Xây dựng công cụ hỗ trợ dự báo, đánh giá nhu cầu phụ tải điện theo vùng

2 Với những thực trạng nêu trên, mục tiêu của luận văn hướng đến vận dụng mô hình mạng nơron nhân tạo kết hợp với giải thuật di truyền trong bài toán dự báo phụ tải ngắn hạn Tập đoàn Điệ

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

ĐINH NHẬT MINH

XÂY DỰNG CÔNG CỤ HỖ TRỢ DỰ BÁO, ĐÁNH GIÁ

NHU CẦU PHỤ TẢI ĐIỆN THEO VÙNG

Ngành : Công nghệ thông tin Chuyên ngành : Các hệ thống thông tin

Mã số : 60.48.05

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Người hướng dẫn khoa học : TS Nguyễn Ngọc Hóa

HÀ NỘI , 2013

MỤC LỤC

TÓM TẮT NỘI DUNG LUẬN VĂN i

LỜI CẢM ƠN Error! Bookmark not defined MỤC LỤC iii

DANH MỤC HÌNH VẼ v

DANH MỤC CÁC BẢNG vi

THUẬT NGỮ VÀ TỪ VIẾT TẮT vii

MỞ ĐẦU 1

CHƯƠNG I TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN 3

1.1 GIỚI THIỆU VỀ PHỤ TẢI ĐIỆN 3

1.1.1 Khái niệm 3

1.1.2 Phân loại 3

1.1.3 Vai trò của phụ tải điện 3

1.1.4 Biểu đồ phụ tải điện 3

1.1.5 Các yếu tố ảnh hưởng đến phụ tải điện 4

1.2 BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN 5

1.2.1 Vai trò của dự báo phụ tải điện 5

1.2.2 Phân loại dự báo 6

1.2.3 Dự báo phụ tải điện trong thực tế 6

1.3 MỘT SỐ PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI 7

1.3.1 Phương pháp dự báo trung và dài hạn 7

1.3.2 Phương pháp dự báo ngắn hạn 8

1.4 KẾT LUẬN CHƯƠNG I 9

CHƯƠNG II GIẢI PHÁP DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NƠRON NHÂN TẠO VÀ GIẢI THUẬT DI TRUYỀN 10

2.1 YÊU CẦU ĐẶT RA CỦA BÀI TOÁN DỰ BÁO PHỤ TẢI 10

2.1.1 Đối tượng dự báo 10

2.1.2 Khu vực dự báo 10

2.1.3 Thời gian dự báo 10

2.1.4 Xác định tiêu chuẩn đánh giá dự báo 10

2.1.5 Các yếu tố ảnh hưởng đến phụ tải điện 10

2.2 LÝ THUYẾT LIÊN QUAN 12

2.2.1 Mạng nơron nhân tạo 12

2.2.2 Giải thuật di truyền 15

2.2.3 Kết hợp giải thuật di truyền để tối ưu bộ trọng số trong mạng nơron nhân tạo sử dụng thuật toán lan truyền ngược 18

2.3 MÔ HÌNH GIẢI PHÁP ĐỀ XUẤT 21

2.3.1 Cách tiếp cận 21

2.3.2 Mô hình áp dụng giải thuật di truyền để tối ưu bộ trọng số của mạng nơron lan truyền ngược 22 2.3.3 Các bước xây dựng hệ thống 23

2.4 KẾT LUẬN CHƯƠNG II 25

CHƯƠNG 3 THỰC NGHIỆM 26

3.1 KIẾN TRÚC TỔNG THỂ CỦA HỆ THỐNG 27

3.2 THIẾT KẾ CHI TIẾT CỦA HỆ THỐNG 28

3.2.1 Mô hình ca sử dụng 28

3.2.2 Thiết kế cơ sở dữ liệu 29

3.2.3 Đặc tả mạng nơ ron 31

3.3 THU THẬP VÀ XỬ LÝ DỮ LIỆU 37

3.3.1 Thu thập dữ liệu 37

3.3.2 Tiền xử lý dữ liệu 37

3.4 CÀI ĐẶT VÀ THỰC NGHIỆM 39

3.2.1 Cài đặt 39

3.2.2 Thử nghiệm 43

3.5 ĐÁNH GIÁ KẾT QUẢ THỰC NGHIỆM 50

3.6 KẾT LUẬN CHƯƠNG 3 53

KẾT LUẬN CHUNG 55

TÀI LIỆU THAM KHẢO 57

PHỤ LỤC 1 58

DANH MỤC HÌNH VẼ

Hình 1.1 Biểu đồ phụ tải điện Việt Nam theo ngày 4

Hình 2.1 Đơn vị xử lý trong mạng nơron nhân tạo 12

Hình 2.2: Mạng nơron truyền thẳng 3 lớp 14

Hình 2.3: Mạng hồi quy 3 lớp 14

Hình 2.4:Cấu trúc giải thuật di truyền 18

Hình 2.5:Mã hóa nhiễm sắc thể 19

Hình 2.6:Kết quả nghiên cứu của Kitano thực hiện đối với bài toán XOR 21

Hình 2.7: Mô hình giải quyết bài toán dự báo phụ tải 22

Hình 2.8: Mô hình kết hợp áp dụng giải thuật di truyền để tối ưu bộ trọng số của mạng nơron sử dụng thuật toán lan truyền ngược 23

Hình 3.1 Kiến trúc tổng thể của hệ thống dự báo phụ tải 27

Hình 3.2: Mô hình use case tổng thể của hệ thống 28

Hình 3.3: Thiết kế cơ sở dữ liệu phần quản trị 29

Hình 3.4: Sơ đồ thiết kế cơ sở dữ liệu chương trình dự báo phụ tải 30

Hình 3.5: Tham số sử dụng để dự báo phụ tải giờ tới 32

Hình 3.6: Tham số dùng để dự báo phụ tải ngày tới 33

Hình 3.7: Các yếu tố ảnh hưởng đến dự báo phụ tải tháng tới 34

Hình 3.8: Giao diện chức năng nhập dữ liệu quá khứ 41

Hình 3.9: Giao diện chức năng quản lý phương án 42

Hình 3.10: Giao diện chức năng thêm mới phương án 42

Hình 3.11: Giao diện chức năng dự báo 43

Hình 3.12: Biểu đồ huấn luyện mạng với 3 phương án 48

Hình 3.13: Biểu đồ dự báo phụ tải năm 2009 51

Hình 3.14: Biểu đồ dự báo phụ tải tất cả các ngày từ 2009 đến 2011 51

Hình 3.15: Biểu đồ dự báo phụ tải của các ngày thứ 7 51

Hình 3.16: Biểu đồ dự báo phụ tải của các ngày chủ nhật 52

Hình 3.17: Biểu đồ dự báo phụ tải của các ngày lễ 52

Hình 3.18: Biểu đồ dự báo phụ tải 24h của ngày 01/04/2012 52

DANH MỤC CÁC BẢNG

Bảng 3.1: Ràng buộc dữ liệu đầu vào 38

Bảng 3.2: Kết quả thử nghiệm thuật toán lan truyền ngược 43

Bảng 3.3: Kết quả thử nghiệm với thuật toán di truyền 45

Bảng 3.4: Kết quả thử nghiệm kết hợp cả 2 phương án 47

Bảng 3.5: Thử nghiệm so sánh 3 phương pháp dự báo 47

Bảng 3.6: Kết quả huấn luyện hệ thống sau khi bổ sung thêm dữ liệu học 49

Bảng 3.7: Ảnh hưởng của nhiễu đến kết quả dự báo 50

Bảng 3.8: Tổng hợp kết quả đánh giá thử nghiệm mô hình 50

THUẬT NGỮ VÀ TỪ VIẾT TẮT

1

MỞ ĐẦU

Trung tâm Điều độ Hệ thống điện Quốc Gia thuộc Tập đoàn Điện lực Việt Nam được giao nhiệm vụ quản lý, điều hành hệ thống điện Việt Nam đảm bảo đầy đủ điện phục vụ an ninh quốc gia, sinh hoạt, sản xuất cho nhân dân và các doanh nghiệp trên toàn quốc Với đặc thù nghành điện là sản xuất phải tiêu dùng ngay, phạm vi lưới điện trải dài mọi vùng miền của Tổ quốc và gần 120 nhà máy điện đủ loại hình (thủy điện, nhiệt điện than, nhiệt điện khí, dầu) Trung tâm Điều độ hệ thống điện Quốc Gia có trách nhiệm vận hành hệ thống điện an toàn, hiệu quả và hướng tới thị trường phát điện canh tranh theo thông tư 18/2010/TT-BCT của Bộ Công thương ban hành

Để hoàn thành tốt nhiệm vụ được giao, Trung tâm Điều độ Hệ thống điện Quốc Gia phải xây dựng kế hoạch vận hành hệ thống điện theo năm, tháng, tuần, ngày, giờ Muốn có được kế hoạch vận hành hệ thống điện tốt thì dự báo nhu cầu dùng điện (phụ tải) của tất cả các vùng miền trên toàn quốc đóng vai trò quan trọng để tối ưu hóa việc khai thác các nhà máy điện trên toàn quốc, trong đó đặc biệt nhất là nhà máy thủy điện Nhu cầu này đã được đặc tả rõ qua bài toán dự báo phụ tải hệ thống điện phục vụ vận hành hệ thống điện và thị trường điện Với nhu cầu đặt ra đó, dựa trên những kiến thức thu được trong quá trình học Cao học tại trường Đại học Công nghệ, ĐHQGHN,

tôi đã lựa chọn đề tài luận văn tốt nghiệp “Xây dựng công cụ hỗ trợ dự báo, đánh giá

nhu cầu phụ tải điện theo vùng” để có thể vận dụng trực tiếp những kiến thức thu

được trong bài toán thực tiễn

Dự báo phụ tải là bài toán phổ biến nhưng lại rất phức tạp, bởi tính diễn biến bất thường của nó theo vùng, theo thời gian Khi vận hành hệ thống điện, nếu dự đoán trước được phụ tải điện cho giờ tới, ngày tới, tuần tới, tháng tới, thậm chí cho năm tới thì việc vận hành toàn bộ hệ thống phát điện sẽ kinh tế hơn

Các phương pháp dự báo nói chung đều được xây dựng dựa vào những dữ liệu quan sát, thu thập thực tế được trong quá khứ và những hành vi, thói quen của người dùng Tuỳ thuộc vào nhu cầu dự báo điều độ, ngắn hạn, trung hạn hay dài hạn mà chúng ta có thể xây dựng những phương pháp dự báo khác nhau Trong khuôn khổ luận văn này, tôi chỉ tập trung đến bài toán dự báo phụ tải ngắn hạn với lý do dự báo phụ tải ngắn hạn cần ít tham số đầu vào hơn so với dự báo phụ tải dài hạn Trong thời gian ngắn hạn, các yếu tố ảnh hưởng đến phụ tải không thay đổi quá nhiều, do đó kết quả dự báo sẽ tốt hơn

Hiện nay, có nhiều phương pháp để dự báo phụ tải ngắn hạn Có thể kể đến các phương pháp dựa trên kỹ thuật thống kê như phương pháp ngày tương tự [3], phương pháp chuỗi thời gian [11], phương pháp hồi quy [10] hoặc bằng kỹ thuật trí tuệ nhân tạo như mạng nơron [2] [3] [6] [7] [8] và hệ thống chuyên gia[4], logic mờ Trong những phương pháp trên, phương pháp sử dụng mạng nơ ron nhân tạo có nhiều ưu điểm hơn cả dựa trên việc dễ ứng dụng thực hiện, độ chính xác và hiệu quả cao

2

Với những thực trạng nêu trên, mục tiêu của luận văn hướng đến vận dụng mô hình mạng nơron nhân tạo kết hợp với giải thuật di truyền trong bài toán dự báo phụ tải ngắn hạn Tập đoàn Điện lực Việt Nam Mục tiêu này sẽ đạt được thông qua ba nội dung chính sau:

- Đặc tả chi tiết bài toán dự báo phụ tải, các phương pháp dự báo phụ tải điển hình hiện nay

- Xây dựng giải pháp dự báo phụ tải với cách tiếp cận sử dụng mạng nơ ron nhân tạo và giải thuật di truyền

- Phát triển hệ thống thực nghiệm và đánh giá kết quả dự báo dựa trên dữ liệu thực tại các vùng, miền của Việt Nam

Phần của luận văn sẽ được tổ chức như sau:

Chương 1 Tổng quan về phụ tải điện và bài toán dự báo phụ tải điện:

Chương này nêu lên các khái niệm cơ bản về phụ tải điện trong hệ thống điện Việt Nam, đồng thời tập trung trình bày kiến thức nghiên cứu phụ tải điện cũng như các phương pháp dự báo phụ tải điện đã được sử dụng

Chương 2 Giải pháp dự báo phụ tải sử dụng mạng nơron nhân tạo và áp dụng giải thuật di truyền: Chương này sẽ giới thiệu về các yêu cầu đặt ra đối với bài

toán dự báo phụ tải, đồng thời nêu các lý thuyết liên quan đến phương pháp dự báo phụ tải sử dụng trong luận văn là mạng nơron nhân tạo và giải thuật di truyên, qua đó

đề xuất mô hình dự báo phụ tải

Chương 3 Thực nghiệm: Chương này trình bày các kết quả phân tích, thiết kế,

cài đặt và thử nghiệm các chức năng dự báo của hệ thống

Kết luận chung: Tổng hợp những đóng góp chính của luận văn và đề xuất một số

hướng phát triển mở rộng kế tiếp của luận văn

3

CHƯƠNG I TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN

Trong phần này chúng ta tìm hiểu về phụ tải điện, các yếu tố ảnh hưởng đến phụ tải điện Từ đó phân tích được những yếu tố nào là quan trọng, quyết định đến phụ tải trong thực tế Kiến thức của chương này được tham khảo từ [1]

1.1.1 Khái niệm

Là công suất điện tổng cộng tiêu thụ bởi tất cả các thiết bị dùng điện nối vào các mạng lưới phân phối của hệ thống điện hoặc các thiết bị dùng điện (ví dụ như các máy công nghiệp, máy phục vụ sản xuất hoặc các thiết bị sinh hoạt dân dụng như đèn, bàn là, bếp điện,… )

Phụ tải của một miền công suất điện tổng cộng tiêu thụ bởi tất cả các thiết bị dùng điện nối vào các mạng lưới phân phối của hệ thống điện của miền đó

1.1.2 Phân loại

Phụ tải điện được chia thành 2 nhóm như sau (chi tiết xem phụ lục 1):

- Nhóm phụ tải phi dân dụng: là phụ tải điện thuộc các thành phần phụ tải Công Nghiệp - Xây dựng, Thương nghiệp - Khách sạn - Nhà hàng, Nông – Lâm - Thủy sản

và các hoạt động khác

- Phụ tải dân dụng: là phụ tải điện thuộc thành phần phụ tải Sinh hoạt dân dụng

1.1.3 Vai trò của phụ tải điện

Trong các cơ quan, xí nghiệp cũng như trong các hộ gia đình có rất nhiều loại máy, thiết bị điện khác nhau, với nhiều công nghệ khác nhau, trình độ của người sử dụng cũng rất khác nhau cùng với nhiều yếu tố khác dẫn tới sự tiêu thụ công suất của các thiết bị không bao giờ bằng công suất định mức của chúng Phụ tải điện là một hàm của nhiều yếu tố theo thời gian P(t), và vì vậy chúng không tuân thủ một qui luật nhất định, cho nên việc xác định được chúng là rất khó khăn Nhưng phụ tải điện lại là một thông số quan trọng để lựa chọn các thiết bị của hệ thống điện, lập lịch vận hành của các nhà máy điện khi tham gia thị trường Công suất mà ta xác định được bằng cách dự báo gọi là phụ tải dự báo Pdb

- NếuPdb< Pthực: trường hợp này thiết bị mau giảm tuổi thọ, có thể cháy nổ

- Nếu Pdb> Pthực tế: trường hợp này gây ra lãng phí

1.1.4 Biểu đồ phụ tải điện

Biểu đồ phụ tải điện đặc trưng cho sự tiêu dùng năng lượng điện của các thiết bị riêng lẻ, của nhóm thiết bị, của phân xưởng, xí nghiệp hoặc của cả vùng, miền, hệ thống Nó là tài liệu quan trọng trong vận hành điện

4

Biểu đồ phụ tải bao gồm các loại biểu đồ phụ tải thực của tháng, năm, biểu đồ phụ tải ngày điển hình (ngày làm việc, ngày cuối tuần và ngày nghỉ lễ) của tháng và năm

Hình 1.1 Biểu đồ phụ tải điện Việt Nam theo ngày

1.1.5 Các yếu tố ảnh hưởng đến phụ tải điện

Phụ tải là kết quả của một quá trình sử dụng điện phức tạp của nhiều đối tượng, vùng miền Phụ tải điện phụ thuộc vào rất nhiều yếu tố, mà điển hình là các yếu tố sau đây:

- Yếu tố kinh tế: điều kiện kinh tế của vùng, miền ảnh hưởng rất lớn đến

nhu cầu sử dụng điện của vùng, miền đó Cụ thể ở đây, tốc độ tăng trưởng kinh

tế có tác động lớn nhất Tốc độ phát triển kinh tế của năm ảnh hưởng tới giá điện, sức mua của dân, sự phát triển của nền công nghiệp - những đối tượng tiêu thụ điện chủ yếu Yếu tố kinh tế chủ yếu ảnh hưởng đến phụ tải dài hạn

- Yếu tố dân số: Dân số trong vùng ảnh hưởng lớn đến phụ tải điện dài hạn

bởi vì đó là đối tượng sử dụng điện chủ yếu Yếu tố kinh tế cũng chủ yếu ảnh hưởng đến phụ tải dài hạn

5

- Yếu tố khí hậu Ở đây nhiệt độ đóng vai trò quyết định Nhiệt độ ảnh

hưởng tới độ ẩm, tới nắng mưa, tới khả năng tiêu thụ điện của các khu dân cư, khả năng tiêu thụ điện của các thiết bị điện

- Yếu tố mùa vụ Mùa vụ ở đây là mùa xuân, hạ, thu, đông (thời gian), mùa

nắng, mưa, bão, lũ Các mùa này ảnh hưởng trực tiếp đến sức tiêu thụ điện của khu dân cư Ta có thể quy yếu tố mùa vụ về yếu tố thời gian

- Yếu tố ngày lễ, tết Yếu tố này ảnh hưởng đến sức tiêu thụ điện lớn Với

ngày nghỉ cuối tuần thì sức tiêu thụ điện của khu dân cư giảm hẳn Trong khi

đó ngày lễ, tết thì khu công nghiệp cũng giảm hẳn sức tiêu thụ điện

- Yếu tố địa lý Yếu tố tạo nên sự đặc trưng cho phụ tải ở từng vùng, miền

Do yêu cầu thực tế cũng như do đặc trưng về khí hậu, kinh tế của mỗi vùng miền là khác nhau nên ta sẽ xây dựng phương án dự báo phụ tải cho mỗi vùng miền

- Khả năng vận hành của các tổ máy Trên thực tế, khi tiến hành dự báo

phụ tải thì ta có thêm yếu tố là khả năng vận hành của tổ máy Mỗi tổ máy sẽ

có một bộ tham số ứng với Pmax - công suất lớn nhất và Pmin - công suất nhỏ nhất

Trong phần này chúng ta đi tìm hiểu thế nào là dự báo phụ tải điện, tìm hiểu các

mô hình, phương pháp dự báo phụ tải điện, đánh giá ưu nhược điểm cùng khả năng vận dụng của từng mô hình, phương pháp vào thực tiễn dự báo Từ đó lựa chọn mô hình, phương pháp thích hợp cho bài toán Kiến thức của chương này được tham khảo

từ [1], [4]

1.2.1 Vai trò của dự báo phụ tải điện

Khi vận hành hệ thống điện, nếu dự đoán trước được đồ thị phụ tải điện cho ngày tới, tuần tới, tháng tới, năm tới thì việc vận hành hệ thống sẽ kinh tế hơn Nói một cách khác, dự báo phụ tải - mục đích là dự báo nhu cầu điện năng của vùng, miền, quốc gia trong tương lai, dựa vào các quan sát, thực nghiệm của quá khứ nhằm phục

vụ cho công tác quy hoạch, phát triển nguồn, lưới điện trong hệ thống điện, phục vụ cho công tác điều độ, vận hành hệ thống lưới điện Nhiệm vụ này rất quan trọng và khó khăn

Hiện nay, dự báo phụ tải điện là một bộ môn khoa học còn non trẻ và chưa thể hoàn thiện vì sự vận động không thể báo trước của phụ tải điện Chủ yếu người ta dựa vào các yếu tố như: các hiện tượng xã hội, nền kinh tế sẵn có, vấn đề ứng dụng và phát triển khoa học kỹ thuật

6

Nếu dự báo phụ tải trong khoảng thời gian nhất định nào đó sai lệch quá nhiều

sẽ không tốt cho chính ngành điện và cả nền kinh tế Ví dụ: khi dự báo nhu cầu của phụ tải quá thừa trong khoảng thời gian nào đó, sẽ dẫn đến việc vốn đầu tư tăng lên gây nên lãng phí về kinh tế, không khai thác triệt để được công suất của thiết bị điện Ngược lại, nếu dự báo thiếu công suất theo yêu cầu của các hộ tiêu thụ sẽ dẫn đến không cung cấp đủ công suất cho các phụ tải, làm giảm độ tin cậy cung cấp điện, gây thiệt hại lớn đến toàn bộ nền kinh tế

1.2.2 Phân loại dự báo

Việc phân loại công việc dự báo phụ tải ra thành các loại khác nhau có vai trò rất quan trọng Mỗi loại dự báo khác nhau sẽ có những tính chất khác nhau, và phù hợp với những loại mô hình khác nhau Do vậy, người ta phân chia thành các loại dự báo khác nhau để nghiên cứu, xây dựng mô hình và tiến hành dự báo một cách phù hợp Sau đây là các loại dự báo:

- Dự báo điều độ: thời gian dự báo theo giờ hoặc vài phút Sai số yêu cầu nhỏ

hơn 5%

- Dự báo ngắn hạn: thời gian dự báo theo ngày hoặc vài ngày hoặc tháng Sai số

cho phép của công tác dự báo ngắn hạn là 3÷5%

- Dự báo trung hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời

gian 5÷7 năm Sai số cho phép của công tác dự báo trung hạn là 5÷10%

- Dự báo dài hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời

gian 10÷20 năm

Yêu cầu chung mà tất cả các bài toán dự báo phụ tải cần phải giải quyết là làm cách nào để có thể phân tích và sử dụng chuỗi dữ liệu có trong quá khứ để dự đoán được giá trị tương lai

1.2.3 Dự báo phụ tải điện trong thực tế

Trên thực tế có các loại dự báo phụ tải như sau:

1.3.1.1 Dự báo giờ tới

Loại dự báo này xác định nhu cầu phụ tải của các giờ Thường thì, theo yêu cầu lập lịch cho các nhà máy điện, ta cần dự báo phụ tải cho 3 giờ tới (3 giờ tiếp theo so với giờ hiện tại) và đến thời điểm cuối mỗi giờ, ta cần dự báo lại cho giờ kế tiếp

1.3.1.2 Dự báo ngày tới

Dự báo ngày tới cũng như dự báo giờ tới Chỉ khác về mặt thời gian, ta sẽ dự báo phụ tải cho ngày tiếp theo hoặc cho 7 ngày của tuần tới

1.3.1.3 Dự báo tháng tới

7

Dự báo tháng tới cũng như dự báo ngày tới Chỉ khác về mặt thời gian, ta sẽ dự báo phụ tải cho cả tháng tiếp theo hoặc cho 12 tháng của năm tới

1.3.1.4 Dự báo năm tới

Dự báo năm tới là ta dự báo cho đầy đủ 12 tháng của các năm tới

Các dự báo trên đều thuộc loại dự báo ngắn hạn và trung hạn

Dự báo phụ tải thực chất là nhằm mục đích dự báo biểu đồ phụ tải, hỗ trợ lập kế hoạch mua bán điện cho nhà máy Có nhiều phương pháp để dự báo biểu đồ phụ tải, nhưng có thể phân nhóm các phương pháp vào hai nhóm chính:

 Nhóm 1: Phương pháp từ trên xuống (Top-down)

- Sử dụng chuỗi số liệu biểu đồ phụ tải quá khứ để dự báo xu hướng biểu đồ phụ tải

- Trên cơ sở dự báo xu hướng biểu đồ phụ tải và xem xét sự ảnh hưởng của các yếu tố thời tiết, tốc độ tăng trưởng kinh tế, dân số và hệ số đàn hồi theo biểu giá điện để dự báo biểu đồ phụ tải thích hợp

 Nhóm 2: Phương pháp từ dưới lên (Bottom-up)

- Sử dụng biểu đồ phụ tải trung bình chuẩn hóa đơn vị (năm, tháng) để dự báo xu hướng biểu đồ phụ tải của từng nhóm, thành phần phụ tải;

- Dự báo điện thương phẩm của từng nhóm, thành phần phụ tải theo tháng, năm có xét đến sự ảnh hưởng của các yếu tố sau: sự xuất hiện phụ tải mới, tốc độ tăng trưởng phụ tải, tình hình phát triển kinh tế - xã hội, tình hình sản xuất, tốc độ hiện đại hóa công nghệ các thiết bị sử dụng điện, các giải pháp quản lý nhu cầu điện (DSM) được áp dụng

- Trên cơ sở dự báo xu hướng biểu đồ phụ tải và dự báo điện thương phẩm của từng nhóm, thành phần phụ tải theo năm, tháng để dự báo biểu đồ phụ tải của từng nhóm, thành phần phụ tải

Ở đây do đã có dữ liệu quá khứ đầy đủ nên ta sử dụng phương pháp Top-down

Có nhiều hướng để dự báo như sau

1.3.1 Phương pháp dự báo trung và dài hạn

1.3.1.1 Mô hình người dùng cuối

Phương pháp này tính toán trực tiếp nhu cầu điện năng dựa trên thông tin về các đối tượng sử dụng điện của các nhóm phụ tải như dân số, lứa tuổi, thiết bị gia dụng

(điện dân dụng) hay thống kê về máy móc, nhà xưởng,… (điện phi dân dụng)

8

Đánh giá: Mô hình này là lý tưởng nhất vì nó dựa vào nhu cầu thực tế, lại đòi

hỏi ít dữ liệu quá khứ hơn Tuy nhiên mô hình này khó áp dụng bởi vì nó đòi hỏi một

bộ dữ liệu thống kê chính xác và khổng lồ về nhu cầu sử dụng điện hiện tại của các nhóm đối tượng

1.3.1.2 Mô hình toán kinh tế

Phương pháp toán kinh tế kết hợp lý thuyết kinh tế với các kĩ thuật thống kê để

dự báo nhu cầu điện Phương pháp này tính toán quan hệ giữa nhu cầu sử dụng điện

năng và các yếu tố ảnh hưởng đến tiêu thụ

1.3.2 Phương pháp dự báo ngắn hạn

1.3.2.1 Phương pháp ngày tương tự

Phương pháp này dựa trên bộ dữ liệu quá khứ của những ngày của 1, 2 hay 3 năm trước có đặc điểm tương tự ngày dự báo (thời gian, nhiệt độ, mùa vụ…)

Đánh giá: Mô hình này khá chính xác, tuy nhiên nó đòi hỏi bộ dữ liệu quá khứ phải đầy đủ

1.3.2.2 Phương pháp hồi quy

Phương pháp này nghiên cứu mối tương quan giữa các thành phần kinh tế, xã hội nhằm phát hiện những quan hệ về mặt định lượng của các tham số dựa vào thống

kê toán học Các mối tương quan đó giúp chúng ta xác dịnh được lượng điện năng tiêu thụ

Các kiến thức của phương pháp này được tham khảo tại [10]

1.3.2.3 Chuỗi thời gian

Phương pháp này dựa trên giả định là bộ dữ liệu có một số đặc điểm như tự tương quan, xu hướng hay biến đổi theo mùa Phương pháp chuỗi thời gian cũng cho kết quả dự báo khá chính xác, nhất là dự báo điều độ (dự báo cho giờ tới)

Các kiến thức của phương pháp này được tham khảo tại [11]

có số lượng không đủ, hoặc khi hệ thống mang tính phi tuyến cao Phương pháp này cho kết quả dự báo có độ chính xác cao, dự báo được các sự kiện theo thời gian Các kiến thức của phương pháp này được tham khảo tại [2], [3], [6], [7], [8]

Nhiệm vụ của phương pháp chuyên gia là đưa ra những dự đoán khách quan về tương lai phát triển của một lĩnh vực hẹp của khoa học hoặc dựa trên việc xử lý có hệ thống các đánh giá dự đoán của chuyên gia Sau khi đã thu thập ý kiến của các chuyên gia, cần xử lý các thông tin theo phương pháp xác suất thống kê Thực tế phương pháp chuyên gia hoàn toàn mang tính chủ quan, phụ thuộc vào nhận thức của từng cá nhân, nhưng khi đã được xử lý theo phương pháp xác suất thống kê thì tính chủ quan sẽ được khách quan hoá bởi các mô hình toán học và vì vậy có thể nâng cao độ tin cậy của dự báo [4]

Trong chương I, luận văn đã trình bày về khái niệm phụ tải điện, vai trò, phân loại và các yếu tố ảnh hưởng đến phụ tải điện; đồng thời nêu ra được tầm quan trọng của bài toán phụ tải điện trong hệ thống điện Việt Nam Bên cạnh đó, trong chương I, luận văn cũng đã trình bày về một số phương pháp dự báo trung hạn và ngắn hạn đã được

sử dụng trên thế giới Tiếp theo trong chương II, luận văn sẽ trình bày về hướng tiếp cận giải quyết bài toán dự báo phụ tải Đó là sử dụng phương pháp mạng nơron nhân tạo với thuật toán lan truyền ngược và áp dụng giải thuật di truyền để tối ưu bộ trọng

số cho mạng

2.1.3 Thời gian dự báo

Dựa trên nhu cầu thực tế, ta cần dự báo phụ tải cho:

- Giờ tới: phụ tải của 1- 3 giờ tới

- 24 giờ của ngày tới: phụ tải 24h của ngày tới hoặc của 24h của các ngày của tuần tới

- Ngày tới: phụ tải của 7 ngày của tuần tới

- Tháng tới: phụ tải của 1-12 tháng tới

2.1.4 Xác định tiêu chuẩn đánh giá dự báo

Một dự báo phụ tải được coi là chấp nhận được nếu như nó thỏa mãn 2 yếu tố:

- Sai số phần trăm trung bình 3-5%

- Xu hướng thay đổi phụ tải phải tương đối chính xác: đồ thị phụ tải dự báo phải khớp với đồ thị phụ tải thực tế

2.1.5 Các yếu tố ảnh hưởng đến phụ tải điện

Ta sẽ liệt kê và phân tích các yếu tố ảnh hưởng đến phụ tải cho từng loại thời gian:

 Giờ tới

Phụ tải giờ tới phụ thuộc vào phụ tải của 24 giờ trước đó Ta biết rằng trên thực

tế, công suất tiêu thụ điện của thiết bị có tính liên tục đối với khoảng thời gian mà nó hoạt động, vì thế mà phụ tải của 2 giờ kế tiếp nhau có giá trị rất gần nhau Mặt khác, phần lớn các thiết bị điện, nhu cầu sử dụng điện của nó có tính chu kỳ, tức là nó tắt/mở trong vòng không quá 24 giờ (ngoại trừ các thiết bị hoạt động liên tục) Vì vậy ta có thể tính phụ tải của giờ tới dựa vào phụ tải của 24 giờ liền kề trước đó

11

 Ngày tới

Như đã phân tích ở chương 1, có nhiều yếu tố ảnh hưởng đến phụ tải điện, tuy nhiên các yếu tố đầu vào cần có độ tin cậy cao để tránh gây sai số lớn cho dự báo Vì vậy ta loại bỏ 2 yếu tố đầu vào là yếu tố kinh tế và yếu tố dân số vì bản thân dự báo các yếu tố này đã cho ta một sai số rất lớn Còn lại, ta trích chọn đặc trưng được các yếu tố ảnh hưởng đến phụ tải điện ngày tới:

- Giờ trong ngày (đối với dự báo điều độ): 24 giờ trong ngày

- Loại giờ trong ngày (đối với dự báo điều độ): Giờ cao điểm, giờ thấp điểm, giờ thông thường

- Ngày trong tháng: ngày 1, 2, …, 31

- Ngày trong tuần: từ thứ 2 đến chủ nhật

- Ngày lễ tết: 01/01, 30/04,…

- Tháng trong năm: từ tháng 1 đến tháng 12 trong năm

- Mùa vụ: mùa xuân, mùa hạ, mùa thu, mùa đông

- Năm: năm của thời điểm hiện tại

- Dải nhiệt độ: Tmin- nhiệt độ nhỏ nhất trong ngày, Tmax- nhiệt độ cao nhất ngày

- Dải công suất phát điện: Pmin-công suất nhỏ nhất trong ngày, Pmax- công suất lớn nhất trong ngày

 Tháng tới

Các yếu tố ảnh hưởng đến phụ tải tháng tới:

- Tháng trong năm: từ tháng 1 đến tháng 12 trong năm

- Mùa vụ: mùa xuân, mùa hạ, mùa thu, mùa đông

- Năm: năm của thời điểm hiện tại

- Dải nhiệt độ: Tmin- nhiệt độ trung bình nhỏ nhất trong tháng, Tmax- nhiệt độ trung bình cao nhất tháng

- Dải công suất phát điện: Pmin-công suất nhỏ nhất trong tháng, Pmax- công suất lớn nhất trong tháng

Nhận thấy bài toán dự báo phụ tải có đặc điểm:

- Các yếu tố đầu vào có độ tương quan cao

- Dữ liệu phụ tải trong quá khứ thu thập có thể là không đủ

- Hệ thống mang tính phi tuyến cao: Phụ tải phụ thuộc biến động một cách phức tạp vào rất nhiều yếu tố như khí hậu, kinh tế, thời gian,…

12

Mạng nơron nhân tạo là giải pháp phù hợp trong trường hợp này để dự báo nhu cầu phụ tải trong tương lai dựa trên dữ liệu quá khứ Bản chất của việc sử dụng mạng nơron là nhớ và so sánh đặc điểm của đầu vào với dữ liệu quá khứ để cho ra kết quả Điều này giống với phương pháp ngày tương tự, ta so sánh đặc điểm của ngày (giờ, tháng, năm) cần dự báo với ngày (giờ, tháng, năm) trong quá khứ có cùng điểm tương đồng mà đã biết phụ tải Mặt khác, phương thức hoạt động này dễ được người

dùng chấp nhận do nó gần với suy nghĩ và cách làm thực tiễn của số đông người

2.2.1 Mạng nơron nhân tạo

2.2.1.1 Giới thiệu

Mạng nơron nhân tạo (Artifical Neural Network - ANN) là một mô hình mô phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin Nó bao gồm số lượng lớn các mối gắn kết cấp cao để

xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng Nơron nhân tạo giống như con người, được học bởi kinh nghiệm, lưu những kinh nghiệm hiểu biết và

sử dụng trong những tình huống phù hợp

2.2.1.2 Đơn vị xử lý

Một đơn vị xử lý, cũng được gọi là một nơron hay một nút, thực hiện một công việc rất đơn giản: nó nhận tín hiệu vào từ các đơn vị phía trước hay một nguồn bên ngoài và sử dụng chúng để tính tín hiệu ra sẽ được lan truyền sang các đơn vị khác

Hình 2.1 Đơn vị xử lý trong mạng nơron nhân tạo

zj = g(aj)

- Trạng thái kích hoạt hay là đầu ra của đơn vị xử lý

- Liên kết giữa các đơn vị Xét tổng quát, mỗi liên kết được định nghĩa bởi một trọng số wjk cho ta biết hiệu ứng mà tín hiệu của đơn vị j có trên đơn vị k

- Một luật lan truyền quyết định cách tính tín hiệu ra của từng đơn vị từ đầu vào của nó

- Phương pháp thu thập thông tin

- Một hàm kích hoạt, hay hàm chuyển, xác định mức độ kích hoạt khác dựa trên mức độ kích hoạt hiện tại

- Một đơn vị điều chỉnh của mỗi đơn vị

- Môi trường hệ thống có thể hoạt động

2.2.1.4 Các hình trạng của mạng

Hình trạng của mạng được định nghĩa bởi: số lớp, số đơn vị trên mỗi lớp, và sự liên kết giữa các lớp như thế nào.Các mạng về tổng thể được chia thành hai loại dựa trên cách thức liên kết các đơn vị:

 Mạng truyền thẳng

Dòng dữ liệu từ đơn vị đầu vào đến đơn vị đầu ra chỉ được truyền thẳng Việc

xử lý dữ liệu có thể mở rộng ra nhiều lớp, nhưng không có các liên kết phản hồi Nghĩa là, các liên kết mở rộng từ các đơn vị đầu ra tới các đơn vị đầu vào trong cùng một lớp hay các lớp trước đó là không cho phép

sự thay đổi các giá trị kích hoạt là đáng quan tâm

Hình 2.3:Mạng hồi quy 3 lớp

2.2.1.5 Hàm lỗi

Để huấn luyện một mạng và xét xem nó thực hiện tốt đến đâu, ta cần xây dựng một hàm lỗi để cung cấp cách thức đánh giá khả năng hệ thống một cách không nhập nhằng Việc chọn hàm lỗi là rất quan trọng bởi vì hàm này thể hiện các mục tiêu thiết

kế và quyết định thuật toán huấn luyện nào có thể được áp dụng Một vài hàm cơ bản được sử dụng rất rộng rãi Một trong số chúng là hàm tổng bình phương lỗi (sum of squares error function):

15

Trong đó:

- p: số thứ tự mẫu trong tập huấn luyện, i: số thứ tự của đơn vị đầu ra…

- dpi và ypi: tương ứng là đầu ra mong muốn và đầu ra thực tế của mạng cho đơn

vị đầu ra thứ i trên mẫu thứ p

2.2.2 Giải thuật di truyền

Giải thuật di truyền (Genetic Algorithm - GA) là một kỹ thuật của khoa học máy tính nhằm tìm kiếm giải pháp thích hợp cho các bài toán tối ưu tổ hợp Giải thuật

di truyền là một phân ngành của giải thuật tiến hóa vận dụng các nguyên lý của tiến hóa như di truyền, đột biến, chọn lọc tự nhiên, và trao đổi chéo

Giải thuật di truyền thường được ứng dụng với mục đích sử dụng ngôn ngữ máy tính để mô phỏng quá trình tiến hoá của một tập hợp những đối tượng mang tính trừu tượng (gọi là những nhiễm sắc thể) của các lời giải của bài toán đặt ra (gọi là những cá thể) Tập hợp này sẽ tiến triển theo hướng chọn lọc những cá thể tốt hơn Thông thường, những lời giải được thể hiện dưới dạng những chuỗi nhị phân với 0 và 1, nhưng lại mang nhiều thông tin mã hóa khác nhau Quá trình tiến hóa xảy

ra từ một tập hợp những cá thể hoàn toàn ngẫu nhiên ở tất cả các thế hệ, ta gọi là quần thể Trong từng thế hệ, độ thích nghi của quần thể này được tính toán, các cá thể được chọn lọc từ quần thể hiện thời dựa vào độ thích nghi, sau đó được đem đi biến đổi (bằng đột biến hoặc lai ghép) để hình thành một quần thể mới Quần thể mới này sẽ tiếp tục được chọn lọc lặp đi lặp lại trong các thế hệ kế tiếp của giải thuật

2.2.2.1 Các thành phần của giải thuật

Giải thuật bao gồm những thành phần chính sau:

- Phương pháp mã hóa lời giải

- Phương pháp chọn lọc cha mẹ

- Phương pháp lai tạo

- Phương pháp đột biến

- Phương pháp đấu tranh sinh tồn

 Phương pháp mã hóa lời giải:

Mã hóa lời giải là mô tả di truyền cho lời giải của bài toán Việc mô tả di truyền cho lời giải của bài toán gồm hai bước cơ bản:

16

- Xây dựng cấu trúc gen cho mỗi lời giải của bài toán để từ mỗi lời giải ta có thể

mã hoá thành một nhiễm sắc thể (NST)

- Giải mã các NST để nhận được lời giải

Mã hóa lời giải có nhiều phương pháp như mã hóa nhị phân, mã hóa số thực,

mã hóa đa giá trị, mã hóa cây… Tùy từng bài toán mà ta sử dụng phương pháp mã hóa thích hợp

 Phương pháp chọn lọc cha mẹ:

Phép chọn là quá trình loại bỏ các cá thể xấu trong quần thể để chỉ giữ lại trong quần thể những cá thể tốt Phép chọn có thể mô phỏng như sau:

- Bước 1: Sắp xếp các cá thể theo độ thích nghi giảm dần

- Bước 2: Loại bỏ các cá thể ở cuối dãy, chỉ để giữ lại n cá thể tốt nhất (ở đây ta

giả sử quần thể có kích thước cố định n)

 Phương pháp lai tạo:

Phép lai là quá trình hình thành nhiễm sắc thể mới trên cơ sở các nhiễm sắc thể cha mẹ, bằng cách ghép một hay nhiều đoạn gen của hai hay nhiều nhiễm sắc thể cha

mẹ với nhau Phép lai xảy ra với xác suất pc, có thể mô phỏng như sau:

- Bước 1: Chọn ngẫu nhiên hai (hay nhiều) cá thể bất kỳ trong quần thể Giả sử

các nhiễm sắc thể cha mẹ đều có m gen

- Bước 2: Tạo một số ngẫu nhiên trong khoảng từ 1 đến m-1(điểm lai) Điểm lai

chia các chuỗi cha, mẹ lần lượt thành hai nhóm chuỗi con dài m1 và m2 Hai chuỗi nhiễm sắc thể con mới sẽ là m11+m22 và m21+m12

- Bước 3: Đưa hai cá thể mới này vào quần thể để tham gia các quá trình tiến hóa

tiếp theo

 Phương pháp đột biến:

Đột biến là hiện tượng cá thể con mang một số tính trạng không có trong mã di truyền của cha, mẹ Phép đột biến xảy ra với xác xuất pm, nhỏ hơn rất nhiều so với xác suất lai pc Phép đột biến có thể mô phỏng như sau:

- Bước 1: Chọn ngẫu nhiên một cá thể bất kỳ cha-mẹ trong quần thể

- Bước 2: Tạo số ngẫu nhiên k, 1 ≤ k≤m

- Bước 3: Thay đổi gen thứ k và trả các thể này về quần thể để tham gia quá trình

tiếp theo

 Phương pháp đấu tranh sinh tồn:

Đấu tranh sinh tồn là việc sao chép lại các cá thể dựa trên độ thích nghi của chúng Quá trình này thực hiện như sau:

17

- Bước 1: Tính độ thích nghi của các cá thể trong quần thể, lập bảng cộng dồn các

giá trị thích nghi Giả sử quần thể có n cá thể Gọi độ thích nghi của cá thể thứ i

là Fi, tổng dồn thứ i là Fti, độ thích nghi của toàn quần thể là Fm

- Bước 2: Tạo một số ngẫu nhiên F trong khoảng từ 0 đến Fm

- Bước 3: Chọn cá thể thứ k đầu tiên thỏa mãn Ftk≥ F và đưa vào quần thể thế hệ mới

Lặp lại các bước 2, 3 cho đến khi đủ số lượng cá thể mong muốn

2.2.2.2 Cấu trúc giải thuật di truyền

Giải thuật di truyền bao gồm các bước sau:

Bước 1 Khởi tạo quần thể ban đầu của các chuỗi nhiễm sắc thể

Bước 2 Xác định giá trị hàm mục tiêu cho mỗi một chuỗi nhiễm sắc thể Bước 3 Tạo các chuỗi nhiễm sắc thể mới bằng sinh sản từ các chuỗi nhiễm sắc

thể hiện tại, có tính đến ghép chéo và đột biến xảy ra (nếu có)

Bước 4 Xác định hàm mục tiêu cho các chuỗi nhiễm sắc thể mới và đưa nó

vào trong một quần thể mới

Bước 5 Nếu điều kiện dừng đã thỏa mãn thì dừng lại và trả về chuỗi nhiễm sắc

thể tốt nhất cùng với giá trị hàm mục tiêu của nó, nếu không thì quay

về bước 3

18

Hình 2.4: Cấu trúc giải thuật di truyền

2.2.3 Kết hợp giải thuật di truyền để tối ƣu bộ trọng số trong mạng nơron nhân tạo sử dụng thuật toán lan truyền ngƣợc

2.2.3.1 Xây dựng hàm đánh giá độ thích nghi cá thể

Hàm giá này sẽ được sử dụng để tạo nên độ phù hợp của các cá thể và của cả quần thể trong GA Trong luận văn này, tôi vẫn sử dụng hàm sai số căn quân phương RMSE của tập mẫu học

Trong đó:

19

- yij, dij là đầu ra của mạng và đầu ra mong muốn của đầu ra thứ j tại mẫu học thứ

i

- n là số đầu ra của mạng, p là số mẫu học

2.2.3.2 Mã hóa các trọng số của mạng noron

Mỗi cá thể trong GA sẽ thay mặt cho một bộ trọng số của mạng nơron Ở đây ta không cần phải phân biệt trọng số nào ở lớp nào mà ta chỉ cần trải tất cả các trọng số lên sơ đồ gen của nhiễm sắc thể

Ở đây, để tiện trong quá trình tính toán, ta thực hiện mã hóa kiểu số thực Điều này làm tăng độ chính xác của phép mã hoá cũng như giảm được kích thước của nhiễm sắc thể Các gen (trọng số) được khởi tạo ngẫu nhiên trong khoảng nhỏ như (-1,1), (-2,2), (-3, 3) Tuy nhiên với kỹ thuật mã hoá này ta cần thay đổi các toán tử lai ghép, đột biến cho phù hợp

Hình 2.5:Mã hóa nhiễm sắc thể (0.9, -0.05, -0.3, 0.2, 0.0, 0.6, -0.95, -0.2, 0.15, 0.7, 0.5, 0.5, -0.7, 0.1, 0.03)

Ngoài phương pháp mã hóa số thực, ta có thể sử dụng mã hóa nhị phân Với mã hóa nhị phân thì phép lai ghép, đột biến khá đơn giản, tuy nhiên để đảm bảo tính chính xác của việc mã hóa, ta cần tăng số bit mã hóa, điều này dẫn đến việc thực thi thuật toán chậm

i Lai ghép

 Lai ghép trọng số (crossover-weights):

Toán tử lai ghép này sẽ đưa một giá trị vào mỗi vị trí của nhiễm sắc thể con bằng cách lấy ngẫu nhiên một giá trị tại cùng vị trí của nhiễm sắc thể cha hoặc mẹ

20

 Lai ghép nút (crossover-nodes):

Việc lai ghép được thực hiện giữa các nút cùng vị trí của cha và mẹ Mỗi khi hai nút tại một lớp nào đó được lai ghép các trọng số của tất cả các liên kết đầu vào tới các nút đó sẽ được hoán vị cho nhau

 Đột biến nút (mutate nodes):

Toán tử đột biến nút sẽ chọn ra n nút không phải là các nút đầu vào Tất cả các liên kết tới các nút này sẽ lần lượt được cộng thêm một giá trị ngẫu nhiên

2.2.3.3 Kết hợp giải thuật di truyền với thuật toán lan truyền ngược

Nhận thấy rằng hàm lỗi của thuật toán lan truyền ngược:

có dạng parabol, nếu như điểm xuất phát w=w0 ở gần điểm cực trị thì thuật toán lan truyền ngược sẽ cho ta tiến về điểm cực trị nhanh hơn Xuất phát từ ý tưởng này, ta sử dụng thêm một kỹ thuật tìm kiếm toàn cục để kết hợp với thuật toán lan truyền ngược

Kỹ thuật mà ta xét ở đây là thuật toán di truyền

21

Hình 2.6:Kết quả nghiên cứu của Kitano thực hiện đối với bài toán XOR

Dựa vào kết quả nghiên cứu của Kitano, ta có nhận xét rằng: Thuật toán lan truyền ngược mất nhiều thời gian hơn để đến với điểm cực trị toàn cục, nhưng có thể đạt đến được Trong khi đó, giải thuật di truyền cho ta tiến tới xung quanh vùng cực trị nhanh hơn, tuy nhiên để đạt được cực trị toàn cục là rất khó Vì vậy khi kết hợp hai giải thuật này, ta dễ dàng đạt tới cực trị toàn cục hơn

2.3 MÔ HÌNH GIẢI PHÁP ĐỀ XUẤT

2.3.1 Cách tiếp cận

Dựa vào những phân tích đã trình bày, cách tiếp cận chính để giải quyết bài toán dự báo phụ tải sẽ được xây dựng dựa trên việc sử dụng mạng nơ ron nhân tạo và giải thuật di truyền Giải pháp đưa ra sẽ được chia làm ba trường hợp:

i Sử dụng mạng nơ ron nhân tạo lan truyền ngược

ii Sử dụng mạng nơ ron và giải thuật di truyền để tối ưu bộ tham số

iii Kết hợp giải thuật di truyền để tối ưu bộ tham số trong mạng nơ ron lan truyền ngược

Để cài đặt giải pháp, ta sẽ tiến hành thu thập và chuẩn hoá dữ liệu phục vụ dự báo trước Sau đó, dữ liệu này sẽ được chia làm hai phần: bộ dữ liệu huấn luyện và bộ

dữ liệu kiểm thử Bộ dữ liệu huấn luyện sẽ được sử dụng để sinh bộ tham số cho mạng

nơ ron, còn bộ dữ liệu kiểm thử được dùng để kiểm tra độ chính xác trong dự báo

22

Database

Tập huấn luyện

Dữ liệu thực để

dự báo

Chương trình dự báo phụ tải

Phụ tải dự báo

Tập kiểm thử

Xây dựng mạng

Sử dụng GA để chọn bộ trọng số

tốt nhất

Thuật toán lan truyền ngược

Thu thập và tiền xử lý dữ liệu

Mạng nơron nhân tạo được chọn sau quá trình huấn luyện

Kết quả dự báo dùng

để kiểm thử

Hình 2.7: Mô hình giải quyết bài toán dự báo phụ tải

Trong ba trường hợp nêu trên, chỉ có trường hợp cuối chúng ta cần phải làm rõ việc sử dụng giải thuật di truyền trong mạng nơ ron lan truyền ngược Nội dung này sẽ được trình bày ở phần kế tiếp

2.3.2 Mô hình áp dụng giải thuật di truyền để tối ƣu bộ trọng số của mạng nơron lan truyền ngƣợc

23

Để có thể kết hợp giải thuật di truyền và giải thuật lan truyền ngược sử dụng trong mạng nơron, ta sử dụng giải thuật di truyền để tối ưu bộ trọng số của mạng nơron trước, sau đó sử dụng bộ trọng số này làm đầu vào cho giải thuật lan truyền ngược Phương pháp kết hợp này có thể được mô tả như sau:

Hình 2.8: Mô hình kết hợp áp dụng giải thuật di truyền để tối ưu bộ trọng số

của mạng nơron sử dụng thuật toán lan truyền ngược

2.3.3 Các bước xây dựng hệ thống

2.3.3.1 Xây dựng mạng nơron

Phương pháp thực hiện xây dựng mạng nơron bao gồm việc xác định sự liên kết giữa các nơron, đồng thời xác định cấu trúc của mạng bao gồm số lớp ẩn, số nơron trong từng lớp

Chi tiết của việc xây dựng mạng nơ ron được đề cập ở mục 3.2.3

2.3.3.2 Huấn luyện hệ thống

Huấn luyện mạng học các dữ liệu bằng cách lần lượt đưa các mẫu vào cùng với những giá trị mong muốn Mục tiêu của việc huấn luyện mạng đó là tìm ra tập các trọng số cho ta giá trị nhỏ nhất của hàm lỗi Để huấn luyện ta thử nghiệm 3 phương pháp:

- Thuật toán lan truyền ngược

- Giải thuật di truyền

- Kết hợp

24

Với mỗi phương pháp, ta cần xác định các thông số như sau:

- Đối với thuật toán lan truyền ngược:

o Giờ cao điểm, thấp điểm

o Ngày làm việc, ngày lễ, ngày nghỉ cuối tuần

o Mùa hè, mùa đông

- Các phương pháp huấn luyện khác nhau (như trên)

- Các bộ thông số khác nhau của mỗi phương pháp

Trên cơ sở đó ta xác định một vài phương án thích hợp cho việc dự báo

2.3.3.3 Kiểm thử hệ thống

Việc thử nghiệm hệ thống là kiểm tra tính tổng quát hóa của hệ thống Để có được mục tiêu này, ta cần lưu ý xây dựng bộ dữ liệu kiểm thử có những đặc điểm đặc biệt sau:

- Những ngày nghỉ lễ

- Giờ cao điểm, giờ thấp điểm

- Dữ liệu có sự bất thường: nhiệt độ trong ngày quá cao (38, 39 độ C) hoặc quá thấp (10, 11 độ C)

25

Ta thực hiện vẽ đồ thị lỗi của mạng để đánh giá mạng sau khi kiểm thử để xem mạng có tính tổng quát hóa tốt hay không Nếu lỗi kiểm thử lớn hơn nhiều lỗi huấn luyện, tức là mức độ tổng quát hóa của mạng thấp Thay vì thay đổi chiến lược học, ta kiểm tra lại tập huấn luyện:

- Dữ liệu huấn luyện có đủ không, nếu không đủ thì bổ sung

- Dữ liệu học có nhiễu không Ta cần kiểm tra kĩ tình huống này

2.3.3.4 Sử dụng hệ thống

Sau khi đã huấn luyện và kiểm thử, ta thu được một những phương án chấp nhận được Ta cần thử nghiệm các phương án này trong thực tế để kiểm định khả năng dự báo của hệ thống cho phụ tải điện trong tương lai

2.4 KẾT LUẬN CHƯƠNG II

Trong chương này, luận văn đã trình bày được các lý thuyết liên quan, bao gồm mạng nơron nhân tạo, mạng nơron nhân tạo với thuật toán lan truyền ngược và giải thuật di truyền Luận văn cũng đã đưa ra giải pháp dự báo phụ tải ứng dụng mạng nơ ron với thuật toán lan truyền ngược và giải thuật di truyền để đưa ra bộ trọng số tối

26

CHƯƠNG 3 THỰC NGHIỆM

dự báo

Chương trình dự báo phụ tải

Thông tin dự báo thời tiết ngày tới

Bản chào giá ngày tới

Mạng nơron nhân tạo được chọn sau quá trình huấn luyện

Phụ tải dự báo

Nhiệt độ thực

tế Phụ tải thực tế

Pmin, Pmax thực tế Thông số sau vận hành

Tập kiểm thử

- Admin: người có quyền cao nhất, chịu trách nhiệm quản lý các user còn lại:

thêm, xóa, phân quyền user

- Expert: là chuyên gia - người có kiến thức chuyên sâu về cơ sở phương pháp

luận của hệ thống, chịu trách nhiệm quản lý cấu hình mạng nơron, quản lý các phương án dự báo phụ tải

- User: là người tham gia vào hệ thống với mục đích lấy số liệu dự báo phụ tải

29

ii Các chức năng

- Đăng nhập: yêu cầu người dùng nhập tên đăng nhập và mật khẩu, hệ thống

kiểm tra và đưa ra thông báo Nếu thành công thì sẽ cho người dùng thực hiện các chức năng khác

- Quản lý user: admin sẽ đăng nhập vào hệ thống và thực hiện chức năng này

Chức năng này bao gồm có các chức chức năng con: tạo mới user, xóa, phân quyền cho user

- Quản lý cấu hình mạng nơron: chức năng này cho phép expert có thể thay đổi

cấu hình mạng nơron, thông số giải thuật di truyền, các tham số của thuật toán lan truyền ngược

- Quản lý phương án dự báo: chức năng này bao gồm nhiều chức năng con liên

quan đến việc quản lý các phương án

- Nhập dữ liệu quá khứ: chức năng này cho phép admin nhập dữ liệu quá khứ

phụ tải ngày, tháng, các dữ liệu liên quan đến nhiệt độ, công suất cao nhất và công suất thấp nhất

- Dự báo phụ tải: chức năng này cung cấp các phương án dự báo cho mỗi vùng

miền, đưa ra biểu đồ phụ tải dự kiến cho giờ tới, ngày tới, tháng tới

3.2.2 Thiết kế cơ sở dữ liệu

3.2.2.1 Phần quản trị

Q_ROLE *

ROLEID int PROGID nvarchar(20) ROLENAME nvarchar(100) DESCRIPT nvarchar(200) UserID nvarchar(25) Column Name Condensed Type

Hình 3.3: Thiết kế cơ sở dữ liệu phần quản trị

Do mục tiêu của hệ thống là hướng tới một mô hình dự báo nên phần quản trị chỉ được thiết kế với 3 bảng:

- Bảng Q_User: lưu trữ tất cả các thông tin cơ bản về một người dùng

- Bảng Q_Role: lưu trữ thông tin về quyền của mỗi người dùng