Thanh bên bài viết

pdf
Số xuất bản: Tập 3 Số 102 (2025)
Chuyên mục: Các bài báo
Ngày xuất bản: 22/05/2026
Lượt xem 0
Lượt tải xuống 0
Trích dẫn bài báo
Nguyễn, Đ. T., Bùi, C. G., Hồ, V. C., & Huỳnh, L. M. T. (2026). ÁP DỤNG DEEP LEARNING TRONG ĐIỀU KHIỂN BỘ LỌC NGUỒN TÍCH CỰC ĐỂ TĂNG HIỆU QUẢ LỌC HÀI BẬC CAO. Tạp chí Khoa học Đại học Sài Gòn, 3(102), 3-18. https://sj.sgu.edu.vn/index.php/sjsgu/article/view/416

ÁP DỤNG DEEP LEARNING TRONG ĐIỀU KHIỂN BỘ LỌC NGUỒN TÍCH CỰC ĐỂ TĂNG HIỆU QUẢ LỌC HÀI BẬC CAO

Nguyễn Đức Thịnh1, Bùi Công Giao2, Hồ Văn Cừu2, , Huỳnh Lê Minh Thiện2
1 Trường Đại học Tài chính - Marketing
2 Trường Đại học Sài Gòn

Nội dung chính của bài viết

Tóm tắt

Bộ lọc nguồn tích cực đóng vai trò quan trọng trong việc cải thiện chất lượng điện năng bằng cách giảm tổng méo hài và cân bằng công suất tác dụng/phản kháng. Tuy nhiên, các phương pháp điều khiển truyền thống như PID, điều khiển mờ, điều khiển dự báo mô hình gặp hạn chế trong môi trường tải phi tuyến biến động nhanh. Ứng dụng Deep Learning (học sâu) để giúp điều khiển APF tự động học, thích nghi nhanh với sự thay đổi của hệ thống điện, tăng hiệu quả lọc hài bậc cao.
Bài báo này giới thiệu các ứng dụng của Deep Learning trong điều khiển APF, bao gồm nhận diện và phân loại sóng hài, dự đoán dòng bù tối ưu bằng mạng nơ-ron nhân tạo (ANN), và tối ưu hóa chiến lược điều khiển bằng Deep Reinforcement Learning (DRL) và những thách thức khi triển khai Deep Learning vào APF, bao gồm yêu cầu về dữ liệu huấn luyện, khả năng tính toán thời gian thực, và độ tin cậy của mô hình và đề xuất hướng nghiên cứu của Deep Learning trong lĩnh vực lọc nguồn thông minh

Từ khóa

Bộ lọc nguồn tích cực (APF), Deep Learning, Điều khiển thông minh, Sóng hài, Tổng méo hài (THD), Mạng nơ-ron nhân tạo (ANN), Học tăng cường sâu (DRL).

Chi tiết bài viết

Tài liệu tham khảo

Atherton, Derek P. and Somanath Majhi. “Limitations of PID controllers.” Proceedings of the 1999 American Control Conference (Cat. No. 99CH36251) 6 (1999): 3843-3847 vol.6.
Tang Y, Chen R, Xia B. VSFCM: A Novel Viewpoint-Driven Subspace Fuzzy C-Means Algorithm. Applied Sciences. 2023; 13(10):6342. https://doi.org/10.3390/app13106342
Rodríguez, José Cristian Lozano. “Predictive Control in Power Electronics and Drives.” IEEE Transactions on Industrial Electronics, Institute of Electrical and Electronics Engineers (IEEE), 2008.
Mantach S, Ashraf A, Janani H, Kordi B. “A Convolutional Neural Network-Based Model for Multi-Source and Single-Source Partial Discharge Pattern Classification Using Only Single-Source Training Set”. Energies. 2021; 14(5):1355. https://doi.org/10.3390/en14051355
Muneer, Amgad, et al. "Short-term residential load forecasting using long short-term memory recurrent neural network." International Journal of Electrical & Computer Engineering (2088-8708) 12.5 (2022).
D. C. Park, M. A. El-Sharkawi, R. J. Marks, L. E. Atlas and M. J. Damborg, "Electric load forecasting using an artificial neural network," in IEEE Transactions on Power Systems, vol. 6, no. 2, pp. 442-449, May 1991, doi: 10.1109/59.76685.
K. J. Åström and T. Hägglund, "The future of PID control," Control Eng. Pract., vol. 9, pp. 1163–1175, 2001. doi: 10.1016/S0967-0661(01)00062-4.
H. X. Li and H. B. Gatland, “Conventional Fuzzy Control and its Enhancement,” IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, Vol. 26, No. 5, 1996, pp. 791-797. doi:10.1109/3477.537321 E. F. Camacho and C. Bordons Alba, Model Predictive Control, 2nd ed. Cham: Springer Science & Business Media, 2013.
K. R. Sugavanam, K. Mohana Sundaram, R. Jeyabharath, and P. Veena, "Convolutional Neural Network-Based Harmonic Mitigation Technique for an Adaptive Shunt Active Power Filter," Automatika, vol. 62, no. 3–4, pp. 471–485, 2021. doi: 10.1080/00051144.2021.1985703.
L. Liu, J. Fei and C. An, "Adaptive Sliding Mode Long Short-Term Memory Fuzzy Neural Control for Harmonic Suppression," in IEEE Access, vol. 9, pp. 69724-69734, 2021, doi: 10.1109/ACCESS.2021.3077646.
T. Santhosh Kumar and J. Shanmugam, "ANN Application of the APF Improved for DG Unit System Reliability," in Proc. I3CAC, 2021. doi: 10.4108/eai.7-6-2021.2308861.
Wang, X., Chen, C., Lei, and L. Yang, "Artificial Potential Field-Enhanced Deep Reinforcement Learning for Motion Planning," 2024 8th International Conference on Robotics, Control and Automation (ICRCA), Shanghai, China, 2024, pp. 459-465, doi: 10.1109/ICRCA60878.2024.10649312.
Z. A. Akhond, M. M. Hasan, M. T. Islam, and S. Biswas, "Comprehensive Analysis of AI- Enhanced Performance for Three-Phase Two-Level IGBT Inverters," Thesis, June 2024. doi: 10.13140/RG.2.2.26963.39206.
Suleiman M. Sharkh; Mohammad A. Abu-Sara; Georgios I. Orfanoudakis; Babar Hussain, "Digital Control of a Three-Phase Two-Level Grid-Connected Inverter," in Power Electronic Converters for Microgrids, IEEE, 2014, pp.109-129, doi: 10.1002/9780470824054.ch6.
Chahine K. “Machine Learning in Active Power Filters: Advantages, Limitations, and Future Directions”. AI. 2024; 5(4):2433-2460. https://doi.org/10.3390/ai5040119
R. L. Iglesias, R. L. Arantegui, and M. A. Alonso, "Power electronics evolution in wind turbines - A market-based analysis," Renew. Sustain. Energy Rev., vol. 15, no. 9, pp. 4982-4993, 2011. doi: 10.1016/j.rser.2011.07.056.
Huynh Le Minh Thien, Ho Van Cuu, Tran Thanh Vu, and Do Dang Trinh, “Investigating the combination between LCL filter and Phase-Locked Loop (PLL) to control positive filter grid connection quickly”, Journal of Science of Saigon University, Issue 60 (8/2018)