Phát hiện trạng thái bất thường của máy biến áp trạm 110kv Hòn Đất

PHÁT HIỆN TRẠNG THÁI BẤT THƢỜNG CỦA

MÁY BIẾN ÁP TRẠM 110KV HÒN ĐẤT

DETECT THE ABNORMAL STATE OF

THE 110KV HON DAT TRANSFORMER

Nguyễn Mạnh Hùng^1a, Trần Văn Đoàn^2b

¹Trường Đại học Sư phạm Kỹ thuật TP.HCM

²Học Viên Cao Học Trường Đại học Sư phạm Kỹ thuật TP.HCM

^(a)[email protected], ^(b)trandoan1182@gmail

TÓM TẮT

Bài báo sử dụng phương pháp học không giám sát để phát hiện trạng thái làm việc bất

thường của máy biến áp trạm biến áp 110kV Hòn Đất. Bài báo này đánh giá tỷ lệ tương đối giữa

các đại lượng vật lý để xác định hệ thống có hoạt động ở trạng thái bất thường hay không. Bên

cạnh đó, cơ sở để xác định một trạng thái là bất thường là dữ liệu từ lịch sử vận hành của hệ

thống. Điều này cho phép hệ thống có thể hoạt động một cách linh hoạt phù hợp với từng loại tải

khác nhau. Kết quả thí nghiệm chỉ ra được một số trạng thái làm việc bất thường của máy biến

áp, các trường hợp này thường xuất hiện khi ngắt tải để bảo trì, một số thời điểm làm việc ở mức

tải cao, tải thấp và trong một số trường hợp là do hệ thống thu thập dữ liệu hoạt động không ổn

định.

Từ khóa: Trạm biến áp 110kV Hòn Đất; phát hiện trạng thái làm việc bất thường; trạng thái bất

thường.

ABSTRACT

The paper uses unattended learning method to detect abnormal working status of Hon Dat

110kV transformer. This paper evaluates the relative proportions of physical quantities to

determine if the system is operating at an abnormal state. In addition, the basis for determining an

abnormal state is the data from the operating history of the system. This allows the system to

operate in a flexible manner to suit different load types. Experimental results show some abnormal

working conditions of the transformer, which usually occurs when the load is broken for

maintenance, some work at high load, low load and in one The number of instances is due to the

fact that the data collection system is unstable.

Keywords: Hon Dat 110kV transformer station; Detect abnormal working status; Abnormal state.

trong vận hành để đánh giá trạng thái làm

việc đó là bình thường hay bất thường.

1. GIỚI THIỆU

Trong vận hành máy biến áp việc phát

hiện các trạng thái làm việc bất thường sẽ

giúp cho bộ phận quản lý vận hành có định

hướng và biện pháp điều chỉnh phù hợp

chánh gây sự cố cho máy biến áp nếu để tình

trạng này kéo dài.

2. PHƢƠNG PHÁP ĐỀ NGHỊ

2.1 Phƣơng pháp đề nghị

Để đào tạo một hệ thống có thể giám

sát và phát hiện những sự kiện bất thường

trong hệ thống điện thì chúng ta cần một bộ

dữ liệu chuẩn để đào tạo hệ thống. Các dữ

liệu này có thể được thu thập bởi hệ thống

giám sát có sẵn của các trạm điện. Các mẫu

thu được khi hệ thống vừa cài đặt có thể

được xem là các mẫu bình thường để huấn

luyện. Sau khi huấn luyện, các tín hiệu đo

lường được tại thời điểm cụ thể sẽ được sử

Khác với những nghiên cứu trước

[1]-[2]-[3]-[4], việc phát hiện cảnh báo

thường dựa trên một đại lượng vật lý và một

giá trị ngưỡng đặt trước vốn dựa vào kinh

nghiệm của kỹ sư thiết kế. Bài báo này dựa

vào mối tương quan giữa các đại lượng đo và

dựa vào tần số xuất hiện của các trạng thái

1

dùng để đánh giá.

2.1.1. Quá trình đào tạo bộ phân loại

thường.

Quá trình kiểm tra bộ phân loại bao

gồm các bước:

Bước 1 : thu thập mẫu cần phân loại,

các mẫu được đọc từ phần cứng là mạch đo

lường, các tín hiệu đó được tính toán và kiểm

tra tính hợp lệ trước khi đưa vào phân loại.

Để đào tạo hệ thống, chúng ta cần có

bộ dữ liệu chuẩn và các thuật toán thích hợp

với dữ liệu mà chúng ta có cũng như mẫu

cần phân loại.

Quá trình đào tạo trải qua các bước:

Bước 2 : tiền xử lý, để hệ thống có thể

phân loại chính xác nhất mẫu cần kiểm tra

thì dữ liệu đó cần được đưa qua bộ tiền xử lý.

Tuy nhiên, cách tiền xử lý này phải giống với

cách mà ta đã tiền xử lý bộ dữ liệu chuẩn

trước đó. Điều này là cần thiết để đảm bảo

rằng có sự tương đồng và nhất quán giữa các

bộ dữ liệu mà chúng ta cần đào tạo và phân

loại.

Bước 1 : đọc dữ liệu chuẩn mà ta đã

thu thập trước đó, nối dữ liệu lại thành một

ma trận để thuận tiện cho quá trình đào tạo

sau này.

Bước 2 : tiền xử lý dữ liệu, để quá trình

đào tạo diễn ra thuận lợi cũng như cho ra kết

quả tốt nhất thì dữ liệu được kiểm tra và loại

bỏ những bất thường, sai xót để có được một

bộ dữ liệu đồng nhất và tối ưu. Để làm việc

đó, dữ liệu cần được đưa qua thật toán chuẩn

hóa và giảm chiều dữ liệu phù hợp để có

được bộ dữ liệu tốt nhất. Các thuật toán được

sử dụng là PCA và MaxAbsScaler, với hai

thuật toán này có thể chuẩn hóa và giảm

chiều dữ liệu mà không làm mất thông tin

quang trọng, vẫn giữ lại được những thông

tin cần thiết của các mẫu bỏ đi hay thay đổi.

Các cách mà các thuật toán này thực thi trên

bộ dữ liệu chuẩn được lưu lại để xử dụng

trong chuẩn hóa và giảm chiều cho mẫu kiểm

tra sau này nhằm đảm bảo tính tương đồng

giữa dữ liệu chuẩn và dữ liệu cần phân loại.

Bước 3 : phân loại dữ liệu, mẫu đã

được tiền xử lý được đưa qua bộ phận loại đã

đào tại trước đó nhằm nhận dạng xem mẫu

đó có gì bất thường so với các dữ liệu chuẩn

nhằm đưa ra dự đoán chính xác nhất.

Bước 4 : kết luận mẫu phân loại, mẫu

đã được phân loại sẽ được kết luận là bất

thường hay bình thường và lưu lại thành một

biến nhằm phục vụ cho quá trình điều khiển

và giám sát sau này.

2.2. XỬ LÝ DỮ LIỆU

2.2.1. Import file excel vào Matlab và

chuyển đổi dữ liệu thích hợp:

Bước 3 : Huấn luyện dữ liệu, dữ liệu

sau khi được tiền xử lý được đưa qua thuật

toán machine learning (LocalOutlierFactor)

nhằm đào tạo dữ liệu đưa ra được kết quả so

sánh, nhận dạng sau này.

Dữ liệu đưa vào dưới dạng file excel,

do đó, muốn tiến hành thao tác trên dữ liệu

bằng chương trình Matlab ta phải tìm cách

chuyển thành dữ liệu mà Matlab có thể đọc

được. Quá trình này được thực hiện tương

đối đơn giản bằng công cụ Matlab.

Bước 4 : Lưu mô hình sau khi huấn

luyện, kết quả sau khi đào tạo được lưu lại

nhằm thuận tiện cho quá trình phân loại sau

này.

Mô tả dữ liệu trong file excel có dạng:

Bước 5 : Cập nhật dữ liệu và chạy lại

thuật toán đào tạo dữ liệu sau một ngày hay

một thời gian nào đó nhằm cập nhật thói

quen của con người.

2.1.2. Quá trình vận hành bộ nhận

dạng

Để kiểm tra bộ nhận dạng cần có bộ

dữ liệu hoặc các mẫu bình thường cũng như

bất thường để kiểm tra hệ thống. Để có được

dữ liệu đó cần lựa chọn các thiết bị giả lập

bình thường (đã chọn trong quá trình thu

thập dữ liệu chuẩn) và các thiết bị bất

2

Trên đây ta có một ma trận dữ liệu

MxN, trong bài ta sử dụng K ma trận dữ liệu

như trên.

Ta có thể hình dung quá trình Import

file excel trên được thực hiện như sau:

Hình 2. 1: Các thành phần cơ bản

của một tập dữ liệu

Việc thực hiện các thao tác tiếp theo chỉ sử

dụng các phần tử có định dạng số, xảy ra lỗi

với các phần tử định dạng khác kiểu dữ liệu

trên. Do đó, ta cần loại bỏ những phần tử dữ

liệu không phù hợp (điển hình là NaN).

Chi tiết quá trình:



Truy xuất đến thư mục chứa dữ



Dữ liệu mới :

liệu:

Sau khi các bước trên hoàn thành, ta sẽ

có dữ liệu mới phù hợp cho các thao tác tiếp

theo thực hiện.

Dùng lệnh cd(< đường dẫn địa chỉ đến

thư mục chứa dữ liệu >) sẽ trỏ đến vị trí thư

mục chứa dữ liệu ta cần import.



Import dữ liệu, tạo ma trận MxNxK

chứa thông tin dữ liệu:

Phần tử nhỏ nhất trên Matlab là ma trận,

2.2.2. Giảm chiều dữ liệu:

Với dữ liệu cần phân tích ban đầu phụ

thuộc nhiều biến, vấn đề là các biến này

thường có tương quan với nhau sẽ bất lợi cho

việc áp dụng các biến này để xây dựng các

mô hình tính toán học và với số biến giải

thích lớn chúng ta sẽ rất khó để có cái nhìn

trực quan về dữ liệu. Vì thế, mục đích của

quá trình giảm chiều dữ liệu là giảm số biến,

chỉ sử dụng các biến chủ chốt, chứa tương

đối đầy đủ thông tin của dữ liệu.

nên muốn thao tác trên Matlab thì ta đưa dữ

liệu về dạng ma trận. Dữ liệu ở đây có cột là

các thông số (N thông số), hàng là thời gian

(M giờ trong một ngày), K là số ngày trong

toàn bộ dữ liệu( số lớp dữ liệu). Thực hiện

việc này, ta dùng lệnh dir để liệt kê các tập tin

và thư mục trong thư mục hiện hành, kết hợp

với các lệnh cơ bản khác để tạo thành ma trận

như trên.

Việc làm trên được thực hiện dựa vào

phương pháp phân tích thành phần chính –

Principle Component Analysis (PCA).

Phương pháp PCA sẽ “chiếu” (biểu diễn) dữ

liệu đa chiều lên một không gian có cơ sở

trực giao, tức nếu ta xem mỗi cơ sở trong

không gian mới là một biến thì hình ảnh của

dữ liệu gốc trong không gian mới này sẽ

được biểu diễn thông qua các biến độc lập

(tuyến tính). Vấn đề: nếu chuyển dữ liệu ban

đầu sang không gian mới thì những thông tin

đáng quan tâm của dữ liệu ban đầu liệu có bị

mất? Để giải quyết vấn đề này phương pháp

PCA sẽ tìm không gian mới với tiêu chí cố

gắng phản ánh được càng nhiều thông tin



Chuyển ma trận MxNxK thành ma

trận (MxK)xN:

Mục đích của việc làm này là chuyển

đổi thành ma trận có MxN hàng và K cột

nhằm để tiện thao tác.



Đồng bộ hóa dữ liệu:

Trong dữ liệu, độ chênh lệch của các dữ

liệu khác thông số là rất lớn, nên khi thao tác

dễ dẫn đến những sai lệch và lỗi không đáng

có. Do đó, để giảiquyết tình trạng này, cần

đưa dữ liệu trong ma trận vừa chuyển đổi về

dạng xấp xỉ nhau( VD: đưa về tỉ lệ phần

trăm).



Loại bỏ các dữ liệu có định dạng

NaN (Not a number):

3

gốc càng tốt, và thước đo cho khái niệm

“thông tin” ở đây là phương sai. Một điểm

hay nữa là: do các biến trong không gian mới

độc lâp, nên ta có thể tính toán được tỷ lệ

giải thích phương sai của từng biến mới đối

với dữ liệu, điều này cho phép ta cân nhắc

việc chỉ dùng số ít các biến để giải thích dữ

liệu.

2.3

Ở trọng tâm bài này, nhìn sơ dữ liệu ta

sẽ thấy các thông số có mối liên hệ với

nhau.Nếu để tất cả các thông số để thực hiện

tính toán, thao tác, sẽ phức tạp hơn nhiều so

với việc ta chỉ sử dụng những thông số trọng

tâm. Dựa vào các lý thuyết cơ bản trong

mạch điện, ta thấy rằng, chỉ cần sử dụng 3

thông số điện áp (U), cường độ dòng điện (I),

hệ số công suất (cosφ) là đã tương đối đầy

đủ để biểu diễn thông tin của dữ liệu (Ví dụ:

Công suất tiêu thụ P=UI cosφ, Công suất

phản kháng Q=UIsinφ,…). Nhưng đó chỉ là

cái nhìn chủ quan, vì thế để chính xác hơn, ta

sử dụng thuật toán PCA để kiểm tra và tìm ra

các thông số cần thiết.

Ta biết rằng khi thực hiện các phân tích

nhiều biến mà trong đó các biến có độ tương

quan cao sẽ kém chính xác. Để giải quyết

vấn đề này, ta thực hiện việc chiếu dữ liệu từ

miền gốc lên vùng dữ liệu mới.

Trong Matlab có hỗ trợ việc thực hiện

việc trên một cách đầy đủ, thuật toán PCA

được tích hợp sẵn trong chương trình thành

một hàm có tên là pca. Ở phần này, ta sử

dụng một dạng của hàm có cú pháp:

[coeff,score,latent,tsquared]

= pca(___),coeff là ma trận với các cột là các

vecto riêng, latent là vecto chứa các trị riêng,

và score là ảnh của dữ liệu trong cơ sở mới.

Cách lựa chọn số chiều dữ liệu:

[coeff,score,latent,tsquared] = pca(___)

(1)

Hình 2. 2: Chiếu dữ liệu từ miền gốc lên

miền mới

Sau khi thực hiện dòng lệnh (1) trong

Matlab, ta có được giá trị các thông số coeff,

score, latent, tsquared. Ở đây, để lựa chọn số

chiều dữ liệu, ta chỉ quan tâm đến latent.

Số lượng giá trị latent bằng với số

lượng thông số của dữ liệu, nếu dữ liệu có n

thông số (U sơ cấp, U thứ cấp, I sơ cấp, I thứ

cấp, Công suất P,…) thì ta cũng có được n

latent tương ứng.

Cách tính toán lựa chọn số chiều dựa

vào công thức:

Hình 2. 3: Giảm chiều dữ liệu bằng cách

bỏ đi thành phần có độ biến động thấp

A = cumsum(latent)/sum(latent)

Cumsum (Cumulative sum) là tổng

tích lũy của các thành phần trong tập lớn,

sum là tổng của toàn bộ thành phần trong

tập.A là ma trận chứa kết quả của phép tính

trên, là ma trận nx1 (n là số lượng giá trị

latent).

Ta thấy rằng dữ liệu trên trục mới đã

giảm

sự

tương

quan

đáng

kể

(biến Y₁và Y₂gần như không tương quan),

và sự thay đổi của dữ liệu phụ thuộc phần

lớn vào biến Y₁, ta có thể chỉ dung một

biến Y₁để biểu diễn dữ liệu, điều này giúp ta

giảm số chiều dữ liệu mà không làm giảm

quá nhiều “phương sai” của dữ liệu như hình

Ví dụ: trong ma trận latent có n giá trị,

sau khi tính toán ta sẽ có được ma trận A có

n giá trị.

Latent gồm các giá trị a₁, a₂, a₃,…,a_n

4

Sum(latent) = a₁+ a₂+ a₃+ … +a_n

A₁= (a₁) / sum(latent)

và đánh giá những trạng thái nào là trạng

thái hay xuất hiện, trạng trái nào là trạng

thái ít có khả năng xuất hiện.

A₂= (a₁+ a₂) / sum(latent)

A₃= (a₁+ a₂+ a₃) / sum(latent)

….

A_n= (a₁+ a₂+ a₃+ … +a_n)/

sum(latent)

…

A_n]^T

Ta được A = [A₁A₂

Các giá trị A_i(i = 1…n) là các giá trị

dương, tối đa bằng 1. Nó giống như giá trị

phần trăm của thành phần trong tổng thể, ở

đây nó có nghĩa là lượng thông tin chứa được

trong các thông số (số chiều). Sau tính toán,

ta thấy có nhiều giá trị A_imang giá trị là 1, ta

không cần chứa tuyệt đối 100% thông tin,

mà chỉ cần chứa một lượng thông tin đáng

tin cậy là được ( khoảng từ 95% đến 99%).

Như vậy, thường sau tính toán, ta chỉ thấy có

vài giá trị A_inằm trong khoảng đó, dựa vào

số lượng A_inày mà ta lựa chọn được số

chiều tương ứng. Giả sử sau khi tính toán, ta

tìm được 3 giá trị A_inằm trong vùng điều

kiện từ 95% đến 99%, thì số chiều ta chọn sẽ

là 3.

Hình 3. 2: Thể hiện một ví dụ khi ta sử

dụng một thông số bình thƣờng để

đánh giá hệ thống.

Để đánh giá một trạng thái dữ liệu

bình thường của hệ thống ta nhập các

thông số như hình trên, khi đó điểm đỏ

trên hình là giá trị của mẫu đem vào thử

nghiệm sau khi thực hiện giảm chiều dữ

liệu bằng thuật toán PCA. Trên hình 3.2

hệ thống đã nhận ra được hệ thống đang

làm việc ở trạng thái bình thường.

3. KẾT QUẢ

Hình 3.1: Giao diện chƣơng trình load dữ

liệu.

Hình 3.1 môt tả giao diện của chương

trình. Trạng thái của trạm biến áp được

lưu trữ trong một file excel. Sau khi nhấn

load dữ liệu, dữ liệu sẽ được tải vào

chương trình. Sau đó chương trình sẽ học

Hình 3.3: Đánh giá hệ thống với dữ liệu

bất thƣờng

5

Hình 3.6. Trạng thái làm việc bất thƣờng

của MBA trạm 110kV Hòn Đất ở chế độ

dòng phía sơ cấp có giá trị còn phía thứ cấp

bằng không

Để đánh giá một trạng thái dữ liệu

bất thường của hệ thống ta nhập các thông

số như hình trên, khi đó điểm đỏ trên

hình là giá trị của mẫu đem vào thử

nghiệm sau khi thực hiện giảm chiều dữ

liệu bằng thuật toán PCA. Trên hình 3.3

hệ thống đã nhận ra được hệ thống đang

làm việc ở trạng thái bất thường.

Hình 3.7. Trạng thái làm việc bất thƣờng

của MBA trạm 110kV Hòn Đất ở chế độ

tải thấp

Hình 3.4. Trạng thái làm việc bất thƣờng

của MBA trạm 110kV Hòn Đất ở chế độ

tải cao

Từ kết quả trên, các dữ liệu bất thường

được phát hiện có thể phân thành ba loại,

loại thứ nhất là khi các đường dây không

hoạt động, khi đó giá trị dòng và áp đều bằng

0. Đây là những lúc đường dây cắt tải để sữa

chữa, vì vậy tần số xuất hiện của các mẫu

này rất ít. Trạng thái này tuy không có hại

cho hệ thống nhưng vì tần số xuất hiện thấp

nên đã được nhận dạng là trạng thái bất

thường.

Trạng thái thứ hai là trạng thái tải cao.

Dựa vào kết quả các thông số bình thường

được trình bày trong bảng 3.1 cho máy biến

áp T2, ta thấy đa số các trạng thái bình

thường đề có mức tải trong khoảng 50A phía

sơ cấp, là 200A phía thứ cấp. Mặc dù vậy, có

một số ít mẫu ghi nhận độ lớn dòng tải cao

tới hơn 100A ở bảng thông số trạng thái bất

thường. Điều này là vì các trạng thái đỉnh tải

rất ít khi xảy ra, vì vậy các trạng thái này

cũng bị nhận dạng là trạng thái bất thường.

Điều này là hợp lý khi nhìn vào tần số xuất

hiện của các mẫu thu thập được. Nhưng các

trạng thái này vẫn chưa gây nguy hiểm đến

hệ thống vì thông số định mức của máy

200A cho sơ cấp và 1004A cho phía thứ cấp.

Điều này cũng thể hiện rõ sự khác biệt giữa

Hình 3.5. Trạng thái làm việc bất thƣờng

của MBA trạm 110kV Hòn Đất ở chế độ

không tải

6

công suất vận hành thực của máy biến áp và

công suất thiết kế.

thứ cấp dòng điện bằng không. Đôi khi P-Q

không đo được mặc dù cảm biến dòng điện

báo giá trị về. Điều này cho thấy trạm cần

kiểm tra lại hệ thống đo ghi dữ liệu.

Trạng thái thứ ba là trạng thái được tín

hiệu trong hai pha hoặc một pha. Điều này

vô lý trong điều kiện vận hành bình thường

vì khi vận hành bình thường luôn phải tồn tại

cả ba pha hoặc khi sữa chữa thì sẽ cắt cả ba

pha. Hơn thế nữa, điện áp và dòng điện đạt

được khá nhỏ (12A). Điều này chứng tỏ có

sai sót trong quá trình vận hành thiết bị hoặc

cảm biến đo về không chính xác. Do đó đề

xuất kiến nghị nên phân tích lại quy trình vận

hạnh của hệ thống để tìm hiểu nguyên nhân

sự cố này.

Việc phát hiện cảnh báo này chưa tính

đến yếu tố thời điểm hoạt động của hệ thống,

vì mỗi thời điểm khác nhau hệ thống sẽ có

trạng thái vận hành khác nhau. Trạng thái

này bị ảnh hưởng bởi nhu cầu phụ tải; vì vậy

việc cần xét tới thời điểm mà tín hiệu quan

sát được.

Phương pháp chuẩn hóa và PCA thích

hơp để nghiên cứu với dữ liệu trạm biến áp

nhưng chưa được kiểm chứng đối với các đối

tượng khác như phát tuyến hoặc nhà máy

điện, vì vậy đề tài cần mở rộng ra cho các

đối tượng khác.

4. KẾT LUẬN

Trong bài báo này, chúng tôi phát hiện

những dấu hiệu bất thường của MBA trạm

110kV Hòn Đất. Khác với các đề tài trước,

việc phát cảnh báo không phải chỉ dựa vào

một đại lượng đo duy nhất và dựa vào nhiều

đại lượng đo cùng lúc. Để làm điều này,

chúng tôi tiền xử lý bằng cách chuẩn hóa dữ

liệu, sau đó sử dụng PCA để giúp loại bỏ các

tín hiệu đo có sự tương quan cao. Bộ phân

loại một lớp máy hỗ trợ cho phép phát hiện

các mẫu bất thường trong dữ liệu của trạm

biến áp Hòn Đất trong năm 2016.

bài báo đã xây dựng một chương trình

cho phép lựa chọn dữ liệu trong quá khứ và

kiểm tra với dữ liệu mới đo được. Dựa vào

chương trình này, một số mẫu bất thường

phát hiện được. Đó là hệ thống đo dòng điện

đôi khi chưa đáp ứng được tác động thực thế,

phía sở cấp thì dòng điện có giá trị còn phía

7

TÀI LIỆU THAM KHẢO

[1] PGS.TS Nguyễn Hoàng Việt, Đánh giá độ tin cậy trong hệ thống điện,Nhà xuất bản

ĐHQG TP. HCM, 2002.

[2] PGS.TS Phan Văn Khôi, Cơ sở đánh giá độ tin cậy, Nhà xuất bản Khoa học và Kỹ thuật

Hà Nội 2001.

[3] PGS.TS Trần Bách, Lưới điện và hệ thống điện,Nhà xuất bản Khoa học và Kỹ thuật Hà

Nội 2004.

[4] PGS.TS Trần Quang Khánh, Vận hành hệ thống điện,Nhà xuất bản Khoa học và Kỹ

thuậtHà Nội 2009.

[5] http://cucis.ece.northwestern.edu/projects,DMS/publications/Anomaly Detecti on.pdf

[6] Roy Billinton, Ronald N. Allan, Reliability Evaluation of Power System, Second

Edition. Concepts and techniquesJun 30, 1992.

[7] Jose F. Prada, The Value of Reliability in Power Systems – Pricing Operating

Reserves.Massachusetts Institute of TechnologyJune 1999.

[8] Mohammad T. Ameli, Saeid Moslehpour, Mahdavikhah Golnazsadat, Determining the

Spinning Reserve In Power Systems By Corrected Recursive PJM Method.Proceedings

of The 2008.

[9] Guido BASSOTTI, Fernando OLSINA, Francisco GARCES, VaR-based operating

reserve assessment in composite power systems.Simposio, XI SEPOPE, 2009.

[10] J.Zhong, Operating Reserve Value at Risk.2006 Ieee Power Engineering Society

General Meeting, Pes, 2006

[11] Arnold. Svm anomaly detection code. IDS Lab, Columbia University,2002.

[12] Scholkopf, J. Platt, J. Shawe–Taylor, A. Smola and R. Williamson. Estimating the

support of a high–dimensional distribution. Neural Computation, 13(7):1443-1472,

2001.

[13] Manohar Swamynathan, Mastering Machine Learning with Python in Six Steps,

Apress, 2017

Thông tin liên hệ tác giả chính (ngƣời chịu trách nhiệm bài viết):

Họ tên: Trần Văn Đoàn

Đơn vị: Học viên Cao học Trƣờng Đại Học Sƣ Phạm Kỹ Thuật Tp. Hồ Chí Minh

Điện thoại: 0919913606

Email: trandoan1182@gmail.com

XÁC NHẬN CỦA CÁN BỘ HƢỚNG 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.