Header Page of 126 -1- -2- BỘ GIÁO DỤC VÀ ĐÀO TẠO Công trình ñược hoàn thành ĐẠI HỌC ĐÀ NẴNG ĐẠI HỌC ĐÀ NẴNG LÊ THỊ THANH HẢI Người hướng dẫn khoa học: TS TRẦN TẤN VINH Phản biện 1: PGS.TS Nguyễn Hồng Anh NGHIÊN CỨU ỨNG DỤNG Phản biện 2: PGS.TS Lê Kim Hùng MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO PHỤ TẢI NGẮN HẠN CHO THÀNH PHỐ ĐÀ NẴNG Luận văn ñược bảo vệ Hội ñồng chấm Luận văn tốt nghiệp thạc sĩ k ỹ t h u ậ t họp Đại học Đà Nẵng tháng năm Chuyên ngành: Mạng Hệ thống ñiện 2011 Mã số: 60.52.50 Có thể tìm hiểu luận văn tại: TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT - Trung tâm Thông tin -Học liệu, Đại học Đà Nẵng - Trung tâm Học liệu, Đại học Đà Nẵng Đà Nẵng – Năm 2011 Footer Page of 126 Header Page of 126 -3MỞ ĐẦU -4là ứng dụng thành công ANN hệ thống ñiện LÝ DO LỰA CHỌN ĐỀ TÀI Dự báo phụ tải hoạt ñộng cần thiết công ty ñiện lực Nó giúp công ty ñịnh quan trọng quy hoạch vận hành, quản lý phụ tải, cung cấp dự báo phụ tải cho chức Bởi vậy, sử dụng kỹ thuật mạng nơron ANN ñể dự báo phụ tải ngắn hạn cho Công ty Điện lực Đà Nẵng ñiều cần thiết ñược nghiên cứu ñề tài MỤC ĐÍCH NGHIÊN CỨU Mục tiêu ñề tài ñề xuất phương pháp dự báo nhu cầu lập biểu ñồ phát ñiện bản, ñánh giá mức ñộ an toàn vận hành hệ thống cung cấp thông tin ñúng lúc cho người ñiều ñộ Trong ñó, dự báo phụ tải ngắn hạn giữ vai trò ñặc biệt quan trọng hệ thống ñiện ñộc quyền truyền thống Trong tương lai, thị trường ñiện Việt Nam phát triển, làm tăng thêm tính cấp thiết việc dự báo phụ tải ảnh hưởng trực tiếp ñến giá giao (spot prrice), yếu tố ñịnh ñến lợi nhuận thua lỗ công ty phát ñiện (GENCO) Dự báo phụ tải ngắn hạn ñề cập ñến dự báo nhu cầu ñiện sở giờ, từ ñến vài ngày ñến Nó hoạt ñộng ngày công ty ñiện lực Việc phát triển phương pháp tiêu thụ ñiện giai ñoạn ngắn ñể xây dựng ñường cong phụ tải cho khu vực nghiên cứu có tính ñến yếu tố khác nhu cầu khứ, yếu tố xã hội thời tiết Đề tài khảo sát phương pháp dự báo phụ tải sử dụng mạng nơron, trình bày tính làm việc mạng nơron sau ñó phát triển phần mềm MATLAB Cuối cùng, chương trình thử nhiệm tập liệu khứ TP ĐN năm, kiểm tra tính xác ứng dụng vào thực tế ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 3.1 Đối tượng nghiên cứu ñề tài - Các mô hình phương pháp dự báo dự báo ngắn hạn mạnh, nhanh xác cần thiết cho công - Các yếu tố ảnh hưởng ñến phụ tải ñiện (ngắn hạn) ty khách hàng - Phương pháp dự báo phụ tải ngắn hạn dựa kỹ thuật Nhiều thuật toán phương pháp ñã ñược ñề xuất ñể thực dự báo phụ tải ngắn hạn, dựa kỹ thuật thống kê phương pháp ngày tương tự, chuỗi thời gian, phương pháp hồi quy kỹ thuật trí tuệ nhân tạo mạng nơron, hệ thống chuyên gia, logic mờ máy vectơ hỗ trợ Trong số thuật toán này, mạng nơron nhân tạo (ANN) có nhiều ưu ñiểm mô hình rõ ràng, dễ thực hiện, xác hiệu Có thể nói, dự báo phụ tải mạng nơron Cấu trúc mạng nơron ñể phục vụ cho dự báo phụ tải - Nghiên cứu ñồ thị phụ tải Tp Đà Nẵng, xây dựng mô hình dự báo cho phụ tải Đà Nẵng - Toolbox ANN MATLAB sưu tập m-file, cho phép mở rộng khả Matlab lĩnh vực mạng nơron Nó tích hợp việc tính toán, hiển thị hình ảnh lập trình 3.2 Phạm vi nghiên cứu Footer Page of 126 Header Page of 126 -5- - Phạm vi nghiên cứu tập trung vào phụ tải ñiện Thành phố Đà Nẵng, thu thập liệu khứ vòng năm (2007-2010) chia làm hai phần: tập huấn luyện (2007-2009) tập kiểm tra (2010), tiến hành dự báo cho năm 2011 năm - Nghiên cứu ảnh hưởng nhiệt ñộ, lịch làm việc (ngày nghỉ, ngày lễ) ñến nhu cầu phụ tải - Sử dụng công cụ ANN phần mềm MATLAB ñể tiến -6tải nâng cao vai trò hoạt ñộng thiếu kinh tế phi ñiều tiết Trí tuệ nhân tạo (mạng nơron) mở hướng ñể giải toán hệ thống ñiện (chẩn ñoán cố, phân tích ổn ñịnh tĩnh, phối hợp thuỷ nhiệt năng…) nhiều ngành nghề nhiều lĩnh vực khác như: tài (mô hình hoá thị trường, lựa chọn ñầu tư…), môi trường (quản lý tài nguyên, ñánh giá rủi ro…), hành dự báo Số liệu dự báo phụ tải Tp Đà Nẵng từ ngày cho viễn thông máy tính (phân tích tín hiệu, nhận dạng…) ñến ngày tới ( từ ñến 168 tới) CẤU TRÚC CỦA LUẬN VĂN PHƯƠNG PHÁP NGHIÊN CỨU Thu thập liệu vận hành làm nguồn liệu: phụ tải 24h ngày Tp Đà nẵng Đây liệu ñối tượng nghiên cứu Từ ñó tìm hiểu phân tích diễn biến ñối tượng nghiên cứu Nghiên cứu ñặc ñiểm mạng nơron Sử dụng ñặc tính ưu việt mạng nơron ñể ứng dụng cho công tác dự báo Tiến hành dự báo ngắn hạn cho lưới ñiện Đà Nẵng Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI Mạng nơron nhân tạo ñã ñược nghiên cứu ứng dụng nhiều giới mẻ Việt Nam Thực tế có công ty ñiện lực tiến hành dự báo phụ tải cách nghiêm túc, khoa học Đề tài hy vọng góp phần làm rõ cấu trúc, nguyên lý mạng nơron; qua ñó ứng dụng vào công tác dự báomột công việc thường xuyên công ty ñiện lực, trở thành phương pháp dự báo nhanh xác Bên cạnh ñó, ngành ñiện ngành công nghiệp mũi nhọn tiên phong Sắp ñến, Việt Nam hình thành thị trường ñiện, dự báo phụ Footer Page of 126 Cấu trúc luận văn chia làm phần: Phần mở ñầu, nội dung ñề tài phần kết luận Nội dung ñề tài ñược trình bày 73 trang bao gồm chương Header Page of 126 -7- -8• Trong quy hoạch hệ thống ñiện - Dự báo dài hạn: Phạm vi dự báo bao gồm giai ñoạn CHƯƠNG từ 1-10 năm Khoảng thời gian cần cho quy hoạch, xây TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI dựng nhà máy, ñường dây truyền tải phân phối ñiện 1.1 GIỚI THIỆU - Dự báo trung hạn: Phạm vi dự báo trung hạn giai Mục tiêu dự báo phụ tải ngắn hạn (STLF) cung ñoạn tháng năm Loại dự báo thường ñược cấp dự báo phụ tải cho chức lập biểu ñồ phát ñiện dùng ñể xác ñịnh thiết bị lưới ñiện lắp ñặt thiết lập bản, cho việc ñánh giá mức ñộ an toàn vận hành hệ thống, hợp ñồng thị trường ñiện cung cấp thông tin ñúng lúc cho người ñiều ñộ Người ta nhận thức • Trong vận hành hệ thống ñiện, dự báo phụ tải chủ yếu lập STLF giữ vai trò quan trọng hệ thống ñiện ñộc cho khoảng thời gian vài phút ñến 168 Có loại dự báo quyền truyền thống Trong hệ thống ñiện tái cấu trúc, công phụ tải vận hành hệ thống ñiện : dự báo phụ tải ty phát ñiện (GENCO) phải dự báo nhu cầu hệ thống giá ngắn hạn ngắn hạn tương ứng ñể ñịnh phù hợp với thị trường - Các mô hình dự báo khác ñã ñược dùng hệ Dự báo phụ tải ngắn hạn ñược lập cho vài phút tới ñược dùng cho ñiều khiển nguồn phát tự ñộng (AGC) thống ñiện ñể ñạt ñược ñộ xác dự báo Nằm số mô - hình phương pháp hồi quy, phương pháp thống kê phương tới Kết dự báo phụ tải ngắn hạn chủ yếu dùng cho pháp không gian trạng thái Bên cạnh ñó, thuât toán dựa vào trí mục ñính thiết lập biểu ñồ phát ñiện Trong thời gian này, tuệ nhân tạo ñã ñược ñưa vào dựa hệ thống chuyên gia, lập trình công ty ñiện phải biết kế hoạch kinh doanh ñiện, kế hoạch tiến hoá, hệ thống mờ, mạng nơron nhân tạo (ANN), tổ hợp bảo dưỡng kế hoạch ñiều khiển phụ tải ñể tối thiểu hóa thuật toán Trong số thuật toán này, ANN ñã nhận ñược chi phí nhiều quan tâm mô hình rõ ràng, dễ thực hiệu tốt 1.2 CÁC LOẠI DỰ BÁO PHỤ TẢI Dự báo phụ tải ngắn hạn ñược lập cho 1giờ ñến 168 1.3 CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN PHỤ TẢI Các yếu tố kinh tế Điều kiện kinh tế khu vực ảnh hưởng ñến hình dạng ñồ thị phụ tải Điều kiện bao Để thiết lập mô hình dự báo, cần thiết phải xác ñịnh gồm vấn ñề loại khách hàng, ñiều kiện nhân học, nhu cầu mà muốn trả lời Theo ñó có hai loại dự báo phụ tải hoạt ñộng công nghiệp, dân số Các ñiều kiện chủ yếu phân biệt vận hành lập quy hoạch hệ thống ñiện Sự ảnh hưởng ñến dự báo phụ tải dài hạn phân biệt vào thời gian dự báo: Footer Page of 126 Header Page of 126 - 10 - -9- Các yếu tố thời gian bao gồm thời gian năm, ngày tuần, ngày Có khác biệt quan trọng gi(k) = hàm lựa chọn tùy ý = tham số mô hình phụ tải ngày làm việc ngày cuối tuần Phụ tải ngày η(k) = Biến ngẫu nhiên mô tả biến ñổi ngẫu nhiên d(k) mô tuần khác hình Các ñiều kiện thời tiết ảnh hưởng ñến phụ tải Trong thực tế, Một mô hình nhân dạng: tham số thời tiết ñược dự báo yếu tố quan trọng dự báo phụ tải dự báo ngắn hạn L = Ln · Fw · Fs · Fr , ñó Ln tải bình thường (tải nền) hệ số hiệu chỉnh Các nhiễu ngẫu nhiên Các khách hàng công nghiệp lớn, hệ số Fw ; Fs ; Fr số dương mà làm tăng làm giảm cán thép, gây thay ñổi phụ tải ñột ngột Ngoài ra, phụ tải tổng Các hiệu chỉnh ñược vào thời tiết hành tượng ñiều kiện ñó gây thay ñổi phụ tải ñột (Fw), biến cố ñặc biệt (Fs), biến ñộng ngẫu nhiên (Fr) ngột cắt ñiện tiết giảm ngừng hoạt ñộng khu 1.4.2 Mô hình dự báo phụ tải nhạy cảm với thời tiết (Mô công nghiệp ñình công, khủng hoảng kinh tế hình cộng) Các yếu tố giá Trong thị trường ñiện, giá ñiện, mà có Nhu cầu ñỉnh tổng hệ thống ñược coi tổng thể thay ñổi ñột ngột có quan hệ phức tạp với tải thành phần không nhạy cảm với thời tiết thành phần khác nhạy hệ thống, trở nên yếu tố quan trọng dự báo phụ tải cảm với thời tiết, nghĩa là, Các yếu tố khác Hình dạng ñồ thị phụ tải khác dp(k) = B(k) + W(k) ñiều kiện ñịa lý Ví dụ, ñồ thị phụ tải khu vực nông thôn khác ñó: so với khu vực ñô thị Đồ thị phụ tải phụ thuộc vào loại B(k) = Thành phần không nhạy cảm với thời tiết thời gian k khách hàng Chẳng hạn ñồ thị phụ tải dân cư khác so với W(k) = Thành phần nhạy cảm với thời tiết khoảng thời gian k khách hàng thương mại công nghiệp 1.4 MỘT SỐ MÔ HÌNH VÀ PHƯƠNG PHÁP DỰ BÁO 1.4.1 Các mô hình xác suất (Mô hình nhân) Dạng chung loại mô hình phụ tải ñiện ñược ñó : ∑ a g (k ) + η (k ) i i d(k) = thành phần phụ tải ñiện ñược dự báo (trung bình ñỉnh) Footer Page of 126 Chen [3] trình bày mô hình cọng dạng phụ tải dự báo hàm thành phần : L = Ln + Lw + Ls + Lr, biểu diễn sau: n i =1 ñược lấy mẫu (theo giờ, hàng ngày, hàng tuần, năm) với biến thời tiết THÔNG DỤNG d(k) = Để xác ñịnh thành phần nhạy cảm với thời tiết, nhu cầu tổng ñó L tải tổng, Ln thể cho "phần bình thường” tải, ñó dạng phụ tải ñã chuẩn hóa cho “loại” ngày mà ñã ñược nhận biết xảy suốt năm, Lw thể phần nhạy Header Page of 126 - 11 - - 12 - cảm với thời tiết phụ tải, Ls thành phần biến cố ñặc biệt Các hệ thống chuyên gia Việc dự báo dựa vào quy tắc tạo ñộ lệch ñáng kể so với mô hình phụ tải bình thường, L r làm cho việc sử dụng quy tắc, mà mặt chất thường là số hạng hoàn toàn ngẫu nhiên, nhiễu quy tắc suy nghiệm (heuristic), ñể thực dự báo xác 1.4.3 Các phương pháp dự báo trung dài hạn Logic mờ Logic mờ khái quát hóa logic Boolean Các mô hình End-use Phương pháp End-use tính toán trực thường dùng ñể thiết kế mạch số Ưu ñiểm logic mờ không cần tiếp nhu cầu tiêu thụ ñiện cách dùng thông tin mở rộng mô hình toán học ánh xạ ñầu vào ñến ñầu không cần việc sử dụng cuối người dùng cuối ñầu vào xác Các mô hình toán kinh tế Phương pháp toán kinh tế Các máy vector hỗ trợ (Support Vector Machines) (SVMs) (econometric) kết hợp lý thuyết kinh tế với kỹ thuật thống kê ñể Các máy vectơ hỗ trợ (SVMs) kỹ thuật mạnh gần ñây dự báo nhu cầu ñiện Phương pháp tính quan hệ nhu cầu việc giải toán phân loại hồi quy Phương pháp tiêu thụ ñiện (biến phụ thuộc) hệ số ảnh hưởng ñến nhu ñược bắt nguồn từ lý thuyết học thống kê cầu tiêu thụ Mô hình thống kê dựa học Mô hình thống kê học tham số mô hình phụ tải từ liệu khứ 1.4.4 Các phương pháp dự báo phụ tải ngắn hạn Phương pháp ngày tương tự Phương pháp dựa việc tìm kiếm liệu khứ ñối với ngày 1; 2; năm có ñặc ñiểm tương tự ngày dự báo Các phương pháp hồi quy Đối với dự báo phụ tải ñiện, phương pháp hồi quy thường ñược sử dụng ñể mô hình mối quan hệ nhu cầu tiêu thụ tải hệ số khác thời tiết, loại ngày, loại khách hàng Chuỗi thời gian Các phương pháp chuỗi thời gian ñược dựa giả ñịnh liệu có cấu nội bộ, chẳng hạn tự tương quan, xu hướng, biến ñổi theo mùa Mạng nơron Về bản, mạng nơron mạch phi tuyến tính mà có khả ñã ñược chứng tỏ việc làm phù hợp ñường cong phi tuyến Footer Page of 126 Header Page of 126 - 13 CHƯƠNG PHƯƠNG PHÁP DỰA TRÊN CÁC KỸ THUẬT CỦA MẠNG NƠRON 2.1 TẠI SAO DÙNG PHƯƠNG PHÁP MẠNG NƠRON ? Dự báo, ñặc biệt ñối với phụ tải dân cư phức tạp Việc lựa chọn phương pháp mạng nơron ñược sử dụng khi: Không có mô hình toán học cụ thể tải Tải hàm yếu tố khác (quá khứ, lịch, thời tiết, khác ) Hàm dự báo phức tạp chưa biết, quan hệ phi tuyến tính Các phương pháp thông thường cổ ñiển phương pháp hồi - 14 2.2 LÝ THUYẾT MẠNG NƠRON Ngày nay, nghiên cứu mạng nơron phát triển hứa hẹn Trí tuệ nhân tạo (Artificial Intelligence), ñã ñược áp dụng nhiều lĩnh vực: - Công nghiệp: ñiều khiển chất lượng, chẩn ñoán cố, mối tương quan liệu ñược cung cấp cảm biến, tín hiệu phân tích chữ viết khác - Tài chính: dự báo mô hình hóa thị trường (dòng tiền tệ ), lựa chọn ñầu tư, phân bổ ngân sách - Viễn thông máy tính: phân tích tín hiệu, triệt nhiễu, nhận dạng (nhiễu, hình ảnh, lời), nén liệu - Môi trường: ñánh giá rủi ro, phân tích hóa học, dự báo mô quy nội suy trường hợp không cho ñộ hình hóa khí tượng, quản lý tài nguyên xác ñủ lớn Bên cạnh ñó, phương pháp với phương tiện tính 2.2.1 Giới thiệu ANN toán lớn hội tụ chậm chí phân kỳ ANN hệ thống xử lý thông tin máy tính mà mô số trường hợp Do ñó, chúng không thích hợp với ứng dụng chức não người Não người gồm triệu tế bào thời gian thực nối với gọi nơron Nơron có phần chính: thân nơron Gần ñây, kỹ thuật mạng nơron nhân tạo (ANN) ñang bắt ñầu ñược sử dụng lĩnh vực khác nghiên cứu (soma), thần kinh (dendrite), trục thần kinh (axon) khớp thần kinh (synapse), trình bày Hình 2.1 lưới ñiện, ñặc biệt dự báo phụ tải Việc sử dụng phương pháp mạng nơron tránh gặp phải hạn chế phương pháp thông thường Phương pháp thuận tiện ñể xem xét yếu tố khác ngẫu nhiên phi tuyến Hàm mạng nơron hộp ñen mà hoạt ñộng ñược xác ñịnh giai ñoạn học, ñó việc tính toán nhanh Phương pháp phải ñối mặt với loại tình khác (thông qua tự học) ñể phát triển thành mô hình thích nghi Hình 2.1: Minh hoạ nơron sinh học Footer Page of 126 Header Page of 126 - 15 - - 16 - Các tiếp nhận ñiện áp từ nơron khác Các ñiện m ν k = ∑ x j wkj − bk ñược gia trọng nhờ khớp thần kinh Thân tổng tất ñiện j =1 ñược cấp Nếu tổng ñiện vượt ngưỡng Đầu nơron ñó, thân phát ñiện hoạt ñộng qua trục thần yk = f(νk) kinh Trục thần kinh phân phối ñiện hoạt ñộng ñến 2.2.2 Mô hình mạng nơron nơron khác Sau phát ñiện hoạt ñộng, thân giải trừ ñiện Nói chung, cấu trúc ANN gồm có phần: lớp ñầu vào, lớp ñiện nghĩ, phải chờ thời gian cho ñến ẩn lớp ñầu Hình 2.6 Lóp ñầu vào lớp có kết nối phát ñiện khác (thời gian chịu ñựng) với giới bên Lớp ñầu vào nhận thông tin từ giới bên Dạng sinh học nơron ñược mô Lớp ẩn kết nối với giới bên ngoài, kết nối Hình 2.2 Các ñược mô vetơ ñầu vào mà thu thập với lớp ñầu vào lớp ñầu Lớp ñầu cung cấp ñầu thông tin từ nơron bên Vectơ trọng số mô tả khớp mạng ANN cho giới bên sau thông tin vào ñược mạng thần kinh ñặt trọng số vào thông tin Bộ cọng (adder) mô tả xử lý thân nơron cọng tất thông tin ñầu vào Hàm chuyển ñổi thể gia strị ñó mà ñiều khiển nơron phát ra, cuối trục thần kinh ñược mô tả vectơ ñầu Hình 2.6: Mô hình ANN tổng quát Có loại cấu trúc ANN ñược dùng phổ biến, cụ thể là, mạng Hình 2.2: Mô hình toán học nơron lớp, mạng peceptron nhiều lớp, mạng Hopfield, mạng Kohonen a/ Mạng lớp: cấu trúc ANN lớp ẩn Nơron tính tổng ñầu vào (x1, x2, xn), gia trọng trọng số (w1, w2, , wn), so sánh với ngưỡng b Nếu tổng vượt qua hàm kích hoạt f tạo ñầu Kết sau ñược chuyển ñổi ñầu nơron Footer Page of 126 Mạng ñược phân loại mạng ANN truyền thẳng, thông tin chạy theo hướng, có nghĩa ñến ñầu b/ Perceptron nhiều lớp: Dạng ñơn giản peceptron nhiều lớp có lớp, lớp ñầu vào, lớp ẩn, lớp ñầu Header Page of 126 - 17 - c/ Mạng Hopfield: ñược phân loại mạng ANN phản hối (feedback), mạng lớp không nhận thông tin từ lớp trước ñó mà nhận từ ñầu trước ñó bias d/ Mạng Kohonen: gồm có ñơn vị ñầu vào truyền thẳng - 18 2.3 ỨNG DỤNG MẠNG NƠRON ĐỂ DỰ BÁO PHỤ TẢI ĐIỆN 2.3.1 Các biến ñầu vào mạng Một cách tổng quát, biến ñầu vào ñược phân thành loại: tải khứ lớp phụ (bên) (lateral layer) Lớp phụ có vài nơron, nối theo nhiệt ñộ khứ dự báo hướng ngang ñến nơron lân cận Mạng Kohonen tự tổ số ngày chức làm cho nơron lân cận phản ứng theo cách số ngày tuần 2.2.3 Học tập tốc ñộ gió 2.2.3.1 Học có giám sát: ñộ che phủ bầu trời Trong loại hình học này, mạng nơron ñược làm thích nghi lượng mưa cách so sánh kết tính toán dựa ñầu vào ñã cho, ngày ẩm ngày khô ñáp số dự kiến ñầu Không có quy ñịnh chung mà ñược thực ñể 2.2.3.2 Học giám sát: Trong loại này, trình học ñược dựa xác suất Mạng ñược thay ñổi trạng thái thống kê ñều ñặn thiết lập mục loại, cách quy ñịnh làm tối ưu hóa giá trị chất lượng, xác ñịnh biến ñầu vào Điều phần lớn phụ thuộc vào kỹ thuật phán ñoán kinh nghiệm 2.3.2 Cấu trúc mạng BP Mạng nơron nhân tạo có cấu trúc xử lý phân tán song song mục loại ñược chấp nhận Chúng ñược dùng tập hợp mãng tính toán 2.2.4 Mạng lan truyền ngược hàng loạt phần tử xử lý giống lặp ñi lặp lại bố trí lưới Mạng lan truyền ngược ñược thiết kế ñể làm Việc học ñạt ñược cách thay ñổi liên kết phần tử việc mạng nhiều lớp, lan truyền phía trước, cách sử xử lý Đến nay, tồn nhiều mạng ANNs ñược ñặc trưng dụng chức học có giám sát Phương pháp ñược ñặc trưng topology chúng quy tắc học Đối với toán STLF, mạng trình học BP mạng ñược sử dụng rộng rãi Với khả xấp xỉ bất Để giải vấn ñề cụ thể, có ba bước, trình huấn luyện cho mạng học lan truyền ngược có giám sát: Lựa chọn ñầu vào liệu cho mạng kỳ hàm phi tuyến liên tục nào, mạng BP có khả ánh xạ (dự báo) bất thường Mạng BP mạng truyền thẳng nhiều lớp, hàm chuyển Lựa chọn kiến trúc mạng ñổi mạng thông thường hàm phi tuyến hàm Huấn luyện mạng sigmoid Footer Page of 126 Header Page 10 of 126 - 19 - 2.3.2.1 Cấu trúc ANN ñề xuất Trong cấu trúc ñã ñề xuất, ANN ñược thiết kế dựa phụ tải trước ñó, loại mùa, loại ngày, ngày, nhiệt ñộ ngày - 20 tất cặp huấn luyện tập huấn luyện phải tương tự với ngày ñược dự báo 2.3.4 Số nơron ẩn trước ñó nhiệt ñộ dự báo Chỉ có yếu tố thời tiết ñược dùng Việc xác ñịnh số lượng tối ưu nơron ẩn vấn ñề quan cấu trúc này, phụ tải dự báo ñược giả ñịnh trọng Nếu nhỏ, mạng ñủ thông tin, ñó khu vực khí hậu bình thường cho kết dự báo không xác Mặt khác, lớn, Có tổng cọng 32 nơron lớp ñầu vào Nơron ñầu tiên ñược dùng ñể ñịnh nghĩa ngày dự báo Một ngày tuần ñược gán cho số phạm vi từ 1-7, trình huấn luyện dài 2.3.5 Trọng số thích nghi Điều chỉnh trọng số ñược thực ngày dựa vào lan 24 nơron ñầu vào ñại diện cho phụ tải hàng ngày truyền ngược Hằng ngày ANN dự báo phụ tải cho ngày nơron ñược dùng ñể thu thập ảnh hưởng nhiệt ñộ lưu trữ thông tin Hiệu số tải thực tải dự báo ñược nơron ñầu dược dùng cho nhiệt ñộ ngày trước ñó nơron tính toán truyền ngược ñến trọng số, cách sử dụng khác dùng cho dự báo nhiệt ñộ ngày Trong lớp ẩn, phương pháp trình huấn luyện mạng theo mùa ñược dùng Lớp ñầu tất mạng theo mùa 2.3.6 Dự báo nhiều ngày gồm 24 nơron, ñại diện cho 24 ngày dự báo 2.3.2.2 ANN theo mùa Từ số liệu phụ tải Điều ñộ cung cấp, ta nhận thấy phụ tải cao xảy vào mùa hè, thấp vào mùa ñông Các phụ tải mùa xuân thu chênh lệch Nhiệt ñộ khác mùa, có nghĩa mùa ñông có nhiệt ñộ thấp mùa hè có nhiệt ñộ cao Với nhận thức này, tốt ñể phân biệt mùa cách sử dụng modun ANN khác Do ñó, việc huấn luyện dễ có hội có kết tốt Chúng ta xem xét modun ANN mùa hè, mùa ñông, mùa xuân/thu 2.3.3 Lựa chọn tập huấn luyện ANNs thực chúng ñã ñược huấn luyện ñể làm Các tiêu chí lựa chọn tập huấn luyện ñặc tính Footer Page 10 of 126 • Dự báo phụ tải cho ngày d giữ vai trò phụ tải ngày trước ñó dự báo tải ngày d+1, • Dự báo nhiệt ñộ ngày d giữ vai trò nhiệt ñộ ngày trước ñó ñối với dự báo ngày d+1 Mặc dù dự báo cho nhiều ngày ñược thực hiện, nói chung không ñược khuyên dùng sai số tích luỹ Header Page 11 of 126 - 21 - - 22 - Tồn hai ñỉnh tải ngày, ñiểm thứ khoảng 10h, CHƯƠNG ỨNG DỤNG MẠNG NƠRON ñiểm thứ hai 20h - 22h ĐỂ DỰ BÁO PHỤ TẢI TP ĐÀ NẴNG Trong phần trình bày phương pháp dự báo phụ tải ngắn - Có tương ñồng ñường cong ngày giống hạn cách sử dụng ANN Toolbox MATLAB Chương trình - Sự tiêu thụ tăng lên theo năm từ 2007 ñến 2010 áp dụng cụ thể việc dự báo cho nhu cầu tiêu thụ ñiện khu vực - Phụ tải mùa hè cao phụ tải mùa xuân Thành phố Đà Nẵng Từ nhận xét này, thấy ñường 3.1 CƠ SỞ DỮ LIỆU cong phụ tải diễn biến theo giờ, theo ngày, theo tuần, theo mùa, có Dự báo sử dụng liệu chứa ñựng thông tin tiêu thụ ñiện liên quan ñến ngày nghỉ năm Chúng ta phải phân tích ngày suốt năm (2007-2010 có cập nhật số liệu xét ñến tất yếu tố khác nhiều làm ảnh tháng ñầu năm 2011) thành phố Đà Nẵng Nhiệt ñộ trung bình hưởng ñến việc mô tả biên dạng phụ tải ngày nhiệt ñộ cho khác ngày 3.3 SỬ DỤNG ANN TOOLBOX suốt trình khảo sát ñược thu thập Chuẩn hoá số liệu với thông tin ngày nghỉ, ngày lễ ngày làm việc 3.2 Các toolbox MATLAB sưu tập m-file mà mở rộng khả MATLAB ñến số lĩnh vực kỹ thuật DIỄN BIẾN CỦA ĐƯỜNG CONG PHỤ TẢI hệ thống ñiều khiển, xử lý tín hiệu, tối ưu hoá, ANN Trong Phân tích phụ tải thời gian (từ năm 2007 ñến năm toolbox ANN version 3.0 [Mat99b], MATLAB cung cấp 12 hàm 2010), quan sát ñến vài yếu tố sau: huấn luyện có hiệu suất cao Về phần tải ngày, tải ñỉnh ngày xảy vào thứ Một mạng ANN lan truyền ngược ñược dùng phổ biến Một số Ba, phụ tải giảm thấp xảy thời gian cuối tuần, phụ tải bàn luận lớp ñầu vào, lớp ẩn lớp ñầu sau giảm thấp xảy vào Chủ nhật Khi xác ñịnh phụ tải giờ, 3.3.1 Lớp ñầu vào phân biệt loại ngày ngày tuần ngày • cuối tuần Các phụ tải khác mùa: phân loại mùa xuân mùa thu có mô hình tải nhau, mùa ñông mùa hè • có mô hình tải riêng • Tiêu chuẩn hóa: Từ liệu ñầu vào (bảng 3.1), tất biến số Qua ñường cong phụ tải này, thấy hình dáng ñiển hình tải theo qui luật sau: - Phụ tải tiêu thụ giảm vào cuối tuần Phân loại: tìm tháng giống liệu Mã hóa: Mã hóa liệu ñầu vào giải thích bảng 3.1 ñược xem xét mô hình ñược tiêu chuẩn hóa 3.3.2 Lớp ẩn Số nơron lớp ẩn phải ñược xác ñịnh suy nghiệm, phương pháp tổng quát có sẵn ñể xác ñịnh số nơron Footer Page 11 of 126 Header Page 12 of 126 - 24 - - 23 - xác lớp ẩn ñể chọn mạng tối ưu, phục vụ cho việc dự báo 3.3.3 Lớp ñầu Ta tạo tập kiểm tra với liệu năm 2010, tương ứng với Về phần lớp ñầu ra, tương ñối dễ dàng ñể thiết lập so ñầu vào ñầu ñã khai báo sánh lớp ñầu vào lớp ñầu 3.5 CÁC KẾT QUẢ Tiêu chuẩn ñánh giá: 3.5.1 Kết cho tháng năm 2011: Để xác ñịnh sai số, sai số tuyệt ñối phần trăm (APE) sai Những kết cho thấy sai số tuyệt ñối lớn dự số tuyệt ñối trung bình phần trăm (MAPE) ñược sử dụng, ñược báo không 5%, sai số trung bình nhỏ 2.6% ñịnh nghĩa sau: Tai thuc − Taidubao APE= * 100 Taithuc sai số RMS không 3% MAPE = Nh Kết dự báo, sai số lớn nhất, sai số trung bình sai số bình (3.1) phương chứng minh tính hiệu phương pháp ñã ñề xuất 3.5.2 Kết cho tháng năm 2010: ∑ APE Nh (3.2) Trong ñó Nh số thời gian dự báo Bảng 3.3: Sai số tuyệt ñối, sai số trung bình quan sát tháng năm 2010 Ngày Saiso_tuyetdoi Saiso_trungbinh (%) (%) Thứ ba, 1-7-2010 1.5 1.43 Thứ tư, 2-7-2010 2.6 1.87 Thứ năm, 3-7-2010 1.18 1.19 Thứ sáu, 4-7-2010 2.19 3.09 Thứ bảy, 5-7-2010 2.18 3.64 Chủ nhật, 6-7-2010 3.14 1.66 Thứ hai, 7-7-2010 2.16 1.4 Thứ ba, 8-7-2010 3.9 1.59 số sinh ANN, dựa vào sai số tuyệt ñối phần trăm (APE) sai Thứ tư, 9-7-2010 4.6 1.29 số tuyệt ñối trung bình phần trăm (MAPE) Thứ năm, 10-7-2010 3.19 1.52 3.4.3 Quá trình kiểm tra mạng Thứ sáu, 11-7-2010 4.1 2.15 Thứ bảy, 12-7-2010 3.15 3.08 3.4 CÁC BƯỚC THỰC HIỆN MÔ PHỎNG VÀ KẾT QUẢ 3.4.1 Xác ñịnh cấu trúc Bước : Tạo ma trận liệu ñầu vào ñầu Gọi ANN Toolbox lệnh >> nntool Màn hình cửa sổ Network/Data Manager Bước : Chọn liệu ñầu vào Input Data liệu ñích Target Data Bước : Thiết lập chọn thông số mạng 3.4.2 Huấn luyện mạng Tiêu chuẩn dừng ñối với trình huấn luyện vào sai Sau ñã huấn luyện, ta tiến hành kiểm tra sai số mạng Footer Page 12 of 126 Header Page 13 of 126 - 26 - - 25 - KẾT LUẬN Chủ nhật, 13-7-2010 2.12 1.31 Thứ hai, 14-7-2010 2.18 1.26 Thứ ba, 15-7-2010 2.6 1.92 Trong bối cảnh thị trường ñiện tự do, ñể tối ưu hóa việc Thứ tư, 16-7-2010 2.5 1.51 quản lý phụ tải cho mục tiêu khác (chi phí nhỏ nhất, cải Thứ năm, 17-7-2010 2.7 2.52 thiện dịch vụ,…) việc dự báo phụ tải, ñặc biệt dự báo phụ tải Thứ sáu, 18-7-2010 3.8 3.14 ngắn hạn ñóng vai trò quan trọng Qua nghiên cứu số Thứ bảy, 19-7-2010 4.14 3.11 phương pháp dự báo nhu cầu ñiện năng, thấy phương Chủ nhật, 20-7-2010 2.17 1.5 pháp có ưu nhược ñiểm riêng, tùy theo yêu cầu ñộ tin cậy, Thứ hai, 21-7-2010 1.8 1.33 ñộ xác phạm vi dự báo ñể lựa chọn phương pháp thích hợp Thứ ba, 22-7-2010 2.65 2.3 Mạng Neural nhân tạo xét ñến ảnh hưởng nhiều Thứ tư, 23-7-2010 1.68 3.19 yếu tố khác nhiệt ñộ, lịch làm việc, mùa Thứ năm, 24-7-2010 1.89 3.32 Thứ sáu, 25-7-2010 2.8 2.73 Thứ bảy, 26-7-2010 3.1 3.58 Chủ nhật, 27-7-2010 2.12 1.19 Thứ hai, 28-7-2010 2.19 1.24 Thứ ba, 29-7-2010 1.6 1.52 Thứ tư, 30-7-2010 1.62 1.1 Thứ năm, 31-7-2010 2.11 2.15 năm…tác ñộng ñến ñường cong tiêu thụ ñiện Chính mà mô hình mạng Neural cấu trúc ñã ñề xuất ñể dự báo phát triển ñường cong phụ tải theo ñã thể rõ tính ưu việt ñộ xác cao, cụ thể ñề tài ñã sử dụng ñể dự báo tiêu thụ vào tháng ba năm 2011 tháng bảy năm 2010 Đà Nẵng ñã ñạt ñộ xác lên ñến 96% Mặc dù phương pháp cần thu thập thông tin nhiều khối lượng tính toán lớn với hỗ trợ máy vi tính ñây phương pháp hứa hẹn phục vụ ñắc lực cho công tác dự báo nhằm giúp công ty ñiện lực nâng cao việc vận hành hiệu tin cậy hệ thống ñiện Footer Page 13 of 126  ... hiệu Có thể nói, dự báo phụ tải mạng nơron Cấu trúc mạng nơron ñể phục vụ cho dự báo phụ tải - Nghiên cứu ñồ thị phụ tải Tp Đà Nẵng, xây dựng mô hình dự báo cho phụ tải Đà Nẵng - Toolbox ANN MATLAB... truyền tải phân phối ñiện 1.1 GIỚI THIỆU - Dự báo trung hạn: Phạm vi dự báo trung hạn giai Mục tiêu dự báo phụ tải ngắn hạn (STLF) cung ñoạn tháng năm Loại dự báo thường ñược cấp dự báo phụ tải cho. .. cung cấp dự báo phụ tải cho chức Bởi vậy, sử dụng kỹ thuật mạng nơron ANN ñể dự báo phụ tải ngắn hạn cho Công ty Điện lực Đà Nẵng ñiều cần thiết ñược nghiên cứu ñề tài MỤC ĐÍCH NGHIÊN CỨU Mục tiêu