Nghiên cứu phương pháp cải tiến sa thải phụ tải trong hệ thống điện

BỘ GIÁO DỤC VÀ ĐÀO TẠO 
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT 
THÀNH PHỐ HỒ CHÍ MINH 
LÊ TRỌNG NGHĨA 
NGHIÊN CỨU PHƯƠNG PHÁP CẢI TIẾN SA THẢI PHỤ TẢI 
TRONG HỆ THỐNG ĐIỆN 
LUẬN ÁN TIẾN SĨ 
NGÀNH: KỸ THUẬT ĐIỆN 
Tp. Hồ Chí Minh, tháng 08/2020 
BỘ GIÁO DỤC VÀ ĐÀO TẠO 
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH 
LÊ TRỌNG NGHĨA 
NGHIÊN CỨU PHƯƠNG PHÁP CẢI TIẾN SA THẢI PHỤ TẢI 
TRONG HỆ THỐNG ĐIỆN 
NGÀNH: KỸ THUẬT ĐIỆN - 9520201 
Người hướng dẫn khoa học 1: PGS. TS. QUYỀN HUY ÁNH 
Người hướng dẫn khoa học 2: PGS. TS. PHAN THỊ THANH BÌNH 
Phản biện 1: 
Phản biện 2: 
Phản biện 3: 
Tp. Hồ Chí Minh, tháng 08/2020 
i 
LÝ LỊCH CÁ NHÂN 
I. LÝ LỊCH SƠ LƯỢC: 
Họ & tên: Lê Trọng Nghĩa Giới tính: Nam 
Ngày, tháng, năm sinh: 22/09/1987 Nơi sinh: Long An 
Quê quán: Tân An, Long An Dân tộc: Kinh 
Học vị cao nhất: Thạc sỹ Năm, nước nhận học vị: 2013 
Đơn vị công tác: Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh 
Chỗ ở riêng hoặc địa chỉ liên lạc: 109, Ngô Chí Quốc, Phường Bình Chiểu, 
Quận Thủ Đức, TP. Hồ Chí Minh 
Điện thoại liên hệ: CQ: +84 28 38960985 DĐ: 0813310460 
II. QUÁ TRÌNH ĐÀO TẠO: 
1. Đại học: 
Hệ đào tạo: Chính quy 
Nơi đào tạo: Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh 
Ngành học: Điện khí hóa & Cung cấp điện 
Nước đào tạo: Việt Nam Năm tốt nghiệp: 2010 
2. Sau đại học: 
Thạc sỹ chuyên ngành: Kỹ thuật điện Năm cấp bằng: 2013 
Nơi đào tạo: Đại học Sư phạm kỹ thuật TP. Hồ Chí Minh 
3. Ngoại ngữ: Tiếng Anh: B2 
III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN 
Thời gian Nơi công tác Vai trò 
10/2010 đến 
nay 
Khoa Điện – Điện Tử, trường Đại học Sư phạm 
kỹ thuật TP. Hồ Chí Minh 
Giảng viên 
 ii
LỜI CAM ĐOAN 
Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong 
luận án là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. 
Tp. Hồ Chí Minh, ngày 07 tháng 2 năm 2020 
 Tác giả luận án 
 Lê Trọng Nghĩa 
 iii 
LỜI CẢM ƠN 
Tác giả xin bày tỏ lòng biết ơn sâu sắc đến thầy PGS. TS. Quyền Huy Ánh - Đại 
học Sư phạm Kỹ thuật Tp. HCM và cô PGS. TS. Phan Thị Thanh Bình - Đại học 
Bách Khoa Tp. HCM đã tận tình hướng dẫn và giúp đỡ tôi trong suốt quá trình nghiên 
cứu,thực hiện luận án. 
Tác giả cũng xin chân thành cảm ơn Ban Giám hiệu Trường Đại học Sư phạm Kỹ 
thuật thành phố Hồ Chí Minh, Phòng Đào tạo - bộ phận quản lý sau đại học, các thầy, 
cô thuộc Khoa Điện – Điện Tử và các đồng nghiệp trong trường đã tạo điều kiện, 
giúp đỡ tôi trong quá trình thực hiện luận án. 
Cảm ơn gia đình đã chia sẽ, gánh vác công việc để tôi yên tâm nghiên cứu và thực 
hiện luận án. 
Nghiên cứu sinh 
 Lê Trọng Nghĩa 
 iv
TÓM TẮT 
Tần số là thông số kỹ thuật quan trọng trong việc đánh giá chất lượng điện năng 
của hệ thống điện và phải được duy trì trong giới hạn quy định để đảm bảo hệ thống 
điện vận hành ổn định. Vì vậy, việc duy trì tần số ổn định trong giới hạn quy định 
luôn là mục tiêu của người thiết kế, vận hành hệ thống điện. Trên cơ sở phân tích ảnh 
hưởng của tần số đến hệ thống điện, các công trình nghiên cứu trong và ngoài nước 
trước đây, cũng như thực tế việc sa thải phụ tải đang áp dụng tại Việt Nam hiện nay, 
luận án đã nghiên cứu và đề xuất các phương pháp sa thải phụ tải như sau: 
- Nghiên cứu và đề xuất phương pháp sa thải phụ tải nhằm khôi phục ổn định 
tần số hệ thống điện trên cơ sở nhận dạng có/không sa thải phụ tải kết hợp với các 
giải thuật công nghệ tri thức như: AHP và mạng nơ-ron. Phương pháp sa thải phụ tải 
đề xuất cho phép nhanh chóng ra quyết định lựa chọn chiến lược sa thải phụ tải hợp 
lý và hiệu quả để giữ ổn định tần số hệ thống điện khi có sự cố ngắn mạch xảy ra trên 
các thanh góp hay trên các đường dây của hệ thống điện. Bên cạnh đó, phương pháp 
sa thải phụ tải đề xuất có lượng công suất sa thải phụ tải ít hơn và thời gian phục hồi 
tần số nhanh hơn so với các phương pháp sa thải phụ tải truyền thống; 
- Nghiên cứu và đề xuất phương pháp sa thải phụ tải trên cơ sở áp dụng thuật 
toán Fuzzy-AHP để tính toán hệ số tầm quan trọng của phụ tải và thực hiện ưu tiên 
sa thải phụ tải có hệ số tầm quan trọng nhỏ trước. Phương pháp sa thải phụ tải đề xuất 
giúp khôi phục tần số về giá trị cho phép và giảm thiểu thiệt hại gây ra khi cắt điện; 
- Nghiên cứu và đề xuất việc tính toán lượng công suất sa thải phụ tải có xét đến 
các yếu tố điều khiển sơ cấp, điều khiển thứ cấp tổ máy phát điện giúp tối thiểu lượng 
công suất tải phải sa thải và tần số hệ thống vẫn khôi phục về giá trị trong phạm vi 
cho phép; 
- Nghiên cứu và đề xuất việc xác định vị trí tải cần sa thải dựa trên các khái 
niệm PED, VED giữa máy phát bị sự cố và các nút tải giúp khoanh vùng sự cố nghiêm 
trọng và sa thải phụ tải xung quanh vùng sự cố sẽ làm giảm ảnh hưởng của sự cố tới 
hệ thống và phương án sa thải tải sẽ hiệu quả hơn; 
 v
- Nghiên cứu và đề xuất phương pháp phân bố lượng công suất sa thải phụ tải 
tại các nút có xét đến các tiêu chí kinh tế như hệ số tầm quan trọng của phụ tải, và 
các tiêu chí kỹ thuật như PED, VED. Qua đó, việc sa thải phụ tải thỏa mãn các yêu 
cầu phối hợp nhiều phương pháp kinh tế-kỹ thuật. 
Các phương pháp sa thải phụ tải đề xuất có thể được sử dụng trong công tác 
huấn luyện các điều độ viên hệ thống điện xử lý các tình huống sa thải phụ tải dựa 
trên các kịch bản sự cố trên hệ thống điện. 
 vi
ABSTRACT 
Frequency is an important specification in assessing the power quality of the 
electricity system and must be maintained within permissible limits to ensure the 
stable operation of the power system. Therefore, maintaining frequency stability 
within the permissible limits is always the goal of designers and operators of 
electricity system. Based on the analysis of the effect of frequency on the electrical 
system, the previous local and foreign researches, and the fact that load shedding is 
implemented in today’s Vietnam, this thesis has achieved the following contributions: 
- Proposing the load shedding method based on the combination of knowledge 
technology algorithms such as AHP algorithm and artificial neural network. It 
enables quick decisions to select reasonable and effective load shedding strategies to 
keep the stability of electricity system frequency when the short-circuit incidents are 
happened on the buses or on the lines of electricity system. In addition, the proposed 
load shedding method has smaller load shedding capacity and faster frequency 
recovery time than traditional load shedding methods; 
- Proposing the load shedding method based on the application of the Fuzzy-
AHP algorithm helps calculate the importance factor of the load and prioritize the 
less importance of load shedding. The proposed load shedding method enables to 
restore the frequency to permissible value and minimize potential damages when the 
load is cut; 
- Proposing the calculation of the load shedding included in the primary and 
secondary control factors of the generators will minimize the amount of load shedding 
and restore system frequency value back to the allowable range; 
- Proposing the determination of the load location to be shed based on the concept of 
the electrical phase distance, voltage distance between the faulty generators and the 
load nodes is able to locate serious incidents. The additional load shedding around 
the fault area reduces the impact of the incident on the system and increase the 
effectiveness of the load shedding; 
- Proposing the distribution of the load shedding capacity at the load nodes 
included the economic criteria such as the importance factor of the load, and the 
technical criteria such as the electrical phase distance, and the voltage distance aims 
to assure the requirements of multi-objective constraints. 
 vii
 In this thesis, the proposed load shedding methods can be applied in the 
training of electricity system operators to handle load shedding situations based on 
fault scenarios on electricity system. 
 viii 
MỤC LỤC 
TRANG 
Trang Tựa 
Quyết Định Giao Đề Tài 
LÝ LỊCH CÁ NHÂN .............................................................................................. i 
LỜI CAM ĐOAN ..................................................................................................ii 
LỜI CẢM ƠN ...................................................................................................... iii 
TÓM TẮT ............................................................................................................. iv 
MỤC LỤC ...........................................................................................................viii 
DANH SÁCH CÁC CHỮ VIẾT TẮT ................................................................. xi 
DANH SÁCH CÁC HÌNH .................................................................................. xii 
DANH SÁCH CÁC BẢNG ................................................................................. xv 
MỞ ĐẦU ................................................................................................................ 1 
1. Lý do chọn đề tài .............................................................................................. 1 
2. Mục tiêu nghiên cứu của luận án ...................................................................... 2 
3. Đối tượng và phạm vi nghiên cứu ..................................................................... 3 
4. Cách tiếp cận và phương pháp nghiên cứu ........................................................ 4 
5. Đóng góp mới về mặt khoa học và ý nghĩa thực tiễn của luận án ...................... 4 
6. Cấu trúc của luận án ......................................................................................... 5 
Chương 1 TỔNG QUAN VỀ SA THẢI PHỤ TẢI TRONG HỆ THỐNG ĐIỆN
 ................................................................................................................................ 6 
1.1 Tổng quan về các sự cố hệ thống điện ............................................................ 6 
1.2 Khái quát về điều chỉnh tần số và sa thải phụ tải ............................................. 9 
1.3 Yếu tố lựa chọn sa thải tải ............................................................................ 12 
1.4 Tổng quan các công trình nghiên cứu về sa thải phụ tải ................................ 12 
1.4.1 Sa thải phụ tải truyền thống .................................................................... 13 
1.4.2 Sa thải phụ tải thích nghi ........................................................................ 18 
1.4.3 Phương pháp sa thải phụ tải thông minh ................................................. 19 
1.4.4 Nhận xét ................................................................................................. 29 
Chương 2 PHƯƠNG PHÁP ĐIỀU KHIỂN KHẨN CẤP SA THẢI PHỤ TẢI 
TRONG HỆ THỐNG ĐIỆN ............................................................................... 32 
 ix
2.1 Đặt vấn đề .................................................................................................... 32 
2.2 Phương pháp điều khiển khẩn cấp sa thải phụ tải trong hệ thống điện........... 33 
2.2.1 Phương pháp sa thải phụ tải đề xuất ....................................................... 33 
2.2.2 Xây dựng tập mẫu và huấn luyện mạng nơ-ron ANN1 ........................... 34 
2.2.3 Xây dựng chiến lược điều khiển sa thải phụ tải dựa trên thuật toán AHP 36 
2.2.4 Huấn luyện mạng nơ-ron ANN2 ............................................................. 41 
2.2.5 Mô phỏng – Kiểm nghiệm phương pháp sa thải phụ tải đề xuất trên sơ đồ 
hệ thống điện chuẩn ........................................................................................ 43 
Chương 3 PHƯƠNG PHÁP SA THẢI PHỤ TẢI TRÊN CƠ SỞ ÁP DỤNG 
THUẬT TOÁN FUZZY-AHP ............................................................................. 55 
3.1 Đặt vấn đề .................................................................................................... 55 
3.2 Kỹ thuật mờ hóa và luật hoạt động [67] ........................................................ 55 
3.3 Tổng quan về thuật toán Fuzzy - AHP .......................................................... 56 
3.4 Khảo sát thử nghiệm trên sơ đồ hệ thống điện chuẩn IEEE 37 bus 9 máy phát
 ........................................................................................................................... 60 
Chương 4 TÍNH TOÁN LƯỢNG CÔNG SUẤT SA THẢI TỐI THIỂU CÓ XÉT 
ĐẾN ĐIỀU KHIỂN SƠ CẤP VÀ THỨ CẤP TỔ MÁY PHÁT ĐIỆN ............. 81 
4.1 Đặt vấn đề .................................................................................................... 81 
4.2 Tổng quan về đáp ứng tần số của hệ thống điện ............................................ 81 
4.3 Quá trình điều chỉnh tần số khi có sự cố trong hệ thống điện ........................ 82 
4.4 Điều chỉnh tần số sơ cấp trong hệ thống điện ................................................ 83 
4.5 Điều chỉnh tần số thứ cấp trong hệ thống điện .............................................. 85 
4.6 Tính toán lượng công suất sa thải phụ tải tối thiểu để phục hồi tần số về giá trị 
cho phép ............................................................................................................. 86 
4.6.1. Mục đích của việc tính toán lượng công suất sa thải phụ tải tối thiểu ..... 86 
4.6.2. Xây dựng công thức tính toán lượng công suất sa thải phụ tải tối thiểu . 86 
4.7 Tính toán kiểm tra trên sơ đồ hệ thống điện chuẩn ........................................ 88 
Chương 5 PHƯƠNG PHÁP SA THẢI PHỤ TẢI CÓ XÉT ĐẾN VIỆC PHỐI 
HỢP NHIỀU PHƯƠNG PHÁP .......................................................................... 94 
5.1 Đặt vấn đề .................................................................................................... 94 
5.2 Phân bố lượng công suất sa thải tại các bus tải dựa trên khái niệm PED ....... 94 
5.2.1 Khái niệm khoảng cách pha PED ........................................................... 94 
 x
5.2.2 Thử nghiệm – kiểm tra phương pháp đề xuất trên sơ đồ hệ thống điện chuẩn
 ....................................................................................................................... 97 
5.3 Phân bố lượng công suất sa thải tại các nút tải dựa trên khái niệm VED ..... 101 
5.3.1 Khái niệm khoảng cách điện áp (Voltage Electrical Distance - VED) ... 101 
5.3.2 Thử nghiệm – kiểm tra phương pháp đề xuất trên sơ đồ hệ thống điện chuẩn
 ..................................................................................................................... 102 
5.4 Phương pháp sa thải phụ tải có xét đến các yếu tố phối hợp nhiều phương pháp 
áp dụng giải thuật mờ hóa và hệ chuyên gia ..................................................... 108 
5.4.1 Tiêu chí 1: Hệ số tầm quan trọng của phụ tải ........................................ 109 
5.4.2 Tiêu chí 2: PED ............................................................................... ... lc,clear; 
load Tonghop_dulieu_Nghia_1; 
% Tron du lieu 
=========================================================== 
M =dulieu; 
r = randperm(size(M,1)); % permute row numbers 
Mout = M(r,:); 
X = (Mout(:,1:104)); 
Y = (Mout(:,105:109)); 
% 
===========================================================
============= 
[n, m] = size(X); 
n_test=floor(0.15*n); % 15% test 
n_train=n - n_test; % 85% train 
j=0; 
% train nhieu so bien khac nhau 
for l=10:10:104 
 X1 = [ ]; X2 = [ ]; 
 train_X2= [ ]; 
 test_X2= [ ]; 
 train_Y2= [ ]; 
 test_Y2= [ ]; 
 C=0;D=0; 
 X1 = X(:,1:l); 
 X2=zscore(X1); %chuan hoa 
% tách du lieu ngõ vào, ra thành phan test và train 
train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train 
test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test 
train_Y2 = transpose(Y(1:n_train,:)); % ngõ ra train 
test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ ra test 
 154
% huan luyen GRNN voi he so speard 0.1 
 grnn = newgrnn(train_X2, train_Y2, 0.1); 
% lay du dieu ngo ra ung voi du lieu ngo vao phan train va test su dung ham 
% grnn vua moi huan luyen 
 test_K =round( sim(grnn, train_X2)); 
 test_P =round( sim(grnn, test_X2)); 
if j == 0 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK = (D*100)/n_train; 
else 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP1 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
 155
end; 
end; 
 CK1 = (D*100)/n_train; 
 CP = [CP,CP1]; % tong hop do chinh xac testing cac bien khac nhau 
 CK = [CK,CK1]; % tong hop do chinh xac trainning cac bien khac nhau 
end; 
 j = j + 1; 
end; 
end; 
% ve do thi kiem tra do chinh xac ung voi nhieu muc bien khac nhau 
z=10:10:m; 
% do thi test 
plot(z, CP, '-or'); 
hold on 
% do thi train 
plot(z, CK, '-^r'); 
%==========================================================
===========================================================
===========================================================
==================== 
% INITIALIZE THE NEURAL NETWORK PROBLEM 
%================================== 
clc,clear 
load('Tonghop_dulieu_Nghia_1'); 
% inputs for the neural net 
% targets for the neural net 
% Tron du lieu 
===========================================================
= 
M =dulieu; 
r = randperm(size(M,1)); % permute row numbers 
Mout = M(r,:); 
X = (Mout(:,1:104)); 
Y = (Mout(:,105:109)); 
% 
===========================================================
============== 
[n, m] = size(X); 
n_test=floor(0.15*n); % 15% test 
n_train=n - n_test; % 85% train 
j=0; 
 156
% train nhieu so bien khac nhau 
%==========================================================
================ 
for l= 10:10:m 
for nh=8 
 X1 = [ ]; X2 = [ ]; 
 train_X2= [ ]; 
 test_X2= [ ]; 
 train_Y2= [ ]; 
 test_Y2= [ ]; 
 C=0;D=0; 
 X1 = X(:,1:l); 
 X2=zscore(X1); %code chuan hoa 
% tách du lieu ngõ vào, ra thành phan test và train 
train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train 
test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test 
train_Y2 = transpose(Y(1:n_train,:)); % ngõ ra train 
test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ ra test 
% huan luyen BPNN voi he so speard 0.1 
bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainlm'); 
[bpnn,tr] = train(bpnn,train_X2,train_Y2); 
% lay du dieu ngo ra ung voi du lieu ngo vao phan train va test su dung ham 
% grnn vua moi huan luyen 
 test_K =round( sim(bpnn, train_X2)); 
 test_P =round( sim(bpnn, test_X2)); 
if j == 0 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP_1 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
 157
end; 
 CK_1 = (D*100)/n_train; 
else 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP1_1 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK1_1 = (D*100)/n_train; 
 CP_1 = [CP_1,CP1_1]; % tong hop do chinh xac testing cac bien khac nhau 
 CK_1 = [CK_1,CK1_1]; % tong hop do chinh xac trainning cac bien khac nhau 
end; 
 j = j + 1; 
end; 
end; 
% ve do thi kiem tra do chinh xac ung voi nhieu muc bien khac nhau 
z=10:10:m; 
% do thi test 
plot(z, CP_1, '-ok'); 
hold on 
% do thi train 
plot(z, CK_1, '-^k'); 
%==========================================================
===========================================================
========= 
% INITIALIZE THE NEURAL NETWORK PROBLEM 
%================================== 
clc,clear 
load('Tonghop_dulieu_Nghia_1'); 
% inputs for the neural net 
 158
% targets for the neural net 
% Tron du lieu 
===========================================================
= 
M =dulieu; 
r = randperm(size(M,1)); % permute row numbers 
Mout = M(r,:); 
X = (Mout(:,1:104)); 
Y = (Mout(:,105:109)); 
% 
===========================================================
============== 
[n, m] = size(X); 
n_test=floor(0.15*n); % 15% test 
n_train=n - n_test; % 85% train 
j=0; 
% train nhieu so bien khac nhau 
%==========================================================
================ 
for l= 10:10:m 
for nh=8 
 X1 = [ ]; X2 = [ ]; 
 train_X2= [ ]; 
 test_X2= [ ]; 
 train_Y2= [ ]; 
 test_Y2= [ ]; 
 C=0;D=0; 
 X1 = X(:,1:l); 
 X2=zscore(X1); %chuan hoa 
% tách du lieu ngõ vào, ra thành phan test và train 
train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train 
test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test 
train_Y2 = transpose(Y(1:n_train,:)); % ngõ ra train 
test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ ra test 
% huan luyen BPNN voi he so speard 0.1 
bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainbr'); 
[bpnn,tr] = train(bpnn,train_X2,train_Y2); 
% lay du dieu ngo ra ung voi du lieu ngo vao phan train va test su dung ham 
% grnn vua moi huan luyen 
 test_K =round( sim(bpnn, train_X2)); 
 test_P =round( sim(bpnn, test_X2)); 
if j == 0 
% TÍNH DO CHÍNH XÁC TEST 
 159
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP_2 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK_2 = (D*100)/n_train; 
else 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP1_2 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK1_2 = (D*100)/n_train; 
 CP_2 = [CP_2,CP1_2]; % tong hop do chinh xac testing cac bien khac nhau 
 CK_2 = [CK_2,CK1_2]; % tong hop do chinh xac trainning cac bien khac nhau 
end; 
 j = j + 1; 
end; 
 160
end; 
% ve do thi kiem tra do chinh xac ung voi nhieu muc bien khac nhau 
z=10:10:m; 
% do thi test 
plot(z, CP_2, '-ob'); 
hold on 
% do thi train 
plot(z, CK_2, '-^b'); 
%==========================================================
===========================================================
======== 
% INITIALIZE THE NEURAL NETWORK PROBLEM 
%================================== 
clc,clear 
load('Tonghop_dulieu_Nghia_1'); 
% inputs for the neural net 
% targets for the neural net 
% Tron du lieu 
===========================================================
= 
M =dulieu; 
r = randperm(size(M,1)); % permute row numbers 
Mout = M(r,:); 
X = (Mout(:,1:104)); 
Y = (Mout(:,105:109)); 
% 
===========================================================
============== 
[n, m] = size(X); 
n_test=floor(0.15*n); % 15% test 
n_train=n - n_test; % 85% train 
j=0; 
% train nhieu so bien khac nhau 
%==========================================================
================ 
for l= 10:10:m 
for nh=8 
 X1 = [ ]; X2 = [ ]; 
 train_X2= [ ]; 
 test_X2= [ ]; 
 train_Y2= [ ]; 
 test_Y2= [ ]; 
 C=0;D=0; 
 161
 X1 = X(:,1:l); 
 X2=zscore(X1); %chuan hoa 
% tách du lieu ngõ vào, ra thành phan test và train 
train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train 
test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test 
train_Y2 = transpose(Y(1:n_train,:)); % ngõ ra train 
test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ ra test 
% huan luyen BPNN voi he so speard 0.1 
bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainscg'); 
[bpnn,tr] = train(bpnn,train_X2,train_Y2); 
% lay du dieu ngo ra ung voi du lieu ngo vao phan train va test su dung ham 
% grnn vua moi huan luyen 
 test_K =round( sim(bpnn, train_X2)); 
 test_P =round( sim(bpnn, test_X2)); 
if j == 0 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP_3 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK_3 = (D*100)/n_train; 
else 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 162
 CP1_3 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK1_3 = (D*100)/n_train; 
 CP_3 = [CP_3,CP1_3]; % tong hop do chinh xac testing cac bien khac nhau 
 CK_3 = [CK_3,CK1_3]; % tong hop do chinh xac trainning cac bien khac nhau 
end; 
 j = j + 1; 
end; 
end; 
% ve do thi kiem tra do chinh xac ung voi nhieu muc bien khac nhau 
z=10:10:m; 
plot(z, CP_3, '-og'); 
hold on 
% do thi train 
plot(z, CK_3, '-^g'); 
%==========================================================
===========================================================
========== 
% INITIALIZE THE NEURAL NETWORK PROBLEM 
%================================== 
clc,clear 
load('Tonghop_dulieu_Nghia_1'); 
% inputs for the neural net 
% targets for the neural net 
% Tron du lieu 
===========================================================
= 
M =dulieu; 
r = randperm(size(M,1)); % permute row numbers 
Mout = M(r,:); 
X = (Mout(:,1:104)); 
Y = (Mout(:,105:109)); 
% 
===========================================================
============== 
 163
[n, m] = size(X); 
n_test=floor(0.15*n); % 15% test 
n_train=n - n_test; % 85% train 
j=0; 
% train nhieu so bien khac nhau 
%==========================================================
================ 
for l= 10:10:m 
for nh=8 
 X1 = [ ]; X2 = [ ]; 
 train_X2= [ ]; 
 test_X2= [ ]; 
 train_Y2= [ ]; 
 test_Y2= [ ]; 
 C=0;D=0; 
 X1 = X(:,1:l); 
 X2=zscore(X1); %chuan hoa 
% tách du lieu ngõ vào, ra thành phan test và train 
train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train 
test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test 
train_Y2 = transpose(Y(1:n_train,:)); % ngõ ra train 
test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ ra test 
% huan luyen BPNN voi he so speard 0.1 
bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainrp'); 
[bpnn,tr] = train(bpnn,train_X2,train_Y2); 
% lay du dieu ngo ra ung voi du lieu ngo vao phan train va test su dung ham 
% grnn vua moi huan luyen 
 test_K =round( sim(bpnn, train_X2)); 
 test_P =round( sim(bpnn, test_X2)); 
if j == 0 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP_4 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
 164
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK_4 = (D*100)/n_train; 
else 
% TÍNH DO CHÍNH XÁC TEST 
for k=1:1:n_test 
if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& 
(test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& 
(test_Y2(5,k)==test_P(5,k)) 
 C = C + 1; 
end; 
end; 
 CP1_4 = (C*100)/n_test; 
% TÍNH DO CHÍNH XÁC TRAIN 
for k=1:1:n_train 
if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& 
(train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& 
(train_Y2(5,k)==test_K(5,k)) 
 D = D + 1; 
end; 
end; 
 CK1_4 = (D*100)/n_train; 
 CP_4 = [CP_4,CP1_4]; % tong hop do chinh xac testing cac bien khac nhau 
 CK_4 = [CK_4,CK1_4]; % tong hop do chinh xac trainning cac bien khac nhau 
end; 
 j = j + 1; 
end; 
end; 
% ve do thi kiem tra do chinh xac ung voi nhieu muc bien khac nhau 
z=10:10:m; 
% do thi test 
plot(z, CP_4, '-om'); 
hold on 
% do thi train 
plot(z, CK_4, '-^m'); 
%==========================================================
===========================================================
============================