Nâng cao khả năng điều khiển của bộ Anfis bằng giải thuật PSO

NÂNG CAO KHẢ NĂNG ĐIỀU KHIỂN CỦA BỘ ANFIS BẰNG GIẢI

THUẬT PSO

IMPROVING THE CONTROLLABILITY OF AN ANFIS CONTROLLER BY

USING THE PSO

Trần Minh Thành

Trường trung cấp công nghệ Bến Tre

TÓM TẮT

Trong tình trạng mất ổn định điện áp, điều kiện là một trong những cuộc khủng hoảng lớn

trong mạng lưới hệ thống điện. Nghiên cứu này đề xuất một thuật toán lai tạo để cải thiện hiệu

suất ổn định của một hệ thống điện sử dụng bộ STATCOM. Ở đây, sự ổn định của hệ thống phân

phối được duy trì với việc giảm tổn thất điện năng bằng cách sử dụng các kỹ thuật suy luận Neuro-

Fuzzy Inference (ANFIS) và các kỹ thuật tối ưu hóa Particle Swarm Optimization (PSO). Ban đầu

STATCOM được tạo bởi các thông số PI để cung cấp công suất chưa tối ưu sau đó bộ ANFIS kết

hợp PSO được áp dụng để tìm ra thông số tốt nhất cho hệ thống. Các cải tiến hiệu quả trong cấu

hình điện áp và giảm tổn thất điện năng của hệ thống điện.

Bộ điều khiển STATCOM kết hơp ANFIS-PSO được đề xuất được thử nghiệm trên hệ

thống 3 bus và đã được trình bày với một vài kết quả so sánh .

Từ khóa: STATCOM (Thiết bị bù tĩnh), ANFIS (Hệ nơron mờ thích nghi), PSO (Thuật toán bầy

đàn), PI (Tích phân tỉ lệ)

ABSTRACT

During faulty condition voltage instability is one of the major crisis in power system

networks. This study proposes a hybrid learning algorithm application of STATCOM to improve

the dynamic stability of the power system. Here the distribution system stability is maintained with

reduced power loss using an Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Particle

Swarm Optimization (PSO) techniques. Initially STATCOM is trained by PI instability parameters

to give the optimal power capacity and then hybrid PSO and ANFIS controller to improve the

stability system. The effective improvements in voltage profile and reduction in power loss of the

proposed.

ANFIS-PSO controller is tested on 3 bus system and has been presented with few

comparative results.

Keywords: STATCOM (Static compensator), ANFIS (Adaptive Neuro-Fuzzy Inference Systems),

PSO (Particle Swarm Optimization), PI (Proportional Integral)

1

Chứa năng thứ hai là thiết bị đồng bộ :

tương tự như một máy đồng bộ lý tưởng với

điện áp ba pha hình sin tại tần số cơ bản.

Chức năng thứ ba: là khả năng bù

cung cấp bù công suất phản kháng.

1. GIỚI THIỆU

Ngày nay, với sự phát triển mạnh và

nhanh của các thiết bị điện tử công suất lớn,

chính xác hơn như VSC, STATCOM… đã

được ứng dụng vào hệ thống điện trên thế giới

để nâng cao khả năng điều khiển hệ thống điện,

cụ thể là đường dây truyền tải được linh hoạt

và nhanh chóng.

2.2 Các chỉ tiêu cơ bản liên quan chất lương điện

năng trong lưới phân phối

Độ lệch tần số

Sự ra đời và sử dụng rộng rãi của các

thiết bị phụ tải nhạy cảm với chất lượng điện

như máy tính, các thiết bị đo lường, bảo vệ

rơle, hệ thống thông tin liên lạc, chúng đòi hỏi

phải được cung cấp điện với chất lượng cao.

Việc suy giảm chất lượng điện làm cho thiết

bị vận hành với hiệu suất thấp, tuổi thọ bị suy

giảm. Do đó việc nâng cao chất lượng điện đặc

biệt là trong lưới điện phân phối mang một ý

nghĩa chiến lược

Là hiệu số giữa giá trị tần số thực tế và

tần số định mức: (f - f_n) gọi là độ lệch tần số.

Độ lệch tần số có thể biểu thị dưới dạng độ

lệch tương đối:

f - f_n

(1)

Δf (%) =

100 %





f_n

Dao động điện áp

Dao động điện áp là sự biến thiên của

điện áp xảy ra trong khoảng thời gian tương

đối ngắn. Được tính theo công thức:

U_{m a x}- U_{m i n}

Trước những yêu cầu đó ngoài việc mở

rộng, phát triển nguồn điện thì vấn đề nghiên

cứu, đưa ra các giải pháp đảm bảo các thông

số chất lượng điện là một vấn đề cấp bách hiện

nay

(2)

Δ U =

1 0 0

U_n

Tốc độ biến thiên từ U_minđến U_maxkhông

quá 1%/s.

Trong bài báo này tôi đưa ra hệ thống điện

3 bus sử dụng STATCOM thay đổi thông số PI

thành ANFIS kết hợp thuật toán PSO để cải

tiến hiệu quả trong cấu hình điện áp và giảm

tổn thất điện năng của hệ thống điện và được

trình bày với một vài kết quả so sánh như sau.

Độ không đối xứng

Trong mạng điện ba pha, ngoài các

thiết bị điện ba pha còn có rất nhiều các thiết

bị điện 1 pha. Mặc dù nguồn điện là 3 pha, phụ

tải 3 pha đối xứng và các phụ tải 1 pha được

phân phối đều trên các pha khi thiết kế và lắp

đặt… Tuy nhiên các phụ tải 1 pha này lại luôn

biến đổi và hoàn toàn mang tính ngẫu nhiên.

Vì vậy, trong quá trình vận hành chắc chắn

không thể tránh được tình trạng làm việc

không đối xứng.

2. NHỮNG MỐC THỜI GIAN CẦN

CHÚ Ý

2.1 Giới thiệu STATCOM

STATCOM

(Static

Synchronous

Compensator) là thiết bị chuyển đổi nguồn áp

(VSC-Voltage Source Converter), được định

nghĩa là một bộ tự biến đổi công suất cung cấp

từ một nguồn điện thích hợp và hoạt động tạo

ra một bộ điều chỉnh điện áp nhiều pha.Thiết

bị này được dùng trong lưới điện xoay chiều 3

pha để thực hiện điều chỉnh, điều khiển độc

một cách độc lập công suất tác dụng và công

suất phản kháng.

Độ không đối xứng được ký hiệu là K₂

và tính như sau:

•

U_A+a²U _B+a U

C

U₂

(3)

K₂=

100 =

. 100 (%)

3U_n

Với U₂- Điện áp thứ tự nghịch ở tần

số cơ bản;

K₂≤ 1 % thì được xem là đối xứng.

Độ không sin

STATCOM đã được định nghĩa với ba

chức năng hoạt động.

Chức năng đầu tiên là bộ chuyển đổi

tĩnh: nguyên lý dựa trên các thiết bị chuyển

đổi không có thành phần quay.

Điện áp và dòng điện ba pha thay đổi

theo chu kỳ hình sin với tần số cơ bản 50 Hz.

Nhưng trong thực tế ta không bao giờ nhận

được đường cong hình sin trọn vẹn vì hầu hết

các phần tử của hệ thống điện có đặc tính Vôn-

2

X_i^k1

Ampe là phi tuyến. Điều đó dẫn đến sự xuất

hiện của các tần số khác nhau làm cho điện áp

và dòng điện không sin đó là các sóng hài

Ta biết rằng theo lý thuyết các nguồn

Vị trí phần tử thứ i tại thế hệ thứ k+1

Vận tốc phần tử thứ i tại thế hệ thứ k+1

V^k1

i

Quá trình cập nhập các particle dựa trên 2

công thức:

tác động (là những tín hiệu được đưa đến

mạch) tồn tại trên lưới điện là các hàm điều

hòa. Thực tế các nguồn tác động này trong hệ

thống điện không phải lúc nào cũng là hàm

điều hòa, mà nó có thể có hình dạng bất kỳ,

bao gồm nhiều thành phần tần số trong đó có

các thành phần tần số nào đó (họa tần) khác

với thành phần tần số cơ bản mà ta mong

muốn sẽ ảnh hưởng nhất định cho sự hoạt

động của mạch và các phần tử trong hệ thống

điện. Khi đó các đáp ứng trong mạch cũng sẽ

là các quá trình nhiều tần số.

V^k1





V^k ₁c ₁(r P  X)  c( r G 

k

i

b e s t

i

2

b e s t

X_i^k1 X_i^kV^k1

(4)

i

ω: Là trọng số quán tính

c₁, c₂: Các hệ số gia tốc có giá trị là 1,5 đến

2,5

r₁, r₂: Số ngẫu nhiên giữa 0 và 1

3.2 Lưu đồ, giải thuật PSO

3. GIẢI THUẬT PSO VÀ BỘ ĐIỀU

KHIỂN ANFIS

3.1 Tổng quan về thuật toán bầy đàn(PSO)

Thuật toán tối ưu bầy đàn PSO là kết

quả của sự mô hình hóa việc đàn Chim, đàn

Cá, hay Kiến đi kiếm thức ăn (Hình 1) đi tìm

kiếm thức ăn cho nên nó thường được xếp vào

các loại thuật toán có sử dụng trí tuệ bầy đàn.

Được giới thiệu vào năm 1995 tại một hội nghị

của IEEE bởi James Kennedy và kỹ sư Russell

C. Eberhart

K+1

i

X

Y

k

K+1

i

V

i

k

Gbest

i

V

Gbest

k

i

k

i

Pbest

X

Pbest

i

V

X

O

Hình 1 : Sơ đồ một điểm tìm kiếm bằng

Hình 2 : Lưu đồ ứng dụng PSO

Khởi tạo quần thể:

phương pháp PSO

- Thiết lập các hằng số: k_max, c1, c2

x₀ⁱ

Trong một hệ thống PSO, mỗi phần tử

- Khởi tạo ngẫu nhiên vị trí cá thể

thuộc miền D trong tập IRⁿvới i = 1, 2, ..,s.

- Khởi tạo ngẫu nhiên vận tốc cá thể

trong bầy đàn sẽ thay đổi vị trí bằng cách di

chuyển nhiều vị trí khác nhau trong không

gian tìm kiếm cho đến khi tìm được vị trí tốt

nhất.

0  v₀ⁱ v₀^{m a x}

với i = 1, ..., s.

- Đặt k = 1;

Trong đó:

Tối ưu hóa:

X_i^k

x_kⁱ

bằng tọa độ của

Vị trí phần tử thứ i tại thế hệ thứ k

f_kⁱ

- Đánh giá hàm

tính toán được trong không gian tìm kiếm.

V^k

Vận tốc phần tử thứ i tại thế hệ thứ k

i

3

ⁱvà p_kⁱ x_kⁱ

ⁱvà p_k^g x_kⁱ

n

- Nế f_kⁱ f_bⁱ_estthì

i





f_best f_k

_j(P^j P^jXi)

i1

(8)

0

i

g

- Nếu

thì

f_k f_best

f_best f_k

- Nếu thỏa mãn tiêu chuẩn hội tụ thì dừng

lại rồi thực hiện bước 3.

Lớp 6: Có một phần tử tính toán giá trị đầu ra:

M_

M

vⁱ

x_kⁱ

j

(9)

y   f /    f

  

- Cập nhật các vận tốc _kvà vị trí

j1

- Tăng i. Nếu i > s thì đặt i = 1, tăng k

- Quay trở lại từ bước 2

Kết thúc.

Sai lệch trung bình, bình phương giữa hàm

đầu ra mong muốn y^mvà hàm đầu ra y:



²



- Với

là số lần lặp tối đa.

k_max

M

n

M

n

1

2

E  y^m

(



j1 i1



) f /

j

(



j1 i1



)

j

 



A (Xi)

i

A (Xi)

i





3.3 Giới thiệu về hệ suy luận mờ dựa

trên mạng thích nghi ANFIS

(Adaptive -Network-based Fuzzy

Inference System)

(10) Các phần tử của PSO chính là các hệ

số trọng lượng (µ) trong giải thuật ANFIS

được thể hiện trong (Hình 3). Vị trí chính là

các thông số của các lớp còn tốc độ chính là

tốc độ thay đổi của các hệ số này để đạt được

tối ưu về sai số huấn luyện.

ANFIS (Adaptive -Network-based

Fuzzy Inference System) là hệ suy luận mờ

dựa trên mạng thích nghi là một ứng dụng

chạy trên phần mềm Matlab. Mạng đưa ra các

phương pháp để hệ thống mờ có thể “học” từ

các thông tin vào/ra cho trước (thông tin huấn

luyện) từ đó xây dựng một hệ thống các hàm

liên thuộc cho phép hệ thống này có thể suy

luận các đáp ứng ra của hệ thống từ các kích

thích ngõ vào dựa trên cấu trúc của hệ thống

đã được học.

µ₁_f

1

a¹

a¹^x

x

a₂

=

+

1 +

2

1

0

1

x

X

x

X

1

2

1

*

y

2

µ₂

x

f

a²

x

a₂

a

+

2

=

1

2

0

µ₁f₁

µ₁

µ₂f₂

µ₂

x

X

x

+

2

1

2

*

µ₂f₂

µ₁f₁

y

=

+

ANFIS được Jang đề xuất sử dụng

( a )

luật học mờ TSK (Takasi -Sugeno- Kang) luật

học mờ thứ j của ANFIS là R^jcó dạng :

x

µ_A( x )

1

2

1

A

n

µ₁

IF X isA^jand X ISA^j...and X IS A^jthenY  f  P ^j p ^jX )



1

2

n

j

0

i

x

∏

N

1

i1

µ_A_{2 ( x )}

µ₁f₁

1

(5) . Với X_i,Y tương ứng là các biến vào/ra A_i^j

(x_i) là biến ngôn ngữ mờ ứng với biến đầuvào

2

1

A

*

y

∑

j

1

2

đầu vào x_i; p₁ϵ R là hệ số của hàm tuyến tính

A

µ

( x )

1

2

f_j; i = 1, 2,..., n; j = 1, 2, ..., M.

A₂

µ₂f₂

x

2

µ₂

Cấu trúc ANFIS gồm 6 lớp như sau :

Lớp 1: Là lớp đầu vào có tín hiệu vào x_i

2

A

2

µ_A( x₂)

x

2

1

2

Layer 1 Layer 2

Layer 3

Layer 4

Layer 5 Layer 6

Lớp 2: Mỗi phân tử là một hàm

Ai

( b )

Lớp 3: Mỗi phần tử R^jtương đương thục

hiện một luật thứ j:

Hình 3 : Hệ thống suy luận mờ ANFIS ( a)

Cấu trúc ANFIS gồm 6 lớp

_j _i^j(Xi)

i1

(6)

4. ỨNG DỤNG ANFIS, PSO TRONG HỆ

THỐNG ĐIỆN 3BUS

Lớp 4: Mỗi phần tử N tương ứng thực hiện

4.1 Giới thiệu hệ thống nghiên cứu

M

^  /



phép tính

(7)

- Mô hình hệ thống điện nghiên cứu được mô

tả trong (Hình 4).Trong đó, STATCOM được

mô tả trong mô hình này đại diện cho một hệ

thống 500 kV 3 bus với công suất 100 Mvar



j

j1

Lớp 5: Mỗi phần tử thứ j thực hiện phép tính:

4

điều khiển điện áp tại bus B1. Điện áp của hệ

thống tương đương kết nối tại bus B1 có thể

thay đổi bằng nguồn ba pha để đáp ứng động

STATCOM với sự thay đổi điện áp hệ thống.

STATCOM bao gồm một bộ biến đổi xung 48

xung ba cấp và hai tụ 3000 μF kết nối với

nhau, hoạt động như một nguồn điện áp DC

thay đổi. Điện áp biến thiên biên độ 60 Hz

được tạo ra bởi biến tần được tổng hợp từ điện

áp DC biến đổi trong khoảng 19.3 kV.

Bắt đầu

Khởi tạo hàm liên thuộc

Khởi tạo FIS

Tạo ra các cá thể

L1- 200Km

Đánh giá hoạt động của bộ FS

B3

B2

L2- 75Km

L3- 180Km

a

A

B

C

N

b

B

C

PSO

c

Programmable

Voltage Source

Equiv. 500kV

8500MVA

Đúng

Kết thúc lặp?

200MW

300MW

Sai

Equiv. 500kV

6500MVA

Equiv. 500kV

9000MVA

Q

Thế hệ tiếp theo

B1

Vdc

P

N

A

B

Cp

Cm

M

C

STATCOM

500kV. 100MVA

Kết thúc

Hình 4: Mô hình hệ thống nghiên cứu 3bus

Hình 6 : Lưu đồ giải thuật thiết kế bộ điều

khiển ANFIS kết hợp PSO

4.2 Thiết kế bộ điều khiển PSO kết hợp

ANFIS cho STATCOM

Lưu đồ giải thuật dựa vào sự kết hợp

của PSO và ANFIS để nâng cao khả năng điều

khiển của ANFIS. Trong đó các cá thể sẽ điều

chỉnh vận tốc và vị trí dựa vào kinh nghiệm tốt

nhất của nó ta gọi là Pbest và Gbest là giá trị

tốt nhất được tìm thấy bởi các cá thể khác.

Trong bài báo này, tác giả sử dụng thuật

toán PSO kết hợp với bộ điều khiển mờ thích

nghi ANFIS để nâng cao mức độ đáp ứng của

bộ STATCOM. Do đó, sẽ thay thế khâu điều

khiển PI bằng khâu điều khiển ANFIS có kết

hợp với thuật toán PSO như thể hiện trong

(Hình 5)

4.3 Kết quả mô phỏng

Tiến hành thiết kế bộ điều khiển ANFIS

theo cách thông thường ta có được các kết

quả như trình bày trong các hình dưới đây

bao gồm sai số sau khi huấn luyện và bề

mặt biểu diễn mối quan hệ giữa tín hiệu vào

và ra của bộ điều khiển theo tập luật đề ra.

Hình 5: Bộ điều khiển ANFIS thiết kế cho

khâu điều chỉnh điện áp

Hình 7: Kết quả sai số huấn luyện ANFIS

5

0.04

0.03

0.02

0.01

0

-0.01

-0.02

4

4.2

4.4

4.6

4.8

5

5.2

5.4

5.6

5.8

6

x 10⁴

Ts = 2.5e-5 (s)

Hình 11: Công suất Q phát ra từ STATCOM

Hình 8: Mối quan hệ giữa 2 tín hiệu ngõ vào

và tín hiệu ngõ ra

1.5

1

0.5

0

Tiếp theo, (Hình 9) trình bày các kết quả có

được từ quá trình huấn luyện bộ ANFIS bằng

thuật toán PSO để tối ưu các thông số dựa vào

lưu đồ (Hình 6).

Train Data

1

Target

Output

-0.5

0.5

4

4.2

4.4

4.6

4.8

5

5.2

5.4

5.6

5.8

6

x 10⁴

0

Ts = 2.5e-5 (s)

-0.5

0

2000

4000

6000

8000

10000

12000

14000

16000

18000

Sample Index

MSE = 0.039776, RMSE = 0.19944

Error Mean = -5.5595e-14, Error St.D. = 0.19945

0.5

0

4000

3000

2000

1000

0

Hình 12: Góc kích alpha của STATCOM

Trường hợp 2:

Error

-0.5

-1

0

2000 4000 6000 8000 10000 12000 14000 16000 18000

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

Để đánh giá mức độ đáp ứng của bộ

điều khiển thiết kế ta tiến hành mô phỏng

trong miền thời gian trong trường hợp sự cố

nghiêm trọng ngắn mạch 3 pha trên đường dây

L2 trong thời gian 5 chu kỳ. Kết quả so sánh

các đáp ứng trong trường hợp điều khiển

thông thường sử dụng bộ điều khiển PI được

thể hiện bằng đường màu xanh và đáp ứng khi

gắn bộ điều khiển ANFIS được thể hiện bằng

đường màu đỏ được trình bày trong (Hình 13)

bao gồm điện áp tại bus 1, dòng điện điều

khiển Iq, điện áp Vdc của STATCOM, công

suất Q cung cấp và góc kích alpha lần lượt thể

hiện từ (Hình 13) đến (Hình 17)..

Hình 9: Kết quả của quá trình huấn luyện

ANFIS dùng PSO

Trường hợp 1:

Tiến hành mô phỏng hệ thống trong (Hình 4)

với sự cố dao động điện áp trong phạm vi +/-

2,5% như trong hình 5.7a ta thấy được kết quả

so sánh giữa công suất phản kháng phát ra của

STATCOM và góc kích alpha trong trường

hợp có bộ điều khiển thiết kế ANFIS (đường

màu đỏ) và trường hợp sử dụng bộ điều khiển

đơn giản PI (đường màu xanh). Quan sát từ

các đáp ứng này ta thấy được khả năng điều

khiển của bộ điều khiển thiết kết ANFIS vượt

trội hơn.

1.5

1

1.04

1.03

1.02

1.01

1

0.5

0

-0.5

-1

0.99

0.98

0.97

-1.5

3.5

4

4.5

5

5.5

6

x 10⁴

Ts = 2.5e-5 (s)

4

4.2

4.4

4.6

4.8

5

5.2

5.4

5.6

5.8

6

x 10⁴

Ts = 2.5e-5 (s)

Hình 13: Điện áp tại bus 1

Hình 10: Thay đổi điện áp đầu nguồn

6

80

60

40

20

0

4

3

2

1

0

-1

-2

-3

-20

-40

3.5

4

4.5

5

5.5

6

x 10⁴

3.5

4

4.5

5

5.5

6

Ts = 2.5e-5 (s)

x 10⁴

Ts = 2.5e-5 (s)

Hình 17: Góc kích alpha

Kết quả mô phỏng khi ngắn mạch 3 pha trên

L2

5. KẾT LUẬN

Trong bài viết này chúng tôi đã trình bày

Hình 14: Dòng điện điều khiển Iq

x 10⁴

3.5

3

2.5

2

1.5

1

các yếu tố ảnh hưởng đến ổn định điện áp

trong hệ thống điện.

0.5

Nghiên cứu về giải thuật tối ưu bầy đàn

PSO và ứng dụng giải thuật PSO trong hệ

thống điện để tối ưu thông số cho bộ điều

khiển nơ-ron mờ thích nghi ANFIS. Hiểu cấu

tạo, nguyên lý làm việc và đặt tính làm việc

của thiết bị bù đồng bộ tĩnh STATCOM.

0

3.5

4

4.5

5

5.5

6

x 10⁴

Ts = 2.5e-5 (s)

Hình 15: Điện áp Vdc của STATCOM

0.5

0.4

0.3

0.2

0.1

0

Ứng dụng thành công thuật toán ANFIS

vào điều khiển thay thế cho bộ điều khiển PI

trong khâu điều chỉnh điện áp của STATCOM

nhằm nâng cao khả năng điều khiển của

STATCOM trong hệ thống điện nhằm nâng

cao chất lượng điện năng trên hệ thống.

-0.1

-0.2

-0.3

3.5

4

4.5

5

5.5

6

x 10⁴

Ts = 2.5e-5 (s)

Các kết quả được thực hiện trong 2

trường hợp bao gồm sự thay đổi điện áp đầu

nguồn và sự cố nghiêm trọng ngắn mạch 3 pha

trên đường dây đã kiểm chứng được ưu điểm

của bộ điều khiển ANFIS.

Hình 16: Công suất Q

TÀI LIỆU THAM KHẢO

[1] Mannle M, “Identify rule- base TSK fuzzy method”, uni of Karsruhe, 2000.

[2] Mannle M, Richard A, and Dorasm T. A, “Rule- based fuzzy model for nonlinear system

identification”, uni of Karsruhe, 1996.

[3] Jang J. R, Sun C, and Mizutani, “ Neuro- Fuzzy and soft computing”, prentice hall, 1997.

[4] Sugeno M, and Kang G. T, “Structure identification of fuzzy model”, fuzzy sets and systems,

pp. 15- 33, 1998.

[5] Takagi T, Sugeno M, “Fuzzy identification of systems and its application to modeling and

control”, IEEE Transaction on systems, Man & Cybernetics, pp: 116- 1321, 1985.

[6] Alcala R, Casillas J, Cordon O and Herrera F, “Learning TSK rule- based system from

approximate ones by mean of MOGUL methodology” Granda uni of spain, Oct 2000.

[7] Mannle M, “FTSM: Fast Takagi- Sugeno fuzzy modeling”, uni of Karsruhe, 1999.

[8] Jyh-Shing Roger Jang, “ANFIS: Adaptive-NetworkBased Fuzzy Inference System”, IEEE

7

Trans. Sys.,Man and Cybernetics., Vol. 23, No. 3, May/June 1993.

[9] 13. Yager, R. R. and Zadeh, L. A., “Fuzzy Sets Neural Networks, and Soft Computing”, Van

Nostrand Reinhold,1994.

[10] Manish Kumar, Devendra P. Garg “Intelligent Learning of Fuzzy Logic Controllers via

Neural Network and Genetic Algorithm”, Proceedings of 2004 JUSFA 2004 Japan – USA

Symposium on Flexible Automation Denver, Colorado, July 19-21, 2004.

[11] Mascioli, F.M., Varazi, G.M. and Martinelli, G., “Constructive Algorithm for Neuro-Fuzzy

Networks”, Proceedings of the Sixth IEEE International Conference on Fuzzy Systems, 1997,

Vol. 1, July 1997, pp. 459 –464.

[12] Jang, J.-S. R., and Mizutani, E., “Levenberg-Marquardt Method for ANFIS Learning”,

Biennial Conference of the North American Fuzzy Information Processing Society, June 1996,

pp. 87 –91.

[13] Jang, J.-S.R., “Input Selection for ANFIS Learning”, Proceedings of the Fifth IEEE

International Conference on Fuzzy Systems, Vol. 2, Sep 1996, pp. 1493 –1499.

[14] J. kennedy, RC. Ebenhart,, “particle swarm optimization”, Proceedings of the IEEE

International Conference on neural networks, Vol. 4, 1995, pp. 1942 – 1948.

[15] Andries P.Engelbrecht, “Computational Intelligence An introduction”, John Wiley & Sons

Ltd 2002. [16] J. kennedy , “the behavior of particle swarm in VW, N saravan, D Waagen (eds),

proceeding of 7th international conference on evolutionary programming, 1998, pp581-589.

[16] J. kennedy , “the behavior of particle swarm in VW, N saravan, D Waagen (eds), proceeding

of 7th international conference on evolutionary programming, 1998, pp581-589.

[17] Y Shi, RC Ebenhart, “Empirical study of Particle Swarm Optimization”, proceeding of the

IEEE Congress on Evolutionary Computation, Vol3, 1999, pp 1945-1950.

[18] K. S. Narendra and K. Parthasarathy, “Identification and control of dynamical system using

neural networks,” IEEE Trans. Neural Networks,vol. 1, pp. 4–27, Jan. 1990.

[19] Venu G. Gudise and Ganesh K. Venayagamoorthy , “Comparison of Particle Swarm

Optimization and Backpropagation as Training Algorithms for Neural Networks” , Swarm

Intelligence Symposium, 2003. SIS '03. Proceedings of the 24-26 April 2003 IEEE.

[20] Kwang Y .Lee. “ Modern Heuristic Optimization Techniques: Theory and Applications

to power systems ”. Piscataway, N.J. : Hoboken, N.J. :IEEE Press ; Wiley-Interscience, c2008 .

[21] H. M. I. Pousinho, Student Member, IEEE, V. M. F. Mendes and J. P. S. Catalão, Member,

IEEE“ Hybrid PSO-ANFIS Approach for Short-Term Electricity Prices Prediction “

[22] V.Seydi Ghomsheh *, M. Aliyari Shoorehdeli **, M. “TeshnehlabTraining ANFIS

Structure with Modified PS Algorithm”.

[23] Yong Hua Song and Allan T Johns - Flexible AC Transmission Systems (FACTS).

Tác giả chịu trách nhiệm bài viết:

Họ tên: Trần Minh Thành

Đơn vị: Trường trung cấp công nghệ Bến Tre

Điện thoại: 0378087183

Email: [email protected]

Xác nhận giảng viên hướng dẫn

8

BÀI BÁO KHOA HỌC

THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ

Bài báo khoa học của học viên

có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn

Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam.

Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý

của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN!

Thực hiện theo MTCL & KHTHMTCL Năm học 2018-2019 của Thư viện Trường Đại học

Sư phạm Kỹ thuật Tp. Hồ Chí Minh.