Luận văn Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền Bắc

883.7 36 1634.1 24 3 09/05/2006 3282.0 36 1861.1 23 4 10/05/2006 3226.7 35 1914.3 25 5 11/05/2006 3121.2 36 1876.1 24 6 12/05/2006 3264.2 36 1847.4 24 7 13/05/2006 2893.2 35 1776.2 24 CN 14/05/2006 2923.6 32 1533.5 22 2 15/05/2006 3146.2 34 1543.4 22 3 16/05/2006 3296.5 34 1669.9 21 4 17/05/2006 3265.0 34 1801.0 22 5 18/05/2006 3216.5 33 1780.3 21 6 19/05/2006 3195.4 35 1839.8 22 7 20/05/2006 3142.7 33 1774.6 21 CN 21/05/2006 3163.5 33 1689.8 21 75 2 22/05/2006 3242.9 34 1784.2 22 3 23/05/2006 3093.9 34 1710.5 22 4 24/05/2006 3252.0 33 1708.9 21 5 25/05/2006 3127.5 34 1683.2 23 6 26/05/2006 3281.3 34 1766.1 23 7 27/05/2006 3152.6 34 1913.0 24 CN 28/05/2006 3072.6 35 1761.6 23 2 29/05/2006 3045.9 34 1641.6 23 3 30/05/2006 3089.5 35 1734.5 24 4 31/05/2006 3227.0 35 1591.5 23 4.2.2.1. Cấu trúc mạng nơron dự báo phụ tải đỉnh. Cấu trúc của mạng bao gồm một lớp vào, một lớp ẩn và một lớp ra. Số l−ợng các nơron lớp đầu vào là cố định, phụ thuộc vào các nhân tố ảnh h−ởng đ−ợc sử dụng. Số nơron trong lớp ẩn đ−ợc xác định bằng cách huấn luyện với một số tập mẫu để kiểm tra. Riêng lớp ra chỉ có duy nhất một nơron đó chính là giá trị phụ Pmax tải cần dự báo. Mạng sẽ yêu cầu số đơn vị trong lớp ẩn vừa đủ để có thể học đ−ợc các đặc tr−ng tổng quát về mối quan hệ giữa các nhân tố đầu vào và đầu ra. Mục tiêu đặt ra là chỉ sử dụng số nơron trong lớp ẩn vừa đủ để duy trì đ−ợc mối quan hệ giữa các dữ liệu. 76 Các hàm kích hoạt của các nút ẩn và nút ra đ−ợc chọn là hàm sigmoid. Hàm này có đặc điểm là độ dốc của nó gần nh− bằng không khi đầu ra lớn. F(x) = xe−+1 1 Đạo hàm của nó: f’(x) = ( xe−+1 1 )’= 2)1( x x e e − − + = xe−+1 1 (1- xe−+1 1 )= f(x) (1-f(x)) Cấu trúc mạng dự báo phụ tải đỉnh Mạng gồm: • 8 đầu vào - Nhiệt độ Tmax của ngày cần dự báo - Nhiệt độ Tmax của ngày tr−ớc ngày cần dự báo. - Nhiệt độ Tmax của 3 ngày có cùng kiểu ngày cần dự báo. - Phụ tải Pmax của 3 ngày có cùng kiểu ngày cần dự báo. • Số nơron lớp ẩn L = 30. Hình 4.3. Cấu trúc mạng dự báo phụ tải đỉnh và đáy 77 • Một đầu ra phụ tải Pmax của ngày cần dự báo. Qua cấu trúc mạng mà ta đã đ−a ra thì mỗi mẫu cụ thể trong tập hợp mẫu đ−ợc xây dựng từ 8 giá trị đầu vào t−ơng ứng với tập dữ liệu, bao gồm nhiệt độ cao nhất trong ngày và phụ tải cao nhất trong ngày t−ơng ứng với các ngày làm việc trong tháng, ta cần phải xây dựng một tập mẫu dùng để huấn luyện và kiểm tra khả năng dự báo trong quá trình huấn luyện. Ví dụ: Ngày cần dự báo là ngày 8/05/2006. Dữ liệu đầu vào và ra của mẫu ngày này đ−ợc xây dựng nh− bảng 4.2. Bảng 4.2 Đầu vào của mạng Đầu ra Tmax (8/5) Tmax (7/5) Tmax (7/5) Tmax (6/5) Tmax (5/5) Pmax (5/5) Pmax (4/5) Pmax (3/5) Pmax (8/5) 36 37 36 35 35 3311.5 3135.2 3196.8 3201.3 T−ơng tự ta xây dựng dữ liệu đầu vào và đầu ra của các ngày khác trong tháng 5/2006 để dự báo Pmax trong bảng 4.3. Bảng 4.3 Thứ Ngày Tmax ngày dự báo Tmax ngày tr−ớc ngày dự báo Tmax ngày thứ 1 cùng kiểu ngày Tmax ngày thứ 2 cùng kiểu ngày Tmax ngày thứ 3 cùng kiểu ngày Pmax ngày thứ 1 cùng kiểu Ngày Pmax ngày thứ 2 cùng kiểu ngày Pmax ngày thứ 3 cùng kiểu ngày Giá trị ra của mạng 2 08/05/2006 36 37 36 35 35 3311.5 3135.2 3196.8 2997.9 78 3 09/05/2006 36 36 37 36 35 2883.7 3311.5 3135.2 3196.5 4 10/05/2006 35 36 36 37 36 3282.0 2883.7 3311.5 3100.2 5 11/05/2006 36 35 36 36 37 3226.7 3282.0 2883.7 3114.2 6 12/05/2006 36 36 35 36 36 3121.2 3226.7 3282.0 3180.6 7 13/05/2006 35 36 36 35 36 3076.6 3233.2 3199.1 2992.4 CN 14/05/2006 32 35 36 36 35 2893.2 3076.6 3233.2 2914.6 2 15/05/2006 34 32 35 36 36 3264.2 3121.2 3226.7 3206.9 3 16/05/2006 34 34 32 35 36 3146.2 3264.2 3121.2 3229.8 4 17/05/2006 34 34 34 32 35 3296.5 3146.2 3264.2 3169.6 5 18/05/2006 33 34 34 34 32 3265.0 3296.5 3146.2 3180.1 6 19/05/2006 35 33 34 34 34 3216.5 3265.0 3296.5 3107.4 7 20/05/2006 33 35 33 34 34 2923.6 2893.2 3076.6 3204.4 CN 21/05/2006 33 33 35 33 34 3142.7 2923.6 2893.2 3195.8 2 22/05/2006 34 33 33 35 33 3195.4 3216.5 3265.0 3196.2 3 23/05/2006 34 34 33 33 35 3242.9 3195.4 3216.5 2984.2 4 24/05/2006 33 34 34 33 33 3093.9 3242.9 3195.4 3145.1 5 25/05/2006 34 33 34 34 33 3252.0 3093.9 3242.9 3154.3 6 26/05/2006 34 34 33 34 34 3127.5 3252.0 3093.9 3241.1 7 27/05/2006 34 34 34 33 34 3163.5 3142.7 2923.6 3098.4 CN 28/05/2006 35 34 34 34 33 3152.6 3163.5 3142.7 3211.7 79 2 29/05/2006 34 35 34 34 34 3281.3 3127.5 3252.0 3098.2 3 30/05/2006 35 34 35 34 34 3045.9 3281.3 3127.5 3010.5 4 31/05/2006 35 35 34 35 34 3089.5 3045.9 3281.3 3198.4 Nh− đã đề cập ở phần tr−ớc, các dữ liệu vào nên nằm trong khoảng [0.2,0.8]. Trong khi đó phụ tải hệ thống điện Miền Bắc nằm trong khoảng 2883.7 ữ 3311.5 MW, nhiệt độ trong tháng 5/2006 nằm trong khoảng [32 - 37oC], vì vậy để chuẩn hoá dữ liệu ta có thể chia phụ tải cho 5000 và nhiệt độ cho 55 để thu đ−ợc giá trị đầu vào nằm trong khoảng 0.57 ữ 0.67. Bảng 4.4 là dữ liệu đầu vào đã đ−ợc chuẩn hoá đối với bài toán dự báo phụ tải đỉnh. Bảng 4.4 Quá trình huấn luyện mạng. Chọn 15 mẫu đầu vào để huấn luyện mạng, mỗi mẫu huấn luyện là: (XQ, PQ), XQ=[x1, x2, …..x8), PQ=P1 , đáp ứng đầu ra của mạng là Z1. Mạng đ−ợc huấn luyện bằng thuật toán lan truyền ng−ợc sai số với hàm chất l−ợng của hàm bình ph−ơng sai số SSE: 80 E=SSE= 2 1 2 1 2 )( 2 1)( kk L k k zpe −= ∑∑ = Quá trình huấn luyện mạng đ−ợc bắt đầu với hệ số trọng l−ợng ban đầu wij đ−ợc gán các giá trị ngẫu nhiên nhỏ. Các hệ số trọng l−ợng tiếp theo của mạng đ−ợc hình thành trong quá trình huấn luyện mạng theo thuật toán lan truyền ng−ợc sai số nhằm làm giảm dần sai số giữa đầu ra mong muốn Pk và đáp ứng đầu ra thực của mạng zk. B−ớc đầu chọn: hệ số học α = 0.4, hệ số quán tính β= 0.6, hệ số tăng tốc 1.1, hệ số giảm tốc 0.5, Mức tăng giảm cho phép là 4%. Quá trình huấn luyện mạng dừng nếu SSE = ε rất nhỏ, hoặc số vòng huấn luyện mạng lớn đạt đến giới hạn do ng−ời sử dụng mạng đề ra. Kết thúc quá trình huấn luyện mạng ta thu đ−ợc bộ trọng số mới, gọi là bộ trọng số sau khi huấn luyện. Mạng nơron với cấu trúc và bộ trọng số sau khi huấn luyện sẽ đ−ợc dùng làm ph−ơng tiện cho việc dự báo phụ tải. ở một mạng nơron có cấu trúc bền vững nghĩa là lớp vào, lớp ẩn, lớp ra, hệ số học, hệ số quán tính không bị thay đổi về mặt cấu trúc cũng nh− tham số thì quá trình truyền đạt của mạng đ−ợc xác định chắc chắn. Khi ở đầu vào của mạng nơron xuất hiện thông tin thì đầu ra xuất hiện một đáp ứng t−ơng ứng. Hình 4.4 là ví dụ về kết quả của quá trình huấn luyện mạng với bộ dữ liệu tháng 5/2006, quá trình huấn luyện dừng khi SSE = 10-4 81 Hình 4.4. kết quả của quá trình huấn luyện mạng tháng 5/2006 Quá trình dự báo: Khi mạng đã đ−ợc huấn luyện xong, ta có thể sử dụng nó để dự báo phụ tải. Quá trình làm việc của mạng nơron là quá trình tự tái diễn lại, vì vậy khi đ−a các giá trị đầu vào của mẫu vào với bộ trọng số sau khi huấn luyện sẽ cho đáp ứng đầu ra t−ơng ứng với đầu vào theo sự nhận thức của mạng đ−ợc hình thành trong quá trình huấn luyện. Dữ liệu vào của mạng đã đ−ợc chuẩn hoá theo nguyên tắc đã nêu ở mục tr−ớc, do đó ở đầu ra của mạng ta cũng thu đ−ợc các giá trị chuẩn hoá t−ơng ứng. Để khôi phục các giá trị này ta thực hiện quá trình ng−ợc lại quá trình chuẩn hoá ban đầu. Tất cả quá trình này đã đ−ợc tự động xử lý trong phần mềm. Kết quả đầu ra thu đ−ợc là giá trị phụ tải cao điểm của ngày cần dự báo. Khi tìm đ−ợc giá trị dự báo zk của mạng t−ơng ứng với mẫu (Xs, Ds) ta có thể xác định đ−ợc khả năng dự báo của mạng cũng nh− sai số phụ tải trong quá trình dự báo bằng ph−ơng pháp sử dụng mạng nơron nhiều lớp lan truyền ng−ợc sai số với cấu trúc đã cho và bộ trọng số sau huấn luyện. Trong tr−ờng hợp dự báo với sai số quá lớn khi đó ta cần phải huấn luyện lại mạng để thu 82 đ−ợc bộ trọng số huấn luyện mới nhằm dự báo phụ tải của những ngày tiếp theo. 4.2.2.3. Cấu trúc mạng nơron dự báo phụ tải đáy Bài toán dự báo phụ tải đáy cũng đ−ợc thiết kế và xây dựng t−ơng tự bài toán dự báo phụ tải đỉnh. Chỉ có một điểm khác quan trọng là dữ liệu đầu vào của mạng là nhiệt độ thấp nhất Tmin và phụ tải thấp nhất Pmin. Cấu trúc của mạng nơron dự báo phụ tải đáy. Mạng gồm có: • 8 đầu vào. - Nhiệt độ Tmin của ngày cần dự báo - Nhiệt độ Tmin của ngày tr−ớc ngày cần dự báo. - Nhiệt độ Tmin của 3 ngày có cùng kiểu ngày cần dự báo. - Phụ tải Pmin của 3 ngày có cùng kiểu ngày cần dự báo. • Số nơron lớp ẩn L = 30 • Một đầu ra phụ tải Pmin của ngày cần dự báo Trong quá trình nghiên cứu và xây dựng mạng nơron dự báo phụ tải đáy, các dữ liệu phụ tải Pmin và Tmin trong ngày của các ngày làm việc tháng 5/2006 trên bảng 4.1 đ−ợc dùng làm mẫu để học và dự báo. Từ các số hiện trên ta xây dựng tập mẫu dùng để huấn luyện và kiểm tra khả năng dự báo của mạng nơron đã qua huấn luyện. Một mẫu cụ thể trong tập hợp mẫu đ−ợc xây dựng từ tám đầu vào đã nêu ở trên. Bảng 4.5 là tập hợp các dữ liệu mẫu tháng 05/2006 để dự báo phụ tải Pmin, các mẫu này sẽ đ−ợc dùng để huấn luyện và thử nghiệm mạng nơron với bộ trọng số sau huấn luyện. 83 Bảng 4.5 Thứ Ngày Tmin ngày dự báo Tmin ngày tr−ớc ngày dự báo Tmin ngày thứ 1 cùng kiểu ngày Tmin ngày thứ 2 cùng kiểu ngày Tmin ngày thứ 3 cùng kiểu ngày Pmin ngày thứ 1 cùng kiểu ngày Pmin ngày thứ 2 cùng kiểu ngày Pmin ngày thứ 3 cùng kiểu ngày Giá trị ra của mạng 2 08/05/2006 24 25 25 24 23 1767.9 1768.5 1682.3 1663.3 3 09/05/2006 23 24 25 25 24 1634.1 1767.9 1768.5 1803.5 4 10/05/2006 25 23 24 25 25 1861.1 1634.1 1767.9 1912.6 5 11/05/2006 24 25 23 24 25 1914.3 1861.1 1634.1 1860.6 6 12/05/2006 24 24 25 23 24 1876.1 1914.3 1861.1 1817.8 7 13/05/2006 24 24 24 25 23 1898.5 1814.9 1680.4 1735.1 CN 14/05/2006 22 24 24 24 25 1776.2 1898.5 1814.9 1519.7 2 15/05/2006 22 22 24 24 24 1847.4 1876.1 1914.3 1533.4 3 16/05/2006 21 22 22 24 24 1543.4 1847.4 1876.1 1629.2 4 17/05/2006 22 21 22 22 24 1669.9 1543.4 1847.4 1772.7 5 18/05/2006 21 22 21 22 22 1801.0 1669.9 1543.4 1725.6 6 19/05/2006 22 21 22 21 22 1780.3 1801.0 1669.9 1829.7 7 20/05/2006 21 22 21 22 21 1533.5 1776.2 1776.2 1766.7 CN 21/05/2006 21 21 22 21 22 1774.6 1533.5 1776.2 1650.8 84 2 22/05/2006 22 21 21 22 21 1839.8 1780.3 1801.0 1746.1 3 23/05/2006 22 22 21 21 22 1784.2 1839.8 1780.3 1755.2 4 24/05/2006 21 22 22 21 21 1710.5 1784.2 1839.8 1746.3 5 25/05/2006 23 21 22 22 21 1708.9 1710.5 1784.2 1658.9 6 26/05/2006 23 23 21 22 22 1683.2 1708.9 1710.5 1630.2 7 27/05/2006 24 23 23 21 22 1689.8 1774.6 1533.5 1864.1 CN 28/05/2006 23 24 23 23 21 1913.0 1689.8 1774.6 1730.8 2 29/05/2006 23 23 24 23 23 1766.1 1683.2 1708.9 1712.7 3 30/05/2006 24 23 23 24 23 1641.6 1766.1 1683.2 1720.6 4 31/05/2006 23 24 23 23 24 1734.5 1641.6 1766.1 1562.1 Trong quá trình đặt các thông số ban đầu tr−ớc khi chạy mạng. Các dữ liệu trong bảng 4.5 với phụ tải nằm trong khoảng 1533.4 ữ 1914.3 và nhiệt độ nằm trong khoảng 21 ữ 25 vì vậy cũng đ−ợc chuẩn hoá dữ liệu bằng cách lấy các giá trị Pmin chia cho 3000 và lấy các giá trị tmin chia cho 40 để cho các giá trị dữ liệu đầu vào trong khoảng [0.2;0.8]. Bảng 4.6 là dữ liệu đầu vào và đầu ra của mạng đã đ−ợc chuẩn hoá. 85 Bảng 4.6 Việc huấn luyện mạng, cập nhật trọng số, thử nghiệm mạng với cấu trúc đã chọn và bộ trọng số sau huấn luyện hoàn toàn t−ơng tự quá trình cập nhật trọng số, thử nghiệm mạng của quá trình huấn luyện trong phần dự báo phụ tải đỉnh. Sau đây là kết quả của quá trình chạy mạng nơron trong dự báo phụ tải đáy của các ngày làm việc bình th−ờng tháng 5/2006, trong ví dụ này ta chọn số mẫu dùng để huấn luyện mạng = 15 nh−ng độ chính xác của các giá trị dự báo rất cao, trung bình từ cỡ 0.04% đến 4.4% 4.2.3 Dự báo phụ tải cho 24 giờ trong ngày. Phần tr−ớc ta đã dự báo đ−ợc phụ tải đỉnh và phụ tải đáy của các ngày trong tháng 5/2006. Để dự báo đ−ợc phụ tải từng giờ P(i) của ngày cần dự báo, ta chỉ cần tìm ra ĐTPT - véctơ ĐTPT Pn(i) với i=1ữ24 của ngày đó. Trong phần này ta sẽ dự báo phụ tải cho 24h của các ngày từ 9/5/2006 (thứ 2) đến ngày 14/5/2006 (ngày chủ nhật). B−ớc đầu tiên ta cần nhận dạng ngày dự báo, giả sử ta dự báo phụ tải 24 giờ ngày 9/5/2006, đây là ngày làm việc bình th−ờng vì vậy ta lấy dạng ĐTPT của các ngày làm việc bình th−ờng tr−ớc đó làm mẫu để dự báo. Để thu đ−ợc véctơ ĐTPT giờ Pn(i) của ngày cần 86 dự báo, ta thu thập ĐTPT giờ của khoảng 5 ngày làm việc bình th−ờng tr−ớc đó, tính trung bình của chúng sau đó chuẩn hoá. Có véctơ ĐTPT của ngày 9/5/2006, dựa vào kết quả dự báo phụ tải đỉnh và đáy của ngày ta dự báo phụ tải 24 giờ trong ngày. Bảng 4.7: Kết quả tính toán các giá trị Pn(i) Dữ liệu thống kê P(MW) các ngày trong tháng 5 Giờ 2/5 3/5 4/5 5/5 8/5 Ptb Pn(i) (9/5) 1 1,465.57 1,764.90 1,882.70 1,876.10 1,715.30 1740.91 0.0502 2 1,440.98 1,728.90 1,828.90 1,847.20 1,756.60 1720.52 0.0361 3 1,411.75 1,717.80 1,810.30 1,767.90 1,634.10 1668.37 0.0000 4 1,419.87 1,682.30 1,768.50 1,798.90 1,672.60 1668.43 0.0000 5 1,588.93 1,753.40 1,928.50 1,979.30 1,747.60 1799.55 0.0908 6 1,859.67 1,927.50 2,083.50 2,181.40 1,869.50 1984.31 0.2186 7 1,829.80 2,116.20 2,104.36 2,182.30 1,943.10 2035.15 0.2538 8 2,013.50 2,363.90 2,378.40 2,470.20 2,170.70 2279.34 0.4228 9 2,198.30 2,600.70 2,632.23 2,674.90 2,387.00 2498.63 0.5746 10 2,594.40 2,982.50 3,011.60 3,064.30 2,709.60 2872.48 0.8333 11 2,731.40 3,135.30 3,135.24 3,266.00 2,811.00 3015.79 0.9325 12 2,179.20 2,600.80 2,578.07 2,660.80 2,352.20 2474.21 0.5577 87 13 1,974.80 2,454.00 2,450.40 2,525.60 2,273.70 2335.70 0.4618 14 2,129.00 2,587.70 2,552.51 2,630.97 2,296.30 2439.30 0.5335 15 2,227.27 2,638.90 2,641.37 2,666.20 2,276.60 2490.07 0.5687 16 2,308.70 2,645.10 2,665.40 2,719.00 2,340.50 2535.74 0.6003 17 2,652.20 2,849.90 2,902.51 2,874.20 2,630.20 2781.80 0.7705 18 2,919.43 3,011.50 2,974.30 3,074.90 2,824.10 2960.85 0.8944 19 3,121.33 3,196.80 3,053.50 3,311.50 2,883.70 3113.37 1.0000 20 2,867.25 3,003.80 2,856.10 3,038.30 2,695.50 2892.19 0.8469 21 2,545.00 2,747.20 2,616.90 2,823.20 2,499.05 2646.27 0.6767 22 2,281.30 2,495.20 2,418.40 2,568.60 2,257.81 2404.26 0.5093 23 2,081.91 2,295.90 2,266.28 2,499.20 2,131.00 2254.86 0.4059 24 1,849.20 2,015.80 2,001.00 2,161.16 1,849.70 1975.37 0.2125 T−ơng tự, ta xác định đ−ợc véctơ ĐTPT Pn(i) cho các ngày dự báo khác. Kết quả tính toán các giá trị Pn(i) của các ngày từ ngày 9/5 đến 14/5 đ−ợc đ−a ra trong bảng 4.8 Bảng 4.8 Giá trị phụ tải chuẩn hoá theo giờ Pn(i) Giờ Pn(i) Pn(i) Pn(i) Pn(i) Pn(i) Pn(i) 88 9/5 10/5 11/5 12/5 13/5 14/5 1 0.0502 0.0597 0.0632 0.0663 0.0740 0.0686 2 0.0361 0.0417 0.0378 0.0430 0.0288 0.0310 3 0.0000 0.0000 0.0000 0.0000 0.0219 0.0208 4 0.0000 0.0028 0.0041 0.0098 0.0000 0.0000 5 0.0908 0.0945 0.1030 0.1133 0.0878 0.0906 6 0.2186 0.2077 0.2041 0.1962 0.1967 0.1916 7 0.2538 0.2567 0.2364 0.2334 0.2415 0.2372 8 0.4228 0.4518 0.4424 0.4481 0.3823 0.3869 9 0.5746 0.6209 0.6116 0.6046 0.5246 0.5372 10 0.8333 0.8949 0.8996 0.8974 0.8127 0.8213 11 0.9325 1.0000 1.0000 0.9942 0.8433 0.8647 12 0.5577 0.6137 0.6145 0.6071 0.4860 0.5097 13 0.4618 0.5103 0.5168 0.5092 0.4116 0.4143 14 0.5335 0.5897 0.5916 0.5829 0.4538 0.4759 15 0.5687 0.6120 0.5966 0.5830 0.4980 0.5183 16 0.6003 0.6386 0.6246 0.6139 0.5762 0.5716 17 0.7705 0.7912 0.7928 0.7995 0.7624 0.7343 18 0.8944 0.8884 0.8776 0.8913 0.9240 0.9095 89 19 1.0000 0.9873 0.9801 1.0000 1.0000 1.0000 20 0.8469 0.8405 0.8341 0.8558 0.8025 0.8094 21 0.6767 0.6702 0.6665 0.6782 0.6074 0.6256 22 0.5093 0.5115 0.5088 0.5124 0.4309 0.4535 23 0.4059 0.4051 0.4068 0.4050 0.3346 0.3535 24 0.2125 0.1905 0.1786 0.1696 0.1362 0.1614 Bảng 4.9 Kết quả dự báo phụ tải đỉnh các ngày từ 8/5 đến 31/5 Ngày Đỉnh thực tế (MW) Đỉnh dự báo (MW) Sai số tuyệt đối (MW) Sai số % 08/05/2006 2883.7 2997.9 -114.2 3.96 09/05/2006 3282.0 3196.5 85.5 2.60 10/05/2006 3226.7 3100.2 126.5 3.92 11/05/2006 3121.2 3114.2 7 0.22 12/05/2006 3264.2 3180.6 83.6 2.56 13/05/2006 2893.2 2992.4 -99.2 3.42 14/05/2006 2923.6 2914.6 9 0.31 15/05/2006 3146.2 3206.9 -60.7 1.92 16/05/2006 3296.5 3229.8 66.7 2.02 17/05/2006 3265.0 3169.6 95.4 2.92 18/05/2006 3216.5 3180.1 36.4 1.13 19/05/2006 3195.4 3107.4 88 2.75 90 20/05/2006 3142.7 3204.4 -61.7 1.96 21/05/2006 3163.5 3195.8 -32.3 1.02 22/05/2006 3242.9 3196.2 46.7 1.44 23/05/2006 3093.9 2984.2 109.7 3.54 24/05/2006 3252.0 3145.1 106.9 3.28 25/05/2006 3127.5 3154.3 -26.8 0.85 26/05/2006 3281.3 3241.1 40.2 1.22 27/05/2006 3152.6 3098.4 54.2 1.72 28/05/2006 3072.6 3211.7 -139.1 4.53 29/05/2006 3045.9 3098.2 -52.3 1.72 30/05/2006 3089.5 3010.5 79 2.55 31/05/2006 3227.0 3198.4 28.6 0.89 Bảng 4.10: Kết quả dự báo phụ tải đáy các ngày từ 8/5 đến 31/5 Ngày Đáy thực tế (MW) Đáy dự báo (MW) Sai số tuyệt đối (MW) Sai số % 08/05/2006 1634.1 1663.3 -29.2 1.79 09/05/2006 1861.1 1803.5 57.6 3.09 10/05/2006 1914.3 1912.6 1.7 0.09 11/05/2006 1876.1 1860.6 15.5 0.83 12/05/2006 1847.4 1817.8 29.6 1.60 91 13/05/2006 1776.2 1735.1 41.1 2.31 14/05/2006 1533.5 1519.7 13.8 0.90 15/05/2006 1543.4 1533.4 10 0.65 16/05/2006 1669.9 1629.2 40.7 2.44 17/05/2006 1801.0 1772.7 28.3 1.57 18/05/2006 1780.3 1725.6 54.7 3.07 19/05/2006 1839.8 1829.7 10.1 0.55 20/05/2006 1774.6 1766.7 7.9 0.45 21/05/2006 1689.8 1650.8 39 2.31 22/05/2006 1784.2 1746.1 38.1 2.14 23/05/2006 1710.5 1755.2 -44.7 2.61 24/05/2006 1708.9 1746.3 -37.4 2.19 25/05/2006 1683.2 1658.9 24.3 1.44 26/05/2006 1766.1 1680.2 85.9 4.86 27/05/2006 1913.0 1864.1 48.9 2.56 28/05/2006 1761.6 1730.8 30.8 1.75 29/05/2006 1641.6 1712.7 -71.1 4.33 30/05/2006 1734.5 1720.6 13.9 0.80 92 31/05/2006 1591.5 1562.1 29.4 1.85 Từ bảng 4.8, bảng 4.9, bảng 4.10 ta đã xác định đ−ợc Pn(i), xác định đ−ợc Pmax, Pmin của ĐTPT ngày. Ta tính đ−ợc phụ tải từng giờ trong ngày theo công thức. P(i) = Pmin + (Pmax – Pmin)Pn(i) D−ới đây là kết quả dự báo phụ tải giờ và đồ thị phụ tải dự báo của một số ngày điển hình 10/5, 13/5, 14/5 năm 2006 Bảng 4.11 Kết quả dự báo phụ tải ngày 10/05/2006 Giờ P thực tế (MW) P dự báo (MW) Sai số tuyệt đối (MW) Sai số % 1 2003.0 1983.5 19.48 0.97 2 1920.9 1962.1 -41.20 2.14 3 1941.6 1912.6 29.00 1.49 4 1914.3 1915.9 -1.64 0.09 5 2020.2 2024.8 -4.62 0.23 6 2096.9 2159.2 -62.32 2.97 7 2166.4 2217.4 -51.03 2.36 8 2458.0 2449.1 8.87 0.36 9 2670.1 2650.0 20.06 0.75 10 3105.4 2975.4 129.97 4.19 11 3211.6 3100.2 111.40 3.47 12 2739.0 2641.5 97.60 3.56 93 13 2646.1 2518.6 127.48 4.82 14 2737.5 2612.9 124.62 4.55 15 2669.6 2639.4 30.24 1.13 16 2681.4 2671.0 10.45 0.39 17 2968.0 2852.2 115.80 3.90 18 3032.4 2967.6 64.79 2.14 19 3226.7 3085.2 141.53 4.39 20 3061.1 2910.8 150.34 4.91 21 2847.6 2708.5 139.09 4.88 22 2625.7 2520.0 105.70 4.03 23 2471.2 2393.7 77.53 3.14 24 2132.3 2138.8 -6.51 0.31 Đồ thị phụ tải 0 500 1000 1500 2000 2500 3000 3500 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ C ôn g su ất Hình 4.5 Đồ thị phụ tải dự báo và phụ tải thực tế ngày 10/5/2006. Thực tế Dự bỏo 94 Bảng 4.12 Kết quả dự báo phụ tải ngày 13/05/2006 Giờ P thực tế (MW) P dự báo (MW) Sai số tuyệt đối (MW) Sai số % 1 1867.8 1828.2 39.60 2.12 2 1829.1 1771.3 57.80 3.16 3 1801.9 1762.7 39.20 2.18 4 1776.2 1735.1 41.10 2.31 5 1945.9 1845.5 100.40 5.16 6 2052.7 1982.4 70.30 3.42 7 2055.8 2038.7 17.10 0.83 8 2259.6 2215.8 43.80 1.94 9 2415.3 2394.7 20.60 0.85 10 2762.9 2756.9 6.00 0.22 11 2815.1 2795.4 19.70 0.70 12 2152.3 2246.1 -93.80 4.36 13 1988.2 2052.6 -64.40 3.24 14 2089.9 2105.6 -15.70 0.75 15 2143.2 2161.2 -18.00 0.84 16 2229.8 2259.5 -29.70 1.33 17 2557.4 2693.7 -136.30 5.33 95 18 2853.3 2896.9 -43.60 1.53 19 2893.2 2992.4 -99.20 3.43 20 2597.5 2744.1 -146.60 5.64 21 2325.8 2398.7 -72.90 3.13 22 2062.8 2076.9 -14.10 0.68 23 1901.4 1955.8 -54.39 2.86 24 1792.2 1876.3 -94.10 5.25 Bảng 4.16 Kết quả dự báo phụ tải ngày 14/05/2006 Giờ P thực tế (MW) P dự báo (MW) Sai số tuyệt đối (MW) Sai số % 1 1577.0 1572.6 4.40 0.28 Đồ thị phụ tải 0 500 1000 1500 2000 2500 3000 3500 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ C ôn g su ất Hình 4.6 Đồ thị phụ tải dự báo và phụ tải thực tế ngày 13/5/2006 Thực tế Dự bỏo 96 2 1578.3 1573.4 4.86 0.31 3 1533.5 1534.4 -0.91 0.06 4 1552.5 1519.7 32.80 2.11 5 1617.7 1627.5 -9.76 0.60 6 1796.3 1862.3 -66.05 3.68 7 1800.1 1905.8 -105.71 5.87 8 1925.2 2021.5 -96.30 5.01 9 2059.1 2100.4 -91.28 4.43 10 2351.8 2427.7 -75.86 3.23 11 2402.8 2455.9 -53.10 2.21 12 1877.5 1986.6 -109.10 5.81 13 1722.1 1808.8 -86.67 5.03 14 1818.7 1898.6 -79.86 4.40 15 1919.4 2010.2 -90.82 4.73 16 2072.7 2130.6 -57.95 2.80 17 2454.4 2597.9 -143.50 5.85 18 2766.9 2832.7 -65.83 2.38 19 2923.6 2914.6 9.00 0.31 20 2674.4 2665.5 8.94 0.33 97 21 2348.8 2382.1 -33.33 1.42 22 2012.4 2088.3 -75.91 3.77 23 1853.0 1926.0 -73.00 3.94 24 1661.2 1683.8 -22.62 1.36 Qua các ĐTPT báo và phụ tải thực tế từ ngày 9/5 đến ngày 14/5 năm 2006 ta thấy các ĐTPT dự báo rất gần với ĐTPT thực tế. Sai số dự báo do các nguyên nhân sau: • Mạng bị ảnh h−ởng rất nhiều từ trạng thái khởi đầu của các tham số học: - Lựa chọn cấu trúc mạng: bao gồm số nơron lớp vào, lớp ẩn, lớp ra và các hàm truyền f(.) - Chọn các giá trị của hệ số học và hệ số quán tính . Đồ thị phụ tải 0 500 1000 1500 2000 2500 3000 3500 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ C ôn g su ất Hình 4.7 Đồ thị phụ tải dự báo và phụ tải thực tế ngày 14/5/2006 Thực tế Dự bỏo 98 - Hệ số trọng l−ợng ban đầu cho mạng, số vòng lặp trong quá trình huấn luyện. • Sai số do dữ liệu đầu vào. - Sai số do phụ tải đầu vào: Hiện nay thông số phụ tải HTĐ miền Bắc vẫn lấy bằng tay do vậy việc ghi thông số không chính xác, sai lệch thời gian hoặc lấy thông số trong thời điểm xảy ra sự cố. Mặc dù hiện nay hệ thống SCADA/EMS đã đ−a vào vận hành cho HTĐ miền Bắc, nh−ng do hệ thống này chỉ thu thập dữ liệu một số trạm điện quan trọng vì vậy các yếu tố trên sẽ đ−ợc cải thiện khi hệt thống SCADA/EMS đ−ợc áp dụng cho toàn bộ các trạm điện trên toàn miền Bắc. - Sai số do nhiệt độ: Do hệ thống đo l−ờng nhiệt độ môi tr−ờng không chính xác. • Sai số do thuật toán: - Quá trình huấn luyện mạng dừng lại sau khi kiểm tra E < E0 hoặc kết thúc khi giá trị vòng lặp đạt tới giá trị giới hạn đã định tr−ớc, do quá trình huấn luyện rất lâu, số l−ợng phép toán lớn dẫn đến sai số trong quá trình tính toán. - Phụ tải Pmax, Pmin không chỉ phụ thuộc vào nhiệt độ Tmax, Tmin trong ngày mà còn chịu ảnh h−ởng của các yếu tố khác về thời tiết nh− m−a, gió, độ ẩm… Các mẫu phụ tải Pmax, Pmin và nhiệt độ Tmax, Tmin trong quá khứ có thể không đúng với quan hệ giữa phụ tải và nhiệt độ hiện tại. Để tránh sai số cần phải cập nhật phụ tải và nhiệt độ các ngày gần nhất để huấn luyện mạng, trong quá trình dự báo phụ tải cần quan sát các dữ liệu đầu vào và đầu ra để huấn luyện lại mạng. 99 CHƯƠNG V Hệ thống phần mềm dự báo phụ tải ngắn hạn cho hệ thống điện miền bắc Căn cứ vào sơ đồ trình tự các b−ớc của thuật toán tạo lập mạng nơron nhiều lớp lan truyền ng−ợc sai số đ−ợc giới thiệu phần tr−ớc, ta xây dựng phần mềm dự báo phụ tải đỉnh và đáy của hệ thống điện Miền Bắc. Phần cơ sở dữ liệu đ−ợc thiết kế trên hệ quản trị CSDL SQL Server và dữ liệu do ng−ời dùng nhập vào bằng một phần mềm đã có sẵn (Phần mềm phục vụ báo cáo sản xuất, do phòng tin học của Trung tâm tâm Điều độ HTĐ miền Bắc thiết kế và xây dựng). Hệ thống ch−ơng trình bao gồm hai phần. Phần thứ nhất đ−ợc viết trên ngôn ngữ lập trình VBA đ−ợc tích hợp trong phần mềm Excel dùng để truy vấn cơ sở dữ liệu từ SQL Server và chuẩn hoá dữ liệu. Phần thứ hai đ−ợc viết trên Matlab để huấn luyện mạng và đ−a ra kết quả dự báo. 5.1. Giới thiệu về cơ sở dữ liệu. Xuất phát từ sơ đồ thực thể liên kết, thông qua một số tool của SQL Server, ta có thể kiểm tra đ−ợc tất cả các bảng dữ liệu bắt nguồn từ các thực thể, mỗi cột bắt nguồn từ các thuộc tính, primary key từ UIK, foreign key từ quan hệ liên kết (Relationship). Tất cả các định nghĩa của thuộc tính nh− độ dài, kiểu dữ liệu…đều đã đ−ợc định nghĩa từ tr−ớc. Tuy nhiên do xuất phát Truy vấn số liệu Phân loại số liệu SQL S Chuẩn hoá Huấn luyện mạng Dự báo *.txt *.xls *.xls *.xls Hình 5.1. Sơ đồ quan hệ giữa các module 100 của bài toán dự báo phụ tải ngắn hạn nên ta chỉ quan tâm đến một số bảng dữ liệu trong toàn bộ hệ thống cơ sở dữ liệu đã đ−ợc thiết kế từ tr−ớc với cấu trúc bảng nh− sau: Bảng thông tin về phụ tải và nhiệt độ của các điện lực. Tên cột Kiểu Len PK FK Null Mô tả Ngay Date 8 x Ngày Gio 2 x Giờ ND 2 X Nhệt độ B1 Float 4 X Hà Nội B2 Float 4 X Hải phòng … … … … … … … B29 Float 4 X Lai Châu Trong đó: PK : primary key (Khoá chính) FK : foreign key (khoá liên kết) Len: Độ dài dữ liệu 5.2. Đặc tả các chức năng 5.2.1. Truy vấn dữ liệu Module truy vấn dữ liệu dùng để truy vấn số liệu từ cơ sở dữ liệu SQL Server, số liệu đầu ra bao gồm phụ tải và nhiệt độ của tập mẫu, số liệu này chính là số liệu đầu vào để huấn luyện mạng. Số liệu sau khi truy vấn đ−ợc l−u vào một file có đuôi mở rộng .xls. 101 5.2.2. Phân loại dữ liệu Module này thực hiện phân loại số liệu đã thu thập đ−ợc từ module truy vấn dữ liệu theo từng nhóm dữ liệu khác nhau. Dữ liệu đã phân loại sẽ đ−ợc l−u vào một file excel. 5.2.3 Chuẩn hoá dữ liệu Module chuẩn hoá dữ liệu thực hiện việc chuẩn hoá số liệu đã đ−ợc phân loại ở module phân loại dữ liệu theo công thức đã định nghĩa ở ch−ơng 2, theo nguyên tắc các giá trị đầu vào cho mạng nơ ron phải nằm trong khoảng [- 1,1] và đ−ợc l−u vào file excel. Số liệu sau khi đ−ợc chuẩn hoá sẽ là số liệu đầu vào cho module huấn luyện mạng 5.2.4 Huấn luyện mạng Module này thực hiện việc huấn luyện mạng với bộ trọng số lấy ngẫu nhiên trong khoảng [-1,1]. Trong quá trình học, mạng sẽ điều chỉnh các tham số sao cho tổng bình ph−ơng lỗi là nhỏ nhất (Quá trình huấn luyện mạng dừng nếu SSE = ε rất nhỏ hoặc khi số vòng lặp qua lớn). Kết thúc quá trình huấn luyện mạng ta thu đ−ợc bộ trọng số mới, gọi là bộ trọng số sau khi huấn luyện, bộ trọng số này đ−ợc l−u trữ d−ới dạng file text. Bộ trọng số sau khi huấn luyện sẽ đ−ợc dùng làm ph−ơng tiện cho việc dự báo phụ tải. 5.2.5 Dự báo phụ tải Module dự báo phụ tải thực hiện khi mạng đã đ−ợc huấn luyện xong. Quá trình làm việc của mạng nơron là quá trình tự tái diễn lại, vì vậy khi đ−a các giá trị đầu vào của mẫu vào với bộ trọng số sau khi huấn luyện sẽ cho đáp ứng đầu ra t−ơng ứng với đầu vào theo sự nhận thức của mạng đ−ợc hình thành trong quá trình huấn luyện. Đáp ứng đầu ra chính là kết quả dự báo của mạng. 102 5.3 H−ớng dẫn sử dụng Trên màn hình Desktop chọn file dubaophutai.xls, ch−ơng trình sẽ chạy lên màn hình (hình 5.2) mà tại đây ng−ời sử dụng có thể thực hiện và theo dõi các chức năng của ch−ơng trình. 5.3.1 Truy vấn dữ liệu Trên hình 5.2 ta bấm chuột vào chức năng truy vấn dữ liệu, khi đó ch−ơng trình xuất hiện hình 5.3, lựa chọn thời gian bắt đầu và thời gian kết thúc để thực hiện truy vấn dữ liệu . Khi truy vấn xong dữ liệu ng−ời sử dụng phải l−u dữ liệu d−ới dạng file excel, tên file do ng−ời dùng đặt. Hình 5.2. Giao diện chính của ch−ơng trình Hình 5.3. Giao diện truy vấn dữ liệu 103 5.3.2 Phân loại dữ liệu Trên màn hình Desktop nháy đúp vào biểu t−ợng MATLAB R12 chạy lên màn hình (hình 5.4). Trên cửa sổ lệnh của hình 5.4 nhập lệnh dubaophutai, ch−ơng trình sẽ chạy ra menu các chức năng (hình 5.5). Trên hình 5.5 ta chọn chức năng “phan loai so lieu”, sau đó phần mềm sẽ yêu cầu ng−ời sử dụng nhập tên file dữ liệu, ta nhập tên file số liệu cần phân loại, phần mềm sẽ tự động phân loại dữ liệu và l−u vào file. 5.3.3 Chuẩn hoá dữ liệu Trên hình 5.2 ta bấm chuột vào chức năng chuẩn hoá dữ liệu, sau đó chọn file excel chứa dữ liệu đã đ−ợc phân loại, phần mềm sẽ tự động chuẩn Hình 5.4. Giao diện phần mềm matlab Hình 5.5. Giao diện menu ch−ơng trình 104 hoá dữ liệu và l−u số liệu vào file excel trong th− mục mặc định C:\matlabR12\work. 5.3.4 Huấn luyện mạng Trên menu hình 5.5 chọn chức năng “huan luyen mang”,sau đó chọn file dữ liệu đã đ−ợc phân loại. Thời gian huấn luyện mạng tuỳ thuộc vào dữ liệu đầu vào lớn hay bé, nếu chạy bộ số liệu của hệ thống điện miền Bắc thì thời gian huấn luyện khoảng 7 phút. 5.3.5 Dự báo Trên menu hình 5.5 chọn chức năng “Du bao”. sau đó chọn file text đã l−u lại bộ trọng số sau khi huấn luyện, chọn file l−u mẫu số liệu đầu vào của ngày cần dự báo. Phần mềm sẽ đ−a ra kết quả dự báo, so sánh và vẽ đồ thị dữ liệu dự báo đ−ợc và dữ liệu đầu vào. Hình 5.6 và hình 5.7 là kết quả và đồ thị phụ tải đỉnh đã đ−ợc dự báo (từ ngày 08/05/2006 đến ngày 21/05/2006). Trên đồ thị hình 5.7 điểm 1 đến điểm 14 t−ơng ứng với ngày 08/05/2006 đến ngày 21/05/2006. Hình 5.5. Kết quả dự báo phụ tải đỉnh 105 Hình 5.5. Đồ thị phụ tải thực tế và dự báo 106 CHƯƠNG vI so sánh với một số kết quả đ∙ có và Đánh giá kết quả 6.1. So sánh với một số ph−ơng pháp đã có. - Ph−ơng pháp hồi quy tuyến tính (linear regression), ph−ơng pháp san bằng hàm số mũ (exponential smoothing), ph−ơng pháp san trung bình (moving averages), ph−ơng pháp hệ số ngẫu nhiên (stochatic) là những ph−ơng pháp đ−ợc đề xuất sớm nhất. Tuy nhiên các ph−ơng pháp này đều có một yêu cầu chung là phải xây dựng đ−ợc hàm hồi quy trên tập dữ liệu thống kê quá khứ. Các dữ liệu này có thể có các mối t−ơng quan nhiều chiều và có tác động tới kết quả dự báo khác nhau tuỳ thuộc vào mối t−ơng quan của chúng. Vậy nên việc giải các bài toán dự báo là rất khó khăn. Trong nhiều h−ớng nghiên cứu trong giai đoạn tới nhằm triển khai các hệ thống thông minh, mạng nơron là lựa chọn khá phổ biến, là cơ sở cho các giải pháp nhận dạng, dự báo…Mạng nơron nhân tạo là kỹ thuật xử lý thông tin mới mẽ đầy hứa hẹn trong việc ứng dụng vào bài toán dự báo. Kết hợp chặt chẽ với logic mờ, mạng nơron nhân tạo có thể giải quyết các bài toán phức tạp hiệu quả hơn. - So với các ph−ơng pháp dự báo truyền thống tr−ớc đây chủ yếu tập trung vào các bài toán tuyến tính, ph−ơng pháp sử dụng mạng nơron có thể học để xấp xỉ các bài toán mà quan hệ vào – ra là phi tuyến nhiều đầu vào và nhiều đầu ra với độ chính xác dự báo cao, phù hợp với dữ liệu đầu vào của phụ tải hệ thống điện. - Trong ph−ơng pháp mạng nơron, ta có thể thử nghiệm nhiều lần để điều chỉnh cấu trúc mạng, điều chỉnh các tham số học sao cho phù hợp để có đ−ợc kết quả dự báo tốt nhất. Trong khi các ph−ơng pháp cũ các công thức và tham 107 số đã đ−ợc xác định từ tr−ớc, không thể thay đổi đ−ợc, các kết quả dự báo trên các ph−ơng pháp cũ cũng là duy nhất. - Sử dụng ph−ơng pháp mạng nơron, ta có thể dự báo nhu cầu phụ tải ngày của hệ thống điện miền Bắc dựa trên tập dữ liệu vào mà không phải phụ thuộc vào kinh nghiệm chủ quan của các chuyên gia. Mạng nơron đã tự động xác định nó dựa trên tập trọng số sau huấn luyện của mạng. Việc dự báo dựa trên cơ sở mạng nơron tự động xác định mối quan hệ liên quan giữa các tập dữ liệu vào ra, cho ta thấy kết quả dự báo này đáng tin cậy hơn so với những ph−ơng pháp bị hạn chế về việc phụ thuộc phiến diện vào kinh nghiệm tr−ớc đây. - Trong quá trình học, mạng sẽ điều chỉnh các tham số sao cho tổng bình ph−ơng lỗi là nhỏ nhất, khả năng hội tụ của mạng phụ thuộc vào các tham số khởi đầu, vì vậy ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn đ−ợc bộ tham số ban đầu tốt nhất. Một vấn đề nữa th−ờng xảy ra đối với mạng nơron dự báo phụ tải là quá trình học không phải lúc nào cũng hội tụ và có khả năng rơi vào cực tiểu địa ph−ơng. Nếu mạng rơi vào tr−ờng hợp này ta sẽ phải bắt đầu huấn luyện lại hoặc thay đổi số nơron của lớp ẩn, điều này sẽ khiến cho mạng nơron không áp dụng đ−ợc trong các bài toán yêu cầu độ chính xác cao trong thời gian tối thiểu. - Sau đây là kết quả thực nghiệm nhằm đánh giá hiệu suất của hai cấu trúc mô hình mạng, mô hình thứ nhất đã đ−ợc đề xuất ở trên, mô hình thứ hai hiện đang đ−ợc sử dụng để dự báo phụ tải HTĐ Quốc gia với cấu trúc mạng nh− sau: + Lớp vào: 6 nơron đầu vào. + Lớp ẩn: 15 nơron + Lớp ra: Một nơron ra chính là phụ tải đầu ra của 1 giờ. 108 Ch−ơng trình đ−ợc viết bằng ngôn ngữ VBA tích hợp trong phần mềm ứng dụng Excel. Qua quá trình huấn luyện trên bộ dữ liệu đầu vào của Trung tâm Điều độ HTĐ miền Bắc với 30 mẫu đầu vào, sau 150000 vòng lặp. Mô hình thứ nhất chỉ mất khoảng 6 phút, còn mô hình thứ hai phải mất tới khoảng 3 giờ 25 phút: Bảng 5.2 và hình 5.1 đ−a ra kết quả dự báo của ngày 10/5/2006. Bảng 5.2. Bảng đánh giá kết quả dự báo của hai mô hình (ngày 10/5/2006.) P dự báo (MW) Sai số % Giờ P thực tế (MW) Mô hình 1 Mô hình 2 Mô hình 1 Mô hình 2 1 2003.0 1983.5 1937.4 0.97 3.28 2 1920.9 1962.1 1985.8 2.14 3.38 3 1941.6 1912.6 1920.4 1.49 1.09 4 1914.3 1915.9 1935.0 0.09 1.08 5 2020.2 2024.8 1980.7 0.23 1.96 6 2096.9 2159.2 2185.4 2.97 4.22 7 2166.4 2217.4 2254.6 2.36 4.07 8 2458.0 2449.1 2430.9 0.36 1.10 9 2670.1 2650.0 2638.9 0.75 1.17 10 3105.4 2975.4 2926.5 4.19 5.76 11 3211.6 3100.2 3084.5 3.47 3.96 109 12 2739.0 2641.5 2700.1 3.56 1.42 13 2646.1 2518.6 2612.3 4.82 1.28 14 2737.5 2612.9 2601.4 4.55 4.97 15 2669.6 2639.4 2633.4 1.13 1.36 16 2681.4 2671.0 2638.7 0.39 1.59 17 2968.0 2852.2 2805.4 3.90 5.48 18 3032.4 2967.6 2966.7 2.14 2.17 19 3226.7 3085.2 3052.3 4.39 5.40 20 3061.1 2910.8 2901.7 4.91 5.21 21 2847.6 2708.5 2745.2 4.88 3.60 22 2625.7 2520.0 2498.5 4.03 4.84 23 2471.2 2393.7 2387.4 3.14 3.39 24 2132.3 2138.8 2115.2 -0.31 0.80 110 Đồ thị đánh giá sai số 0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ % S ai s ố Mụ hỡnh 1 Mụ hỡnh 2 Nhận xét: Qua kết quả thực nghiệm nhằm đánh giá hiệu suất của hai cấu trúc mô hình mạng ta thấy. - Mô hình thứ nhất có thời gian huấn luyện mạng nhỏ hơn mô hình thứ 2 rất nhiều lần. Nguyên nhân chính là do mô hình 1 đ−ợc lập trình trên phần mềm Matlab đã đ−ợc hỗ trợ toolbox để xử lý các mô hình về mạng nơron, Hình 5.1. Kết quả dự báo của hai mô hình (ngày 10/05/2006) Thực tế Mụ hỡnh 2 Mụ hỡnh 1 Đồ thị phụ tải 0 500 1000 1500 2000 2500 3000 3500 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ C ô n g s u ất Hình 5.2. Sai số dự báo % của hai mô hình (ngày 10/05/2006) 111 còn mô hình hai đ−ợc lập trình bằng ngôn ngữ VBA tích hợp trong phần mềm ứng dụng Excel vì vậy ta phải viết lại toàn bộ thuật toán. - Qua một số kết quả chạy thử nghiệm trên hai mô hình với nhiều bộ số liệu khác nhau và căn cứ vào hai đồ thị trên hình 5.1 và 5.2 ta thấy mô hình thứ nhất có kết quả dự báo chính xác tốt hơn mô hình thứ hai. Điều đó chứng tỏ mô hình thứ nhất có cấu trúc mạng dự báo tốt và phù hợp với tập bài toán dự báo hơn so với cấu trúc mạng dự báo của mô hình thứ hai. 6.2. Đánh giá kết quả Độ chính xác và tốc độ xử lý: Phần mềm đ−ợc chạy thử nghiệm trên 31 bộ dữ liệu trong vòng 5 năm (5/2001-5/2006) của 29 Điện Lực trên toàn bộ HTĐ miền Bắc, hai bộ còn lại của Công ty điện lực I và của Trung tâm Điều độ HTĐ miền Bắc. Sau quá trình huấn luyện với 150000 vòng lặp, thời gian huấn luyện của mỗi bộ dữ liệu hết khoảng 5 phút 25 giây đến 8 phút 27 giây và mạng đạt đ−ợc kết quả dự báo của tháng 5 năm 2006 (từ 1/5/2006- 31/5/2006) với sai số % lớn nhất của từng điện lực đ−ợc đ−a ra trên bảng 5.1. Trong đó: - Pmin: Giá trị phụ tải nhỏ nhất trong tháng 5/2006 (Giá trị phụ tải đ−ợc lấy theo từng giờ trong ngày). - Pmax: Giá trị phụ tải lớn nhất trong tháng 5/2006. - Sai số %(Max): Sai số % lớn nhất, đây là kết quả dự báo tồi nhất mà phần mềm đ−a ra. Sai số % =(Pthực tế - Pdự báo)/ Pthực tế*100% Bảng 5.1. Bảng đánh giá kết quả sai số dự báo tháng 5/2006 trên 31 bộ số liệu của 31 Điện lực 112 Điện Lực Pmin Pmax Sai số %(Max) Điện Lực Pmin Pmax Sai số %(Max) HTĐ1 1412.7 3317.7 6.01 Nghệ An 62.5 196.8 6.02 Cty 1 890.3 2134.4 5.84 Cao Bằng 3.7 19.8 7.16 Hà Nội 245.0 818.0 7.12 Sơn La 6.2 35.4 6.92 Hải Phòng 92.5 259.7 4.81 Hà Tĩnh 10.9 60.9 6.10 Nam Định 30.2 143.1 6.74 Hoà Bình 10.0 41.7 5.92 Phú Thọ 45.8 119.6 4.61 Lào Cai 16.0 52.0 5.64 Quảng Ninh 65.2 188.3 4.89 Điện Biên 2.2 14.2 7.82 Thái Nguyên 43.0 168.0 5.41 Hà Giang 3.8 22.5 7.32 Bắc Giang 21.8 115.8 4.31 Ninh Bình 27.0 77.6 4.36 Hải D−ơng 87.8 198.3 3.75 Hà Nam 19.2 75.3 4.91 Thanh Hoá 68.0 220.0 4.24 Vĩnh Phúc 35.0 112.8 5.25 Hà Tây 64.3 237.9 5.61 Bắc Cạn 3.2 14.2 6.34 Thái Bình 30.6 115.1 5.78 Bắc Ninh 57.5 196.0 5.47 Yên Bái 8.3 34.1 7.02 H−ng Yên 35.4 156.6 6.24 Lạng Sơn 10.0 39.2 6.91 Lai Châu 1.5 6.7 5.97 Tuyên Quang 7.1 39.1 6.89 Trên bảng 5.1 ta thấy với 31 bộ dữ liệu đ−ợc dùng để thử nghiệm, trong đó các bộ dữ liệu có giá trị rất đa dạng, nh−ng sai số dự báo chỉ nằm trong khoảng 3,75% đến 7,85%. Nguyên nhân có những bộ dữ liệu khi dự báo có sai số lớn là do tỉ lệ chênh lệch giữa Pmax và Pmin lớn, giá trị phụ tải của các giờ trong ngày không đồng đều. Trên thực tế, đối với dự báo phụ tải sai số cho phép khoảng từ 5 – 10%. Vậy kết quả dự báo đã đạt đ−ợc các yêu cầu đề ra và phù hợp với tình hình vận hành hệ thống điện hiện nay. - Khẳ năng ứng dụng: Qua khai thác thử nghiệm ch−ơng trình dự báo phụ tải ngắn hạn sử dụng kỹ thuật mạng nơron tại Trung tâm Điều độ HTĐ 113 miền Bắc đã đạt đ−ợc những kết quả đáng kể nh− đã nên trên. Điều đó cho phép ta hy vọng vào triển vọng và tính khả thi của việc ứng dụng mô hình này thay thế cho mô hình cũ hiện đang đ−ợc áp dụng tại Trung tâm Điều độ HTĐ miền Bắc. Đặc biệt ch−ơng trình sẽ áp dụng dự báo rất hiệu quả đối với những Công ty Điện lực có tỉ lệ chênh lệch giữa Pmax và Pmin nhỏ và giá trị phụ tải của các giờ trong ngày khá đồng đều. 114 KếT LUậN Với mục đích nghiên cứu và áp dụng mạng nơron vào dự báo phụ tải hệ thống điện Miền Bắc, luận văn b−ớc đầu tìm hiểu về bài toán dự báo phụ tải ngắn hạn, tìm hiểu một số vấn đề mà các chuyên gia vận hành hệ thống điện quan tâm để từ đó có thể đ−a vào áp dụng trong thực tế. So với các ph−ơng pháp dự báo tr−ớc, ph−ơng pháp sử dụng mạng nơron có thể học để xấp xỉ các bài toán mà quan hệ vào – ra là phi tuyến với nhiều đầu vào và nhiều đầu ra đ−ợc các chuyên gia trên thế giới đánh giá là có độ chính xác cao, đ−ợc ứng dụng trong rất nhiều loại bài toán dự báo. Luận văn đã xem xét và nghiên cứu đ−ợc các thuật tính nh− xác định các tham số đầu vào, các kiến trúc mạng, quá trình huấn luyện… của mạng ánh xạ đặc tr−ng tự tổ chức kohonen và mạng nơron nhiều lớp lan truyền ng−ợc sai số từ đó mô phỏng xác định các đầu vào, đ−a ra kiến trúc của mạng và thực hiện huấn luyện mạng trên bộ dữ liệu thu thập đ−ợc tại trung tâm điều độ HTĐ Miền Bắc. Đối với ánh xạ tự tổ chức kohonen đ−ợc dùng để phân dạng kiểu ngày, đây là yếu tố quan trọng nhất cho quá trình dự báo phụ tải tiếp theo. Đầu vào của mạng là các dữ liệu phụ tải 24 giờ trong ngày. Qua quá trình huấn luyện mạng đã nhận ra đ−ợc các kiểu ngày đặc tr−ng trong hệ thống, −u điểm của ph−ơng pháp này là nó có thể nhận ra đ−ợc một số dạng kiểu ngày mới hoặc loại bỏ một số dạng kiểu ngày không bao giờ xuất hiện nữa mà các kỹ s− điều hành bằng kinh nghiệm của mình có thể không nhận ra hoặc nhận ra muộn. Vì thế phân dạng kiểu ngày sẽ là một ph−ơng tiện hỗ trợ cho các kỹ s− điều hành trong quá trình dự báo phụ tải và vận hành hệ thống. Mạng nơron nhiều lớp lan truyền ng−ợc sai số qua quá trình huấn luyện với tập mẫu vào là các giá trị phụ tải đỉnh hoặc phụ tải đáy và nhiệt độ cao nhất hoặc thấp nhất của các ngày có cùng kiểu và gần nhất với ngày dự báo, 115 đ−ợc sử dụng để dự báo phụ tải đỉnh và phụ tải đáy theo nhiệt độ môi tr−ờng, từ đó xác định đ−ợc các giá trị phụ tải 24 giờ trong ngày. Các thí nghiệm cho thấy nếu nh− mạng đ−ợc huấn luyện tốt, các tham số đầu vào đ−ợc lựa chọn cẩn thận, dữ liệu huận luyện đầy đủ và sát ngày cần dự báo thì khả năng dự báo đạt độ chính xác t−ơng đối cao với sai số nhỏ hơn 8%. Ngoài những −u điểm đặc biệt mạng nơron cũng có những nh−ợc điểm nhất định. Khả năng hội tụ của mạng phụ thuộc vào các tham số khởi đầu, vì vậy ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn đ−ợc bộ tham số ban đầu tốt nhất. Còn khả năng tổng quát hoá lại phụ thuộc rất nhiều vào dữ liệu đầu vào. Nếu dữ liệu đầu vào quá nhiều thì có thể dẫn đến trình trạng luyện mạng mất nhiều thời gian và khả năng tổng quát hoá kém, nếu ít dữ liệu thì sai số sẽ tăng. Một vấn đề nữa th−ờng xảy ra đối với mạng nơron trong dự báo phụ tải là quá trình học không phải lúc nào cũng hội tụ và có khả năng rơi vào cực tiểu địa ph−ơng . Nếu mạng rơi vào tr−ờng hợp này ta sẽ phải bắt đầu huấn luyện lại, điều này sẽ khiến cho mạng nơron không áp dụng đ−ợc trong các bài toán yêu cầu độ chính xác cao trong thời gian tối thiểu. Luận văn đ−ợc thực hiện trong thời gian ngắn chắc chắn không tránh khỏi những thiếu sót. Rất mong nhận đ−ợc những ý kiến đóng góp của quý thầy cô và những ng−ời quan tâm để luận văn đ−ợc hoàn thiện tốt hơn. Kiến nghị về nhứng nghiên cứu tiếp theo. 1. Phát triển mở rộng bài toán dự báo ngắn hạn theo nhiều loại thông số khác nhau có ảnh h−ởng trực tiếp đến phụ tải nh− nhiệt độ, độ ẩm, tốc độ gió… 2. Nghiên cứu ứng dụng mạng nơron nhân tạo để dự báo phụ tải dài hạn (khoảng từ 1 – 20 năm) dựa vào mức tăng tr−ởng GDP, tốc độ phát triển công nghiệp… 116 Tài liệu tham khảo Tài liệu tiếng việt [1] Tổng sơ đồ phát triển Điện lực Việt Nam giai đoạn 2001-2020 có xét đến triển vọng đến năm 2020 (6/2000), Viện năng l−ợng. [2] Tài liệu báo cáo tổng kết hàng năm của Trung tâm Điều độ HTĐ miền Bắc. [3] Nguyễn Đình Thúc (2000), Mạng nơron ph−ơng pháp và ứng dụng, Nhà xuất bản giáo dục. [4] L−ơng Mạnh Bá, Nguyễn Thanh Thuỷ (2003), nhập môn xử lý ảnh số, Nhà xuất bản khoa học và kỹ thuật. [5] Nguyễn Phùng Quang, Matlab & Simulink, Nhà xuất bản khoa học và kỹ thuật. [6] Quách Tiến Dũng (2000), Dự báo phụ tải hệ thống điện Việt Nam theo nhiệt độ môi tr−ờng, Báo cáo khoa học Tổng công ty điện lực Việt Nam. [7] Trịnh Khánh Ly (2004), Luận văn cao học, Tr−ờng ĐHBK-HN. [8] Lê Quốc Định, Nguyễn Trọng Đức (2005), áp dụng kỹ thuật mạng nơron trong tự động điều khiển hệ thống lái tàu. Tài liệu tiếng anh [9] Robert L. Harvey (1996), Neural Network Principles, Prentice –hall 117 international, inc [10] David M. Skapura, Building Neural Networks, Addison-Wesley Publishing Company [11] Howard Demuth, Mark Beale, Martin Hagan (March 2006), Neural Network Toolbox [12] Vanaja Iyer, Chun Che Fung and Tamas Gedeon (1998), A Fuzzy- Neural Approach to Electricity Load and Spotprice Forecasting in a Deregulated Electricity Market [13] Antti Laukkanen (2004), The use of special day information in a demand forecasting model for Nordic power market, [14] P.K. Dash, G. Ramakrishna, A.C. Liew, S. Rahman (1995), Fuzzy neural networks for time-series forecasting of electric load. [15] D.C.Sansom and T. K .Saha, Neural networks for forecasting electricity pool price in a deregulated electricity supply industry. 118 Phụ lục i Phần mềm mô phỏng mạng Kohonen trong bài toán phân loại ngày. w=rands (100,24); X = fopen(phanloaingay.xls, ‘w’) M1=19; pt=X'; delta =0.01; Q=size(w,1); for q=1:Q nq =w(q,:) ; a=sumsqr(nq); m=nq/sqrt(a); w(q,:) = m; k=sqrt(sumsqr(m)); end w1=w; %n=negdist (w,X); n=w*X; %n=0 Q1=size(X,2); for q=1:Q1 nk=n(:,q); k1=find(nk==max(nk)); k1=k1(1) 119 nk(k1)=-inf; % k6=find(nk==max(nk)) % k6=k6(1) ptq=pt(q,:); for i=-2:2 for j=-2:2 xi=mod(k1+i+M1-1,M1)+1; yj=mod(k1+j+M1-1,M1)+1; jj=M1*(yj-1)+xi; %kk=w(jj,:) w(jj,:)=w(jj,:)+ delta*(ptq - w(jj,:)); end end fclose(X) end 120 Phụ lục II Phần mềm mô phỏng mạng nơron lan truyền ng−ợc sai số ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải và kết quả huấn luyện 1. Ch−ơng trình chính % menu display(' CHUONG TRINH DU BAO PHU TAI'); display(' ====================='); chon=menu('Hay chon chuc nang','1. Phan loai so lieu','2. Huan luyen mang', '3. Du Bao ','4. Thoat ') switch chon case chon == 1 fn=input('Nhap ten file du lieu:' ,'s'); P1=fopen(fn,'w'); phanloaingay case chon==2 fn=input('Nhap ten file du lieu:' ,'s'); huanluyenmang case chon==3 fn1=input('Nhap ten file trong so W1:' ,'s'); fn2=input('Nhap ten file trong so W2' ,'s'); Dubao OTHERWISE exit end 121 2. Module dự báo phụ tải w1=rands (30,8); P= fopen(dubaophutai.xls, ‘w’) alpha=0.4; %He so hoc beta =0.6 ;%He so quan tinh ep=15000; w2=rands(1,30);%Trong so lop an w11=w1; w22=w2; for i=1:ep aj=w1*P';% Tong thong tin dau vao lop an Y yj=logsig(aj);% Output lop an bk=w2*yj; % Tong thong tin dau vao lop ra Z zk=logsig(bk);%Gia tri output Errk=dk-zk; ee=sumsqr(Errk); tetak=(1-zk).*Errk.*zk; %Sai so lop ra tetaj=yj.*(1-yj).*(w2'*tetak);% Sai so lop an dw1=alpha*tetaj*P + beta*(w1-w11); w11=w1; w1=w1+dw1; % Cap nhat trong so lop vao dw2=alpha*tetak*yj' + beta*(w2-w22); w22=w2; w2=w2+dw2; end 122 Z=zk ; q=size(Z,2); D=dk; SSTD=abs(dk-zk); Errk=(dk-zk)./D*100; w1=w1; w2=w2; display= input([' Ket qua du bao: \n']); disp (display) display= input([' STT Pchtt Pchdb Ptt Pdb SSTD SS% \n']); disp (display) for i=1:q display= sprintf(' %2d %2.4f %2.4f %4.1f %4.1f %5.2f %1.2f',... i,D(i),Z(i), D(i)*5000,Z(i)*5000,SSTD(i)*5000,SSTD(i)/D(i)*100 ); disp(display); end Err=ee/2 display= input(['Trong do: \n\n Pchtt: Phu tai chuan hoa thuc te \n',... ' Pchdb: Phu tai chuan hoa du bao \n',... ' Ptt : Phu tai thuc te \n',... ' Pdb : Phu tai du bao \n',... ' SSTD : Sai so tuyet doi \n',... ' SS% : Sai so % \n'... ' Err : Binh phuong sai so']); disp (display) fclose(P) 123 Tóm tắt luận văn Trong những năm gần đây, cùng với sự phát triển lớn mạnh của nền kinh tế quốc gia, nhu cầu tiêu thụ điện năng hàng năm đã tăng lên rất nhiều, đặc biệt đối với HTĐ miền Bắc bình quân hàng năm tăng trên 12,6%. Vì vậy chúng ta phải huy động vốn rất lớn để đầu t− xây dựng nhiều nguồn phát điện và mua điện của các n−ớc trong khu vực, nh−ng thực tế nếu không dùng hết công suất đ−ợc huy động, chúng sẽ gây nhiều lãng phí. Vì vậy việc dự báo phụ tải chính xác sẽ trợ giúp cho nhiều chức năng quan trọng đối với kế hoạch phát triển điện năng trong t−ơng lai, lập kế hoạch hoá vận hành HTĐ nh− phân phối phụ tải một cách kinh tế, hiệu quả, lên kế hoạch bảo d−ỡng và sửa chữa, lập ph−ơng thức vận hành…Luận văn chủ yếu tập trung nghiên cứu và giải quyết các vấn đề sau. 1. Tìm hiểu các yếu tố ảnh h−ởng đến phụ tải HTĐ miền Bắc, tầm quan trọng của bài toán dự báo phụ tải trong công tác vận hành hệ thống điện 2. Tìm hiểu các đặc điểm, các dạng của ĐTPT, giá trị phụ tải đặc biệt trong ngày mà đ−ợc các kỹ s− vận hành cũng nh− ng−ời làm ph−ơng thức ngày quan tâm nhiều nhất (Pmax, Pmin) 3. Tìm hiểu các kiến thức cơ bản của mạng nơron nhân tạo, cơ sở lý thuyết, mô hình mạng nơron nhân tạo. 4. Nghiên cứu, thiết kế cấu trúc mạng nơron, ph−ơng pháp huấn luyện mạng; xây dựng phần mềm mô phỏng mạng Kohonen phân loại ngày; đ−a ra một số kết quả và phân tích đánh giá kết quả đạt đ−ợc. 5. Nghiên cứu, thiết kế cấu trúc mạng nơron nhiều lớp lan truyền ng−ợc sai số, từ đó áp dụng và xây dựng phần mềm dự báo phụ tải đỉnh và đáy đồ thị phụ tải, dự báo phụ tải cho 24 giờ trong ngày, đ−a ra một số kết quả và phân tích đánh giá kết quả đạt đ−ợc. 124 Summary In recent years, with strong development of national economy, annual power consuming demand has been rapidly increased, especially for the Northern Power System, annual average demand has an increase of over 12.6%. Therefore, it is necessary to mobilize a huge amount of capital to invest and construct more Power Supply Sources and purchase power from other nations in the region. In reality, however, if mobilized capacity is not used up, it is wasteful. Therefore, correct load forecast plays an important role in making plan of electricity development in the future, power system operation such as economically load distribution, repairmen, maintenance and operation method as well. The thesis mainly focuses on researching and solving the following problems: 1. Study factors affecting to load of the Northern Power System, the importance of load forecast in power system operation. 2. Study characteristics, types of additional charge diagrams, daily special load value that operators as well as method-makers are increasingly concerning as the most important thing (Pmax, Pmin). 3. Study basic knowledge of artificial neural network, theory basis, and artificial neural network model. 4. Study, design neural network structure, network training method; construct a software imitating Kohonen that distinguish types of days; give out some results, analyze and evaluate the result obtained. 5. Study, design back-propagation Neural Network and then apply and set up a load forecast software at top and bottom of load diagram, forecast load for 24 hours in one day, give out some results, analyze and evaluate the result obtained.