Đang tải... (xem toàn văn)
Bài báo này đưa ra vấn đề ứng dụng thuật toán lan truyền ngược BPA (Back Propagation Algorithm) trong mạng Nơron nhân tạo để dự báo phụ tải ngắn hạn có xét đến ảnh hưởng của thông số nhiệt độ. Chương trình dự báo được viết trên ngôn ngữ visual C. Mời các bạn cùng tham khảo bài viết để nắm rõ nội dung chi tiết.
TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) ỨNG DỤNG MẠNG NƠRON NHÂN TẠO ĐỂ DỰ BÁO PHỤ TẢI NGẮN HẠN TRONG HỆ THỐNG ĐIỆN CĨ XÉT ĐẾN ẢNH HƯỞNG CỦA THƠNG SỐ NHIỆT ĐỘ APPLICATION OF ARTIFICIAL NEURAL NETWORK FOR SHORT-TERM LOAD FORECASTING IN POWER SYSTEMS CONSIDERING THE INFLUENCE OF TEMPERATURE PARAMETERS Phạm Ngọc Hùng, Nguyễn Tùng Linh Trường Đại học Điện lực Tóm tắt: Cơng việc dự báo có ý nghĩa vơ quan trọng vận hành hệ thống điện Việc dự báo xác giúp đảm bảo tính ổn định hệ thống điện (ổn định điện áp, ổn định tần số), bảo đảm cân điện sản xuất điện tiêu thụ Bài báo đưa vấn đề ứng dụng thuật toán lan truyền ngược BPA (Back Propagation Algorithm) mạng Nơron nhân tạo để dự báo phụ tải ngắn hạn có xét đến ảnh hưởng thơng số nhiệt độ Chương trình dự báo viết ngơn ngữ Visual C Từ khóa: Dự báo, mạng nơron, nhiệt độ, ngắn hạn Abstract: Load forecasting is of great importance in power system operation Accurate forecasting will help ensure the stability of power systems (voltage stability, frequency stability), balancing energy production and energy consumption This paper addresses the application of Back Propagation Algorithm (BPA) in artificial neural network for short-term load forecast with consideration for the influence of temperature parameters The forecast software is developed in Visual C Keywords: Forecast, neural network, temperature, short-term GIỚI THIỆU Cơng tác dự báo ln giữ vai trò quan SỐ - 2014 trọng nhiều lĩnh vực: định kế hoạch sản xuất, hướng đầu tư phát triển tương lai, có nhiều 59 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) mơ hình tốn học áp dụng cho dự báo [1] Cũng dự báo khác, dự báo phụ tải điện ngắn hạn phải dựa vào số liệu thống kê, phân tích áp dụng thuật toán để xác định mối quan hệ phụ tải yếu tố ảnh hưởng, từ dự báo phụ tải dựa yếu tố ảnh hưởng Qua nhiều cơng trình nghiên cứu [3, 5, 6] cho thấy rằng: phương pháp dự báo truyền thống thể nhiều nhược điểm: số liệu đầu vào nhiều, sai số lớn , việc áp dụng mạng nơron nhân tạo cho dự báo phụ tải hệ thống điện (HTĐ) dựa yêu cầu: phương pháp đơn giản, có tính đến ảnh hưởng biến nhiệt độ đặc thù ngày, cho dự báo với sai số nhỏ phương hướng nghiên cứu Một ưu điểm bật hệ thống nơron dự báo phương pháp không cần phải xác định mối quan hệ biến số trước Phương pháp xác định nhờ vào trình học hỏi mối quan hệ qua thí dụ đưa vào máy, khơng đòi hỏi giả định phân phối tổng thể không giống phương pháp dự báo truyền thống, sử dụng mà khơng cần có đầy đủ số lượng số liệu cần thiết Chương trình hệ thống nơron thay nhanh chóng mơ hình có, ví dụ phân tích hồi quy, để đưa dự báo xác mà không cần ngưng trệ hoạt động diễn Hệ thống nơron đặc biệt hữu ích số liệu đầu vào có tương quan cao hay có số lượng khơng đủ, hệ thống mang tính phi tuyến 60 cao Phương pháp cho kết dự báo có độ xác cao, dự báo kiện phụ thuộc thời gian TỔNG QUAN VỀ BÀI TOÁN DỰ TOÁN NGẮN HẠN 2.1 Khái quát Người ta chứng tỏ khơng có phương pháp luận hồn hảo tiếp cận tốn cách sử dụng mạng nơron huấn luyện thuật toán lan truyền ngược [2] Ta có nhiều điều cần cân nhắc, lựa chọn để thiết lập tham số cho mạng nơron, bao gồm: Số lớp ẩn, kích thước lớp ẩn, số học; Tham số bước đà (momentum); Khoảng, khuôn dạng liệu đưa vào mạng; Dạng hàm nén (squashing); Khởi tạo ma trận trọng số; Tỷ lệ nhiễu ví dụ huấn luyện Việc dự báo liệu (DL) toán phức tạp, số lượng liệu cần quan tâm độ xác liệu dự báo Do vậy, việc cân nhắc để chọn mơ hình phù hợp cho việc dự báo liệu việc khó khăn (chỉ phương pháp thử - sai) Thuật toán lan truyền ngược (BPA) thuật toán ứng dụng rộng rãi lĩnh vực: phân lớp, dự báo thực tế chứng tỏ công cụ tốt áp dụng cho toán lĩnh vực dự báo liệu SỐ - 2014 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) Do đặc trưng độ phức tạp liệu, liệu đầu thường số (mảng số) dấu phẩy động nên việc lựa chọn cấu trúc mạng phù hợp thường dùng phương pháp thử sai Đồng thời cần phải chuẩn hoá liệu đầu vào đầu để mạng có khả học tốt từ liệu cung cấp Trong việc dự báo liệu, liệu nhiều khoảng thời gian khác đưa vào mạng để huấn luyện việc dự báo xác khó mục đích dự báo xác 100% liệu tương lai, có kết dự báo với mức độ xác chấp nhận a Thu thập liệu Bước thu thập liệu bao gồm nhiệm vụ chính: Xác định yêu cầu liệu Điều cần thực lập kế hoạch thu thập liệu xác định xem liệu cần thiết để giải tốn Về tổng thể cần trợ giúp chuyên gia lĩnh vực toán cần giải Ta phải biết: Các liệu chắn có liên quan đến tốn; Các liệu liên quan; Các liệu phụ trợ 2.2 Thu thập, phân tích xử lý liệu Dữ liệu đóng vai trò quan trọng giải pháp sử dụng mạng nơron Chất lượng, độ tin cậy, tính sẵn có phù hợp liệu sử dụng để phát triển hệ thống giúp cho giải pháp thành cơng Các mơ hình đơn giản đạt kết định liệu xử lý tốt, bộc lộ thơng tin quan trọng Bên cạnh đó, mơ hình tốt khơng cho ta kết mong muốn liệu đưa vào phức tạp rắc rối Việc xử lý liệu bắt đầu việc: thu thập phân tích liệu, sau bước tiền xử lý Dữ liệu sau qua bước tiền xử lý đưa vào mạng nơron Cuối cùng, liệu đầu mạng nơron qua bước hậu xử lý, bước thực biến đổi kết trả mạng nơron sang dạng yêu cầu toán SỐ - 2014 Các liệu có liên quan liên quan đến toán cần xem đầu vào cho hệ thống Xác định nguồn liệu Bước định nơi lấy liệu, điều cho phép ta xác định ước lượng thực tế khó khăn kinh phí cho việc thu thập liệu Nếu ứng dụng yêu cầu liệu thời gian thực, ước lượng cần tính đến khả chuyển đổi liệu tương tự thành dạng số Trong số trường hợp, ta chọn lựa liệu mơ từ tình thực tế Tuy nhiên, cần phải quan tâm đến độ xác khả thể liệu trường hợp cụ thể Xác định lượng liệu Ta cần phải ước đốn số lượng liệu cần thiết để sử dụng việc xây dựng mạng Nếu lấy q liệu liệu khơng thể 61 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) phản ánh toàn thuộc tính mà mạng cần phải học mạng khơng có phản ứng mong đợi liệu mà chưa huấn luyện Mặt khác, không nên đưa vào huấn luyện cho mạng qúa nhiều liệu Về tổng thể lượng liệu cần thiết bị chi phối số trường hợp cần luyện cho mạng Bản chất đa chiều liệu cách giải mong muốn nhân tố xác định số trường hợp cần luyện cho mạng kéo theo lượng liệu cần thiết Việc định lượng gần lượng liệu cần đưa vào luyện mạng cần thiết Thơng thường liệu thường thiếu hồn chỉnh, muốn mạng có khả thực điều mà ta mong đợi cần phải luyện với lượng liệu lớn Đương nhiên, có độ xác hồn chỉnh liệu số trường hợp cần thiết phải đưa vào mạng giảm b Phân tích liệu Có hai kỹ thuật để hiểu liệu: Phân tích thống kê Mạng nơron xem mở rộng phương pháp thống kê chuẩn Các thử nghiệm cho ta biết khả mà mạng thực Hơn nữa, phân tích cho ta đầu mối để xác định đặc trưng, ví dụ liệu chia thành lớp, thử nghiệm thống kê xác định khả phân biệt lớp liệu thô liệu qua tiền xử lý 62 Trực quan hoá liệu Trực quan hoá liệu cách vẽ biểu đồ liệu theo dạng thích hợp cho ta thấy đặc trưng phân biệt liệu, chẳng hạn như: điểm lệch hay điểm đỉnh Điều thực áp dụng thêm thao tác tiền xử lý để tăng cường đặc trưng Thơng thường, phân tích liệu bao gồm kiểm tra thống kê trực quan hoá Các kiểm tra lặp lặp lại Trực quan hoá cho ta đánh giá liệu khái niệm sơ khởi mẫu nằm sau liệu Trong phương pháp thống kê cho phép ta kiểm thử khái niệm c Xử lý liệu Dẫn nhập xử lý liệu Khi liệu thô thu thập, chúng cần phải chuyển đổi sang khuôn dạng phù hợp để đưa vào luyện mạng Ở bước ta cần thực công việc sau: Kiểm tra tính hợp lệ liệu (Data validity checks); Việc kiểm tra tính hợp lệ phát liệu chấp nhận mà sử dụng chúng cho kết khơng tốt Chẳng hạn, kiểm tra khoảng hợp lệ liệu nhiệt độ khơng khí vùng nhiệt đới; ta mong muốn giá trị khoảng từ 8oC đến 40oC, giá trị nằm ngồi khoảng khơng chấp nhận Nếu có mẫu cho phân bố sai liệu ta cần xem xét nguyên nhân Dựa chất SỐ - 2014 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) nguyên nhân dẫn đến sai lầm, ta phải loại bỏ liệu này, cho phép thiếu sót Nếu có thành phần định không mong muốn xu hướng hay biến thiên có tính chất mùa vụ, chúng cần loại bỏ Phân hoạch liệu (partitioning data) Phân hoạch trình chia tập liệu thành tập kiểm định, huấn luyện kiểm tra Tập kiểm định dùng để xác định kiến trúc mạng, tập huấn luyện dùng để điều chỉnh trọng số mạng, tập kiểm tra dùng để kiểm tra hiệu mạng sau huấn luyện Ta cần phải đảm bảo rằng: Tập ví dụ huấn luyện chứa đủ liệu, liệu phân bố phù hợp cho biểu diễn thuộc tính mà ta muốn mạng học Khơng có liệu trùng hay tương tự liệu tập liệu khác Tiền xử lý Về mặt lý thuyết, mạng nơron dùng để ánh xạ liệu thô đầu vào trực tiếp thành liệu đầu Nhưng thực tế, việc sử dụng trình tiền xử lý cho liệu thường mang lại hiệu định trước liệu đưa vào mạng Có nhiều kỹ thuật liên quan đến tiền xử lý liệu Tiền xử lý liệu thực lọc liệu hay phương pháp phức tạp như: phương pháp kết xuất, trích chọn đặc trưng từ liệu ảnh tĩnh Bởi lẽ việc chọn thuật toán dùng tiền xử lý liệu phụ thuộc vào ứng SỐ - 2014 dụng chất liệu nên khả lựa chọn lớn Tuy nhiên, mục đích thuật tốn tiền xử lý liệu thường tương tự [6]: Chuyển đổi liệu khuôn dạng phù hợp đầu vào mạng nơron, điều thường đơn giản hố q trình xử lý mạng phải thực thời gian ngắn Các chuyển đổi gồm: - Áp dụng hàm toán học cho đầu vào Mã hoá liệu văn sở liệu; - Chuyển đổi liệu cho có giá trị nằm khoảng [0,1]; Lựa chọn liệu xác đáng nhất, việc lựa chọn bao gồm thao tác đơn giản lọc hay lấy tổ hợp đầu vào để tối ưu hoá nội dung liệu Điều đặc biệt quan trọng mà liệu có nhiễu chứa thông tin thừa Việc lựa chọn cẩn thận liệu phù hợp làm cho mạng dễ xây dựng tăng cường hiệu chúng liệu nhiễu; Tối thiểu hoá số đầu vào mạng, giảm số chiều liệu đầu vào tối thiểu số mẫu đưa vào đơn giản hố tốn Trong số trường hợp ta đưa tất liệu vào mạng Hậu xử lý Hậu xử lý bao gồm xử lý áp dụng cho đầu mạng Cũng tiền xử lý, hậu xử lý hoàn toàn phụ thuộc vào ứng dụng cụ thể bao gồm việc phát tham số có giá trị vượt khoảng cho phép 63 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) sử dụng đầu mạng đầu vào hệ khác, chẳng hạn xử lý dựa luật Đôi hậu xử lý đơn giản trình ngược lại trình tiền xử lý M số lớp mạng, nơron lớp thứ nhận tín hiệu từ bên ngoài: a0 = p; đầu lớp cuối đầu mạng: a = am Mẫu vào BÀI TOÁN DỰ BÁO ĐỈNH VÀ ĐÁY BIỂU ĐỒ PHỤ TẢI Phần mơ tả thuật tốn học sử dụng để điều chỉnh hiệu mạng cho mạng có khả sinh kết mong muốn Các mạng nơron truyền thẳng nhiều lớp huấn luyện phương pháp học có giáo viên hướng dẫn Phương pháp dựa việc yêu cầu mạng thực chức sau trả lại kết quả, kết hợp kết với đầu mong muốn để điều chỉnh tham số mạng Về bản, BPA dạng tổng qt thuật tốn trung bình bình phương tối thiếu (Least Means Square-LMS) lẽ sử dụng kỹ thuật giảm theo hướng vectơ gradient với độ phức tạp hàm lỗi lớn Thuật toán thuộc dạng thuật tốn xấp xỉ để tìm điểm mà hiệu mạng tối ưu Chỉ số tối ưu thường xác định hàm số ma trận trọng số đầu vào Tầng ẩn W2 Tầng Kết Hình Kiến trúc mạng Chỉ số hiệu (performance index) Thuật toán BPA sử dụng số hiệu trung bình bình phương lỗi đầu so với giá trị đích Đầu vào mạng tập ví dụ huấn luyện: {(p1,t1), (p2,t2), (pq,tq)} Ta sử dụng dạng tổng quát mạng nơron truyền thẳng nhiều lớp hình Khi đầu lớp trở thành đầu vào lớp [3]: am+1 = fm+1(Wm+1am+bm+1); m = 0,1, M-1 (1) (2) pi đầu vào ti đầu đích tương ứng (với i = 1,2, q) Mỗi đầu vào đưa vào mạng, sau tính tốn cho đầu ra, đầu đem so sánh với đầu mong muốn Thuật toán điều chỉnh tham số mạng để tối thiểu hố trung bình bình phương lỗi [4]: F ( x ) E e E (t a ) 3.1 Mơ tả thuật tốn 64 Bias W1 (3) x biến tạo thành trọng số độ lệch, E ký hiệu kỳ vọng tốn học Nếu mạng có nhiều đầu ra, ta viết lại phương trình dạng ma trận sau: F(x) E eT e E (t a)T (t a) (4) SỐ - 2014 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) Ký hiệu F (x) giá trị xấp xỉ F(x) ta có xấp xỉ trung bình bình phương lỗi sau: F ( x) (t (k ) a (k )) T (t (k ) a(k )) e T ( k )e(k ) hạng thức thứ hai vế phải phương trình (8) tính cách dễ dàng, đầu vào lớp m mạng hàm trọng số độ lệch tầng đó: S m 1 (5) kỳ vọng tốn học bình phương lỗi thay bình phương lỗi bước thứ k Thuật tốn giảm theo hướng cho trung bình bình phương lỗi xấp xỉ (với hệ số học) [5]: F m m w ji ( k 1) w ji ( k ) w mji m F m b j ( k 1) b j ( k ) m bj Đối với mạng nơron truyền thẳng nhiều lớp, lỗi không hàm trọng số lớp ẩn, việc tính đạo hàm phần khơng đơn giản Chính lý mà ta phải sử dụng luật xích để tính Luật mơ tả sau: Giả sử ta có f hàm biến n, ta muốn đạo hàm f có liên quan đến biến w khác, luật xích sau [6]: (7) Vậy đạo hàm (6) là: n mj F F w mji n mj w mji F F n mj m m m n j b j b j SỐ - 2014 n w m ji aim 1 b mj (9) i 1 n mj w mji a m 1 i ; n mj b mj 1 F Nếu gọi s mj m độ nhạy cảm n j (6) Luật xích (Chain Rule) df (n(w) df (n) dn(w) dw dn dw m j (8) F thay đổi phần tử thứ j đầu vào mạng lớp thứ m Khi ta có: n mj F F m m s mj a im 1 m w ji n j w ji (10) m F F n j m m m m sj n j b j b j Thuật toán giảm theo hướng biểu diễn sau: w mji (k 1) w mji (k ) s mj a im 1 (11) m m m b j (k 1) b j (k ) s j Lan truyền ngược độ nhạy cảm Bây ta cần tính tốn nốt ma trận độ nhạy cảm sm Để thực điều cần sử dụng áp dụng khác luật xích Quá trình cho ta khái niệm “Lan truyền ngược” mơ tả mối quan hệ hồi qui độ nhạy cảm sm tính qua độ nhạy cảm sm+1 lớp m+1 Để dẫn đến quan hệ đó, ta sử dụng ma trận Jacobian: 65 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) n m 1 n m n1m 1 m n1 n m 1 m n1 n m 1 s m 1 n1m n1m 1 n1m 1 n 2m n smm n 2m 1 n 2m 1 m n 2m n s m (12) n smm11 n smm11 m n 2m n s m Xét thành phần thứ j, i ma trận trên: m s w mji 1 a mj b mj 1 j 1 m n i n mj 1 nim w mji 1 (13) Cần nhấn mạnh thuật toán BPA sử dụng kỹ thuật giảm theo hướng Sự phức tạp chỗ để tính gradient ta cần phải lan truyền ngược độ nhạy cảm từ lớp lớp trước Bây ta cần biết điểm bắt đầu lan truyền ngược, xét độ nhạy cảm sm lớp cuối cùng: F (t a) T (t a ) s m n j n mj m j sM m w mji 1 f ( nim ) w mji 1 s M s M 1 s s f m ( nim ) nim m Bây ta thấy độ nhạy cảm lan truyền ngược qua mạng từ lớp cuối lớp đầu tiên: (t i a i ) m i f ( n ) im Như ma trận Jacobian viết lại sau: m n m m 1 W F (n m ) m n (14) đây: m m f ( n1 ) m m 0 m f ( n 2m ) F (n ) 0 0 f m ( n smm ) i 1 n a j n M j 2(t j a j ) M j a Mj n M j f M (n Mj ) n M j a j n Mj M f (16) ( n Mj ) nên ta viết dạng ma trận sau: s M M 2 F (n M )(t a) (17) Tóm lại, thuật tốn lan truyền ngược biểu diễn sau: Bước 1: Lan truyền xuôi đầu vào qua mạng a0 p Bây ta viết lại quan hệ hồi qui cho độ nhạy cảm dạng ma trận: T F n m1 F s m m m1 n n n m m F (n m )(W m1 )T s m1 66 (15) a m 1 f m 1 (W m 1a m b m 1 ) a aM với m = 0, 1, M – Bước 2: Lan truyền độ nhạy cảm (lỗi) ngược lại qua mạng: SỐ - 2014 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) huấn luyện cho giai đoạn Sơ đồ bước thực cho hình M s M 2 F (n M )(t a ) m s m F (n m )(W m 1 ) T s m 1 sở DL với m = M - 1, M - 2, ,1 Bước 3: Các trọng số độ lệch cập nhật cơng thức: lấy mẫu DL tính mẫu dự báo huấn luyện mạng kết T W m (k 1) W m (k ) s m (a m1 ) b m (k 1) b m (k ) s m 3.2 Cấu trúc mạng nơron dự báo đỉnh/đáy biểu đồ phụ tải HTĐ Có số liệu nhiệt độ cao Tmax/Tmin phụ tải cao Pmax/Pmin tương ứng làm việc tháng, ta xây dựng tập hợp ví dụ huấn luyện dùng để huấn luyện kiểm tra khả dự báo mạng Một ví dụ huấn luyện cụ thể tập ví dụ huấn luyện nói xây dựng từ giá trị vào: Tmax /Tmin ngày cần dự báo; Tmax /Tmin ngày trước ngày cần dự báo; Hình Sơ đồ khối chương trình KẾT QUẢ XÂY DỰNG CHƯƠNG TRÌNH DỰ BÁO ĐỒ THỊ PHỤ TẢI NGẮN HẠN TRONG HTĐ 4.1 Dữ liệu dự báo phụ tải Các thông số phụ tải mẫu dùng để huấn luyện mạng nơron Pmax, Pmin nhiệt độ Tmax, Tmin tương ứng ngày vài tuần trước (hình 3) Tốc độ huấn luyện chọn giá trị ban đầu khoảng 0.3 đến 0.5, hệ số quan tính chọn giá trị ban đầu 0.5 Trong nghiên cứu lựa chọn số liệu phụ tải Pmax nhiệt độ Tmax làm việc tháng 6/2003 HTĐ Miền Bắc [7] làm ví dụ để học, dự báo kiểm chứng sai số Tmax /Tmin ba ngày có kiểu ngày trước đó; Pmax/Pmin ba ngày có kiểu ngày trước giá trị đầu ra, Pmax/Pmin ngày cần dự báo Số liệu đầu vào ngày khác xây dựng theo phương pháp tương tự Như có liệu nhiệt độ cao nhất/thấp ngày phụ tải cao nhất/thấp tương ứng ngày xây dựng tập ví dụ SỐ - 2014 Hình Biểu đồ sở liệu Ta chọn số liệu phụ tải Pmax nhiệt độ Tmax làm việc tháng 6/2009 làm ví dụ để học dự báo Bảng tập hợp liệu phụ tải cao điểm, phụ tải thấp 67 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) điểm, nhiệt độ cao nhiệt độ thấp ngày tháng 6/2009 khu vực miền Bắc nước ta [8] huấn luyện mạng tính tốn dự báo đồ thị phụ tải cho ngày 23/06/2009 cho hình 4, 5, Bảng Dữ liệu phụ tải nhiệt độ Thứ Ngày CN CN CN 9/6/2003 10/6/2003 11/6/2003 12/6/2003 13/6/2003 14/6/2003 15/6/2003 16/6/2003 17/6/2003 18/6/2003 19/6/2003 20/6/2003 21/6/2003 22/6/2003 23/6/2003 24/6/2003 25/6/2003 26/6/2003 27/6/2003 28/6/2003 29/6/2003 30/6/2003 Dữ liệu dự báo đỉnh Pcao Tmax, (0C) điểm (MW) 6588.5 36 6581.5 36 6454.9 35 6450.2 32 6587.1 33 6245.5 35 5896.5 34 6412.9 35 6431.4 35 6506.5 35 6547.8 35 6592.2 33 6237.3 33 5743.5 34 6396.7 33 6404.8 32 6391.6 35 6483.1 35 6284.8 35 5958.3 36 5551.3 36 6050.8 35 Dữ liệu dự báo đáy Pthấp Tmin (0C) điểm (MW) 3997.5 26 4316.5 26 4124.5 26 3837.5 25 3858.5 25 3658.5 26 3842 26 3760.5 25 3890 25 3969 26 4149.5 27 4063.5 25 3850 26 3618 26 3452 26 3829.5 25 3814 25 3956.5 26 3995.5 27 3781 27 3634 26 3289 25 Hình Giao diện form dự báo phụ tải ngày 23/06/2009 Chức form là: Lấy mẫu liệu để huấn luyện; Chọn ngày cần dự báo; Chọn số vòng hệ số lỗi huấn luyện; Dự báo đỉnh đáy phụ tải 4.2 Kết Dựa vào số liệu nhiệt độ cao nhất/thấp ngày Pmax/Pmin tương ứng ngày làm việc tháng, ta xây dựng tập hợp mẫu dùng để huấn luyện kiểm tra khả dự báo mạng Như có liệu nhiệt độ cao ngày phụ tải cao tương ứng ngày ta xây dựng tập ví dụ huấn luyện cho giai đoạn năm Kết 68 Hình Giao diện form kết huấn luyện mạng Khối hình có chức khởi tạo mạng noron nhân tạo, tiến hành trình huấn luyện mạng, đưa kết mẫu huấn luyện, điều chỉnh trọng số tập huấn luyện cho mẫu huấn luyện có sai số % sai số nhỏ Khi kết thúc huấn luyện đưa SỐ - 2014 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) kết mẫu dự báo, sai số % sai số Hình Giao diện form kết thúc huấn luyện mạng Từ kết nhận hình hình cho thấy rằng: phương pháp mạng nơron cho kết tốt so với phương pháp truyền thống Cụ thể tập số liệu sai số dự báo mang nơron 0,74%, sai số hàm đa thức bậc hàm mũ 11,5% [8] 4.3 Nhận xét Hiện có nhiều tốn dự báo phụ tải điện ứng dụng thuật toán lan truyền ngược BPA Tuy nhiên, so với phương pháp truyền thống (tức xử lý báo động hệ chuyên gia nhân viên vận hành thực hiện) phương pháp cho phép tiết kiệm thời gian nhiều, xử lý kiến thức người hệ thống chuyên gia chậm phân loại mẫu mạng nơron truyền thẳng So với hệ chuyên gia, mạng nơron có khả làm việc tốt với mẫu tín hiệu khơng đầy đủ, biến dạng gián đoạn Ngồi ra, mạng nơron trình bày báo xét đến ảnh hưởng SỐ - 2014 nhiệt độ yếu tố mùa năm (bảng 1) Chính mà mơ hình, cấu trúc mạng nơron đề xuất thể tính ưu việt độ xác Phương pháp khơng yêu cầu nhiều lượng thông tin đầu vào so với mạng nơ ron truyền thẳng cho dự báo phụ tải cơng bố [5, 9, 10], hồn tồn phù hợp với cơng tác điều độ, vận hành hệ thống điện thực Việt Nam KẾT LUẬN Việc dự báo liệu toán phức tạp, số lượng liệu cần quan tâm độ xác liệu dự báo Do vậy, việc cân nhắc để chọn mơ hình phù hợp cho việc dự báo liệu việc khó khăn (chỉ phương pháp thử - sai) Thuật toán lan truyền ngược ứng dụng dự báo thực tế chứng tỏ công cụ tốt áp dụng cho toán lĩnh vực dự báo liệu Có số liệu nhiệt độ cao Tmax phụ tải cao Pmax tương ứng làm việc tháng, ta xây dựng tập hợp ví dụ huấn luyện dùng để huấn luyện kiểm tra khả dự báo mạng Phương pháp BPA học nhanh, mạng học mối quan hệ công suất phụ tải, thời gian ngày - tuần, điều kiện nhiệt độ thông qua liệu vectơ tham số học Vì quy trình dự báo mạng nơron sử dụng thuật toán lan truyền ngược sai số hứa hẹn mang lại nhiều kết khả quan vấn đề dự báo phụ tải ngắn hạn 69 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) TÀI LIỆU THAM KHẢO [1] Đặng Ngọc Dinh, Trần Bách, Trịnh Hùng Thám; Hệ thống điện; Tập I, II Nhà xuất Đại học Trung học chuyên nghiệp, 1976 [2] Lê Minh Trung; Mạng nơron nhân tạo; Nhà xuất Thống kê, 1999 [3] Juntakan Taweekun; Load forecasting in Thailand using neural networks; Prince of Songkla University, Hatyai, Songkla, Thailand, 2005 [4] Trần Lộc Hùng; Lý thuyết xác suất thống kê toán học; Nhà xuất Giáo dục, 1998 [5] Jyh-Ming Kuo; Nonlinear Dynamic Modeling with artificial neural networks; The Degree of Doctor of Philosophy, 1993 [6] Frank Scrimgeour; Modelling and Forecasting the Demand for Electricity in New Zealand: A Comparison of Alternative Approaches; The Energy Journal, Volume 24, no.1, 2003 [7] Tập đoàn Điện lực Việt Nam (EVN); Tổng kết vận hành hệ thống điện Việt Nam; Hà Nội 2009 [8] M Becvali, M Cellura, V Lo Brano, A Marvuglia; Forecasting daily urban electric load using artificial neural networks; Energy Conversion and management; Vol.45 (2008); pp 2879-2900 [9] Mehdi Khashei; An Artificial neural networks (p, d, q) model for timeseris forecasting; Expert system with application; Vol.37 (2010), pp 479-499 Giới thiệu tác giả: Tác giả Phạm Ngọc Hùng sinh năm 1976 Hải Dương, tốt nghiệp Trường Đại học Bách Khoa Hà Nội nhận thạc sỹ kỹ thuật điện năm 2006 Tác giả giảng viên, giảng dạy Bộ môn Nhà máy điện Trạm biến áp, Khoa Hệ thống điện - Trường Đại học Điện lực Các lĩnh vực nghiên cứu chính: nhà máy điện, trình độ lượng 70 SỐ - 2014 ... sai số lớn , việc áp dụng mạng nơron nhân tạo cho dự báo phụ tải hệ thống điện (HTĐ) dựa yêu cầu: phương pháp đơn giản, có tính đến ảnh hưởng biến nhiệt độ đặc thù ngày, cho dự báo với sai số. .. CƠNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) mơ hình tốn học áp dụng cho dự báo [1] Cũng dự báo khác, dự báo phụ tải điện ngắn hạn phải dựa vào số liệu thống kê, phân tích áp dụng thuật toán để xác... form dự báo phụ tải ngày 23/06/2009 Chức form là: Lấy mẫu liệu để huấn luyện; Chọn ngày cần dự báo; Chọn số vòng hệ số lỗi huấn luyện; Dự báo đỉnh đáy phụ tải 4.2 Kết Dựa vào số liệu nhiệt