Nghiên cứu ứng dụng mạng nơron nhân tạo dự báo phụ tải điện cho thành phố hưng yên

BỘ GIÁO DỤC VÀ ðÀO TẠO TRƯỜNG ðẠI HỌC NÔNG NGHIỆP HÀ NỘI --- NGUYỄN THANH KHIẾT NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON NHÂN TẠO DỰ BÁO PHỤ TẢI ðIỆN CHO THÀNH PHỐ HƯNG YÊN LUẬN VĂN THẠC SĨ K

Trang 1

BỘ GIÁO DỤC VÀ ðÀO TẠO

TRƯỜNG ðẠI HỌC NÔNG NGHIỆP HÀ NỘI

-

NGUYỄN THANH KHIẾT

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON NHÂN TẠO

DỰ BÁO PHỤ TẢI ðIỆN CHO THÀNH PHỐ HƯNG YÊN

LUẬN VĂN THẠC SĨ KỸ THUẬT

CHUYÊN NGÀNH : KỸ THUẬT ðIỆN

MÃ SỐ: 60.52.02.02

Người hướng dẫn khoa học: TS TRẦN QUANG KHÁNH

HÀ NỘI - 2013

Trang 2

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… i

LỜI CAM ðOAN

Tôi xin cam ñoan ñây là công trình nghiên cứu của riêng tôi Các số liệu và kết quả nghiên cứu nêu trong luận văn này là trung thực và chưa từng ñược công bố trong bất kỳ một bản luận văn nào khác

Tôi xin cam ñoan rằng, mọi sự giúp ñỡ cho việc thực hiện luận văn này ñã ñược cảm ơn và các thông tin trích dẫn trong luận văn ñều ñã ñược chỉ rõ nguồn gốc

Hà nội, ngày tháng năm 2013

Người cam ñoan

Nguyễn Thanh Khiết

Trang 3

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… ii

LỜI CẢM ƠN

Sau thời gian thực hiện luận văn, ñến nay ñề tài “Nghiên cứu ứng dụng mạng

Nơron nhân tạo dự báo phụ tải ñiện cho thành phố Hưng Yên” ñã ñược hoàn thành Trong thời gian thực hiện ñề tài, Tôi ñã nhận ñược rất nhiều sự giúp ñỡ quý báu của các cá nhân, tập thể trong và ngoài trường

Tôi xin bày tỏ lòng biết ơn sâu sắc ñến thầy giáo TS Trần Quang Khánh hiện

ñang công tác tại Bộ môn Hệ thống ñiện trường ðại học ñiện lực ñã tận tình hướng dẫn, giúp ñỡ tôi xây dựng và hoàn thành bản luận văn này

Tôi xin chân thành cám ơn các thầy, cô giáo trong Bộ môn Hệ Thống ðiện, khoa Cơ - ðiện, trường ðại học Nông Nghiệp Hà Nội, các cán bộ chi nhánh ñiện lực thành phố Hưng Yên, Viện khoa học Việt Nam và Cục thống kê tỉnh Hưng Yên ñã giúp ñỡ và tạo ñiều kiện thuận lợi cho tôi trong quá trình học tập, công tác, nghiên cứu và hoàn thành luận văn

Cuối cùng, tôi xin bày tỏ lòng biết ơn tới gia ñình, bạn bè ñã ñộng viên và giúp ñỡ tôi trong suốt quá trình học tập, nghiên cứu và hoàn thành luận văn

Xin trân trọng cảm ơn!

Tác giả luận văn

Nguyễn Thanh Khiết

Trang 4

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… iii

MỤC LỤC Lời cam ñoan………i

Lời cảm ơn……… ii

Mục lục……… iii

Danh mục bảng……… v

Danh mục hình……… vi

Danh mục viết tắt……… …vii

CHƯƠNG 1: TỔNG QUAN VỀ PHỤ TẢI 3

1.1 Giới thiệu chung 3

1.2 Các loại dự báo phụ tải 11

1.2.1 Trong quy hoạch các hệ thống ñiện 11

1.2.1.1.Dự báo dài hạn 11

1.2.1.2.Dự báo trung hạn 11

1.2.2 Trong vận hành hệ thống ñiện 11

1.3 Các yếu tố ảnh hưởng ñến phụ tải và phụ tải ngắn hạn nói riêng 11

1.4 Tìm hiểu các phương pháp dự báo phụ tải 13

1.4.1 Phương pháp trực tiếp 15

1.4.2 Phương pháp chuyên gia 16

1.4.3 Phương pháp ngoại suy ñể dự báo ñiện năng 18

1.4.4 Phương pháp san bằng hàm mũ 22

1.4.5 Phương pháp ñàn hồi kinh tế 22

1.4.6 Phương pháp cường ñộ 24

1.4.7 Dự báo bằng mô hình hồi quy tương quan 24

1.4.8 Dự báo bằng phương pháp MEDEE-S (mô hình ñánh giá nhu cầu năng lượng các nước ñang phát triển) 25

1.4.9 Phương pháp mạng nơron nhân tạo 25

1.4.10.Các bài toán dự báo phụ tải 26

1.4.10.1.Bài toán dự báo phụ tải dài hạn 26

1.4.10.2.Bài toán dự báo phụ tải trung hạn 27

1.4.10.3.Bài toán dự báo phụ tải ngắn hạn 27

CHƯƠNG 2 : KHÁI QUÁT CHUNG VỀ MẠNG NƠRON NHÂN TẠO VÀ MẠNG NƠRON TRONG TOOLBOX MATLAB 29

2.1 Khái quát chung về mạng Nơron nhân tạo 29

Trang 5

Trường đại học Nông nghiệp Hà Nội Ờ Luận văn thạc sỹ kỹ thuậtẦẦẦ ẦẦẦ iv

2.1.1 Khái niệm chung về mạng Nơron 29

2.1.2 Quá trình xử lý thông tin của mạng Nơron nhân tạo 29

2.1.3 Hàm truyền trong mạng Nơron nhân tạo 31

2.1.4 Cấu trúc chung của mạng Nơron nhân tạo 33

2.1.5 Các ựặc tắnh của mạng 40

2.2 Mạng nơron trong toolbox Matlab 40

2.2.1 Thiết lập mạng nơron với sự trợ giúp của hộp công cụ Neural Networks 40

2.2.2 Chuẩn bị dữ liệu ựể huấn luyện mạng 41

2.2.3 Luyện mạng 42

2.2.4 Kiểm tra mạng 49

2.2.5 Mô hình hoá mạng 49

2.2.5.1 Mạng nơron truyền thẳng 50

2.2.5.2 Mạng nơron hồi quy 53

CHƯƠNG 3: ỨNG DỤNG MẠNG NƠRON NHIỀU LỚP LAN TRUYỀN NGƯỢC SAI SỐ TRONG BÀI TOÁN DỰ BÁO PHỤ TẢI 60

3.1 Khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ngược sai số 60

3.1.1 Kiến trúc mạng truyền thẳng 60

3.1.2 Huấn luyện mạng 62

3.1.3 Sử dụng mạng 61

3.1.4 Nghiên cứu sự hội tụ và ựộ phức tạp của quá trình huấn luyện mạng 61

3.2 Ứng dụng mạng nơron lan truyền ngược sai số vào bài toán dự báo phụ tải hệ thống ựiện 62

3.2.1 Các bước xây dựng bài toán dự báo ứng dụng mạng nơron 62

3.2.2 Xây dựng cấu trúc mạng 64

3.2.3 Xây dựng cấu trúc phần mềm mô phỏng mạng nơron (Cụ thể là ứng dụng phần mềm Matlab) 65

3.2.4 Dự báo phụ tải 68

3.2.4.1 Xử lý số liệu 68

3.2.4.2 Dữ liệu và kết quả huấn luyện 69

3.2.5 đánh giá kết quả sau khi chạy chương trình 97

CHƯƠNG 4: NHẬN XÉT KẾT QUẢ đÃ CÓ VÀ đÁNH GIÁ 99

KẾT LUẬN VÀ KIẾN NGHỊ 102

TÀI LIỆU THAM KHẢO 104

Trang 6

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… v

Trang 7

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… vi

DANH MỤC BẢNG Bảng 1.1: Diễn biến tăng trưởng công suất cực ñại 1995 – 2005 4

Bảng 1.2: Cơ cấu tiêu thụ ñiện giai ñoạn 2000 – 2005 6

Bảng 1.3: Hệ số ñồ thị phụ tải qua các năm 10

Bảng 3.1: Bảng dữ liệu xử lý của phụ tải việt nam 69

Bảng 3.2: Bảng số liệu dân số, GDP và công suất ñược chuẩn hóa 71

Bảng 3.3: Tham số ñầu ra mạng sau khi huấn luyện 74

Bảng 3.4: Thông số dự báo phụ tải từ năm 1995 tới 2020 77

Bảng 3.5: Sai số từng năm giữa phụ tải thực tế và dự báo 77

Bảng 3.6: Kết quả dự báo phụ tải tương ứng với các ñầu vào mạng 79

Bảng 3.7: Bảng so sánh tham số mục tiêu và ñầu ra mạng 82

Bảng 3.8: Bảng tổng hợp kết quả dự báo phụ tải với 4 ñầu vào mạng 84

Bảng 3.9: Bảng so sánh phụ tải dự báo và phụ tải thực tế 84

Bảng 3.10: Bảng tổng hợp phụ tải dự báo 86

Bảng 3.11: Bảng tổng hợp kết quả phụ tải dự báo 91

Bảng 3.12: Bảng so sánh dữ liệu phụ tải dự báo và dữ liệu thực tế 91

Bảng 3.13: Bảng số liệu áp dụng cho thành phố Hưng Yên 94

Bảng 3.14: Bảng tổng hợp kết quả dự báo phụ tải cho thành phố Hưng Yên 96

Bảng 4.1: Bảng kết quả dự báo phụ tải qua 2 phương pháp 100

Trang 8

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… vii

DANH MỤC HÌNH Hình 1.2: Biểu ñồ phụ tải ngày mùa hè HTð Quốc gia 9

Hình 1.3: Biểu ñồ phụ tải ngày mùa ñông HTð Quốc gia 9

Hình 1.4: Biểu sản lượng ñiện năng tháng năm 2005 10

Hình 1.5: Biểu ñồ phụ tải các ngày trong tuần 12

Hình 1.6: ðồ thị phụ tải hệ thống ñiện có truyền hình trực tiếp worldcup và ngày bình thường 13

Hình 1.7: Xây dựng hàm dự báo 18

Hình 2.1: Mô hình mạng nơron 29

Hình 2.2: Transformation (Transfer) Function (Hàm chuyển ñổi) 30

Hình 2.2.1: Mô hình mạng nơron 31

Hình 2.3: ðồ thị hàm Hard-Limit 31

Hình 2.4: ðồ thị hàm Purelin 32

Hình 2.5: ðồ thị hàm log-Sigmoid 33

Hình 2.6: Cấu trúc 1 nơron (Neural) 33

Hình 2.7: Mạng dẫn tiến một lớp 34

Hình 2.8: Cấu trúc mạng neural nhiều lớp 34

Hình 2.9: Một số cấu trúc mạng 35

Hình 2.10: Cấu trúc huấn luyện 36

Hình 2.11: Mô hình học có giám sát và học củng cố 37

Hình 2.12: Mô hình học không có giám sát 38

Hình 2.13: Sơ ñồ cấu trúc chung của quá trình học 38

Hình 2.13.1: Sơ ñồ mạng một nơron ñơn 40

Hình 2.14: ðồ thị mạng tuyến tính 41

Hình 2.17: Mô hình mạng nơron 5 ñầu vào và một ñầu ra 50

Hình2.18: Cấu trúc mạng nơron 1 lớp 50

Hình 2.19: Ký hiệu mạng một lớp R ñầu vào và S nơron 51

Hình 2.20: Ký hiệu một lớp mạng 52

Hình 2.21: Cấu trúc mạng nơron 3 lớp 53

Trang 9

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… viii

Hình 2.22: Ký hiệu tắt của mạng nơron 3 lớp 53

Hình 2.23: Ký hiệu một lớp mạng hồi quy 54

Hình 2.24: Ký hiệu tắt của mạng nơron 3 lớp hồi quy 55

Hình 3.0: Sơ ñồ mạng nơron 1 lớp 57

Hình 3.1: Mô hình học có giám sát và học củng cố 67

Hình 3.1: Sơ ñồ quy trình thực hiện bào toán 70

Hình 3.2: ðồ thị quá trình luyện mạng 73

Hình 3.3: ðồ thị tương quan hồi quy 74

Hình 3.4: ðồ thị mối quan hệ giữa Y và T 75

Hình 3.5: Hình ảnh mô phỏng quá trình dự báo 76

Hình 3.6: ðồ thị dự báo phụ tải 76

Hình 3.9: ðồ thị mối quan hệ ñầu ra mạng và tham số mục tiêu 82

Hình 3.10: ðồ thị mối quan hệ ñầu ra mạng và hàm hồi quy 83

Hình 3.14: ðồ thị so sánh dữ liệu mẫu và dữ liệu ñầu ra mạng 89

Hình 3.15: ðồ thị hàm hồi quy của mạng 90

Hình 3.17: Biểu ñồ phụ tải dự báo 93

Hình 3.18: ðồ thị huấn luyện mạng 95

Trang 10

Trường ðại học Nơng nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… 1

MỞ ðẦU

Ngày nay nước ta đã và đang trên con đường tiến lên xã hội chủ nghĩa với nền kinh tế nhiều thành phần và ưu tiên cho cơng nghiệp hố hiện đại hố trên các lĩnh vực kinh tế Cùng với sự phát triển kinh tế thì sự đa dạng của các loại máy mĩc phục vụ cho sản xuất cũng như là dịch vụ phục vụ cho nhu cầu cuộc sống con người Vì vậy nhu cầu năng lượng ngày càng lớn và là vấn đề cấp thiết đối với đất nước ta ðặc biệt

là nguồn năng lượng điện đang bị một sức ép lớn đối với các nhà sản xuất tiêu thụ, các nhà quản lý phân phối điện năng Tập đồn điện lực –EVN hiện nay vẫn chưa cĩ giải pháp hữu hiệu để cĩ thể đáp ứng được nhu cầu đối với khách hàng mình Một mặt là

do các nhà máy mọc lên nhiều, nhu cầu người dân tăng cao dẫn tới thiết bị tiêu thu điện ngày càng nhiều hơn Thứ 2 là các nhà máy phát điện mới xây dựng thì phải nhiều năm mới cĩ thể đưa vào vận hành nên khơng theo kịp sự gia tăng của phụ tải

Trong những năm gần đây do nhu cầu năng lượng khơng ngừng biến đổi và tăng lên rõ rệt theo thời gian nên ngành ðiện lực đã và đang xây dựng rất nhiều các nhà máy điện để đáp ứng nhu cầu tiêu thụ điện năng trong cả nước Vì vậy, một trong những vấn đề quan trọng mà ngành điện lực cần phải giải quyết tốt là bài tốn dự báo phụ tải ngắn hạn và dài hạn Cho đến nay tuy đã cĩ nhiều phương pháp luận trong việc giải quyết bài tốn dự báo, song bài tốn này luơn là một bài tốn khĩ Hiện nay, trong ngành ðiện lực Việt Nam bài tốn dự báo phụ tải được giải quyết chủ yếu nhờ sử dụng các phương pháp dự báo truyền thống mang tính kinh nghiệm thuần túy Trong số các hướng nghiên cứu nhằm triển khai các hệ thống thơng minh ở giai đoạn tới, mạng nơron giữ một vai trị quan trọng trong việc phát triển các giải pháp nhận dạng, dự báo mạng nơron nhân tạo là kỹ thuật xử lý thơng tin cĩ triển vọng ứng dụng trong việc giải quyết bài tốn dự báo Kết hợp chặt chẽ với logic mờ, mạng nơron nhân tạo cĩ thể giúp giải quyết hiệu quả hơn các bài tốn phức tạp Nhờ các ưu điểm như cĩ cấu trúc

xử lý song song, khả năng học và ghi nhớ, khả năng tự tổ chức và tổng quát hố, mạng nơron nhân tạo ANN (Artificial Neural Networks) đã được nghiên cứu và ứng dụng thành cơng trong rất nhiều lĩnh vực như xấp xỉ hàm nhận dạng mẫu, dự báo… Luận văn này chủ yếu tập trung tìm hiểu về mạng nơron nhân tạo và nghiên cứu ứng dụng giải quyết bài tốn dự báo phụ tải dài hạn cho hệ thống điện

Trang 11

Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……… ……… 2

Mục ñích của luận văn là phát triển các phương pháp ñể giải bài toán dự báo phụ tải dài hạn ðối tượng cụ thể của nghiên cứu là dự báo phụ tải dài hạn trong 10 năm nhằm ñưa ra các thông số cần thiết cho công tác quy hoạch

Từ những vấn ñề nêu trên thì ñề tài này tôi sẽ ứng dụng phần mềm tin học ñể giải quyết bài toán dự báo phụ tải ñiện

Mục ñích nghiên cứu:

Tìm hiểu các phương pháp dự báo phụ tải ñiện, tìm hiểu về hệ thống ñiện Nghiên cứu

áp dụng kỹ thuật mạng Nơron ñể dự báo phụ tải của HTð thành phố Hưng Yên

Nhiệm vụ nghiên cứu:

o Nhiệm vụ tìm hiểu về hệ thống ñiện và các yếu tố ảnh hưởng tới phụ tải

o Tìm hiểu tổng quan về mạng nơron và ứng dụng mạng nơron dự báo phụ tải

o Sử dụng phần mềm Matlab vào dự báo phụ tải, cụ thể là ứng dụng mạng nơron trong toolbox của phần mềm Matlab ñể dự báo phụ tải

Phạm vi nghiên cứu:

Trong ñề tài này tập trung nghiên cứu dự báo phụ tải dài hạn trong 5 tới 10 năm tiếp theo

Phương pháp nghiên cứu:

o Lấy số liệu, thu thập và xử lý thông tin liên quan ñến ñề tài nghiên cứu

o Qua ñó tiến hành tra cứu, ghi chép lại những kết quả thông tin lý luận

o Từ các số liệu cụ thể ta tiến hành áp dụng mạng nơron ñể dự báo phụ tải, từ ñó phân tích ñánh giá kết quả so với thực tế

Nội dung luận văn:

Luận văn thực hiện với nội dung sau:

Chương 1: Tổng quan về phụ tải

Chương 2: Khái quát chung về mạng nơron nhân tạo và mạng nơron trong toolbox của Matlab

Chương 3: Ứng dụng mạng nơron nhiều lớp lan truyền ngược sai số trong bài toán dự báo phụ tải

Chương 4: Nhận xét kết quả ñã có và ñánh giá

Kết luận và kiến nghị

Trang 12

CHƯƠNG 1 TỔNG QUAN VỀ PHỤ TẢI 1.1 Giới thiệu chung

Phụ tải ñiện là số liệu ñầu tiên và quan trọng nhất ñể tính toán thiết kế hệ thống cung cấp ñiện Việc xác ñịnh phụ tải ñiện vô cùng quan trọng cho quá trình tính toán thiết kế và quy hoạch hệ thống ñiện Việc xác ñịnh phụ tải ñiện nhiều lúc vô cùng khó khăn vì công trình thường ñược thiết kế lắp ñặt trước khi có ñối tượng sử dụng ñiện Nên trong thực tế thì khi thiết kế thi công xong thì số lượng nhu cầu phụ tải gia tăng nhanh chóng dẫn tới công trình thiết kế không ñáp ứng kịp sự gia tăng của phụ tải Nên việc dự báo phụ tải một cách chính xác là ñiều vô cùng quan trọng ñể quá trình tính toán thiết kế, quy hoạch hệ thống ñiện ñược tối ưu nhất ñáp ứng ñược nhu cầu gia tăng phụ tải và ñáp ứng ñược quá trình tăng trưởng kinh tế của ñất nước

Phụ tải ñiện ở Việt nam năm 2005 công suất cực ñại của hệ thống ñiện Việt Nam ñạt 9255 MW (giờ chính ñiểm) tăng 11,73% so với năm 2004 và tăng gấp 3,31 lần so với năm 1995 (công suất năm 1995 là 2796 MW) Tốc ñộ tăng trưởng này có giảm so với năm 2004 và trung bình nhiều năm (tốc ñộ tăng trưởng công suất cực ñại trung bình từ năm 1995 – 2004 là 12,85%) Tốc ñộ cao nhất trong cả giai ñoạn 1995 –

2005 ñạt 15,86% năm 2002 Công suất cao nhất của các miền trong năm 2005 ñạt ñược như sau: miền Bắc 3886 MW, miền Trung 979 MW, miền Nam 4539 MW Diễn biến tăng trưởng công suất cực ñại từng năm trong cả giai ñoạn 1995 –

2005 ñược thể hiện trong bảng 1.1 và hình 1.1 (Tài liệu luận văn của tác giả Trần Nam Trung – Trường ñại học bách khoa Hà Nội – Giáo viên hướng dẫn Nguyễn Lân Tráng).

Trang 13

Bảng 1.1: Diễn biến tăng trưởng công suất cực ñại 1995 – 2005

Công suất cực ñại (MW) Tốc ñộ tăng trưởng (%) Năm

Quốc Gia

Miền Bắc

Miền Trung

Miền Nam

Quốc Gia

Miền Bắc

Miền Trung

Miền Nam

Hình 1.1 Biểu ñồ tăng trưởng phụ tải max giai ñoạn 1995-2005

Trang 14

Trang 15

Về cơ cấu tiêu thụ ñiện

Trong năm 2005 phụ tải Công nghiệp và xây dựng chiếm 45,8%; Quản lý và tiêu dùng dân cư chiếm 44,19%; Thương nghiệp và khách sạn chiếm 4,79%; Nông lâm nghiệp và thủy sản chiếm 1,29% và các hoạt ñộng khác là 3,94% Cơ cấu tiêu thụ ñiện

thương phẩm giai ñoạn 2000 – 2005 ñược trình bày ở bảng 1.2 (Tài liệu luận văn của tác giả Trần Nam Trung – Trường ñại học bách khoa Hà Nội – Giáo viên hướng dẫn Nguyễn Lân Tráng).

Bảng 1.2: Cơ cấu tiêu thụ ñiện giai ñoạn 2000 – 2005

Trang 16

2000 ðiện thương phẩm tăng từ 22,4 tỷ GWh năm 2000 lên tới 45,5 tỷ GWh năm

2005, trong 5 năm tăng gấp 2,03 lần ñảm bảo cung cấp ñủ cho ñời sống của nhân dân

Từ bảng cơ cấu tiêu thụ ñiện ta thấy rằng tỷ trọng ñiện thương phẩm dùng chủ yếu cho 4 ngành chính là: Nông nghiệp, Công nghiệp & Xây dưng, thương mại & Khách sạn, và Quản lý & Tiêu dùng, trong ñó Công nghiệp & Xây dựng và Quản lý & Tiêu dùng chiếm chủ yếu Tốc ñộ tăng bình quân ñiện cho Công nghiệp & Xây dựng giai ñoạn 1995 – 2005 là 16,3%, riêng năm 2000 – 2005 là 18,1% Tỷ trọng tiêu thụ ñiện trong công nghiệp trong cả giai ñoạn 1995 – 2005 tăng từ 38% năm 1995 ñến 45,8% năm 2005, trong ñó thấp nhất vào năm 1998 và cao nhất vào năm 2005

ðiện cho nông nghiệp là thành phần có tỷ trọng nhỏ trong cơ cấu tiêu thụ ñiện, chủ yếu cung cấp cho các trạm bơm ñể phục vụ tưới tiêu sản xuất nông - ngư nghiệp

và làng nghề sản xuất nhỏ nông thôn …Nhìn chung tiêu thụ ñiện cho Nông nghiệp có

xu hướng giảm dần trong giai ñoạn 1995 – 2005

Khu vực tiêu thụ ñiện dân dụng chiếm tỷ trọng lớn trong thành phần ñiện thương phẩm Do sự phát triển của nền kinh tế thị trường, số lượng thiết bị ñiện sử dụng trong sinh hoạt của dân cư ñô thị (ti vi, tủ lạnh, máy ñiều hòa…), việc tăng cường ñưa ñiện về nông thôn, miền núi ñể phát triển sản xuất và nâng cao dân trí dẫn tới sản lượng ñiện tiêu thụ cho sinh hoạt dân dụng tăng nhanh Từ năm 1995 – 2005 tốc ñộ tăng trưởng bình quân là 15,3% Trong cơ cấu tiêu thụ ñiện, ñiện dân dụng chiếm tỷ trọng 45 – 51% và có xu hướng giảm dần trong giai ñoạn 2000- 2005

Về tiêu thụ ñiện cho thương mại, khách sạn nhà hàng chiếm tỷ trọng nhỏ trong thành phần ñiện thương phẩm, nhưng có tốc ñộ tăng trưởng bình quân cũng cao khoảng 14,8%

Về biểu ñồ phụ tải (Tài liệu luận văn của tác giả Trần Nam Trung – Trường ñại học

bách khoa Hà Nội – Giáo viên hướng dẫn Nguyễn Lân Tráng)

- Biểu ñồ phụ tải ngày ñiển hình: Biểu ñồ phụ tải ngày ñiển hình của toàn hệ

thống có một số ñặc ñiểm như sau:

Trang 17

Biểu ñồ phụ tải ngày có 2 cao ñiểm là cao ñiểm sáng và cao ñiểm chiều, cao ñiểm sáng rơi vào từ 10h00 – 11h00, cao ñiểm tối rơi vào khoảng từ 18h00 – 20h00 tùy thuộc vào mùa trong năm

• Tốc ñộ tăng trưởng ñiện năng vào giờ ban ngày (từ 8h0 - 17h0) nhanh hơn tốc

ñộ tăng trưởng ñiện năng vào giờ cao ñiểm Tính tại thời ñiểm 11h00, tốc ñộ tăng trung bình 2,17% /năm

• Tỷ lệ công suất giữa thấp/cao ñiểm (Pmin/Pmax) của hệ thống rất thấp, ñạt 0,4 năm 1996 và ñến năm 2005 là 0,45%

• Phụ tải cao ñiểm sáng (khoảng 10h30) có xu hướng tăng nhanh và ñã nhiều lúc cao hơn phụ tải cao ñiểm tối (khoảng 19h00) Sự chênh lệch công suất giữa công suất cao ñiểm sáng và cao ñiểm tối có xu hướng giảm dần Năm 2004 và 2005 cao ñiểm sáng ñạt xấp xỉ cao ñiểm tối, ñặc biệt là các tháng mùa hè Nhu cầu tiêu thụ ñiện năng vào ban ngày tăng nhanh rõ rệt có thể giải thích do những nguyên nhân sau:

- Tỉ trọng ñiện tiêu thụ cho ngành công nghiệp trong tổng ñiện thương phẩm ngày càng tăng (năm 2005 tỉ lệ này là 45,8%) Nếu tỉ lệ ñiện tiêu thụ cho công nghiệp trong tổng ñiện thương phẩm tiếp tục tăng thì biểu ñồ phụ tải ngày ở tất cả các miền sẽ

có xu hướng chuyển dịch cao ñiểm sang cao ñiểm sáng trong những năm tới

- Nhu cầu sử dụng ñiện cho ñiều hòa ở các cơ quan khách sạn …ngày càng tăng ñặc biệt là vào các tháng mùa hè

0 1000

Quốc gia Miền Bắc Miền Nam Miền Trung

Trang 18

Hình 1.2: Biểu ñồ phụ tải ngày mùa hè HTð Quốc gia

Biểu ñồ phụ tải ngày làm việc ñiển hình mùa hè và mùa ñông của hệ thống ñiện Quốc Gia và các miền ñược thể hiện trong hình 1.2 và 1.3

Hình 1.3: Biểu ñồ phụ tải ngày mùa ñông HTð Quốc gia

Từ biểu ñồ phụ tải ngày ñiển hình của các miền ta thấy rằng so với Miền Bắc và Miền Trung biểu ñồ phụ tải ngày của Miền Nam có hình dáng bằng phẳng hơn Vào các tháng mùa khô, cao ñiểm sáng có xu hướng cao hơn cao ñiểm chiều Một trong những nguyên nhân làm khác biệt biểu ñồ của Miền Nam so với Miền Bắc và Miền Trung là tỷ trọng ñiện tiêu thụ cho nghành công nghiệp ở Miền Nam chiếm trên 50% ñiện thương phẩm Còn biểu ñồ phụ tải ngày ñiển hình của Miền Bắc và Miền Trung kém bằng phẳng hơn, cao ñiểm tối và cao ñiểm sáng chênh lệnh nhau khá nhiều

Từ biểu ñồ phụ tải ta cũng thấy rằng công suất chênh lệch giữa giờ thấp ñiểm

và cao ñiểm của toàn hệ thống và của các miền là rất lớn, Pmin/Pmax toàn hệ thống vào khoảng 0,4 –0,45 ñiều này gây khó khăn trong vận hành cũng như kém kinh tế do phải lên xuống nguồn nhiều lần trong ngày và phải tăng lượng công suất ñặt của hệ thống Hệ số phụ tải Pmin/Pmax và hệ số ñiền kín ñồ thị phụ tải qua các năm ñược thể

hiện như bảng 1.3 (Tài liệu luận văn của tác giả Trần Nam Trung – Trường ñại học bách khoa Hà Nội – Giáo viên hướng dẫn Nguyễn Lân Tráng).

Trang 19

Bảng 1.3: Hệ số ñồ thị phụ tải qua các năm

Pmin/Pmax 0,40 0,42 0,4 0,41 0,42 0,42 0,43 0,44 0,45

Ptb/Pmax 0,48 0,51 0,49 0,5 0,5 0,51 0,53 0,55 0,57

- Biểu ñồ phụ tải tháng: Biểu ñồ phụ tải tháng của HTð toàn quốc và các

miền có ñặc ñiểm sau: (Tài liệu luận văn của tác giả Trần Nam Trung – Trường ñại học bách khoa Hà Nội – Giáo viên hướng dẫn Nguyễn Lân Tráng).

• Tháng tiêu thụ ñiện năng lớn nhất là các tháng mùa hè: Từ tháng 4 ñến tháng 8 ðối với miền Bắc và miền Trung tháng có ñiện năng tiêu thụ cao nhất là tháng

8 Riêng miền Nam tháng cao nhất là tháng 4

• Tháng tiêu thụ ñiện năng nhỏ nhất là tháng 1, tháng 2

• Chênh lệch giữa tháng tiêu thụ ñiện cao nhất và thấp nhất là 1,3 lần

• Biểu ñồ phụ tải tháng nhìn chung ít thay ñổi qua các năm

Hình 1.4: Biểu sản lượng ñiện năng tháng năm 2005

Trang 20

1.2 Các loại dự báo phụ tải

ðể thiết lập mô hình dự báo phụ tải ngắn hạn, cần thiết phải xác ñịnh các nhu cầu

mà chúng ta muốn trả lời Theo ñó có hai loại dự báo phụ tải phân biệt trong vận hành và lập quy hoạch các hệ thống ñiện Sự phân biệt này căn cứ vào thời gian dự báo

1.2.1 Trong quy hoạch các hệ thống ñiện

1.2.2 Trong vận hành hệ thống ñiện

Dự báo phụ tải chủ yếu lập cho khoảng thời gian vài phút cho ñến 168 giờ Có

2 loại dự báo phụ tải chính trong vận hành hệ thống ñiện là dự báo phụ tải rất ngắn hạn

Dự báo phụ tải rất ngắn hạn ñược lập cho vài phút sắp tới và ñược dùng cho ñiều khiển nguồn phát tự ñộng (AGC)

Dự báo phụ tải ngắn hạn ñược lập cho từ 1 giờ cho tới 168 giờ tới kết quả dự báo phụ tải ngắn hạn chủ yếu dùng cho các mục ñích thiết lập biểu ñồ phát ñiện Trong thời gian này công ty ñiện phải biết kế hoạch kinh doanh ñiện, kế hoạch bảo dưỡng hoặc kế hoạch ñiều khiển phụ tải ñể tối ưu hoá chi phí

1.3 Các yếu tố ảnh hưởng ñến phụ tải và phụ tải ngắn hạn nói riêng

Các yếu tố ảnh hưởng tới phụ tải ngắn hạn nói chung như thứ trong tuần, ngày

lễ, nhiệt ñộ trong ngày chính vì vậy ñể nâng cao quá trình dự báo phụ tải ta cần phải xét ñến tới các yếu tố chủ yếu ảnh hưởng tới các phụ tải

Trang 21

• Thứ của ngày trong tuần

Có quy luật giữa phụ tải và ngày trong tuần ví dụ như ñêm ngày thứ 2 phụ tải thấp nhất, phụ tải của ngày nghỉ cuối tuần giảm ðồ thị phụ tải của các ngày thường gần giống nhau Dưới ñây là ñồ thị phụ tải của các ngày trong tuần

Hình 1.5: Biểu ñồ phụ tải các ngày trong tuần

• Các ngày ñặc biệt trong năm

Ngày ñặc biệt trong năm như các ngày lễ tết như 30-4,1-5,2-9,10-10 … phụ tải các ngày này giảm nhiều so với các ngày thường và phụ tải gần những ngày này cũng

bị ảnh hưởng Dự báo phụ tải trong các ngày ñặc biệt không áp dụng như ngày bình thường mà phải bằng phương pháp riêng dựa vào sự thay ñổi phụ tải của các ngày này

so với các ngày dạng này của các năm trước ñó

• Thời tiết trong ngày

Bao gồm các thông số về ñiều kiện thự nhiên như nhiệt ñộ, ñộ ẩm, tốc ñộ gió, cường ñộ ánh sáng, trong ñó nhiệt ñộ có ảnh hưởng rất lớn Nhiệt tăng thì phụ tải tăng

và ngược lại

• Truyền hình trực tiếp các sự kiện văn hóa lớn

Phụ tải váo các giờ truyền hình trực tiếp như bóng ñá quốc tế, sự kiện thể thao Olympic, Seagame , … thì phụ tải tăng lên nhiều Vì khi các sự kiện như vậy kéo theo phụ tải sinh hoạt ra tăng rất nhanh Ví dụ một ñồ thị phụ tải của của ngày có truyền hình worlcup và ngày không truyền hình trực tiếp worlcup như hình 1.6

Trang 22

Hình 1.6: ðồ thị phụ tải hệ thống ñiện có truyền hình trực tiếp worldcup và ngày

bình thường

• Các ngày có kế hoạch cắt ñiện ñể sửa chũa hệ thống ñiện

Trong quá trình thực hiện sửa chữa bảo trì lớn như cắt ñiện các ñường dây trên diện rộng như trạm 110kV, 220kV, 35kV, 22kV, … thì phụ tải các ngày này giảm nhiều do ngừng cung cấp ñiện Và ñồ thị các ngày cắt ñiện cũng có tính chất khác nhau phụ thuộc vùng miền và khu vực

• Tốc ñộ gia tăng dân số, thu nhập GDP và giá ñiện

Tốc ñộ gia tăng dân số, thu nhập GDP và giá ñiện ảnh hưởng tới ñồ thị phụ tải rất nhiều bởi vị tốc ñộ gia tăng dân số dẫn ñến phụ tải tăng theo, thu nhập GDP tăng dẫn tới nhu cầu hưởng thụ ngày một cao dẫn tới các thiết bị sinh hoạt gia tăng làm cho phụ tải tăng theo Giá ñiện cũng ảnh hưởng tới ñồ thị phụ tải như là giá ñiện cao làm cho mọi người sử dụng ñiện tiết kiệm hơn giá ñiện rẻ thì hộ tiêu thụ sẽ dùng ñiện nhiêu hơn

1.4 Tìm hiểu các phương pháp dự báo phụ tải

( Tài liệu hệ thống cung cấp ñiện – TS Trần Quang Khánh và tài liệu luận văn của tác giả Nguyễn Thị Thanh Loan – Trường ñại học bách khoa Hà Nội- PGS.TS Trần

Bách hướng dẫn)

ðối với ngành năng lượng nói chung và ngành ñiện nói riêng tồn tại các dạng

dự báo khác nhau như:

Trang 23

ðối với các hệ thống ñiện lớn tương tự như hệ thống ñiện toàn quốc của Việt Nam, dự báo nhu cầu tiêu thụ ñiện, công suất cực ñại hay ñồ thị phụ tải theo thời gian cũng có thể ñược xác ñịnh từ các dự báo của các hệ thống ñiện miền tham gia trong hệ thống ñiện lớn Nếu thực hiện ñược như vậy, quy mô của bài toán sẽ tăng lên theo cấp

số nhân nhưng ngược lại kết quả dự báo sẽ có ñộ chính xác cao hơn

Dự báo nhu cầu ñiện năng ñược chia thành: Dự báo ngắn hạn, trung hạn và dài hạn

- Dự báo ngắn hạn (giờ, ngày, tháng, mùa, năm): chủ yếu phục vụ việc ñiều hành sản xuất, vận tải và phân phối năng lượng, phục vụ cho nhu cầu trực tiếp của sản xuất

và ñời sống, lập kế hoạch sản xuất và kinh doanh

- Dự báo trung hạn (từ 1 tháng ñến 1 năm) thường phục vụ cho việc phân bổ vốn ñầu tư, lập cân bằng giữa cung và cầu năng lượng, lập kế hoạch xây dựng và theo dõi tiến ñộ xây dựng của các công trình, kế hoạch ñại tu sửa chữa nâng cấp thiết bị, chuẩn

bị xây dựng các qui hoạch dài hạn

- Dự báo dài hạn: từ 1 năm ñến 10 năm thậm trí tới 20 năm, nhằm ñịnh hướng cho sự phát triển của ngành ñể hoạch ñịnh những chiến lược chính sách lớn ñảm bảo phát triển bền vững cho toàn bộ hệ thống năng lượng nhiên liệu, ñảm bảo an toàn về cung cấp năng lượng, sử dụng hiệu quả các nguồn năng lượng sơ cấp, giảm thiểu tác ñộng của các công trình năng lượng lên môi trường sinh thái

Thời gian dự báo càng xa, sai lệch sẽ càng lớn, tác ñộng của các yếu tố bất ñịnh càng nhiều Nguồn gốc của những yếu tố bất ñịnh có thể rất khác nhau: từ biến ñộng của khí hậu, thời tiết (với dự báo ngắn hạn) ñến tình hình kinh tế, tài chính (với dự báo trung hạn) và biến ñộng chính trị xã hội (với dự báo dài hạn) Vì vậy khi dự báo nhất

là những dự báo trung hạn và dài hạn, thông thường người ta xác ñịnh một dải thông

số (thấp, trung bình (cơ sở), cao) của số liệu dự báo thay vì một trị số dự báo cố ñịnh Thời gian càng xa, sự biến ñộng của biến dự báo (thấp, cao) càng lớn

Một số phương pháp dự báo nhu cầu ñiện năng ñã ñược áp dụng hay nghiên cứu dưới các hình thức khác nhau ở Việt Nam

- Phương pháp trực tiếp

Trang 24

- Phương pháp Chuyên gia

- Phương pháp ngoại suy theo chuỗi thời gian

- Phương pháp san bằng hàm mũ

- Phương pháp ñàn hồi kinh tế

- Phương pháp cường ñộ

- Dự báo bằng mô hình hồi quy tương quan

- Dự báo bằng phương pháp MEDEE-S

Nhu cầu ñiện năng ñược xác ñịnh theo biểu thức sau:

Trong ñó:

A - nhu cầu ñiện năng của khu vực cần tính toán [kWh];

Ang - ñiện năng tiêu thụ tính theo ñầu người [kWh/người];

Ahộ - ñiện năng tiêu thụ tính theo hộ dân cư [kWh/hộ];

DS - dân số của khu vực tính toán [người];

H - số hộ dân có trong khu vực tính toán [hộ]

Trang 25

ðể xác ñịnh ñược Ang và Ahộ, có thể tra theo các sổ tay thiết kế hoặc tính trực tiếp nhờ các số liệu ñiều tra và thống kê tình hình sử dụng ñiện năng của khu vực

Ahộ = AΣ/H; (1.4)

Ở ñây:

AΣ = ΣAi; với i = (1 ÷ n) (1.5) Với Ai - ñiện năng sử dụng của loại hộ phụ tải thứ i (gia ñình, nhà máy, xí nghiệp, trường học, chiếu sáng công cộng, )

Ai = ΣAij , với j = (1 ÷ m); (1.6)

Aij - ñiện năng sử dụng của hộ phụ tải thứ j thuộc loại hộ phụ tải thứ i

Nhận thấy, dự báo bằng phương pháp trực tiếp ñược tổng hợp từ dự báo theo từng tỉnh nên nó có tác dụng quan trọng trong việc phân vùng và phân nút phụ tải, do

ñó làm cơ sở cho thiết kế lưới ñiện truyền tải và phân phối Tuy nhiên phương pháp này ñòi hỏi công tác ñiều tra phải ñược tiến hành tỉ mỉ, nghiêm túc bởi những cán bộ

có nghiệp vụ, số phiếu ñiều tra ñủ lớn ñể giảm sai số khi tính toán

1.4.2 Phương pháp chuyên gia

a/ Khái niệm

Phương pháp chuyên gia là phương pháp dự báo có kết quả là các “thông số” do các Chuyên gia ñưa ra, là từ trình ñộ uyên bác về lí luận, thành thạo về chuyên môn, phong phú về khả năng thực tiễn cùng với khả năng mẫn cảm, nhạy bén và thiên hướng sâu sắc về tương lai (ñối với ñối tượng dự báo) của một tập thể các nhà khoa học, các nhà quản lý cùng ñội ngũ các cán bộ lão luyện thuộc các chuyên môn hay nằm trong miền lân cận của ñối tượng dự báo ñưa ra các dự báo

Trang 26

ñịnh lượng bằng con ñường tiếp cận trực tiếp ñể tính toán, ño ñạc thông qua các phương pháp ước lượng và công cụ chính xác

c/ Ưu ñiểm, nhược ñiểm của phương pháp chuyên gia

• Ưu ñiểm

- ðây là phương pháp tương ñối ñơn giản, dễ áp dụng và có khả năng tìm ra tức thời các thông số, mà các thông số này không dễ dàng lượng hoá ñược và mô tả quy luật vận ñộng dưới dạng hàm số

- Phương pháp chuyên gia thích ứng ñược với ñặc ñiểm và yêu cầu của một

dự báo nhu cầu và tình hình thị trường hiện ñại là tính khả thi cao, cho kết quả nhanh, tạo ngay căn cứ ñể ñề ra các quyết ñịnh kinh doanh, ứng xử tức thời, phù hợp với diễn biến sôi ñộng và trạng thái muôn vẻ của thị trường Mặt khác, chúng cho phép dự báo ñược những hiện tượng “ñột biến” của thị trường mà thực tế ñã xảy ra, nếu sử dụng các phương pháp dự báo khác rất khó và rất lâu ñưa ra kết quả và ñộ tin cậy cũng không cao

- Không phải bất cứ trường hợp nào, bất cứ lúc nào cũng ñòi hỏi kết quả dự báo phải thể hiện dưới dạng các thông số xác ñịnh, mà nhiều khi kết quả dự báo cũng

có thể tồn tại dưới dạng những nhận ñịnh mang tính chất ñịnh tính, những xu hướng, chiều hướng vận ñộng

- Dự báo phản ứng của thị trường trước những quyết sách kinh doanh, các hành vi nghiệp vụ ñã và sẽ tiến hành (nói cách khác, ñây là dự báo của dự báo) Phương pháp chuyên gia cũng rất hữu hiệu ñối với dự báo nặng về “chất” hơn là về

Trang 27

- Nhiều chuyên gia ñưa ra số liệu dự báo, nhưng cơ sở lý giải lại không rõ ràng, biên ñộ dao ñộng lớn, khiến cho việc ñánh giá sai số và khoảng tin cậy gặp khó khăn

- Việc tập trung các chuyên gia ñầy ñủ trong một cuộc họp, việc thu hồi phiếu trả lời ñúng thời hạn cũng không ñược dễ dàng

1.4.3 Phương pháp ngoại suy ñể dự báo ñiện năng

Phương pháp ngoại suy ñược xây dựng dựa trên mối quan hệ và ñiện năng trong quá khứ Nội dung phương pháp này là tìm ra luật tăng trưởng của nhu cầu ñiện năng trong quá khứ dưới dạng hàm số A=f(t) Sau ñó trên cơ sở giả thiết rằng qui luật

ñó cũng ñúng trong tương lai sẽ tính ñược nhu cầu ñiện năng tại bất cứ thời ñiểm nào trong tương lai Như vậy ta cần tiến hành theo hai bước như sau:

- Tìm dạng hàm mô tả ñúng qui luật phát triển của phụ tải trong quá khứ

Trang 28

Cần áp ñặt vào ñó một hàm số sao cho nó phản ánh ñúng quy luật phát triển của phụ tải Trước tiên ta giả thiết hàm dự báo A=f(t) là hàm tuyến tính (ñường nét ñứt trên hình) và dùng phương pháp xác suất thống kê ñể kiểm ñịnh giả thiết thống kê này, trước hết ta tính hệ số tương quan r giữa A và t theo biểu thức

2 i n

1 i

2 i

n

1

ttA

A

ttA

A

Trong ñó :

Ai: Là ñiện năng ñã cho ở năm ti;

A: Là giá trị trung bình của ñiện năng;

t : Là thời gian;

t : Là giá trị trung bình của thời gian;

n : Là số thông số ño ñược

t n

t

A n

A

1

; 1

2nr

1nr+

Trang 29

- Mức ý nghĩa α lấy từ 0,001 ñến 0,1 Hệ số α nói lên khả năng phạm sai lầm của giải thiết thông kê Hệ số α càng nhỏ thì càng chính xác nhưng lại càng khó ñạt Thường α ñược chọn bằng mức trung bình là 0,05

- Số bậc tự do f phụ thuộc vào số thông số ño ñược n tính như sau, khi n<25 thì f=n-2; còn n≥25 thì f=n-1

ðem số τ tính ñược với τα,f vừa tra ra nếu τ≥τα,f thì quan hệ tuyến tính có thể chấp nhận ñược, còn ngược lại thì không thể sử dụng ñược quan hệ tuyến tính và phải

sử dụng quan hệ phi tuyến nào ñó Ta tuyến tính hoá quan hệ phi tuyến ñó bằng phương pháp lấy lorgarit rồi áp dụng các thủ tục trên

b/ Xác ñịnh các hệ số của hàm dự báo

Các hệ số của hàm dự báo ñược xác ñịnh bằng phương pháp bình phương cực tiểu, thực chất của phương pháp bình phương cực tiểu là tìm các hệ số sao cho tổng bình phương các ñộ lệch giữa các giá trị tính ñược theo phương pháp hồi qui với giá trị thực tế của chúng là nhỏ nhất Phương pháp bình phương cực tiểu ñược ứng dụng rộng rãi vì tính chất ñơn giản, tính toán ít phức tạp, có cơ sở toán học vững chắc về xác suất

và có chương trình mẫu trên máy tính rất tiện lợi

Trước hết hãy xét hàm dự báo tuyến tính: A=a+bt; (1.11)

Thường thì giá trị Ai sẽ lệch khỏi giá trị thực Ath i một lượng là Ai-Athi cần xác ñịnh các giá trị a, b sao cho

=

2 n

1

AA

Thay Ai vào ta có =∑ ( + − ) →

=

2 n

1

Abta

ðiều kiện ñể có cực tiểu là:

; 0 ) (

2

; 0 ) (

t A bt a b

L

A bt a a

n

1

0)Abta

Trang 30

∑

=

−+

n

1

0t)Abta

2 i 2

n

1

i thi ith

tn

1

t

tAn

1t

A

tn

1

t

An

1A

=

−+

0tAtb

t

a

0Atb

a

th 2

th

tbtat

A

tbaA

Giải hệ trên ta xác ñịnh ñược các hệ số a,b của hàm dự báo

ðối với các hàm không tuyến tính, ta có thể dùng phương pháp lấy logarit ñể tuyến tính hoá rồi dùng các phương pháp trên ñể tính

Trong bài toán dự báo nhu cầu ñiện năng, hàm dự báo dùng phổ biến nhất là:

Trang 31

β là ñộ tăng trung bình hàng năm ;

t0 là năm cơ sở ở ñó quan sát ñược A0.

Khi ñó logarit hàm A(t) ta có :

0

1001lg(

)tt()t

(

A

ðây cũng là hàm tuyến tính trong ñó :

)1001lg(

b

)1001lg(

tAlg

β+

=

β+

b/ Ưu ñiểm của phương pháp san bằng hàm mũ

- Tiết kiệm thông tin

- Các dự báo liên tiếp ñược tự ñiều chỉnh nhờ có những thông tin mới nhất trong khi ñó vẫn lưu ý tới ảnh hưởng của các thông tin cũ theo quán tính, do vậy quá trình dự báo sẽ rất sát với quá trình thực tế

- Có ñộ nhạy cao

- Dự báo có sai số nhỏ

- Tính toán không phức tạp lắm và khối lượng tính toán không nhiều

1.4.5 Phương pháp ñàn hồi kinh tế

Phương pháp luận dự báo là: Trên cơ sở dự báo các kịch bản phát triển kinh tế -

xã hội trung hạn và dài hạn, nhu cầu ñiện năng cũng như các nhu cầu tiêu thụ năng

Trang 32

lượng khác ñược mô phỏng theo quan hệ ñàn hồi với tốc ñộ tăng trưởng kinh tế Phương pháp này thích hợp với các dự báo trung hạn và dài hạn

Hệ số ñàn hồi thu nhập ñược tính như sau:

Các hệ số ñàn hồi ñược xác ñịnh theo từng ngành và từng miền lãnh thổ Việc xác ñịnh chúng ñược tiến hành theo chuỗi phân tích quá khứ

Ngoài ra, các yếu tố quan trọng khác tác ñộng ñến nhu cầu ñiện ñược xét ñến là:

- Hệ số ñàn hồi giá ñiện: Khi giá ñiện tăng lên, một số hộ tiêu thụ sẽ có xu hướng chuyển sang sử dụng các nhiên liệu, năng lượng khác hoặc ngược lại Như vậy

về mặt thị trường, giá cả mỗi loại năng lượng dẫn ñến tính cạnh tranh của loại ñó Hệ

số phản ánh sự thay ñổi nhu cầu ñiện của một ngành hay lĩnh vực nào ñó khi giá ñiện thay ñổi ñược gọi là hệ số ñàn hồi giá ðối với Việt Nam, trong thời gian dài do giá ñiện ñược bao cấp, và ñến hiện nay, một số lĩnh vực vẫn ñược trợ giá ñiện từ nhà nước nên việc nghiên cứu quan hệ giá cả với thay ñổi nhu cầu ñiện trong quá khứ không thực hiện ñược Việc áp dụng các hệ số ñàn hồi giá ñiện ñược tham khảo từ một số nước ñang phát triển khu vực châu á trong thập kỷ 80 và 90

- Hệ số tiết kiệm năng lượng: tính tới việc áp dụng tiến bộ khoa học kỹ thuật, thực hiện tiết kiệm năng lượng, ñặc biệt là triển khai các chương trình quản lý phía nhu cầu (DSM)

Như vậy, hàm số dự báo là hàm tổng hợp, dự báo nhu cầu ñiện năng toàn quốc ñược tổ hợp từ nhu cầu ñiện cho các ngành kinh tế, các khu vực dân dụng và từ các vùng lãnh thổ

Trang 33

1.4.6 Phương pháp cường ñộ

Phương pháp luận: Dự báo nhu cầu ñiện năng dựa trên cường ñộ tiêu thụ ñiện năng ñối với từng miền Cường ñộ ñiện năng là một chỉ số tổng quát ñể ñánh giá nhu cầu ñiện năng

Các bước tiến hành như sau:

- Lập bộ số liệu cường ñộ ñiện năng trên GDP ñối với tất cả các miền trong quá khứ

- Bằng phương pháp hồi quy, dự báo cường ñộ ñiện năng trong tương lai

- Trên cơ sở dự báo các kịch bản phát triển kinh tế - xã hội của từng miền, tiêu thụ ñiện năng cho mỗi miền trong tương lai sẽ bằng cường ñộ ñiện năng nhân với GDP

- Tổng hợp nhu cầu ñiện cho từng miền và toàn quốc

1.4.7 Dự báo bằng mô hình hồi quy tương quan

Mô hình hồi quy tương quan là mô hình ñược xây dựng nhằm mô tả mối liên hệ giữa một hiện tượng kinh tế với một hay nhiều hiện tượng khác

Hàm số biểu diễn mối quan hệ gọi là hàm hồi quy tương quan, có thể là hồi quy tương quan ñơn hoặc hồi quy tương quan bội

- Hàm hồi quy tương quan ñơn: biểu diễn mối quan hệ của một hiện tượng kinh tế có liên quan bởi một nhân tố tương quan khác, ví dụ, dạng hàm tuyến tính:

βˆ , ˆ, , ˆ

1

0 : Các tham số của mô hình, còn gọi là hệ số hồi quy riêng

Trang 34

ðối với năng lượng: giữa nhu cầu năng lượng và một số nhân tố có mối liên quan mật thiết như: thời gian, tổng sản phẩm xã hội, thu nhập quốc dân, giá trị tổng sản lượng công nghiệp

1.4.8 Dự báo bằng phương pháp MEDEE-S (mô hình ñánh giá nhu cầu năng lượng cho các nước ñang phát triển)

MEDEE-S là mô hình dự báo dài hạn nhu cầu năng lượng cho các nước ñang phát triển, sử dụng phương pháp phân tích kinh tế-kĩ thuật ñể mô phỏng và phân tích

sự tiến triển của nhu câù năng lượng ở năm ngành riêng biệt của nền kinh tế

Cơ sở ban ñầu của mô hình này là sự phân ñoạn quá trình tiêu thụ năng lượng với các khái niệm, năng lượng cuối cùng và năng lượng hữu ích mà phương trình biểu thị mối quan hệ giữa chúng là:

r

UFC

Trong ñó:

FE – Mức tiêu thụ năng lượng cuối cùng;

UFC – Mức tiêu thụ năng lượng hữu ích;

r – Hiệu suất của quá trình sử dụng

Nhu cầu tiêu thụ năng lượng tổng ñược tính:

số lượng hộ gia ñình ), tiếp theo ñó tiến hành mô phỏng sự phát triển của các yếu tố này thông qua các tính toán trong mô hình hoặc thông qua các biến kịch bản và các biến ngoài

1.4.9 Phương pháp mạng nơron nhân tạo

Trang 35

Có ba nguồn trí thông minh nhân tạo bắt chước các quá trình của bộ óc và hệ thống thần kinh của con người là quá trình xử lý ngôn ngữ, robot và các hệ nơron nhân tạo Hệ nơron nhân tạo có ứng dụng hầu hết ở các lĩnh vực thương mại, trong ñó có dự báo Mạng nơron có khả năng chiết xuất thông tin từ những dữ liệu không chắc chắn hay những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan sát ñược bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác

Trong hệ thống nơron nhiều thí dụ ñược lập chương trình trong máy vi tính Những thí dụ này bao gồm toàn bộ các mối quan hệ trong quá khứ giữa các biến có thể ảnh hưởng ñến các biến phụ thuộc Chương trình hệ thống nơron sau ñó bắt chước ví dụ này và cố gắng bắt chước mối quan hệ cơ sở ñó bằng cách học hỏi khi xử lý Quá trình học hỏi này cũng ñược gọi là ñào tạo giống như việc ñào tạo con người trong công việc Một trong những ưu ñiểm nổi bật của hệ thống nơron trong dự báo là phương pháp này không cần phải xác ñịnh những mối quan hệ giữa các biến số trước Phương pháp này có thể xác ñịnh nhờ vào quá trình học hỏi về các mối quan hệ qua những thí dụ ñã ñược ñưa vào máy Bên cạnh ñó, hệ thống nơron không ñòi hỏi bất kỳ giả ñịnh nào về các phân phối tổng thể và không giống những phương pháp dự báo truyền thống, nó có thể sử dụng mà không cần có ñầy ñủ số lượng các số liệu cần thiết Chương trình hệ thống nơron có thể thay thế nhanh chóng mô hình hiện có, ví dụ như phân tích hồi quy, ñể ñưa

ra những dự báo chính xác mà không cần ngưng trệ các hoạt ñộng ñang diễn ra Hệ thống Nơron ñặc biệt hữu ích khi số liệu ñầu vào có tương quan cao hay có số lượng không ñủ, hoặc khi hệ thống mang tính phi tuyến cao Phương pháp này cho kết quả dự báo có ñộ chính xác cao, dự báo ñược các sự kiện theo thời gian

1.4.10 Các bài toán dự báo phụ tải

1.4.10.1 Bài toán dự báo phụ tải dài hạn

Trong bài toán dự báo phụ tải dài hạn thì các yếu tố ảnh hưởng tới phụ tải là rất nhiều Như các yếu tố làm thay ñổi tới ñồ thị phụ tải là: Nhiệt ñộ trái ñất nóng lên, thu nhập GDP, GNP, chỉ số giá tiêu dùng, giá ñiện, dân số, số hộ nông thôn dùng ñiện, giá trị sản xuất công nghiệp, nhu cầu dịch vụ vv…

Các tham số góp phần tích cực làm thay ñổi ñồ thị phụ tải như GDP và GNP Chẳng hạn nếu như GDP và GNP tăng nghĩa là kinhh tế tăng trưởng thì dẫn tới nhu cầu người dân tăng cao họ mua sắm các thiết bị cho nhu cầu của gia ñình tăng như ñiều hòa, máy giặt, ti vi, tủ lạnh, lò sưởi vv… dẫn tới nhu cầu sử dụng tăng cao làm

Trang 36

cho ñồ thị phụ tải thay ñổi Do tăng trưởng kinh tế cao thi các vấn ñề cở sở hạ tầng cũng ñược tăng cường củng cố như giao thông, trường, và các dịch vụ sẽ gia tăng dẫn tới nhu cầu sử dụng ñiện tăng cao như chiếu sáng công cộng Tất cả các yếu tố ñó ảnh hưởng tới ñồ thị phụ tải hiện tại và tương lai Bài toán dự báo phụ tải dài hạn thường với thời gian dự báo là 1 năm tới 10 năm Do ñó bài toán dự báo phụ tải dài hạn rất quan trọng, cần dự báo chính xác nhằm ñáp ứng công tác quy hoạch hệ thống ñiện phù hợp với tình hình kinh tế xã hội trong tương lai

1.4.10.2 Bài toán dự báo phụ tải trung hạn

Dự báo phụ tải trung hạn từ 1 tháng tới 1 năm Như vậy các dữ liệu tham gia vào quá trình làm biến ñổi ñồ thị phụ tải là : Khí hậu, môi trường, các sự kiện lớn của quốc gia, quốc tế., tăng trưởng kinh tế, giá ñiện, chỉ số giá tiêu dùng vv…

Các yếu tố ñó sẽ làm thay ñổi ñồ thị phụ tải chẳng hạn như giá ñiện mà ñắt gấp

2 lần, kinh tế tăng trưởng không cao Người tiêu dùng ñiện sẽ giảm bớt những thiết bị tiêu thụ ñiện như vậy làm ñồ thị phụ tải thay ñổi theo

1.4.10.3 Bài toán dự báo phụ tải ngắn hạn

Dự báo phụ tải ngắn hạn thường dự báo cho các giờ tiếp theo, dự báo cho 24h tiếp theo và thường dự báo phụ tải ñỉnh và ñáy Mục ñích nhằm ñưa ra các giá trị phụ tải thực tế khi dự báo ñể vận hành hệ thống cho hợp lý

Các yếu tố ảnh hưởng tới phụ tải ngắn hạn là môi trường, ngày làm việc, ngày nghỉ, ngày lễ, tết,… của cộng ñồng dân cư Bài toán dự báo thường có 2 dạng là: dự báo phụ tải ñỉnh, ñáy của ngày cần dự báo và bài toán dự báo phụ tải ngày cần dự báo

Kết luận chương 1: Trong chương này giới thiệu về phụ tải và các phương

pháp dự báo thường sử dụng Ưu ñiểm nổi bật của hệ thống nơron trong dự báo là phương pháp này không cần phải xác ñịnh những mối quan hệ giữa các biến số trước Phương pháp này có thể xác ñịnh nhờ vào quá trình học hỏi về các mối quan hệ Bên cạnh ñó, hệ thống nơron không ñòi hỏi bất kỳ giả ñịnh nào về các phân phối tổng thể và không giống những phương pháp dự báo truyền thống, nó có thể sử dụng mà không cần

có ñầy ñủ số lượng các số liệu cần thiết Chương trình hệ thống nơron có thể thay thế nhanh chóng mô hình hiện có, ví dụ như phân tích hồi quy, ñể ñưa ra những dự báo chính xác mà không cần ngưng trệ các hoạt ñộng ñang diễn ra Hệ thống Nơron ñặc biệt hữu ích khi số liệu ñầu vào có tương quan cao hay có số lượng không ñủ, hoặc khi hệ thống mang tính phi tuyến cao Phương pháp này cho kết quả dự báo có ñộ chính xác cao, dự

Trang 37

báo ñược các sự kiện theo thời gian Nêu bật ñược các tham số ảnh hưởng tới phụ tải biến ñộng do các yếu tố như môi trường, kinh tế, dân số, giá cả tiêu dùng vv…

Trang 38

CHƯƠNG 2 KHÁI QUÁT CHUNG VỀ MẠNG NƠRON NHÂN TẠO VÀ MẠNG NƠRON

TRONG TOOLBOX MATLAB 2.1 Khái quát chung về mạng nơron nhân tạo

2.1.1 Khái niệm chung về mạng nơron

Mạng Nơron nhân tạo (Artifiricial Neuron Network) ANN gọi tắt là mạng

nơron là một mô hình xử lý thông tin phỏng theo cách xử lý thông tin của các hệ nơron

sinh học Nó ñược tạo nên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay

nơron) Kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như

một thể thống nhất ñể giải quyết vấn ñề cụ thể nào ñó

Mạng nơron nhân tạo ñược cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu

phân loại dữ liệu…) thông qua một quá trình học từ tập các mẫu huấn luyện Về bản

chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron

2.1.2 Quá trình xử lý thông tin của mạng Nơron nhân tạo

Processing Elements (PE): Các PE của ANN gọi là Nơron; mỗi Nơron nhận

các dữ liệu vào (Inputs) xử lý chúng và cho ra một kết quả (output) duy nhất; kết quả

xử lý của một nơron có thể làm ñầu vào cho các nơron khác

Hình 2.1: Mô hình mạng nơron

Inputs: Mỗi Input tương ứng với 1 thuộc tính (attribute) của dữ liệu (patterns)

Ví dụ như trong ứng dụng nghành ñiện dự báo phụ tải của năm của tháng hay của ngày

vv… thì mỗi ñầu vào Input là một thuộc tính của khách hàng

Output: Kết quả của một ANN là một giải pháp cho một vấn ñề, ví dụ như với

bài toán xem xét tham số phụ tải ñầu ra output

Trang 39

Connection Weights (Trọng số liên kết): ðây là thành phần rất quan trọng

của một ANN, nó thể hiện mức ñộ quan trọng (ñộ mạnh) của dữ liệu ñầu vào ñối với quá trình xử lý thông tin (quá trình chuyển ñổi dữ liệu từ lớp này sang lớp khác) Quá trình học (Learning Processing) của ANN thực ra là quá trình ñiều chỉnh các trọng số (Weight) của các input data ñể có ñược kết quả mong muốn

Summation Function (Hàm tổng): Tính tổng trọng số của tất cả các input

ñược ñưa vào mỗi nơron (phần tử xử lý PE) Hàm tổng của một Nơron ñối với n input ñược tính theo công thức sau:

Hàm tổng ñối với nhiều nơron trong cùng một Layer (Xem hình 2.2b):

Hình 2.2: Transformation (Transfer) Function (Hàm chuyển ñổi)

Hàm tổng (Summation Function) của một nơron cho biết khả năng kích hoạt (Activation) của nơron ñó còn gọi là kích hoạt bên trong (internal activation) Các nơron này có thể sinh ra một output hoặc không trong ANN (nói cách khác rằng có thể output của 1 nơron có thể ñược chuyển ñến layer tiếp trong mạng nơron tiếp theo hoặc không) Mối quan hệ giữa Internal Activation và kết quả (output) ñược thể hiện bằng hàm chuyển ñổi (Transfer Function) như hình dưới 2.2.1

Trang 40

Hình 2.2.1: Mô hình mạng nơron

Việc lựa chọn Transfer Function có tác ñộng lớn ñến kết quả của ANN Hàm

chuyển ñổi phi tuyến ñược sử dụng phổ biến trong ANN là sigmoid (logical

activation) function

Y T

2.1.3 Hàm truyền trong mạng Nơron nhân tạo

Bất kỳ hàm truyền nào trong toolbox của phần mềm Matlab ñều 3 ñiểm chung nhất sử dụng hàm ñược hiển thị ở dưới

Hàm Hard-lim

Hình 2.3: ðồ thị hàm Hard-Limit

f(n)=1 nếu n≥0;

f(n)=0 nếu n≤0;

Định dạng
Số trang	114
Dung lượng	2,39 MB

Nghiên cứu ứng dụng mạng nơron nhân tạo dự báo phụ tải điện cho thành phố hưng yên

Phương pháp ñ ành ồi kinh tế

Phương pháp mạng nơron nhân tạo