𝑎(𝑛) là đầu ra của bộ điều khiển ANFIS tại mỗi bước thời gian (n). Đối với mỗi đầu vào-đầu ra cặp dữ liệu huấn luyện, các ANFIS hoạt động trong các đường truyền phía trước để tính toán ngõ ra hiện tại 𝑈𝑎(𝑛). Sau đó, bắt đầu từ lớp ra, và di chuyển ngược trở lại, sai số lan truyền ngược được thực hiện để tính toán các đạo hàm 𝜕𝐸(𝑛) 𝜕𝑊 cho mỗi nút ở mỗi lớp của mạng. Vào cuối mỗi lần lặp, có 02 lớp thông số được điều chỉnh, cập nhật là các tham số{𝑐𝑖𝑗, 𝜎𝑖𝑗} ANFIS Plant d/dt ANN Identifier - + e de u(n) y(n) ym(n ) 𝜀(n) x(n) + - xref 𝑒𝑐 58 tại Lớp 1, của đầu vào hàm liên thuộc được cập nhật bởi các phương trình trong hệ phương trình sau: { 𝑐𝑖𝑗 (1)(n + 1) = α. 𝑐𝑖𝑗 (1) (𝑛) + η(− 𝜕𝐸(𝑛) 𝜕𝑐𝑖𝑗 (1)) 𝜎𝑖𝑗 (1)(n + 1) = α. 𝜎𝑖𝑗 (1) (𝑛) + η(− 𝜕𝐸(𝑛) 𝜕𝜎𝑖𝑗 (1) ) (3.11) Ở đây η là tốc độ học tập của các thông số mạng và α là hằng số động lượng giảm độ dốc. Hình 3.9 Sơ đồ Bộ điều khiển ANFIS-Online đề xuất Trong nghiên cứu này, theo sơ đồ bộ điều khiển được trình bày trong hình Hình 3.9, tác giả áp dụng bộ ANFIS-Online dựa trên bộ nhận dạng nơ ron nhân tạo (ANI), cấu trúc tổng quan được miêu tả trong Hình 2.32, để xác định sai số khi huấn luyện. Hàm mục tiêu là cực tiểu tổng bình phương các sai số này. Bộ nhận dạng ANI này sẽ được trình bày ở Mục 3.3.4. Các thông số của bộ điều khiển ANFIS được điều chỉnh trực tuyến thông qua hàm mục tiêu sau: 𝐽𝑐(𝑛) = 1 2 (𝑒𝑐(𝑛 + 1)) 2 = 1 2 (𝑈𝑠(𝑛) − 𝑈𝑎(𝑛)) 2 (3.12) ANFIS Plant d/dt ANN Identifier - u(k) 𝑒𝑖 + - + D D D D D 𝑒𝑐 - + xref x(n) ∆𝑃෠𝑠(𝑘 + 1) ∆𝑃𝑠(𝑘 + 1) ∆𝑃𝑑(𝑘 + 1) 59 𝐽𝑐(𝑛) = 1 2 (𝑒𝑐(𝑛 + 1)) 2 = 1 2 (∆𝑃෠𝑠(𝑛 + 1) − ∆𝑃𝑑(𝑛 + 1) ) 2 (3.13) Trong đó, 𝑒𝑐(𝑘 + 1) là sai số giữa độ lệch công suất từ bộ dự báo ANI và độ lệch công suất đo lường tại nút PCC, 𝑃𝑑(𝑘 + 1) là độ lệch công suất tác dụng được đo lường tại nút PCC ở thời điểm 𝑘+1; 𝑃𝑠 là độ lệch công suất từ bộ điều khiển ANFIS thông thường; và 𝑃෠𝑠(𝑘 + 1) là độ lệch công suất dự báo từ bộ điều khiển ANFIS-Online được áp dụng. 3.3 Giải thuật điều khiển STATCOM sử dụng thuật toán ANFIS-Online kết hợp với bộ ANI và bộ dự báo công suất 3.3.1 Độ ổn định dữ liệu Dữ liệu thu thập trong khoảng thời gian dài có thể dẫn đến sự mất ổn định do ảnh hưởng của những thay đổi và xu hướng phát triển, đặc biệt là khi có các sự cố, các bất thường hoặc nhiễu trong hệ thống điện. Xu hướng trong chuỗi dài hạn chủ yếu là xu hướng tăng tuyến tính, có thể dễ dàng được xác định để loại bỏ khỏi các xu hướng bằng các phương pháp đơn giản, cụ thể là các phương pháp ước lượng trung bình động, hồi quy tuyến tính và so lệch. Việc loại bỏ xu hướng dữ liệu nhằm mục đích làm cho chuỗi tải ổn định để đưa vào mô hình dự báo. Ở đây, phương pháp so lệch được sử dụng trong phương trình (3.6) như sau: 𝑑𝑖𝑓𝑓(𝑘 + 1, ∆𝑃𝑑(𝑘 + 1)) = 𝑇((𝑘 + 1), ∆𝑃𝑑(𝑘 + 1)) − 𝑇((𝑘), ∆𝑃𝑑(𝑘)) (3.14) Trong đó 𝑑𝑖𝑓𝑓 là dữ liệu so lệch giữa hai điểm dữ liệu công suất liền kề, được tính bằng hiệu của hai giá trị công suất lân cận thu thập được tại điểm kết nối STATCOM, (n) và (n-1) là chỉ số thứ tự tại thời điểm lấy mẫu thứ (n) và (n – 1) liền kề trước đó. 3.3.2 Phân tích thành phần chính (PCA) Các bộ dữ liệu lớn ngày càng phổ biến và thường khó diễn giải và ngày càng xuất hiện trong nhiều lĩnh vực. Để diễn giải các bộ dữ liệu đó, các phương pháp được yêu cầu phải giảm đáng kể số chiều của chúng theo cách có thể hiểu được, sao cho thông tin trong dữ liệu vẫn được bảo tồn nhiều nhất có thể. Phân tích thành phần chính (PCA) là một kỹ thuật để giảm kích thước của các bộ dữ liệu đó, tăng tính dễ hiểu nhưng đồng thời giảm thiểu mất thông tin. Nó làm như vậy bằng cách tạo ra các biến không tương quan mới liên tiếp tối đa hóa phương sai. Các nghiên cứu đầu tiên nói về PCA có từ Pearson [89] 60 và Hotelling [90] vào những thập niên 1900-1930, nhưng mãi đến khi máy tính được phát triển mạnh mẽ thì các ứng dụng của nó mới trở nên phổ biến rộng rãi và việc sử dụng nó trên các bộ dữ liệu không phải là nhỏ. Ở đây, tác giả không trình bày lại các lý thuyết toán học của phương pháp PCA mà chỉ nêu các bước thực hiện phân tích thành phần chính được tóm tắt như sau: 1. Xác định véc-tơ kỳ vọng của bộ dữ liệu được thu thập hay còn gọi là véc-tơ trung bình dữ liệu: 𝑝 = 1 𝑁 ∑ 𝑝 𝑖 𝑁 𝑖=1 (3.15) Ở đây 𝑝𝑖 là dữ liệu công suất thu thập được 2. Tính hiệu số giữa mỗi điểm dữ liệu và véc-tơ trung bình, thực hiện trên toàn bộ dữ liệu theo công thức sau: �̂�𝑖 = 𝑝𝑖 − 𝑝 (3.16) 3. Xác định ma trận hiệp phương sai: 𝑆 = 1 𝑁 − 1 ∑�̂�𝑖�̂�𝑖 𝑇 𝑁 𝑖=1 (3.17) 4. Xác định các cặp trị riêng và vec tơ riêng (𝜆, 𝑒) của ma trận S với 𝑒 được chuẩn hóa và sắp xếp theo thứ tự giảm dần của trị riêng. 5. Chọn K véc-tơ riêng ứng với K trị riêng lớn nhất để xây dựng ma trận UK có các cột tạo thành một hệ trực giao. K véc-tơ này, còn được gọi là các thành phần chính, tạo thành một không gian con gần với phân bố của dữ liệu ban đầu đã chuẩn hoá. thước đo tiêu chuẩn về chất lượng của một thành phần chính nhất định là tỷ lệ tỉ lệ đóng góp vào diễn giải tổng phương sai của các biến ngẫu nhiên ban đầu: 𝜋𝑗 = 𝜆𝑗 ∑ 𝜆𝑗 𝑚 𝑗=1 = 𝜆𝑗 𝑡𝑟𝑎𝑐𝑒(𝑆)′ (3.18) 61 ở đây, m là số thành phần chính; trace(S) là hàm tổng tất cả các phần tử trên đường chéo chính của ma trận S. 6. Thực hiện chiếu các điểm dữ liệu đã được chuẩn hóa xuống không gian mới. 7. Bộ dữ liệu mới chính là toạ độ của các điểm dữ liệu trên không gian mới, được xác định theo công thức: 𝑌 = 𝑈𝐾 𝑇𝑃෠ (3.19) Dữ liệu ban đầu có thể tính được xấp xỉ theo dữ liệu mới như sau: 𝑃 = 𝑈𝐾𝑌 + 𝑋ത (3.20) 3.3.3 Bộ lọc dữ liệu ngõ vào Khi dự báo, hầu hết các tác giả đều giả thiết rằng các dữ liệu thu thập được để phục vụ dự báo đều có độ tin cậy cao (với 100% độ tin cậy) [91-93]. Tuy nhiên, bên cạnh các phương pháp dự báo hiệu quả thì độ tin cậy của dữ liệu phục vụ dự báo đều có ảnh hưởng đến kết quả [91-96]. Điều này, hầu như ai cũng biết, nhưng chưa có nhiều kết quả công bố cho thấy cải thiện kết quả dự báo từ việc cải thiện dữ liệu. Trong phần này trình bày kỹ thuật cải thiện chất lượng dữ liệu phục vụ việc dự báo công suất tại nút có kết nối với STATCOM.Việc đánh giá độ tin cậy của bộ dữ liệu này sẽ rất cần thiết trong giai đoạn xử lý (lọc dữ liệu) trước khi đưa vào các mô hình dự báo công suất thay đổi [97-99] tại nút có kết nối STATCOM. Nghiên cứu này trình bày một phương pháp lọc dữ liệu có xem xét đến độ tin cậy của nguồn dữ liệu bằng cách phân tích trên nhiều mức độ tin cậy khác nhau và có thực hiện đối chiếu, so sánh kết quả với các phương pháp lọc dữ liệu trước đây như phương pháp lọc Kalman [100], Wavelet Transform [101]. Giải thuật chi tiết về phương pháp lọc đề xuất được thể hiện trong Hình 3.10. Cụ thể, dữ liệu đầu vào sẽ được phân nhóm dựa trên mật độ phổ năng lượng. Như đã đề cập ở trên, dữ liệu thu thập trong khoảng thời gian lấy mẫu có thể đánh giá sự mất ổn định do ảnh hưởng của những thay đổi và xu hướng phát triển. Xu hướng dữ liệu công suất thu thập được chủ yếu là xu hướng tăng tuyến tính, có thể dễ dàng xác định bằng các phương pháp đơn giản, cụ thể là các phương pháp ước lượng trung bình động, hồi quy tuyến tính và so lệch. Việc này nhằm mục đích làm cho dữ liệu ổn định trước khi đưa vào mô hình dự báo. 62 Nếu dữ liệu sau khi phân nhóm là ngẫu nhiên, sẽ tính mật độ xác suất ngay sau đó. Nếu mật độ xác suất có dạng chuẩn, sẽ chọn mức độ tin cậy tốt nhất của dữ liệu đầu vào bằng phương pháp ANN [102] với chỉ số MAPE tốt nhất. Mức độ tin cậy này sẽ loại bỏ các điểm outliers của bộ dữ liệu đầu vào, kết thúc quá trình lọc dữ liệu. Tuy nhiên, nếu mật độ xác suất của dữ liệu đã phân nhóm không có dạng chuẩn, bộ lọc dữ liệu sẽ áp dụng phương pháp PCA để tách dữ liệu sau khi phân nhóm thành các nhóm dữ liệu có kích thướt quần thể nhỏ hơn. Sau đó, bộ lọc dữ liệu sẽ kiểm tra lại mật độ xác suất của các nhóm dữ liệu này có hình thành dạng chuẩn hay không; nếu là dạng chuẩn, xác định mức độ tin cậy tốt nhất của dữ liệu đầu vào bằng phương pháp ANN với chỉ số MAPE; nếu không là dạng chuẩn, sử dụng phương pháp ‘dendrogram’ trước khi xác định mức độ tin cậy của dữ liệu được phân nhóm. Tóm lại, các bước thực hiện lọc dữ liệu trong lưu đồ Hình 3.10 được diễn tả đầy đủ qua 7 bước như sau: 1. Bước 1: Thu thập và sắp xếp dữ liệu thu thập, biến đổi dữ liệu thành các nhóm dữ liệu dựa trên mật độ phổ năng lượng. 2. Bước 2: Kiểm tra tính ổn định của dữ liệu thông qua việc loại bỏ xu hướng dữ liệu bằng cách xác định sai lệch công suất giữa hai lần lấy mẫu liền kề, áp dụng theo công thức (3.14). 3. Bước 3: Tính toán mật độ xác suất và kiểm tra dữ liệu có dạng phân bố chuẩn hay không. 4. Bước 4: Nếu dữ liệu được kiểm tra thuộc dạng phân bố chuẩn thì tiến hành đánh giá độ tin cậy theo mô hình mạng nơ rong với chỉ số phần trăm sai số tuyệt đối trung bình (MAPE) là thất nhất. 5. Bước 5: Nếu dữ liệu được kiểm tra không thuộc dạng phân bố chuẩn thì thực hiện tách, phân nhóm lại dữ liệu theo thành phần chính bằng phương pháp PCA, đồng thời tính toán lại mật độ xác suất cho bộ dữ liệu mới sau khi phân tích thành phần chính. Tiếp tục kiểm tra bộ dữ liệu mới này, nếu là phân bố chuẩn thì thực hiện đánh giá độ tin cậy dữ liệu như bước 4. 6. Bước 6: Nếu bộ dữ liệu mới vẫn không thuộc phân bố chuẩn thì áp dụng phương pháp dendrogram trên toàn bộ chuỗi dữ liệu khác biệt để xác định mối tương quan giữa các điểm công suất này, phân cụm thành nhiều bộ dữ liệu nhỏ có sự 63 tương quan cao. Cuối cùng, các bộ dữ liệu phụ nhỏ này được đưa vào mô hình ANN để chọn độ tin cậy tốt nhất như được đề cập trong Bước 4; Hình 3.10 Giải thuật đề xuất để lọc dữ liệu dựa trên phương pháp phân tích thống kê Dữ liệu đầu vào Biến đổi dữ liệu thành các nhóm dữ liệu dựa trên mật độ phổ năng lượng Bộ dữ liệu sau khi phân nhóm là dữ liệu ngẫu nhiên? Bắt đầu Sai Đúng Ổn định dữ liệu Tính PDF (Mật độ xác xuất) Dữ liệu có dạng phân phối chuẩn? Tính PCA và PDF Chọn mức độ tin cậy tốt nhất sử dụng ANN với chỉ số MAPE Áp dụng phương pháp dendrogram Dữ liệu có dạng phân phối chuẩn? Áp dụng mức tin cậy được tính toán để loại bỏ các điểm outliers của dữ liệu Kết thúc Đúng Sai Sai Đúng 64 7. Bước 7: Áp dụng khoảng tin cậy đã chọn như các điểm giới hạn để loại bỏ các ngoại lệ / nhiễu của tập dữ liệu gốc. 3.3.4 Cấu trúc bộ ANI Một mạng perceptron được sử dụng để đại diện bộ nhận dạng ANI, cấu trúc gồm 6 ngõ vào là công suất của STATCOM, tín hiệu điều khiển và các thành phần trễ của nó được cho biết trong các phương trình (3.18 , 3.19, 3.20 và 3.21). Ngõ ra của bộ ANI được tính bởi phương trình (3.18) tại thời điểm lấy mẫu thứ (𝑘 + 1): ∆𝑃෠𝑠(𝑛 + 1) = 𝑓(∆𝑃𝑠(𝑛), ∆𝑃𝑠(𝑛 − 1), ∆𝑃𝑠(𝑛 − 2), 𝑢(𝑛), 𝑢(𝑘 − 1), 𝑢(𝑘 − 1) (3.21) Các tín hiệu đầu vào của bộ ANI được chuẩn hóa trong khoảng [-1, 1]. Bộ ANI được huấn luyện và cập nhật các thông số để đảm bảo cực tiểu hàm chi phí: 𝐹(𝑛) = 1 2 (𝑒𝑖(𝑛)) 2 = 1 2 (∆𝑃𝑠(𝑛) − ∆𝑃෠𝑠(𝑛)) 2 (3.22) Hình 3.11 Cấu trúc mạng nơ-ron Và các trọng số của bộ ANI được cập nhật theo biểu thức: W(n) = W(𝑛 − 1) − η∇𝑊𝐽𝑖(n) (3.23) ∆𝑃𝑠(𝑛) ∆𝑃𝑠(𝑛 − 1) ∆𝑃𝑠(𝑛 − 2) 𝑢(𝑛) 𝑢(𝑛 − 1) 𝑢(𝑛 − 2) ∆𝑃෠𝑠(𝑛 + 1) 65 Trong đó, 𝑊(𝑛) là ma trận trọng số ở lần lặp n, 𝜂 là tốc độ học tập của mạng, η∇𝑊𝐽𝑖(n) là gradient của 𝐽𝑖(n) liên quan đến ma trận trọng số 𝑊(𝑛). Giá trị gradient được tính theo công thức sau: ∇𝑊𝐽𝑖(n) = −[∆𝑃𝑠(𝑛) − ∆𝑃෠𝑠(𝑛)] ∆𝑃෠𝑠(𝑛) 𝜕𝑊(𝑛) (3.24) 3.3.5 Thuật toán ANFIS-online kết hợp với ANI và bộ lọc dữ liệu đầu vào Trong Hình 3.12 cho biết bộ điều khiển ANFIS-Online sử dụng bộ lọc dữ liệu ngõ vào được trình bày trong Mục 3.2.1. Bộ lọc dữ liệu sẽ loại bỏ các thành phần outliers của độ chênh lệch công suất tác dụng được đo lường thực tế, 𝑃𝑑(𝑘 + 1). Độ chênh lệch công suất thực tế này được so sánh với giá trị chênh lệch công suất được dự đoán từ bộ ANI, 𝑃෠𝑠(𝑘 + 1); kết quả, sai số 𝑒𝐶 được sử dụng để làm giá trị tham chiếu cho bộ huấn luyện ANFIS. Hơn nữa, 𝑃෠𝑠(𝑘 + 1) còn được so sánh với độ chênh lệch công suất từ ngõ ra của hệ thống ANFIS, 𝑃𝑠; kết quả, sai số 𝑒𝑖 được sử dụng để làm giá trị tham chiếu khi huấn luyện bộ dự báo ANI. Như là hệ quả, bộ huấn luyện ANFIS-Online có thể cập nhật liên tục các giá trị thay đổi ngẫu nhiên của 𝑒𝑖 và 𝑒𝐶 để có thể điều chỉnh thích nghi, nhanh và hiệu quả dòng công suất được cung cấp từ thiết bị STATCOM tại nơi mà nó được kết nối đến lưới điện. Bộ ANFIS sẽ cập nhật cơ sở dữ liệu online, và giá trị ngõ ra của nó sẽ là tham chiếu để điều chỉnh bộ dự báo ANI trong hệ thống huấn luyện online. Bộ ANI sử dụng thông số ngõ ra từ ANFIS như là các tín hiệu vào của nó cùng với sai số 𝑒𝑖 để dự báo sự chênh lệch công suất 𝑃෠𝑠(𝑘 + 1). Các thông số của bộ ANFIS được điều chỉnh online thông qua hàm mục tiêu sau: 𝐽𝑐(𝑛) = 1 2 (𝑒𝑐(𝑛 + 1)) 2 = 1 2 (∆𝑃෠𝑠(𝑛 + 1) − ∆𝑃𝑑(𝑛 + 1) ) 2 (3.25) Theo cấu trúc hệ mờ thích nghi được trình bày trong Hình 2.32 của Chương 2, tác giả sử dụng hàm gauss, với 5 hàm liên thuộc (membership functions) có số lượng các nơron là 5, 10, 20, 20 và 5 tương ứng với các lớp 1, 2, 3, 4 và 5 trong các bộ điều khiển áp dụng trong các nghiên cứu của Chương 4 và Chương 5. Như vậy, tổng số tham số cần cập nhật là 35 thông số tương ứng với 20 tham số thuộc lớp 1 (tương ứng với 2 ngõ vào là sai số 𝑒 và vi phân của sai số, ∆𝑒 ) và 15 thông số ở lớp ngõ ra (01 ngõ ra với 5 hàm 66 liên thuộc và 3 biến ở mỗi hàm liên thuộc là a0, a1, và a2 được đề cập trong phương trình (2.23)). Hình 3.12 Bộ điều khiển ANFIS-Online sử dụng bộ lọc dữ liệu ngõ vào Từ sơ đồ cấu trúc bộ điều khiển ANFIS-Online được nêu trong Hình 3.12 cho thấy, hai bước thực hiện trong cấu trúc này như sau: i. Bước 1: Đánh giá trực tuyến các thông số hệ thống thông qua bộ dự báo ANI và tính toán cập nhật các thông số bộ điều khiển; và ii. Bước 2: Nếu trong hệ thống có thay đổi, bộ dự báo ANI sẽ cung cấp một kết quả sai số nhất định và cung cấp việc tính toán cập nhật, điều chỉnh lại các thông số bộ ANFIS. Đầu vào của bộ điều khiển ANFIS là sai số 𝑒 và vi phân của sai số, ∆𝑒. Thông tin điện áp tại nút đấu nối chung PCC là hoàn toàn có thể đo lường được để cung cấp tín hiệu cho bộ điều khiển thiết bị STATCOM, tuy nhiên việc dự báo công suất và so sánh với công suất đo thực tế sẽ giúp cải thiện độ chính xác dữ liệu huấn luyện off – ANFIS Plant d/dt ANN Identifier - u(k) 𝑒𝑖 + - + D D D D D 𝑒𝑐 - + xref x(n) e de ∆𝑃෠𝑠(𝑘 + 1) ∆𝑃𝑠(𝑘 + 1) ∆𝑃𝑑(𝑘 + 1) Bộ lọc dữ liệu 67 line và giá trị điện áp được đo lường liên tục. Việc này giúp cho các thông số của bộ điều khiển ANFIS được cập nhật ngay các tình huống, kịch bản vận hành ngẫu nhiên có thể xảy ra trên hệ thống điện mà quá trình thu thập dữ liệu để huấn luyện offline không được thực hiện hoặc thu thập đầy đủ. Hình 3.13 trình bày sơ đồ khối mô phỏng bộ điều khiển ANFIS-online. Hình 3.13 Sơ đồ khối mô phỏng bộ điều khiển dùng ANFIS-Online 3.4 Tổng kết chương Ở đầu Chương 3 này, tác giả đã trình bày các phương pháp tối ưu các tham số bộ điều khiển ANFIS áp dụng các thuật toán tối ưu bầy đàn, thuật toán di truyền và kỹ thuật huấn luyện trực tuyến dựa trên bộ nhận dạng dự báo công suất ANI nhằm điều chỉnh công suất tác dụng và phản kháng từ thiết bị STATCOM để ổn định chất lượng điện áp của hệ thống. Các bộ điều khiển được đề xuất trong chương này là cơ sở để xây dựng các mô hình và mô phỏng với các kịch bản khác nhau được trình bày trong chương 4, chương 5 nhằm cải thiện độ ổn định và chất lượng điện áp. Về sơ đồ bộ điều khiển đề xuất trong chương này, điện áp đo lường tại nút kết nối chung Vpcc, được so sánh với điện áp chuẩn 𝑉𝑟𝑒𝑓 để xác định độ lệch điện áp. Độ lệch điện áp này và vi phân của nó là tìn hiệu đầu vào của các bộ điều khiển được đề xuất gồm: Fuzzy, ANFIS, ANFIS-PSO, ANFIS-GA, ANFIS-Online. Các đầu ra của bộ điều khiển lúc bấy giờ là dòng điện tham chiếu 𝐼𝑞𝑟𝑒𝑓 cho khối điều chỉnh dòng điện, để từ đó tạo ra 68 các thông số của bộ điều chế độ rộng xung gồm chỉ số điều 𝑘𝑚𝑠𝑡𝑎𝑡 và góc pha 𝛼𝑠𝑡𝑎𝑡. Các thông số điều chế này kích các khóa điều khiển để tạo ra điện áp STATCOM so với điện áp PCC, việc giữ ổn định điện áp thực hiện theo nguyên lý so sánh điện áp đã được nêu tại Mục 2.1.2 Chi tiết các giải thuật điều khiển STATCOM để cải thiện chất lượng điện áp trên lưới điện đã được trình bày trong chương này. Giải thuật điều khiển STATCOM sử dụng các thuật toán tối ưu như thuật toán tối ưu bầy đàn (PSO) và thuật toán di truyền (GA) đã được nêu chi tiết tại Mục 3.1. Nhiệm vụ của thuật toán tối ưu PSO hay GA là điều chỉnh tất cả các tham số có thể sửa đổi để làm cho đầu ra ANFIS khớp với dữ liệu huấn luyện. Đầu ra tổng thể trong trường hợp này là sự kết hợp tuyến tính của các tham số có thể hiệu chỉnh. Trong nghiên cứu này, để đạt được các tham số hàm liên thuộc của ANFIS có được từ hàm genfis trong Matlab 2014, hàm mục tiêu là tối thiểu RMSE được sử dụng và giá trị tham số tối ưu sẽ đạt được khi cực tiểu hàm mục tiêu này. Đối với cấu trúc bộ điều khiển ANFIS-Online, phương pháp lọc dữ liệu dựa trên xác suất thống kê được giới thiệu và sử dụng để đánh giá độ tin cậy của dữ liệu trước khi đưa vào hệ huấn luyện ANFIS-Online. Bộ lọc dữ liệu sẽ loại bỏ các thành phần outliers của độ chênh lệch công suất tác dụng được đo lường thực tế. Bộ huấn luyện ANFIS- Online có thể cập nhật liên tục các giá trị thay đổi ngẫu nhiên của 𝑒𝑖 và 𝑒𝐶 để có thể điều chỉnh thích nghi, nhanh và hiệu quả dòng công suất được cung cấp từ thiết bị STATCOM tại nơi mà nó được kết nối đến lưới điện. Bộ ANFIS sẽ cập nhật cơ sở dữ liệu online, và giá trị ngõ ra của nó sẽ là tham chiếu để điều chỉnh bộ dự báo ANI trong hệ thống huấn luyện onl