Đề tài Nghiên cứu ứng dụng mạng nơron nhân tạo trong dự báo ngắn hạn phụ tải điện

BỘ CễNG THƯƠNG TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM VIỆN NĂNG LƯỢNG __________________________________________________________ BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIấN CỨU KHOA HỌC CẤP BỘ MÃ SỐ: I- 145 NGHIấN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2) Chủ nhiệm đề tài: Trần Kỳ Phỳc 7178 17/3/2009 Hà Nội, 12-2008 BỘ CễNG THƯƠNG TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM VIỆN NĂNG LƯỢNG __________________________________________________________ MÃ SỐ: I 145 ĐỀ TÀI NGHIấN CỨU KHOA HỌC NGHIấN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2) Hà Nội, 12-2008 ii iii MỤC LỤC Trang Mở đầu ii Chương 1 Dự bỏo đỉnh và đỏy biểu đồ phụ tải ngày dựng mạng neuron nhiều lớp MLP 1.1 1.1. Giới thiệu 1.1 1.2. Thuật toỏn chung dự bỏo biểu đồ phụ tải ngày 1.1 1.3. Dự bỏo đỉnh biểu đồ phụ tải ngày trờn cơ sở mạng MLP 1.4 1.4. Túm lược 1.15 Chương 2. Dự bỏo biểu đồ phụ tải ngày dựng phương phỏp đỉnh-đỏy-dạng 2.1 2.1. Giới thiệu 2.1 2.2. Dự bỏo biểu đồ phụ tải ngày bằng phương phỏp đỉnh-đỏy-dạng 2.1 2.3. Túm lược chương 2 2.9 Chương 3. Dự bỏo biểu đồ phụ tải ngày dựng mạng neuron MLP 24 đầu ra 3.1 3.1. Giới thiệu 3.1 3.2. Dự bỏo biểu đồ phụ tải ngày dựng mạng neuron MLP-31xNx24 3.1 3.3. Dự bỏo biểu đồ phụ tải ngày dựng mạng 24 neuron đầu ra MLP- (24L+5W+4D)xNx24 3.4 3.4. Dự bỏo biểu đồ phụ tải ngày dựng mạng 24 neuron đầu ra mó hoỏ dạng ngày dựng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24 3.6 3.5. Một số giải phỏp tăng hiệu quả dự bỏo biểu đồ phụ tải ngày 3.8 3.6. Túm lược chương 3 3.11 Chương 4. Phõn loại dạng biểu đồ phụ tải ngày 4.1 4.1. Giới thiệu 4.1 4.2. Xõy dựng mạng ỏnh xạ đặc trưng tự tổ chức Kohonen (K-SOFM) phõn loại dạng biểu đồ phụ tải ngày 4.2 4.3. Kết quả và phõn tớch 4.8 4.4. Túm lược chương 4 4.23 Kết luận a Tài liệu tham khảo b Phụ lục iv MỞ ĐẦU Dự báo phụ tải điện với độ chính xác cao là một trong những nhiệm vụ vô cùng quan trọng trong quy hoạch và vận hành hệ thống điện. Dự báo phụ tải điện có thể chia làm 3 nhóm: dự báo ngắn hạn (một giờ đến một tuần), dự báo trung hạn (từ hơn một tuần đến một năm) và dự báo dài hạn (trên một năm). Nếu nh− dự báo trung hạn và dài hạn đ−ợc quan tâm nghiên cứu khá nhiều ở n−ớc ta (chủ yếu để phục vụ quy hoạch hệ thống điện) thì dự báo ngắn hạn mặc dù đóng vai trò cực quan trọng trong vận hành kinh tế hệ thống điện, lại ch−a đ−ợc quan tâm nghiên cứu đúng mức. ở n−ớc ngoài, dự báo ngắn hạn phụ tải điện là một vấn đề đã, đang và tiếp tục đ−ợc nghiên cứu, chủ yếu dùng các ph−ơng pháp xác suất thống kê nh− hồi qui đa biến, san hàm mũ, chuỗi thời gian,... Gần đây, đã có một số công trình chuyển sang sử dụng các công cụ của trí tuệ nhân tạo, đặc biệt là mạng nơ ron nhân tạo để dự báo ngắn hạn. ở n−ớc ta, đã có một vài nghiên cứu ở một số nơi về mạng nơ ron trong dự báo phụ tải điện nh−ng nặng về nghiên cứu ph−ơng pháp luận và học thuật, ch−a đi vào số liệu cụ thể, sai số còn cao và khả năng áp dụng còn giới hạn. Giai đoạn 1 của đề tài đó xem xột cỏc vấn đề sau: - Tổng quan về dự bỏo phụ tải điện ngắn hạn - Tổng quan về mạng nơ ron nhõn tạo và Matlab Neuron Toolbox - Mạng nơ ron nhõn tạo trong dự bỏo phụ tải điện ngắn hạn - Lựa chọn mạng nơ ron nhõn tạo cho dự bỏo phụ tải điện ngắn hạn ở nước ta. Bỏo cỏo này trỡnh bày cỏc kết quả cơ bản của giai đoạn 2, bao gồm cỏc vấn đề thiết kế mụ hỡnh, lập phần mềm và thử nghiệm để dự bỏo đỉnh-đỏy-dạng biểu đồ phụ tải ngày dựng mạng neuron nhiều lớp thuật toỏn lan truyền ngược sai số MLP và mạng một lớp thuật toỏn học khụng giỏm sỏt Kohonen. Kết quả thử nghiệm mạng cho thấy hiệu quả dự bỏo là thấp hơn cỏc mụ hỡnh dựng phương phỏp thống kế và tương đương với cỏc cụng bố dựng mạng neuron, neuron-mờ,... Để so sỏnh, giai đoạn 2 cũng đó xõy dựng phần mềm dự bỏo biểu đồ phụ tải ngày trờn cơ sở mạng neuron v 24 đầu ra (phụ tải 24 giờ trong ngày). Kết quả cho sai số tương đương với phương phỏp đỉnh-đỏy-dạng. Hướng nghiờn cứu tiếp theo là tổng hợp cả 2 giải phỏp này trong phần mềm dự bỏo sử dụng bộ tổng hợp sai số bỡnh phương tối thiểu dựa vào hiệu quả dự bỏo của từng giải phỏp trong quỏ khứ. vi CHƯƠNG 1 DỰ BÁO ĐỈNH BIỂU ĐỒ PHỤ TẢI NGÀY DÙNG MẠNG NEURON NHIỀU LỚP MLP 1.1 Giới thiệu Dự bỏo đỉnh và đỏy biểu đồ phụ tải ngày (tức giỏ trị cụng suất phụ tải cao nhất và thấp nhất trong ngày) cú vai trũ đặc biệt quan trọng trong điều độ hệ thống điện. Ngoài ra, dự bỏo đỉnh và đỏy biểu đồ phụ tải cũn là giai đoạn đầu của phương phỏp dự bỏo biểu đồ phụ tải ngày dựng phương phỏp kết hợp dự bỏo đỉnh, đỏy và dạng biểu đồ phụ tải. Đối với phương phỏp này sai số dự bỏo đỉnh và đỏy cựng với sai số dự bỏo dạng biểu đồ sẽ ảnh hưởng đến sai số cuối cựng khi dự bỏo cả biểu đồ phụ tải ngày. Chương này giới thiệu phương phỏp, dữ liệu và kết quả dự bỏo đỉnh và đỏy biểu đồ phụ tải ngày khu vực Hà Nội trờn cơ sở mạng neuron nhõn tạo nhiều lớp huấn luyện bằng thuật toỏn lan truyền ngược sai số MLP. 1.2. Thuật toỏn chung dự bỏo biểu đồ phụ tải ngày Với một số giản ước dựa trờn nhu cầu thực tiễn cũng như xem xột lý thuyết, dự bỏo biểu đồ phụ tải ngày cú thể xem là bài toỏn xỏc định đường cong phụ tải biểu diễn sự phụ thuộc của cụng suất phụ tải của hệ thống nào đú vào thời gian trong ngày, đường cong này thường xõy dựng cho 24 giờ trong ngày (hoặc cú khi từng nửa giờ một). Biểu đồ phụ tải tuần và ngày đặc trưng cho khu vực Hà Nội được biểu diễn trờn hỡnh 1.1 0 100 200 300 400 500 600 1 25 49 73 97 121 145 Giờ, h P, M W Thứ Ba, 06/7/2004 0 100 200 300 400 500 600 700 800 1 7 13 19 Giờ trong ngày, h Ph ụ tả i, M W vii Hỡnh 1.1 Biểu đồ phụ tải tuần và ngày đặc trưng khu vực Hà Nội Cú một số cỏch tiếp cận đối với bài toỏn dự bỏo biểu đồ phụ tải ngày: - Kết hợp dự bỏo đỉnh (phụ tải cao nhất), đỏy (phụ tải thấp nhất) và dạng biểu đồ phụ tải ngày (dạng đường cong phụ thuộc phụ tải-giờ) [3] - Dự bỏo đồng thời phụ tải 24 giờ ngày dự bỏo (thường dựng MNN 24 đầu ra) [2] - Dự bỏo 24 lần từng giờ của ngày dự bỏo (dựng MNN 1 đầu ra) [2] Nghiờn cứu này sử dụng cỏch tiếp cận đầu tiờn vỡ tớnh đơn giản và hiệu quả của mụ hỡnh. Toàn bộ thuật toỏn dự bỏo sẽ dựa trờn đại lượng xd - là vector đặc trưng cho ngày d { }SkdTjdLidd nkCnjTniL ,1;;,1,;,1, ,,, ====x với Ld,i, i=1..nL là phụ tải điện tại thời điểm i của ngày d, thụng thường nL=24 Td,j, j=1,nT là thụng số thời tiết j của ngày d; T cú thể là nhiệt độ, độ ẩm,... Cd,k, k=1,nS là thụng số lịch k của ngày d, C cú thể là mó hoỏ của ngày trong tuần, mựa trong năm, ngày lễ-tết, ngày cú sự kiện văn hoỏ-thể thao đặc biệt,... Gọi vector xnd là vector đặc trưng cho ngày d được chuẩn hoỏ { }SnTn jdLn idnd nkCnjTniL kd ,1;;,1,;,1, ,,, ====x Ở đõy, Lnd,i , i=1,nL chớnh là biểu đồ phụ tải ngày d chuẩn hoỏ theo đỉnh và đỏy phụ tải (hoặc gọi là dạng đường cong biểu đồ phụ tải) theo cụng thức L dd didn ni LL LL L id ,1, minmax min, , =− −= (1.1) với maxLd và minLd là giỏ trị phụ tải lớn nhất và nhỏ nhất của ngày d tương ứng, { } Lidd niLL ,1,maxmax , == { } Lidd niLL ,1,minmin , == viii Tnd,j, j=1,nT và Cnd,k, k=1,nS cũng được chuẩn hoỏ tương tự. Biểu đồ phụ tải ngày d dự bỏo được nếu cú giỏ trị dự bỏo của đỉnh maxLd , đỏy minLd và biểu đồ phụ tải chuẩn hoỏ nLd,i Lddiddid niLLnLLL ,1),min(max.min ^ , ^^ , =−+= (1.2) Thuật toỏn này phỏt triển trờn cơ sở đề xuất trong [3] và khỏc với [3] tại 2 điểm: a) vector đặc trưng ngày xd khụng chỉ cú cỏc thành phần phụ tải như trong [3] mà cũn bao gồm cả cỏc thành phần thời tiết và lịch sinh hoạt, sản xuất – là cỏc thành phần ảnh hưởng đến biểu đồ phụ tải; b) phần dự bỏo dạng biểu đồ phụ tải ngày khụng dựa đơn thuần trờn 4 nhúm ngày phõn loại cố định từ trước (Chủ nhật, thứ Bảy, thứ Ba- thứ Năm, thứ Sỏu) mà trờn cơ sở cỏc nhúm ngày được phõn loại chi tiết hơn cú tớnh đến yếu tố thời tiết và lịch sinh hoạt-sản xuất, tận dụng thụng tin về khoảng cỏch giữa vector trọng số của neuron đặc trưng cho nhúm và vector đầu vào của mạng Kohonen (xem chương 4). Đỉnh và đỏy biểu đồ phụ tải sẽ được dự bỏo dựng 2 MNN nhiều lớp truyền thẳng một đầu ra. Biểu đồ phụ tải chuẩn hoỏ sẽ được dự bỏo dựng mạng ỏnh xạ tự tổ chức Kohonen (xem sơ đồ trờn hỡnh 1.2). Hỡnh 1.2. Sơ đồ cấu trỳc mụ hỡnh dự bỏo BĐPT ngày L,T,C MLP dự bỏo đỉnh MLP dự bỏo đỏy SOM dự bỏo dạng Bộ tổng hợp L,T,C L,T,C Ld,i ix 1.3. Dự bỏo đỉnh biểu đồ phụ tải ngày trờn cơ sở mạng MLP Cấu hỡnh mạng neuron nhõn tạo dự bỏo đỉnh biểu đồ phụ tải ngày MNN sẽ là mạng perceptron nhiều lớp truyền thẳng liờn kết đủ, số lớp ẩn là 1, số neuron đầu ra là 1, theo luật học lan truyền ngược sai số [5]. Lựa chọn cỏc neuron đầu vào. Nhằm chọn số neuron đầu vào phự hợp đó tiến hành phõn tớch tương quan giữa phụ tải đỉnh ngày dự bỏo maxLd và cỏc thụng số thời tiết khu vực Hà Nội, kết quả như trong bảng 1.1. Ở đõy ký hiệu maxLd-k - phụ tải đỉnh k ngày trước ngày dự bỏo, k=1,2,..; maxTd-k, minTd-k - nhiệt độ cao nhất và thấp nhất k ngày trước ngày dự bỏo; maxTd, minTd - nhiệt độ cao nhất và thấp nhất ngày dự bỏo; maxTd-maxTd-1 - chờnh lệch nhiệt độ cao nhất giữa ngày dự bỏo và ngày trước đú; Hd, RFd, SHd - độ ẩm, lượng mưa và số giờ nắng ngày dự bỏo. Bảng 1.1. Hệ số tương quan giữa maxLd và cỏc thụng số cũn lại x Hệ số tương quan R maxLd-1 maxLd-2 maxLd-3 maxLd-7 maxLd-14 Hd RFd SHd 0.812 0,693 0,645 0,762 0,705 -0,109 -0,023 0,301 maxTd maxTd-1 maxTd-7 minTd minTd-1 minTd-7 maxTd-maxTd-1 0,456 0,450 0,402 0,434 0,428 0,400 0,026 Liờn quan đến đầu vào nhiệt độ, phõn tớch hàm quan hệ giữa phụ tải điện và nhiệt độ khu vực Hà Nội (xem hỡnh 1.3) cho thấy hiện nay hàm này cú dạng bậc thang, khỏc với dạng chữ U như đối với nhiều nước nờu trong [5]. Hai điểm chuyển đổi (góy khỳc) tương ứng với ngưỡng nhiệt độ sưởi ấm và ngưỡng nhiệt độ làm mỏt tương ứng là TCmin = 17,50C và TCmax = 250C, cú khỏc chỳt ớt với nhiều nước1. Cỏc giỏ trị này cũng thể hiện phần nào tập quỏn sử dụng điện, mức thu nhập trung bỡnh và trỡnh độ phỏt triển của từng khu vực trờn thế giới. 1 Nhiều nước cụng bố giỏ trị TCmin = 150C và TCmax = 200C x Phụ thuộc phụ tải trung bỡnh - nhiệt độ trung bỡnh ngày 2003-2004 0 100 200 300 400 500 600 700 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 Ttb, oC Pt b, M W Hỡnh 1.3. Phụ thuộc phụ tải - nhiệt độ khu vực Hà Nội Do đú, cú thể thay thế đầu vào nhiệt độ T bằng hàm chuyển đổi f(T) sau : ⎪⎩ ⎪⎨ ⎧ ≤− << ≥− = 00 00 00 5,17..,5,17 255,17..,0 25..,25 )( TifT Tif TifT Tf (1.3) Thụng tin về ngày trong tuần sẽ được mó hoỏ bằng một trong hai cỏch, sử dụng 3 hoặc 7 neuron đầu vào như nờu tại bảng 1.2. Bảng 1.2. Mó hoỏ ngày trong tuần Số neuron Chủ nhật Thứ Hai Thứ Ba Thứ Tư Thứ Năm Thứ Sỏu Thứ Bảy 3 001 010 011 100 101 110 111 7 0000001 0000010 0000100 0001000 0010000 0100000 1000000 Phõn tớch biến thiờn đỉnh phụ tải, dạng biểu đồ phụ tải và nhiệt độ cao nhất ngày trong một số năm khu vực Hà Nội (xem hỡnh 1.4) cho thấy theo mức phụ tải và nhiệt độ trong năm cú thể chia phụ tải hàng năm của Hà Nội thành 3 mựa: mựa đầu năm từ thỏng Giờng đến thỏng 4; mựa giữa năm từ thỏng 5 đến thỏng 8 và mựa cuối năm từ thỏng 9 đến thỏng 12. Cỏc mựa này được mó hoỏ bằng 3 bit tương ứng như sau: 100, 010 và 001. xi 0 100 200 300 400 500 600 700 800 1 60 119 178 237 296 355 Ngày Pm ax , M W 0 10 20 30 40 50 60 Tm ax , o C Pmax Tmax Hỡnh 1.4. Biến thiờn đỉnh biểu đồ phụ tải và nhiệt độ cao nhất ngày trong năm khu vực Hà Nội Túm lại, trờn cơ sở phõn tớch tương quan giữa cỏc thụng số phụ tải, thời tiết, ... thiết kế MNN dựng dự bỏo đỉnh biểu đồ phụ tải ngày với cỏc đầu vào và đầu ra như sau: Bảng 3. Đầu vào và đầu ra của MNN dự bỏo đỉnh biểu đồ phụ tải ngày Thụng số Neuron Ký hiệu Phụ tải Neuron no. 1... 2 maxLd-1, maxLd-7 Thời tiết Neuron no. 3....8 maxTd ,maxTd-1 ,maxTd-7,minTd,minTd-1,minTd-7 Ngày Neuron no. 9..15 D1D2D3D4D5D6D7 Đầu vào Mựa Neuron no.16..18 S1S2S3 Đầu ra Phụ tải 1 neuron maxLd Mạng cơ sở trờn sẽ được thờm, bớt hoặc thay đổi cỏc đầu vào (như hàm nhiệt độ thay cho nhiệt độ, mó hoỏ ngày trong tuần dựng 1 neuron hoặc 3 neuron, ...) với xii mục đớch so sỏnh hiệu quả dự bỏo và tỡm ra cấu trỳc mạng phự hợp nhất đối với hệ thống điện Hà Nội. Lựa chọn số neuron lớp ẩn. Nhằm giảm ảnh hưởng của hiện tượng quỏ khớp và thừa thụng số, số neuron lớp ẩn và số chu kỳ huấn luyện mạng sẽ được xỏc định thụng qua quỏ trỡnh kiểm định. Số neuron lớp ẩn khởi đầu xỏc định theo cụng thức kinh nghiệm nờu trong [7]: )(5 NoNi NSNh +≈ (1.4) với Nh, NS, Ni và No tương ứng là số neuron lớp ẩn, số mẫu huấn luyện, số neuron đầu vào và số neuron đầu ra của mạng. Tăng, giảm số neuron lớp ẩn xung quanh giỏ trị ban đầu, thụng qua huấn luyện mạng cú kiểm định, xỏc định số neuron lớp ẩn tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất. Ứng với trường hợp này cũng xỏc định số chu kỳ huấn luyện mạng. Kiểm định và lựa chọn số chu kỳ huấn luyện mạng Để khắc phục hiện tượng quỏ khớp và thừa tham số, cú thể sử dụng phương phỏp điều tiết hoặc kiểm định. Kết hợp cụng thức kinh nghiệm (1.4) và thuật toỏn kiểm định, đề xuất trỡnh tự lựa chọn số neuron lớp ẩn và số chu kỳ huấn luyện mạng như sau: Bước 1: Chọn số neuron lớp ẩn ban đầu theo cụng thức (1.4) Bước 2: Tăng, giảm số neuron lớp ẩn xung quanh giỏ trị ban đầu, thụng qua huấn luyện mạng cú kiểm định, xỏc định số neuron lớp ẩn tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất. Ứng với trường hợp này cũng xỏc định số chu kỳ huấn luyện mạng - ký hiệu là Ne. Bước 3: Gộp tập kiểm định vào tập huấn luyện thành tập huấn luyện mới và chuyển sang bước huấn luyện mạng chớnh thức với số neuron lớp ẩn Nh và số chu kỳ huấn luyện Ne tỡm được. Đỏnh giỏ mạng bằng sai số đối với tập huấn luyện mới (sai số in-sample) và đối với tập kiểm tra (sai số out-sample) xiii Chỉ tiờu sai số so sỏnh. Sử dụng sai số tuyệt đối phần trăm trung bỡnh (MAPE) để so sỏnh hiệu quả dự bỏo của MNN. Trờn cơ sở thuật toỏn trờn đó xõy dựng phần mềm dự bỏo đỉnh và đỏy phụ tải ngày sử dụng cụng cụ MATLAB và giao diện đồ hoạ MATLAB-GUI. Kết quả dự bỏo đỉnh phụ tải Để so sỏnh ảnh hưởng của cỏc thụng tin đầu vào khỏc nhau đến hiệu quả dự bỏo đó tiến hành nghiờn cứu cỏc phương ỏn mạng khỏc nhau về số lượng và tớnh chất cỏc đầu vào (cú và khụng cú thụng tin về thời tiết, về mựa, cỏc phương ỏn mó hoỏ khỏc nhau, v.v...): i.Mạng khụng cú đầu vào về nhiệt độ, ký hiệu MLP-(2L+7DT+3S)x10x1-20e. Mạng cú tất cả 12 đầu vào, trong đú 2 đầu vào nhận thụng tin về phụ tải quỏ khứ, 7 đầu vào mó hoỏ ngày trong tuần và 3 đầu vào mó hoỏ mựa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 20. ii.Mạng khụng cú đầu vào về nhiệt độ ngày dự bỏo nhưng cú thụng tin đầu vào về nhiệt độ cỏc ngày quỏ khứ, ký hiệu MLP-(2L+4f(T)+7DT+3S)x7x1-16e. Mạng cú tất cả 16 đầu vào, trong đú 2 đầu vào nhận thụng tin về phụ tải quỏ khứ, 4 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quỏ khứ, 7 đầu vào mó hoỏ ngày trong tuần và 3 đầu vào mó hoỏ mựa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 16. iii.Mạng khụng cú đầu vào về mựa trong năm, ký hiệu MLP- (2L+6f(T)+7DT)x7x1-16e. Mạng cú tất cả 15 đầu vào, trong đú 2 đầu vào nhận thụng tin về phụ tải quỏ khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quỏ khứ cũng như ngày dự bỏo và 7 đầu vào mó hoỏ ngày trong tuần; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 28. iv.Mạng cú 3 bit mó hoỏ ngày trong tuần, ký hiệu MLP-(2L+6f(T)+3DT+3S)x7x1- 15e. Mạng cú tất cả 14 đầu vào, trong đú 2 đầu vào nhận thụng tin về phụ tải quỏ khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quỏ khứ cũng như của xiv ngày dự bỏo, 3 đầu vào mó hoỏ ngày trong tuần và 3 đầu vào mó hoỏ mựa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 15. v. Mạng cú 7 bit mó hoỏ ngày trong tuần, ký hiệu MLP- (2L+6f(T)+7DT+3S)x6x1-21e. Mạng đầy đủ nhất trong số xem xột, cú tất cả 18 đầu vào, trong đú 2 đầu vào nhận thụng tin về phụ tải quỏ khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quỏ khứ cũng như của ngày dự bỏo, 7 đầu vào mó hoỏ ngày trong tuần và 3 đầu vào mó hoỏ mựa trong năm; số neuron lớp ẩn là 6; số chu kỳ huấn luyện là 21. vi.Mạng cú đầu vào nhiệt độ trực tiếp (khụng dựng hàm chuyển đổi), ký hiệu MLP-(2L+6T+3S)x10x1-16e. Mạng cú tất cả 11 đầu vào, trong đú 2 đầu vào nhận thụng tin về phụ tải quỏ khứ, 6 đầu vào là nhiệt độ cao nhất và thấp nhất quỏ khứ cũng như của ngày dự bỏo và 3 đầu vào mó hoỏ mựa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16. vii.Mạng cú đầu vào là hàm chuyển đổi nhiệt độ, ký hiệu MLP- (2L+6f(T)+3S)x10x1-16e. Mạng cú tất cả 11 đầu vào, trong đú 2 đầu vào nhận thụng tin về phụ tải quỏ khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quỏ khứ cũng như của ngày dự bỏo và 3 đầu vào mó hoỏ mựa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16. . Kết quả tổng hợp trong bảng 1.4. Cỏc giỏ trị sai số này là trung bỡnh thống kờ 10 lần huấn luyện và dự bỏo độc lập. Bảng 1.4. So sỏnh sai số dự bỏo đỉnh biểu đồ phụ tải ngày với cỏc phương ỏn MNN khỏc nhau Mạng Kỳ dự bỏo Average Ghi chỳ MLP-(11+7)x6x1-21e-f(T) 1.16 Mạng mựa+ngày 7bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 1.58 Mạng khụng mựa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.62 Mạng mựa+ngày 7bit+NoT MLP-11x10x1-16e-T 1.15 Mạng mựa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 1.09 Mạng mựa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e Ngày 4.38 Mạng mựa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 2.62 Mạng mựa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 2.97 Mạng khụng mựa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 2.95 Mạng mựa+ngày 7bit+NoT MLP-11x10x1-16e-T Tuần 2.93 Mạng mựa+T+10 neuron lớp ẩn xv Mạng Kỳ dự bỏo Average Ghi chỳ MLP-11x10x1-16e-f(T) 2.85 Mạng mựa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e 2.71 Mạng mựa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 3.07 Mạng mựa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 3.43 Mạng khụng mựa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.73 Mạng mựa+ngày 7bit+NoT MLP-11x10x1-16e-T 3.76 Mạng mựa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 3.70 Mạng mựa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e Thỏng 3.75 Mạng mựa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 3.18 Mạng mựa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 3.24 Mạng khụng mựa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.94 Mạng mựa+ngày 7bit+NoT MLP-11x10x1-16e-T 3.80 Mạng mựa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 3.74 Mạng mựa+f(T)10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e Toàn bộ 3.82 Mạng mựa+ngày 7bit+NoT(i) 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 Ngày Tuần Thỏng Tập test M A PE ,% Mựa Khụng mựa Hỡnh 5. So sỏnh sai số dự bỏo đỉnh trường hợp cú và khụng cú đầu vào về mựa trong năm xvi So sỏnh hiệu quả dự bỏo trường hợp cú và khụng cú thụng tin về mựa trong năm (hỡnh 5) cho thấy phương phỏp phõn loại mựa nờu trờn và thụng tin về mựa đưa vào mạng khỏ là hiệu quả. Đối với khu vực Hà Nội thụng tin về mựa giỳp giảm sai số dự bỏo từ 1,58% (đối với dự bỏo 1 ngày tới), 2,97% (dự bỏo 1 tuần tới) và 3,43% (đối với dự bỏo 1 thỏng tới) xuống cũn 1,16%, 2,62% và 3,07% tương ứng; tương đương với giảm được 36% sai số dự bỏo 1 ngày tới, 14% sai số dự bỏo 1 tuần tới và 12% sai số dự bỏo 1 thỏng tới. 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 Ngày Tuần Thỏng Tập test M AP E, % T Khụng T Hỡnh 1.6. So sỏnh sai số dự bỏo đỉnh trường hợp cú và khụng cú đầu vào về nhiệt độ So sỏnh hiệu quả dự bỏo trường hợp cú và khụng cú thụng tin về nhiệt độ (hỡnh 6) cho thấy nhiệt độ là thụng tin cần thiết đối với mạng. Đối với khu vực Hà Nội thụng tin về nhiệt độ giỳp giảm sai số dự bỏo từ 3,62% (đối với dự bỏo 1 ngày tới), 2,95% (dự bỏo 1 tuần tới) và 3,73% (đối với dự bỏo 1 thỏng tới) xuống cũn 1,16%, 2,62% và 3,07% tương ứng. xvii 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 Ngày Tuần Thỏng Tập test M AP E, % f(T) T Hỡnh 7. So sỏnh sai số dự bỏo đỉnh trường hợp dựng và khụng dựng hàm chuyển đổi nhiệt độ So sỏnh hiệu quả dự bỏo trường hợp khụng dựng và dựng hàm chuyển đổi nhiệt độ (hỡnh 7) cho thấy dựng hàm chuyển đổi nhiệt độ mặc dự hiệu quả tăng lờn là khụng nhiều nhưng sai số dự bỏo vẫn cú xu hướng giảm. Đối với khu vực Hà Nội sai số dự bỏo giảm từ 1,15% (đối với dự bỏo 1 ngày tới), 2,93% (dự bỏo 1 tuần tới) và 3,76% (đối với dự bỏo 1 thỏng tới) xuống cũn 1,09%, 2,85% và 3,70% tương ứng. Để tăng hiệu quả dự bỏo theo hướng này, cú thể thay hàm chuyển đổi (3) bằng hàm bỡnh phương độ lệch nhiệt độ. xviii 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Ngày Tuần Thỏng Tập test M AP E , % T(i) Khụng T(i) Hỡnh 8. So sỏnh sai số dự bỏo đỉnh BĐPT ngày trường hợp cú và khụng cú nhiệt độ ngày dự bỏo So sỏnh hiệu quả dự bỏo trường hợp cú và khụng cú đầu vào nhiệt độ ngày dự bỏo (hỡnh 8) cho thấy thụng tin về nhiệt độ ngày dự bỏo cho phộp giảm sai số dự bỏo đỏng kể. Tuy nhiờn, cỏc giỏ trị nhiệt độ ngày dự bỏo trong nghiờn cứu là giỏ trị thực tế. Trờn thực tế, tại thời điểm dự bỏo phụ tải ta chỉ cú số liệu nhiệt độ dự bỏo với sai số nào đú, sai số này cú thể sẽ ảnh hưởng đến sai số dự bỏo phụ tải. Vỡ vậy, cần cõn nhắc giữa sai số dự bỏo phụ tải gõy ra bởi ảnh hưởng của sai số dự bỏo nhiệt độ với sai số giảm đi nhờ đưa vào mạng thụng tin về nhiệt độ ngày dự bỏo. Tương tự, so sỏnh trường hợp cú và khụng cú mó ngày trong tuần cũng cho thấy thụng tin ngày trong tuần làm giảm đến khoảng 10% sai số dự bỏo. Riờng khỏc biệt về hiệu quả của 2 trường hợp mó hoỏ ngày bằng 3 bit hoặc 7 bit là khụng rừ rệt, do đú cú thể chỉ dựng cỏch mó hoỏ 3 bit chứ khụng cần đến 7 bit để tiết kiệm tài nguyờn. Cập nhật số liệu đỉnh biểu đồ phụ tải từng ngày để giảm sai số dự bỏo xix Cỏc kết quả trờn đõy cho thấy, hầu hết cỏc cấu trỳc mạng xem xột đều cú thể cho sai số dự bỏo ngày đầu tiờn khỏ thấp, tuy nhiờn sai số dự bỏo cỏc ngày sau thường ở mức cao hơn. Vỡ vậy đề xuất giải phỏp cập nhật mạng MLP hàng ngày với số liệu đỉnh phụ tải ngày mới nhất để giảm sai số dự bỏo ngày sắp tới. Thuật toỏn cập nhật đề xuất như sau: a) Sau mỗi ngày tập huấn luyện sẽ được cập nhật bằng cỏch bổ sung giỏ trị thực tế của ngày hụm đú về đỉnh phụ tải, thụng số thời tiết, kiểu ngày,...(nghĩa là số vector tập huấn luyện sẽ tăng lờn 1 đơn vị) b) Mạng MLP hiện hữu sẽ được huấn luyện lại với toàn bộ tập huấn luyện mới được cập nhật (hoặc với một tập con của nú, bao gồm ớt nhất là vector huấn luyện của ngày mới nhất) c) Mạng MLP cập nhật sẽ được dựng để dự bỏo đỉnh biểu đồ phụ tải của ngày kế tiếp d) Chu kỳ a)-c) trờn sẽ lặp lại hàng ngày để đạt được sai số dự bỏo dưới ngưỡng yờu cầu. xx 1.4. Túm lược chương 1 Trong chương này trỡnh bày một số kết quả sau: - Xõy dựng mụ hỡnh dự bỏo biểu đồ phụ tải ngày cho khu vực Hà Nội được xõy dựng trờn cơ sở mạng MLP dự bỏo đỉnh và đỏy phụ tải, mạng Kohonen dự bỏo dạng BĐPT. Phần mềm dự bỏo đỉnh và đỏy phụ tải được viết trờn phần mềm MATLAB và NNTools cú sử dụng cụng cụ giao diện đồ hoạ GUI - Để chọn cỏc đầu vào phự hợp nhất trong số cỏc thụng số phụ tải, thời tiết và lịch sinh hoạt-sản xuất, tiến hành phõn tớch tương quan giữa phụ tải đỉnh dự bỏo và cỏc thụng số cũn lại. - Nhằm trỏnh hiện tượng quỏ khớp và thừa thụng số của mạng MLP thuật toỏn học lan truyền ngược ỏp dụng cho dự bỏo đỉnh phụ tải, số neuron lớp ẩn và số chu kỳ huấn luyện mạng được xỏc định trờn cơ sở thuật toỏn kiểm định và tăng giảm số neuron lớp ẩn so với cụng thức kinh nghiệm Oja. - Kết quả thử nghiệm thuật toỏn và phần mềm cho sai số dự bỏo đỉnh phụ tải ở mức 2,5% và thấp hơn. Để duy trỡ mức sai số thấp này cần cú thủ tục cập nhật mạng hàng ngày bằng số liệu phụ tải và thời tiết mới cũng như cần tỏch số liệu quỏ khứ cỏc ngày lễ-tết, cỏc ngày cắt điện sự cố hay kế hoạch,... ra khỏi tập huấn luyện để xử lý riờng. - So sỏnh kết quả dự bỏo dựng cỏc phương ỏn đầu vào mạng khỏc nhau cho thấy: a) việc đưa thụng tin về mựa giảm được sai số dự bỏo đỏng kể; b) thụng tin về thời tiết là cần thiết cho dự bỏo đỉnh phụ tải; c) mó hoỏ ngày dựng 7 neuron đầu vào khụng tăng hiệu quả dự bỏo so với phương ỏn dựng 3 neuron đầu vào. xxi Tài liệu tham khảo chương 1 1. Upadhyay K.G., Singh S.N., An approach to short term load forecasting using market price signal. 19th International Conference on Electrical Distribution. Vienna (2007) 2. H.S. Hippert, C.E. Pedreira, and R.C. Souza. Neural Networks for Short-Term Load Forecasting: A Review and Evaluation. IEEE Transactions on Power Systems, 16:44–55, 2001 3. Hsu Y.Y., Yang C.C., Design of ANN for short-term load forecasting. IEE Pro