(Luận văn thạc sĩ) phân loại phụ tải điện cho lưới điện thông minh

TÓM TẮT Phân loại phụ tải điện năng là một nhiệm vụ rất quan trọng trong lưới điện truyền tải thông minh vì loại người tiêu dùng khác nhau có thể được đối xử với các điều kiện khác nhau.

LUẬN VĂN THẠC SĨ NGUYỄN XUÂN HẢI

PHÂN LOẠI PHỤ TẢI ĐIỆN CHO LƯỚI ĐIỆN

THÔNG MINH

NGÀNH: KỸ THUẬT ĐIỆN - 6052020

SKC 0 0 6 1 4 0

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

PHÂN LOẠI PHỤ TẢI ĐIỆN CHO LƯỚI ĐIỆN THÔNG MINH

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ NGUYỄN XUÂN HẢI

PHÂN LOẠI PHỤ TẢI ĐIỆN CHO LƯỚI ĐIỆN THÔNG MINH

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công

bố trong bất kỳ công trình nào khác

Tp Hồ Chí Minh, ngày 31 tháng 3 năm 2019

Nguyễn Xuân Hải

LỜI CẢM ƠN

Trong suốt quá trình thực hiện đề tài, với sự giúp đỡ nhiệt tình của quý thầy hướng dẫn về mọi mặt từ lý thuyết đến phần mềm mô phỏng là những yếu tố quyết định đến sự thành công của đề tài ngày hôm nay Tôi xin chân thành gửi lời cảm ơn đến:

Giảng viên hướng dẫn TS Lê Mỹ Hà đã định hướng, nhiệt tình giúp đỡ, chỉ bảo tận tình và tạo điều kiện tốt nhất cho tôi khi làm việc trong suốt quá trình thực hiện đề tài

Tôi xin gửi lời cảm ơn đến tập thể lớp cao học KDD17B, trong quá trình làm

đề tài các anh chị đã có những ý kiến thiết thực và giúp đỡ tôi trong thực hiện đề tài

Tôi xin chân thành cảm ơn!

TÓM TẮT

Phân loại phụ tải điện năng là một nhiệm vụ rất quan trọng trong lưới điện truyền tải thông minh vì loại người tiêu dùng khác nhau có thể được đối xử với các điều kiện khác nhau Hơn nữa, các nhà cung cấp điện có thể sử dụng thông tin danh mục của người tiêu dùng để dự báo hành vi của họ tốt hơn, đây là nhiệm vụ liên quan để cân bằng tải

Trong nghiên cứu này tôi trình bày kết quả thực hiện về phân loại phụ tải điện năng dùng bằng cách sử dụng sơ đồ phân loại dựa trên học tập sâu trong các hệ thống lưới điện thông minh Các kết quả được so sánh với các phương pháp phân loại hiện

có bằng cách sử dụng dữ liệu tiêu thụ năng lượng thực, được đo

Tôi chứng minh rằng phân loại phụ tải điện năng được thực hiện bởi phương pháp Support Vector Machine (SVM) có thể vượt trội hơn các công cụ truyền thống hiện có trong một số trường hợp, tỷ lệ phân loại lớp chính xác lớn hơn 0,93

Classification of electrical load is a very important task in the intelligent transmission grid because different types of consumers can be treated with different conditions Moreover, electricity providers can use consumer information to better predict their behavior, which is a related task for load balancing

In this study, I present the results of the implementation of power load classification using a classification scheme based on deep learning in smart grid systems The results are compared with the existing classification methods using real energy consumption data, measured

I demonstrate that the power load classification performed by the Support Vector Machine (SVM) method can outperform existing traditional tools in some

cases, the classification rate is accuracy with 0.93

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

TÓM TẮT iii

ABSTRACT iv

MỤC LỤC v

DANH MỤC CÁC CHỮ VIẾT TẮT vii

DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ viii

Chương 1: TỔNG QUAN 1

1.1 Giới thiệu 1

1.1.1 Khái niệm chung 1

1.1.2 Đặt vấn đề 1

1.1.3 Đặc điểm của phân loại 1

1.1.4 Tính cấp thiết của đề tài 2

1.2 Mục tiêu đề tài 3

1.2.1 Mục tiêu và nhiệm vụ đề tài 3

1.3 Giới hạn đề tài 4

1.4 Phương pháp nghiên cứu 4

1.5 Bố cục của luận văn bao gồm 5 chương cụ thể như sau: 4

Chương 2: CƠ SỞ LÝ THUYẾT CỦA PHƯƠNG PHÁP PHÂN LOẠI 5

2.1 Khái niệm phụ tải, tính chất và phân loại phụ tải 5

2.1.1 Khái niệm phụ tải là gì? 5

2.1.2 Tính chất của phụ tải là gì? 5

2.1.3 Phân loại phụ tải 5

2.2 Các phương pháp phân loại 6

2.3 Áp dụng các phương pháp phân loại vào bài toán phân loại phụ tải điện 8

2.3.1 Phương pháp phân loại truyền thống 8

2.3.2 Phương pháp phân loại phụ tải hiện đại 16

2.4 Các phương pháp huấn luyện 19

2.4.1 Học có giám sát 20

2.4.2 Học củng cố 21

2.4.3 Học không giám sát 21

Chương 3: GIẢI THUẬT PHÂN LOẠI ĐỀ XUẤT 22

3.1 Giới thiệu 22

3.2 Các khái niệm cơ bản 22

3.2.1 Siêu phẳng phân cách 22

3.2.2 Support vectors 26

3.2.3 Biên độ (Margin) 28

3.3 Phân lớp dữ liệu 28

3.3.1 Khoảng cách từ một điểm đến một siêu mặt phẳng 28

3.3.2 Bài toán phân chia 2 lớp dữ liệu 29

3.3.3 Trường hợp dữ liệu có thể phân chia tuyến tính 31

3.3.4 Trường hợp dữ liệu không thể phân chia tuyến tính 31

Chương 4: CHƯƠNG TRÌNH MÔ PHỎNG 34

4.1 Giới thiệu bộ dữ liệu 34

4.2 Lưu đồ chung 34

4.3 Kết quả thực nghiệm từng bước 35

4.3.1 Đọc chuỗi dữ liệu 35

4.3.2 Xử lý dữ liệu 37

4.3.3 Xác định thông số thuật toán SVM 39

4.3.4 Huấn luyện mạng SVM và độ chính xác 39

4.3.5 Kết quả phân loại phụ tải 40

Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 42

5.1 Kết luận: 42

5.2 Hướng phát triển: 42

TÀI LIỆU THAM KHẢO 43

DANH MỤC CÁC CHỮ VIẾT TẮT

1 AI: Artificial Intelligence

2 ANN: Artificial Neural Network

3 MMH: Maximum Marginal Hyperlane

4 SVM: Support Vector Machine

5 FL: Fuzzy Logic

DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ

Hình 1.1: Lưới điện thông minh 3

Hình 2.1: Hệ thống logic mờ được sử dụng trong dự báo phụ tải 17

Hình 2.2: Cấu trúc của mạng Nơ ron nhân tạo 17

Hình 2.3: Lưu đồ giải thuật lan truyền ngược 19

Hình 2.4: Phân loại kiểu học 20

Hình 2.5: Học có giám sát 20

Hình 2.6: Học củng cố 21

Hình 2.7: Học không giám sát 21

Hình 3.1: Đường màu vàng trên hình là đường phân chia đối với tập dữ liệu gồm hai thuộc tính 23

Hình 3.2: Một bộ dữ liệu hai chiều được phân chia tuyến tính 24

Hình 3.3: Ví dụ về siêu phẳng phân chia tuyến tính cùng với biên độ của nó 25

Hình 3.4: Đường biểu diễn H1 và H2, đường màu đỏ là khoảng cách Euclidean của hai điểm 1 và 2 Đường màu xanh là khoảng cách Euclidean nhỏ nhất 27

Hình 3.5: Các support vector trong SVM 27

Hình 3.6: Hai lớp dữ liệu đỏ và xanh là linearly separable Có vô số các đường thẳng có thể phân tách chính xác hai lớp dữ liệu này 30

Hình 3.7: Ý tưởng SVM Margin của một lớp được định nghĩa là khoảng cách từ các điểm gần nhất của lớp đó tới mặt phân chia Margin của hai lớp phải bằng nhau và lớn nhất có thể 30

Hình 3.8: Một trường hợp không khả phân tuyến tính 32

Hình 4.1: Sơ đồ khối 34

Hình 4.2: Đồ thị phụ tải của bệnh viện trong một ngày 35

Hình 4.3: Đồ thị phụ tải của khách sạn trong một ngày 35

Hình 4.4: Đồ thị phụ tải của nhà hàng trong một ngày 36

Hình 4.5: Đồ thị phụ tải của siêu thị trong một ngày 36

Hình 4.6: Đồ thị phụ tải của văn phòng trong một ngày 37

Hình 4.7: Dữ liệu đầu vào của mô hình nhận dạng phụ tải ở nhà hàng 38

Hình 4.8: Dữ liệu đầu vào của mô hình nhận dạng phụ tải ở nhà hàng 38

Hình 4.9: Dữ liệu đầu vào của mô hình nhận dạng phụ tải ở siêu thị 38

Hình 4.10: Dữ liệu đầu vào của mô hình nhận dạng phụ tải ở khách sạn 38

Hình 4.11:Dữ liệu đầu vào của mô hình nhận dạng phụ tải ở văn phòng 39

Hình 4.12: Sơ đồ huấn luyện cho mô hình phân loại phụ tải 39

Hình 4.13: Lượng điện năng tiêu thụ phân bố theo giờ của Khách Sạn và Nhà Hàng 41

Chương 1: TỔNG QUAN

1.1 Giới thiệu

1.1.1 Khái niệm chung

Phân loại là một khoa học và nghệ thuật, trên cơ sở phân tích khoa học về các

dữ liệu đã thu thập được Khi tiến hành phân loại cần căn cứ vào việc thu thập, xử lý

số liệu trong quá khứ và hiện tại để xác định xu hướng vận động của các hiện tượng trong tương lai nhờ vào một số mô hình toán học Phân loại là đi tìm một mô hình toán thích hợp mô tả mối quan hệ phụ thuộc của các đại lượng cần phân loại với các yếu tố khác, hay chính bản thân nó; nhiệm vụ chính của phân loại là việc xác định các tham số mô hình Về mặt lý luận thì các tính chất của mô hình phân loại được nghiên cứu trên cơ sở giả định rằng nó được ứng dụng để phân loại một quá trình nào

đó được sinh ra từ một mô hình giải tích

1.1.2 Đặt vấn đề

Lưới truyền tải điện thông minh tích hợp thường xuyên các nguồn năng lượng tái tạo và có thể quản lý cân bằng giữa cung và cầu một cách thích ứng Các khả năng mới có trong hệ thống đo lường tích hợp, thông minh Ngoài ra, với trao đổi hai chiều, không chỉ có thể thu thập các phép đo mà các điểm cuối cũng có thể được kiểm soát

Việc sử dụng đồng hồ thông minh trong mạng ngụ ý rằng một lượng lớn dữ liệu đang được thu thập Những dữ liệu này phải được xử lý để có được thông tin liên quan về trạng thái của mạng hoặc hành vi của người tiêu dùng

Phân loại người tiêu dùng là công cụ cơ bản để nhận biết các thay đổi về danh mục, thay đổi hành vi của người tiêu dùng hoặc sự bất thường của lưới điện Thông tin này có thể được sử dụng (i) để sử dụng giá cả khác nhau cho người tiêu dùng có hành vi khác nhau

1.1.3 Đặc điểm của phân loại

Không có cách nào để xác định một cách chắc chắn (tính không chính xác của phân loại) dù phương pháp chúng ta sử dụng là gì thì luôn tồn tại yếu tố không chắc chắn cho đến khi thực tế diễn ra

Luôn có điểm mù trong các phân loại, chúng ta không thể phân loại một cách chính xác hoàn toàn điều gì sẽ xảy ra trong tương tương lai Hay nói cách khác, không phải cái gì cũng có thể phân loại được nếu chúng ta thiếu hiểu biết về vấn đề cần phân loại

Phân loại cung cấp kết quả đầu vào cho các nhà hoạch định chính sách trong việc đề xuất các chính sách phát triển kinh tế, xã hội Chính sách mới sẽ ảnh hưởng đến tương lai, vì thế cũng sẽ ảnh hưởng đến độ chính xác của phân loại phụ tải Phân loại và lập kế hoạch là hai giai đoạn gắn kết chặt chẽ với nhau của một quá trình quản lý Nếu công tác phân loại mà dựa trên các lập luận khoa học thì nó sẽ trở thành cơ sở để xây dựng các kế hoạch phát triển nền kinh tế quốc dân Phân loại

sẽ góp phần giải quyết các vấn đề cơ bản như sau:

 Xác định xu thế phát triển

 Đề xuất những yếu tố cụ thể quyết định các xu thế ấy

 Xác định quy luật và đặc điểm của sự phát triển

Đặc biệt, đối với ngành năng lượng thì tác dụng của phân loại càng có ý nghĩa quan trọng vì năng lượng có liên quan rất chặt chẽ với tất các các ngành kinh tế quốc dân, cũng như mọi sinh hoạt bình thường của nhân dân Do đó nếu phân loại không chính xác hoặc sai lệch quá nhiều về khả năng cung cấp nhu cầu năng lượng sẽ dẫn đến những hạn chế không tốt cho nền kinh tế

Tùy theo yêu cầu cụ thể mà ta lựa chọn tầm phân loại, ví dụ để xây dựng kế hoạch hay chiến lược phát triển ta phải phân loại dài hạn hay trung hạn, nếu để phục

vụ công việc vận hành ta tiến hành phân loại ngắn hạn Các tầm dự báo:

 Phân loại điều độ: phân loại theo giờ hoặc vài phút

 Phân loại ngắn hạn: phân loại theo ngày, vài ngày hoặc tháng

 Phân loại trung hạn: thời gian phân loại theo năm, khoảng từ 5 – 7 năm

 Phân loại dài hạn: thời gian phân loại theo năm, khoảng 10 – 20 năm

1.1.4 Tính cấp thiết của đề tài

Sự tăng nhanh của phụ tải tiêu thụ, sự xuất hiện ngày càng nhiều các nguồn năng lượng mới, năng lượng tái tạo, cùng với sự phát triển của các giải pháp quản lý

hệ thống dựa trên công nghệ phần mềm, công nghệ nhúng và hệ thống các thiết bị đo thông minh đã hình thành nên một khái niệm mới trong ngành điện, đó là lưới điện thông minh (Smartgrid) (Hình 1.1) Tiết kiệm năng lượng dựa trên nhận thức của người tiêu dùng về năng lượng tiêu thụ nhất thời là một trụ cột khác của các khái niệm về quản lý năng lượng trong tương lai Đồng hồ đo điện thông minh có thể cung cấp thông tin về tiêu thụ năng lượng tức thời cho người sử dụng, do đó cho phép nhận dạng, phân loại và loại bỏ các thiết bị lãng phí năng lượng và cung cấp các gợi ý để tối ưu hóa sự tiêu thụ năng lượng cá nhân Khách hàng dùng điện của lưới điện thông minh là nơi mà người dùng cuối cùng của điện (nhà, thương mại và công nghiệp) được kết nối với mạng lưới phân phối điện thông qua việc thiết bị đo thông minh Hệ thống phân loại phụ tải cho lưới điện thông minh sẽ kiểm soát và quản lý các dòng điện đến và đi từ các khách hàng và cung cấp thông tin năng lượng về sử dụng năng lượng và các chế độ

Hình 1.1: Lưới điện thông minh

1.2 Mục tiêu đề tài

1.2.1 Mục tiêu và nhiệm vụ đề tài

1.2.1.1 Mục tiêu của đề tài

Mục tiêu của đề tài là nghiên cứu vấn đề phân loại phụ tải cho lưới điện thông minh Đề tài sẽ khảo sát phương pháp phân loại sử dụng giải thuật SVM, trình bày tính năng làm việc của giải thuật SVM và sau đó lập trình bằng ngôn ngữ Python với

dữ liệu được lấy từ lượng điện tiêu thụ của Hoa Kì năm 2004 được tác giả trích xuất

 Nghiên cứu những phương pháp trong các bài toán phân loại

 Nghiên cứu các thuật toán tối ưu để giải bài toán phân loại phụ tải

 Thiết kế chương trình phân loại phụ tải

1.3 Giới hạn đề tài

 Tập trung nghiên phân loại phụ tải cho Hoa Kì năm 2004 cho 5 loại: Bệnh viện, nhà hang, khách sạn, trường học và văn phòng nhỏ

 Sử dụng ngôn ngữ lập trình Python để thiết kế chương trình phân loại

mà cụ thể là sử dụng giải thuật Support vector machine (SVM)

1.4 Phương pháp nghiên cứu

 Tham khảo, nghiên cứu các bài báo ứng dụng của giải thuật SVM trong phân loại; tổng hợp, đề xuất giải thuật để giải bài toán dự báo phụ tải So sánh để rút

ra kết luận về độ chính xác của giải thuật được nghiên cứu

 Sử dụng ngôn ngữ lập trình Python để mô phỏng chương trình dự báo phụ tải

1.5 Bố cục của luận văn bao gồm 5 chương cụ thể như sau:

 Chương 1: Tổng quan về hướng nghiên cứu

 Chương 2: Cơ sở lý thuyết của phương pháp phân loại

 Chương 3: Giải thuật phân loại đề xuất

 Chương 4: Chương trình mô phỏng và kết quả mô phỏng

 Chương 5: Kết luận và hướng phát triển của đề tài

Chương 2: CƠ SỞ LÝ THUYẾT CỦA PHƯƠNG PHÁP

PHÂN LOẠI

2.1 Khái niệm phụ tải, tính chất và phân loại phụ tải

2.1.1 Khái niệm phụ tải là gì?

Nói một cách dân dã và quen thuộc, dễ hiểu nhất thì phụ tải là nơi mà điện năng sẽ được biến đổi thành những năng lượng khác như nhiệt năng (sưởi ấm, đun nấu), quang năng (chiếu sáng) hay cơ năng (chạy máy bơm, quạt điện), … nhằm phục

vụ những nhu cầu và mục đích đa dạng của con người

Để hiểu rõ hơn phụ tải là gì, tác giả đưa ra một số hình thức của phụ tải Phụ tải có thể bao gồm những thiết bị sử dụng điện trong gia đình, những máy móc sử dụng điện trong nhà máy, xí nghiệp hay xưởng cơ khí, … Các trạm biến áp cũng được gọi là phụ tải

2.1.2 Tính chất của phụ tải là gì?

 Phụ tải có tính tương đối: nguồn – tải

 Tính chất của phụ tải thay đổi theo thời gian và tập quán

2.1.3 Phân loại phụ tải

2.1.3.1 Phân loại phụ tải theo tính chất tiêu thụ điện

Theo tính chất tiêu thụ điện, hay còn gọi là mục đích tiêu thụ điện thì phụ tải được chia thành:

 Phụ tải dùng để chiếu sáng

 Phụ tải dùng trong sinh hoạt

 Phụ tải phục vụ các hoạt động nông nghiệp

 Phụ tải trong kinh doanh

Và nhiều những loại phụ tải khác nhau khác

2.1.3.2 Phân loại theo hộ tiêu thụ và tầm quan trọng của phụ tải

a) Phụ tải loại 1

Đây là loại phụ tải được cung cấp điện liên tục Nếu mất điện xảy ra đồng nghĩa sẽ gây ra những hậu quả vô cùng nghiêm trọng về mọi mặt, cả về người và của

Ảnh hưởng đến tính mạng con người: phụ tải hầm mỏ, phụ tải bệnh viện, …

Đó chính là lý do tại sao chúng ta thấy bệnh viện luôn luôn cần được cấp điện liên tục và đảm bảo cung ứng nguồn điện đầy đủ từ những máy phát điện công nghiệp công suất lớn để dự phòng

Ảnh hưởng cực kì lớn trong hoạt động sản xuất kinh doanh: phụ tải các nhà máy xưởng sản xuất điện kim khí, các lò cao … Nếu dòng điện bị mất, thiệt hại không thể đo đếm được

Không chỉ vậy, những phụ tải quan trọng như các tòa đại sứ quán hay những công trình văn hóa công cộng còn có thể gây ảnh hưởng đến an ninh trật tự cũng như chính trị, quốc phòng

b) Phụ tải loại 2

Đây là loại phụ tải nếu mất điện cung cấp sẽ gây thiệt hại về kinh tế như sản xuất sản phẩm bị thiếu hụt, hàng hóa thứ phẩm tăng, gây ra tình trạng lãng phí và mất cân bằng trong tiêu thụ của thị trường

Một nguồn dự phòng mà chúng ta nhắc đến nhiều hơn là các máy phát

điện Máy phát điện gia đình công suất nhỏ chạy xăng và máy phát điện chạy dầu

diesel dùng trong các nhà máy công nghiệp

2.2 Các phương pháp phân loại

Hiện nay có một số phương pháp phân loại thường dùng trên thế giới như: tiên đoán, ngoại suy xu hướng, chuyên gia, mô phỏng (mô hình hóa), ma trận tác động qua lại, kịch bản, cây quyết định, phân loại tổng hợp…

Việc lựa chọn phương pháp phân loại phụ thuộc vào lĩnh vực hoạt động, các lĩnh vực phân loại liên quan đến hiện tượng tự nhiên thì phương pháp định lượng hay

được sử dụng như mô hình hóa, phương pháp kịch bản… Tuy nhiên, tùy vào từng lĩnh vực, ngành mà các phương pháp phân loại có thể khác nhau Ở đây ta quan tâm hai phương pháp phân loại: phân loại theo chuỗi thời gian và phân loại theo phương pháp tương quan

Phân loại theo chuỗi thời gian là tìm một quy luật thay đổi của đại lượng cần phân loại phụ thuộc vào giá trị của đại lượng đó trong quá khứ

Mô hình toán học :

Ŷ(t) = f (a 0 , a 1 , a 2 ,…a n , Y(t-1), Y(t-2),…, Y(t-n)

= a 0 + a 1 Y(t-1) + a 2 Y(t-2) + a 3 Y(t-3)… a n Y(t-n) (1)

Trong đó:

Ŷ(t): Là giá trị đại lượng cần phân loại tại thời điểm t

Y(t-1), Y(t-2)…Y(t-n) : Các giá trị của đại lượng trong quá khứ

a0 , a1 , … an : Các thông số của mô hình phân loại cần tìm

Phân loại theo phương pháp tương quan là tìm quy luật thay đổi của đại lượng cần phân loại phụ thuộc vào các đại lượng liên quan

Mô hình toán học :

Ŷ(t) = f (a 1 , a 2 , a n , A 0 , A 1 , A 2 , , A n)

= A 0 + a 1 A 1 + a 2 A 2 + a 3 A 3 +…+ a n A n (2) Trong đó:

Ŷ(t) : là giá trị cần phân loại

A 1 , A 2 , … A n : giá trị của các đại lượng liên quan

a 1 , a 2 , …a n : thông số của mô hình phân loại cần tìm

Việc xác định các giá trị của các thông số mô hình phân loại cho cả hai phương pháp phân loại trên phần lớn là dựa trên nguyên tắc bình phương cực tiểu:

0 1 1

Trong đó Yi là giá trị thực của đại lượng cần phân loại

Để tìm các thông số của mô hình phân loại ta đạo hàm phương trình trên theo các thông số mô hình Giải hệ n phương trình ta sẽ tìm được n thông số của mô hình phân loại:

- A% và Y% là tăng trưởng của điện năng, công suất và tăng trưởng kinh tế (hệ

số đàn hồi giữa nhu cầu điện và GDP, tăng trưởng công nghiệp, thương mại )

- A là điện năng, công suất

- Y là số liệu tăng trưởng kinh tế (hệ số đàn hồi giữa nhu cầu điện và GDP, tăng trưởng công nghiệp, thương mại, hệ số tiết kiệm năng lượng )

Các hệ số đàn hồi được xác định theo từng ngành kinh tế, toàn quốc và từng miền lãnh thổ Việc phân loại nhu cầu điện năng toàn quốc được tổng hợp theo phương pháp từ dưới lên (Bottom-up) từ phân loại nhu cầu điện năng cho các ngành kinh tế, khu vực dân dụng và từ các vùng lãnh thổ

2.3.1.2 Phương pháp tính tương quan - Xu thế :

Phương pháp này xác định mối tương quan giữa nhu cầu tiêu thụ điện (công suất, điện năng) của phụ tải với các yếu tố ảnh hưởng quan trọng (tăng trưởng kinh

tế, giá điện, thời tiết, tỷ giá…) và được thực hiện trên nền Excel với các bước sau đây:

a) Phân loại đồ thị phụ tải giờ tới

Đối với từng miền, so sánh các biểu đồ ngày quá khứ thu được với biểu đồ ngày hiện tại D để tìm được biểu đồ có hình dạng giống nhất với biểu đồ ngày D Cách so sánh được thực hiện tự động với hàm:

)2,

1(array array Correl Với thuật toán sau:

(10) Trong đó:

- X là công suất phụ tải 24 giờ thực tế của ngày D - i;

)()(

))(

()

,(

y y x

x

y y x x Y

X Correl

- Y là công suất phụ tải 24 giờ phân loại của ngày D

Hàm Correl trả lại kết quả là sự tương quan giữa hai biến mảng X, Y Nếu biến mảng X, Y càng giống nhau thì kết quả của hàm Correl càng gần 1 Do vậy sau khi

so sánh 21 ngày quá khứ với ngày hiện tại D sẽ tìm được ngày có hình dạng phụ tải giống nhất với ngày D, giả sử ngày D - i

Đối với từng miền, sử dụng hàm xu thế để dự báo công suất phụ tải cho 04 giờ tới (từ giờ H đến giờ H + 3) với hàm FORECAST và cú pháp lệnh sau:

)'_,

'_,

(x known y s known x s

Trong đó:

- X là công suất phụ tải giờ H - 1;

- known_y's là công suất phụ tải 05 giờ quá khứ kể từ giờ H - 1 của ngày Di;

- known_x's là công suất phụ tải 05 giờ quá khứ kể từ giờ H - 1 của ngày D

b) So sánh đồ thị phụ tải dự báo với đồ thị phụ tải quá khứ

Sau khi có đồ thị phụ tải phân loại từng miền cho 04 giờ tới, tiến hành so sánh

đồ thị phụ tải này với đồ thị phụ tải quá khứ từng miền theo các giá trị Correl từ cao đến thấp (so sánh biểu đồ quá khứ có dạng giống nhất rồi đến các biểu đồ quá khứ ít giống hơn) Quá trình so sánh này để xử lý các số liệu phụ tải quá khứ có thể bị sai do cắt tải, do lỗi SCADA (không thu thập được các số liệu phụ tải quá khứ)

c) Hiệu chỉnh lại đồ thị phụ tải

Sau khi so sánh đồ thị phụ tải dự báo với đồ thị phụ tải quá khứ và đồ thị phụ tải hiện tại, nếu hàm Correl cho kết quả < 0,9 thì cho phép nhân các kết quả tương ứng với hệ số chuyên gia hchuyen_gia theo quy định: 0,9h chuyen_gia 1,1

2.3.1.3 Phương pháp tính trực tiếp

Nội dung của phương pháp này là xác định nhu cầu điện năng của năm phân loại, dựa trên tổng sản lượng kinh tế của các ngành của năm đó và suất tiêu hao điện

năng đối với từng loại sản phẩm Đối với những trường hợp không có suất tiêu hao điện năng thì được xác định nhu cầu điện năng cho từng trường hợp cụ thể (ví dụ như: công suất điện trung bình cho mỗi hộ gia đình, bệnh viện,…)

Ưu điểm :

 Tính toán đơn giản

 Ngoài yêu cầu xác định tổng lượng điện năng phân loại chúng ta còn biết được tỉ lệ sử dụng điện năng trong các ngành kinh tế, chẳng hạn như điện năng dùng cho công nghiệp, nông nghiệp, dân dụng… cũng như xác định được nhu cầu điện ở các khu vực địa lý khác nhau Từ đó có thể đề xuất phương hướng điều chỉnh, quy hoạch cho cân đối

Nhược điểm :

 Việc xác định mức độ chính xác của phương pháp này cũng gặp nhiều khó khăn vì nó phụ thuộc vào mức độ chính xác của tổng sản lượng các ngành kinh tế quốc dân trong tương lai phân loại như phụ thuộc vào suất tiêu hao điện năng của một đơn vị sản phẩm sản xuất ra của các ngành kinh tế ấy

Do đó, phương pháp này thường được áp dụng để phân loại nhu cầu điện năng cho thời gian ngắn và trung bình

2.3.1.4 Phương pháp chuyên gia :

Phương pháp này dựa trên những hiểu biết sâu sắc của các chuyên gia giỏi về các lĩnh vực của các ngành để phân loại Trong lĩnh vực điện năng, người ta lấy trung bình trọng số ý kiến của các chuyên gia phát biểu về năng lượng của nước mình để phân loại nhu cầu sử dụng điện Việc lấy ý kiến được tiến hành theo các bước sau:

 Chuyên gia cho điểm theo từng tiêu chuẩn Mỗi tiêu chuẩn có một thang điểm thống nhất

 Lấy trọng số của các ý kiến của hội đồng tư vấn để tổng hợp

Tuy nhiên phương pháp này chỉ mang tính chủ quan nên độ chính xác và độ tin cậy không cao

1.2.1.5 Phương pháp hồi quy :

Phương pháp này xác định mối tương quan giữa nhu cầu tiêu thụ điện (công suất, điện năng) của phụ tải với các yếu tố ảnh hưởng quan trọng (tăng trưởng kinh

tế, giá điện, thời tiết, tỷ giá…) Mối tương quan này được phản ánh qua hai loại phương trình như sau :

- Phương trình dạng tuyến tính :

i n i

i X a a

 Y là hàm số điện năng, công suất của năm (tháng, tuần, ngày, giờ)

- Phương trình dạng phi tuyến :

an n a

a

X X

X a

Dạng phương trình 2 có thể đưa về dạng phương trình 1 bằng cách lấy logarit 2

vế Việc lựa chọn hàm hồi quy được tiến hành trên cơ sở so sánh các hệ số tương quan, hệ số tương quan của dạng phương trình nào lớn thì chọn dạng phương trình

đó

2.3.1.5 Phương pháp san bằng hàm mũ

Trong phương pháp này, mỗi toán tử được đặc trưng bởi một hàm hồi quy (gọi

là hàm xu thế) Trong các hàm hồi quy ấy, thường các hệ số được xác định theo phương pháp bình phương tối thiểu Bản thân phương pháp này cho ta các hệ số không đổi của mô hình phân loại dựa trên cơ sở những số liệu quan sát trong quá khứ

Sử dụng mô hình này để tính phân loại cho tương lai với các hệ số hằng sẽ phạm một sai số nào đó tùy thuộc vào khoảng thời gian phân loại Nếu tầm phân loại càng

xa thì sai số càng lớn Ngoài ra, những số liệu gần hiện tại có ảnh hưởng đến giá trị phân loại nhiều hơn những số liệu ở quá khứ xa Nói cách khác, tỉ trọng của các số liệu đối với giá trị phân loại sẽ giảm theo hàm mũ khi lùi về quá khứ

Phương pháp này dựa trên nguyên tắc hiệu chỉnh các hệ số của toán tử phân loại theo phương pháp truy ứng

Giả thuyết có một chuỗi thời gian yt (t=1,2,…, n) và được mô tả bằng một đa thức bậc p:

2 2

0 1 1

2 (0) (1) (2) ( )

p p

Trong đó ( )k

t

y là đạo hàm bậc k tại thời điểm t, và bất cứ đạo hàm bậc k nào (k=0, 1, 2…., p) của phương trình trên đều có thể biểu diễn bằng một tổ hợp tuyến tính của trung bình mũ đến bậc (p+1), và ta cần xác định trung bình hàm mũ ấy Giá trị trung bình mũ bậc 1 của chuỗi yt xác định như sau:

Giá trị hàm mũ bậc k của chuỗi yt được biểu diễn theo bậc [k+1]:

[ 1]

1 1

2.3.1.6 Phương pháp ngoại suy theo thời gian:

Phương pháp này nghiên cứu sự diễn biến của nhu cầu điện năng trong một thời gian quá khứ ổn định, tìm ra một quy luật nào đó, rồi kéo dài quy luật đó ra để phân loại tương lai Tuy nhiên, việc tính toán theo phương pháp này khá phức tạp và sẽ không chính xác nếu dữ liệu quá khứ bị nhiễu hoặc quy luật bị thay đổi đột ngột

Giả sử mô hình có dạng hàm mũ như sau:

0 (1 )t

t

A A  (19) Trong đó: At – là điện năng phân loại ở năm thứ t

A0 – là điện năng ở năm chọn làm gốc

- là tốc độ phát triển bình phần hàng năm

t – thời gian phân loại

Để xác định thừa số (1+) chúng ta dựa vào biểu thức:

1 1

t t

.

n

n n

Lấy logarit 2 ta được : logA t logA0tlogC

Đặt y=logAt ; a=logA0 ; b=logC thì phương trình trên trở thành:

Y = a + bt (23) Dùng phương pháp bình phương cực tiểu ta sẽ tìm được hệ số a và b

2.3.2 Phương pháp phân loại phụ tải hiện đại

Để cải thiện nhược điểm của các phương pháp phân loại phụ tải truyền thống, các nhà khoa học đã ứng dụng kỹ thuật phân loại hiện đại như : fuzzy logic (FL), mạng nơron, …hay sự kết hợp giữa các phương pháp Các phương pháp phân loại hiện đại trên ngày càng được quan tâm vì kết quả phân loại khá chính xác

2.3.2.1 Phương pháp phân loại bằng Fuzzy logic (logic mờ)

Hệ thống chuyên gia mờ là chương trình khung tính toán dựa trên mối quan

hệ giữa thuyết mờ, luật mờ nếu thì và suy diễn mờ Cấu trúc của suy diễn mờ gồm 3 thành phần thông dụng như sau [3]

- Sự lựa chọn cơ sở luật mờ

- Cơ sở dữ liệu định rõ hàm thuộc Những hàm thuộc này được sử dụng trong luật mờ

- Cơ chế suy luận những luật trên và thu được ngõ ra thực tế đáng tin cậy

Hàm thuộc được lựa chọn bằng phương pháp thử nghiệm và sai số; có bốn dạng hàm thuộc cơ bản: Dạng hình tam giác, hình thang, hình Gauss, hình chuông

* Tập mờ và hoạt động mờ

Hai tập mờ A và B với hàm thuộc tương ứng là A x và B x , những tập mờ này được kết hợp với nhau theo nhiều cách để thu được mong muốn giá trị ngõ ra mong muốn

- Hợp giữa hai tập mờ C = A  B: AB x maxA   x,B xxX

- Giao của hai tập mờ C = A  B: AB x maxA   x,B xxX

- Tổng của hai tập mờ C = A + B:  x  supzxyminA   x ,B x  xX

* Hệ thống logic mờ được sử dụng trong dự báo phụ tải: