Dự báo phụ tải điện sử dụng mạng Wavelet và Fuzzy logic

MSHV:1241830011 I- Tên đề tài: Dự Báo Phụ Tải Điện Sử Dụng Mạng Wavelet và Fuzzy II- Nhiệm vụ và nội dung: Nội dung: - Nghiên cứu tìm hiểu về phép phân tích Wavelet và Fuzzy logic - Tìm

NGUYỄN NGỌC HUY

DỰ BÁO PHỤ TẢI ĐIỆN SỬ DỤNG MẠNG

WAVELET VÀ FUZZY LOGIC

LUẬN VĂN THẠC SĨ

Chuyên ngành : Kỹ Thuật Điện

Mã số ngành: 60520202

TP HỒ CHÍ MINH, tháng 01 năm 2014

Cán bộ hướng dẫn khoa học : TS NGÔ CAO CƯỜNG

Luận văn Thạc sĩ được bảo vệ tại Trường Đại học Công nghệ TP HCMngày 18 tháng 01 năm 2014

Thành phần Hội đồng đánh giá Luận văn Thạc sĩ gồm:

(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ Luận văn Thạc sĩ)

Xác nhận của Chủ tịch Hội đồng đánh giá Luận sau khi Luận văn đã đượcsửa chữa (nếu có)

Chủ tịch Hội đồng đánh giá LV

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: NGUYỄN NGỌC HUY Giới tính: Nam

Ngày, tháng, năm sinh: 1980 .Nơi sinh: Mỹ Tho

Chuyên ngành: Kỹ thuật điện MSHV:1241830011

I- Tên đề tài: Dự Báo Phụ Tải Điện Sử Dụng Mạng Wavelet và Fuzzy

II- Nhiệm vụ và nội dung:

Nội dung:

- Nghiên cứu tìm hiểu về phép phân tích Wavelet và Fuzzy logic

- Tìm hiểu ứng dụng của Wavelet trong xây dựng mô hình dự báo phụ tải

Phương pháp nghiên cứu:

- Sử dụng phương pháp phân tích vận dụng phép biến đổi wavelet k ết hợp Fuzzy

Logic để tạo ra các giá trị ngõ ra của mạng wavelet là các giá trị phụ tải điện cần dự

báo

- Tận dụng khả năng linh hoạt của phần mềm Matlab trong việc xử lý số liệu và

biểu diễn các kết quả dự báo

Kết quả đạt được:

- Ứng dụng phép phân tích Wavelet và Fuzzy logic để dự báo phụ tải cho tỉnh Tiền

Giang

- So sánh kết quả dự báo với thực tế và đưa ra hướng phát triển của đề tài

III- Ngày giao nhiệm vụ: 12/6/2013

IV- Ngày hoàn thành nhiệm vụ:

V- Cán bộ hướng dẫn: TS NGÔ CAO CƯỜNG

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết

quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳcông trình nào khác

Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện Luận văn này

đã được cảm ơn và các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn

gốc

Học viên thực hiện Luận văn

(Ký và ghi rõ họ tên)

Nguyễn Ngọc Huy

LỜI CÁM ƠN

Tôi xin chân thành cảm ơn TS.NGÔ CAO CƯỜNG – Trưởng Phòng Tổ Chức Trường Đại Học Công Nghệ TPHCM , người thầy đã hết lòng chỉ bảo, hướng dẫn, truyền đạt những kiến thức chuyên môn cũng như những kinh nghiệm nghiên cứu trong suốt thời gian học tập và thực hiện luận văn này.

Xin chân thành cảm ơn Ban Giám Hiệu, Ban chủ nhiệm khoa Cơ - Điện –

Điện tử, Phòng quản lý sau đại học của Trường Đại Học Công nghệ Tp.HCM đã

tạo những điều kiện tốt nhất về vật chất lẫn tinh thần để chúng tôi hoàn thành tốt luận văn này.

Xin chân thành cám ơn đến tất cả Quí Thầy, Cô của Trường Đại Học Công

nghệ Tp.HCM đã giảng dạy, trang bị cho tôi những kiến thức rất bổ ích và quí báu trong suốt quá trình học tập cũng như nghiên cứu sau này.

Xin cảm ơn bạn bè, đồng nghiệp và đặc biệt là nhóm thực nghiệm chung

Trường Đại Học Công nghệ Tp.HCM dưới sự hướng dẫn của Thầy Ngô Cao Cường

những người luôn giành những tình cảm sâu sắc nhất, giúp đỡ và khuyến khích tôi

để cùng nhau vượt qua mọi khó khăn trong suốt quá trình thực hiện luận văn này.

Xin cảm ơn Gia đình đã tạo mọi điều kiện để tôi yên tâm học tập tốt trong suốt thời gian vừa qua.

Xin cảm ơn Ban Giám Hiệu Trường Cao Đẳng Nghề TG và tất cả bạn bè thân thuộc đã động viên, tạo điều kiện thuận lợi và hỗ trợ cho tôi rất nhiều trong quá trình học tập, công tác cũng như trong suốt thời gian thực hiện luận văn.

(Họ và tên của Tác giả Luận văn)

Nguyễn Ngọc Huy

TÓM TẮT

-o0o -Dự báo phụ tải điện đóng một vai trò hết sức quan trọng trong việc lập kếhoạch thiết kế và vận hành hệ thống điện Dự báo sẽ giúp chúng ta định hướng được

phương hướng và kế hoạch cho tương lai, chủ động trong công v iệc và xử lí được

nhứng biến cố xảy ra Nếu như không có công việc dự báo phụ tải điện, ta sẽ gặpphải hai trường hợp có thể xảy ra : một là chúng ta sẽ thiếu hụt điện năng sử dụng

và hai là chúng ta sẽ sản xuất ra một lượng điện năng thừa vô ích

Đối với trường hợp thiếu hụt điện năng, chúng ta sẽ không có đủ điện năng để

phục vụ cho nhu cầu sinh hoạt, giải trí của nhân dân và không đủ điều kiện để cungcấp điện năng cho các ngành kinh tế như công nghiệp, nông nghiệp và dịch vụ Nógây ra một hậu quả hết sức nghiêm trọng: các dây chuyền tự động, các máy móc,thiết bị sẽ ngưng hoạt động, nền kinh tế sẽ bị ảnh hưởng

Đối với trường hợp dư thừa điện năng, không giống như các loại hàng hóakhác, điện năng có tính chất rất đặc biệt đó là không thể lưu trữ hay cất vào kho khi

dư thừa Do vậy chúng ta sẽ bị lãng phí một lượng lớn điện năng dư thừa vô ích,

gây thiệt hại kinh tế cho đất nước

Để đảm bảo lượng điện năng sản xuất ra không dư thừa và cũng không thiếu

hụt so với nhu cầu sử dụng thì bài toán dự báo phụ tải điện cần được quan tâm đúngmức Việc dự báo chính xác góp phần cải thiện chất lượng điện năng cũng như giảmchi phí sản xuất, vận hành và đảm bảo an toàn cho hệ thống điện

Tiền Giang là tỉnh nằm trong khu vực đồng bằng sông Cửu Long, là tỉnh nằmtrong vùng kinh tế trọng điểm phía nam Do vậy như cầu sử dụng điện ở Tiền Giangrất cao và việc dự báo phụ tải điện được đặt lên hàng đầu trong việc thiết kế và vậnhành hệ thống điện Trong khuôn khổ luận văn này, phương pháp dự báo kết hợpmạng Wavelet và Fuzzy Logic sẽ được nghiên cứu và áp dụng để dự báo đồ thị phụtải ngày của tỉnh Tiền Giang với dữ liệu công suất được thu thập từ ngày

01/01/2011 đến 31/12/2011

Load forecast plays a very important role in planning the design andoperation of electrical systems It will help us to forecast the direction andorientation plan for the future, work actively and treat the incident Without thework of the load forecast, we can meet two cases: the power shortage and the powerredundancy

In case of the power shortage, we will not have enough power to serve

people’s daily as well as to provide for industries such as industrial, agriculture and

services It causes a serious consequence: the automated production lines, machinesand equipment will be shut down, the economy will be affected

In case of the power redundancy, unlike other commodities, electricity is a veryspecial properties that it can not be stored or put into storage So we will waste alarge amount of excess energy in vain, to cause great damage to the nationaleconomy

To ensure that power does not produce surplus nor deficit relative to the problemusing the electricity load forecast should be well heeded The predictions improvepower quality and reduce production costs, operation and safety for the electricalsystem

Tien Giang province is located in the Cuu Long River Delta - a keyeconomic area of the south Thus the demand for electricity is very high in TienGiang and load forecast is placed on top in the design and operation of electricalsystems In the framework of this thesis, Wavelet and Fuzzy Logic networks will bestudied and applied to predict daily load graph of Tien Giang province with acapacity of data collected from 1.1 days / 2011 to 31/12/2011

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CÁM ƠN ii

TÓM TẮT iii

MỤC LỤC v

DANH MỤC CÁC TỪ VIẾT TẮT viii

DANH MỤC CÁC BẢNG ix

DANH MỤC CÁC BIỂU ĐỒ, ĐỒ THỊ, SƠ ĐỒ , HÌNH ẢNH x

Chương 1 1

1.1 Đặc vấn đề 1

1.2 Tính cấp thiết của đề tài 1

1.3 Mục tiêu của đề tài 2

1.4 Nội dung nghiên cứu 2

1.5 Phương pháp luận và phương pháp nghiên cứu 2

1.5.1 Phương pháp luận 2

1.5.2 Phương pháp nghiên cứu 3

1.6 Tổng quan về dự báo 3

1.7 Các phương pháp dự báo phụ tải điện: 6

1.7.1 Phương pháp tính hệ số vượt trước: 6

1.7.2 Phương pháp tính trực tiếp: 6

1.7.3 Phương pháp so sánh đối chiếu : 7

1.7.4 Phương pháp chuyên gia: 7

1.7.5 Phương pháp san bằng hàm mũ: 7

1.7.6 Phương pháp ngoại suy theo thời gian: 9

1.8 Những đề tài đã công bố 11

Chương 2 14

LÝ THUYẾT WAVELET VÀ FUZZY LOGIC 14

2.1 Lý thuyết Wavelet: 14

2.1.1 Tổng quan : 14

2.1.2 Biển đổi Wavelet liên tục (CWT): 15

2.1.3 Biển đổi wavelet rời rạc (DWT): 17

2.1.4 Giới thiệu một số họ wavelet thông dụng: 17

2.1.5 Một số ứng dụng nổi bật của phân tích Wavelet: 19

2.2 Lý thuyết Fuzzy Logic: 20

2.2.1 Khái niệm tập hợp kinh điển: 20

2.2.2 Khái niệm tập mờ - các khái niệm cơ bản: 21

2.2.3 Luật hợp thành mờ: 23

2.2.4 Giải mờ: 32

2.2.5 Các bước thiết kế một bộ mờ: 35

Chương 3 37

3.1 Giới thiệu: 37

3.2 Phân tích wavelet tiền xử lý: 38

3.2.1 Biến đổi wavelet rời rạc (DWT – Discrete Wavelet Transform): 38

3.2.2 Biến đổi wavelet rời rạc phủ toàn diện (MODWT): 38

3.3 Xây dựng mô hình Fuzzy cho bài toán dự báo dựa trên giải thuật ước lượng nhóm (Cluster Estimation): 41

3.3.1 Giới thiệu giải thuật ước lượng nhóm : 41

3.3.2 Phân nhóm dữ liệu dựa trên giải thuật Moutain Clustering: 42

3.3.3 Mô hình nhận dạng mờ (Fuzzy Model Identification): 44

3.4 Mô hình dự báo mạng Fuzzy-Wavelet: 48

3.5 Các sơ đồ khối: 50

3.5.1 Mô hình dự báo Fuzzy-Wavelet: 50

3.5.2 Xây dựng mô hình nhận dạng mờ Fuzzy Identification: 51

3.5.3 Giải thuật tìm tâm nhóm theo Mountain Clustering: 52

3.5.4 Sơ đồ khối dự báo: 53

Chương 4 54

4.1 Giới thiệu về Tiền Giang 54

4.2 Đặc điểm đồ thị phụ tải tỉnh Tiền Giang 56

4.3 Dự báo đồ thị phụ tải ngày tỉnh Tiền Giang 58

4.3.1 Lựa chọn mẫu dữ liệu đưa vào luyện mạng 58

4.3.2 Áp dụng mạng Wavelet-Fuzzy Logic trong công tác dự báo: 59

4.3.3 Dự báo từng hệ số MODWT và tổ hợp dự báo: 65

4.3.4 Dự báo 23 thời điểm tiếp theo để đưa ra kết quả công suất ngày: 67

Chương 5 77

PHẦN LẬP TRÌNH 78

1 Chương trình chính (main function): 78

2 Chương trình thiết lập ma trận input -output (build_IO): 79

3 Chương trình chuẩn hóa dữ liệu về hệ đơn vị tương đối (normalizedata): 80

4 Chương trình tìm tâm theo giải thuật MC (MountainCluster): 81

5 Chương trình thiết lập mô hình Fuzzy Logic (trainningFuzzyMode l): 82

6 Chương trình thiết lập Y n+1 (build_I_nplus1): 83

7 Chương trình thiết lập A n+1 (build_A_nplus1): 84

8 Chương trình chuyển dữ liệu về hệ đơn vị thường (denormalizedata): 84

TÀI LIỆU THAM KHẢO 86

DANH MỤC CÁC TỪ VIẾT TẮT

CWT-Continuous Wavelet Transform: Biển đổi Wavelet liên tục

DWT-Discrete Wavelet Transform: Biến đổi Wavelet rời rạc

MODWT – Maximal Overlap Discrete Wavelet Transform: Phép biến đổi Waveletrời rạc phủ toàn diện

DWT – Discrete Wavelet Transform: Biến đổi wavelet rời rạc

MODWT: Biến đổi wavelet rời rạc phủ toàn diện

Fuzzy Model Identification: Mô hình nhận dạng mờ

DANH MỤC CÁC BẢNG

Bảng 1: Các hệ số phân tích MODWT Djvà D5

Bảng 2: Ma trận input-output của chuỗi D1

Bảng 3: Kết quả tâm nhóm của ma trận input-output của D1

Bảng 4: Ma trận hệ số mô hình Fuzzy X

Bảng 5: Hàng thứ n+1 (3265) A3265của ma trận A của D1

Bảng 6: Các giá trị dự báo các hệ số MODWT

Bảng 7: Dự báo và sai số đồ thị phụ tải ngày 5/9/2011

DANH MỤC CÁC BIỂU ĐỒ, ĐỒ THỊ, SƠ ĐỒ , HÌNH ẢNH

Hình 2.1 : Hàm( )t của biến đổi Haar

Hình 2.2 : Hàm( )t của phép biến đổi Meyer

Hình 2.3 : Họ hàm ( )t của biến đổi Daubechies

Hình 2.4 : Miền xác định và miền tin cậy của tập mờ

Hình 2.5 : Sơ đồ khối mô hình dự báo Fuzzy -Wavelet

Hình 2.6 : Rời rạc hóa hàm thuộc

Hình 2.7 : Rời rạc hóa hàm thuộc

Hình 2.8 : Giải mờ bằng phương pháp điểm cực đại

Hình 2.9 : Giải mờ bằng phương pháp điểm trọng tâm

Hình 3.1 : Phân tích MODWT ở cấp 5

Hình 3.2 : Sơ đồ khối mô hình dự báo fuzzy – wavelet

Hình 4.1 : Đồ thị phụ tải ngày thường, ngày chủ nhật và ngày lễ

Hình 4.2 : Đồ thị phụ tải 365 ngày năm 2011

Hình 4.3 : Sơ đồ phân tích MODWT ở cấp 5

Hình 4.4 : Kết quả đồ thị phụ tải dự báo ngày 5/9/2011

độ chính sách của nhà nước đối với vấn đề năng lượng……Hệ thống năng lượng

ngày một phức tạp cả về qui mô và trình độ, do đó việc qui hoạch phát tr iển và dự

báo đúng hướng hệ thống năng lượng nói chung và hệ thống điện nói riêng luôn là

vấn đề thời sự, là mối quan tâm hàng đầu của mọi quốc gia

Trong ngành năng lượng, dự báo phụ tải có ý nghĩa vô cùng quan trọng vì nó

gắn liền và ảnh hưởng trực tiếp đến đời sống sinh hoạt của nhân dân và các ngànhkinh tế quốc dân Ngoài ra, dự báo phụ tải có ý nghĩa quyết định trong việc đảm bảochế độ làm việc an toàn và tiết kiệm của hệ thống điện, đồng thời nó có tính chấtquyết định trong việc hoạch định chiến lược phát triển hệ thống

Năng lượng là một vấn đề thu hút sự quan tâm của mọi quốc gia trong mọi

thời đại Không thể hình dung được sự thiếu vắng của năng lượng trong mọi hoạt

động của con người, nhất là trong thời đại ngày nay, khi mà khoa học kỹ thuật đãđạt trình độ rất cao để con người từng bước chinh phục được thiên nhiên và làm chủđược cuộc sống của mình

1.2 Tính cấp thiết của đề tài

Dự báo phụ tải điện đóng một vai trò hết sức quan trọng trong việc lập kếhoạch thiết kế và vận hành hệ thống điện Dự báo sẽ giúp chúng ta định hướng được

phương hướng và kế hoạch cho tương lai, chủ động trong công việc và xử lí được

những biến cố xảy ra Nếu như không có công việc dự báo phụ tải điện, ta sẽ gặpphải hai trường hợp có thể xảy ra : một là chúng ta sẽ th iếu hụt điện năng sử dụng

và hai là chúng ta sẽ sản xuất ra một lượng điện năng thừa vô ích

Đối với trường hợp thiếu hụt điện năng, chúng ta sẽ không có đủ điện năng để

phục vụ cho nhu cầu sinh hoạt, giải trí của nhân dân và không đủ điều kiện để cungcấp điện năng cho các ngành kinh tế như công nghiệp, nông nghiệp và dịch vụ Nógây ra một hậu quả hết sức nghiêm trọng: các dây chuyền tự động, các máy móc,thiết bị sẽ ngưng hoạt động, nền kinh tế sẽ bị ảnh hưởng

Đối với trường hợp dư thừa điện năng, khôn g giống như các loại hàng hóakhác, điện năng có tính chất rất đặc biệt đó là không thể lưu trữ hay cất vào kho khi

dư thừa Do vậy chúng ta sẽ bị lãng phí một lượng lớn điện năng dư thừa vô ích,

gây thiệt hại kinh tế cho đất nước

Để đảm bảo lượng điện n ăng sản xuất ra không dư thừa và cũng không thiếu

hụt so với nhu cầu sử dụng thì bài toán “ dự báo phụ tải điện sử dụng mạng

wavelet và fuzzy logic” cần được quan tâm đúng mức Việc dự báo chính xác góp

phần cải thiện chất lượng điện năng cũng như giảm chi phí sản xuất, vận hành và

đảm bảo an toàn cho hệ thống điện

1.3 Mục tiêu của đề tài

Ứng dụng phép phân tích Wavelet và Fuzzy logic để dự báo phụ tải cho tỉnh

Tiền Giang

1.4 Nội dung nghiên cứu

Để giải quyết mục tiêu của đề tài cần thực hiện:

- Nghiên cứu tìm hiểu về phép phân tích Wavelet và Fuzzy logic

- Tìm hiểu ứng dụng của Wavelet trong xây dựng mô hình dự báo phụ tải

- Ứng dụng phép phân tích Wavelet và Fuzzy logic để dự báo phụ tải cho tỉnhTiền Giang

- So sánh kết quả dự báo với thực tế và đưa ra hướng phát triển của đề tài

1.5 Phương pháp luận và phương pháp nghiên cứu

1.5.1 Phương pháp luận

Phương pháp nghiên cứu là những nguyên tắc và cách thức hoạt động khoa

học nhằm đạt tới chân lý khách quan dựa trên cơ sở của sự chứng minh khoa học

Điều này có ý nghĩa rằng, các nghiên cứu khoa học cần phải có những nguyên tắc

và phương pháp cụ thể, mà dựa theo đó các vấn đề sẽ được giải quyết

Việc ứng dụng phép phân tích Wavelet và Fuzzy logic để dự báo phụ tải đã

được các nhà khoa học trên thế giớ i nghiên cứu và ứng dụng

1.5.2 Phương pháp nghiên cứu

Phân tích tài liệu : Sử dụng phương pháp phân tích vận dụng phép biến đổi

Wavelet kết hợp Fuzzy Logic để tạo ra các giá trị ngõ ra của mạng Wavelet là cácgiá trị phụ tải điện cần dự báo

Tính toán : Tận dụng khả năng linh hoạt của phần mềm Matlab trong việc

xử lý số liệu và biểu diễn các kết quả dự báo

Dữ liệu : Sử dụng số liệu phụ tải điện thực tế năm 2011 của tỉnh Tiền Giang

trong việc phân tích

1.6 Tổng quan về dự báo

Dự báo là một khoa học quan trọng nghiên cứu các phương pháp luận khoahọc làm cơ sở cho việc đề xuất dự báo cụ thể cũng như việc đánh giá mức độ tincậy, mức độ chính xác của các phương pháp dự báo

Dự báo là đi tìm một mô hình toán thích hợp mô tả mối quan hệ phụ thuộ c của

các đại lượng cần dự báo với các yếu tố khác, hay chính bản thân nó Nhiệm vụ

chính của dự báo là việc xác định các tham số mô hình Về mặt lý luận thì các tínhchất của mô hình dự báo được nghiên cứu trên cơ sở giả định rằng nó được ứngdụng để dự báo một quá trình nào đó được sinh ra từ một mô hình giải tích

Hiện nay có nhiều phương pháp luận cho hoạt động dự báo mà hầu hết các

phương pháp ấy đều mang tính chất kinh nghiệm thuần túy Vận dụng cách giải

quyết theo kinh nghiệm vào dự báo là không đầy đủ vì cách làm ấy chỉ hoàn toàndựa trên kinh nghiệm của các giai đoạn quá khứ và không phải lúc nào cũng có thểvận dụng vào hoàn cảnh hiện tại đã thay đổi so với trước Do đó cần phải hoàn thiện

về mặt lý thuyết các vấn đề dự báo Sự hoàn thiện ấy cho p hép chúng ta có thêm cơ

sở tiếp cận với việc lựa chọn các phương pháp dự báo, đánh giá mức độ chính xáccủa dự báo đồng thời xác định khoảng thời gian lớn nhất có thể dùng cho dự báo

Tác dụng của dự báo đối với quản lý kinh tế nói chung là rất lớn Dự báo vàlập kế hoạch là hai giai đoạn gắn kết chặt chẽ với nhau của một quá trình quản lý.Trong mối quan hệ ấy, phần dự báo sẽ góp phần giải quyết các vấn đề cơ bản 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

Nếu công tác dự báo 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 Đặc biệt đối với ngành

năng lượng thì tác dụng của dự báo càng có ý nghĩa qu an trọng vì năng lượng có

liên quan rất chặt chẽ với tất các các ngành kinh tế quốc dân, cũng như mọi sinhhoạt bình thường của nhân dân

Do đó nếu dự báo 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

Từ những yêu cầu cụ thể mà ta lựa chọn tầm dự báo, ví dụ để xây dựng kếhoạch hay chiến lược phát triển ta phải dự báo dài hạn hay trung hạn Nếu để phục

vụ công việc vận hành ta tiến hành dự báo ngắn hạn

Các tầm dự báo :

- Dự báo điều độ : dự báo theo giờ hoặc vài phút

- Dự báo ngắn hạn : dự báo theo ngày, vài ngày hoặc tháng

- Dự báo trung hạn : thời gian dự báo theo năm, khoảng từ 5 – 7 năm

- Dự báo dài hạn: thời gian dự báo theo năm, khoảng 10 – 20 năm

Tính đúng đắn của dự báo phụ thuộc nhiều vào các phương pháp dự báo mà

chúng ta áp dụng, mỗi phương pháp dự báo ứng với các sai số cho phép khác nhau

Đối với dự báo điều độ thì sai số cho phép nhỏ hơn 5%, dự báo ngắn hạn thì sai số

cho phép vào khoảng 3 - 5%, dự báo trung hạn thì sai số cho phép vào khoảng 5 –

10% và đối với dự báo dài hạn thì sai số cho phép vào khoảng 10 - 20%

Có hai phương pháp dự báo chính: theo chuỗi thời gian và phương pháp tương

quan

Dự báo theo chuỗi thời gian là tìm một quy luật thay đổi của đại lượng cần dựbáo 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) (1.1)

Trong đó :

Ŷ(t) : là giá trị đại lượng cần dự báo tại thời điểm t

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

a 0 , a 1 , … a n: các thông số của mô hình dự báo cần tìm

Dự báo theo phương pháp tương quan là tìm quy luật thay đổi của đại lượngcần dự báo phụ thuộc vào các đại lượng liên quan

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 dự báo cần tìm

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

1

n

i i

Để tìm các thông số của mô hình dự báo 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

1.7 Các phương pháp dự báo phụ tải điện:

1.7.1 Phương pháp tính hệ số vượt trước:

Phương pháp này dựa trên khuynh hướng phát triển của nhu cầu điện năng và

sơ bộ cân đối nhu cầu này Nó được đặc trung bởi hệ số K phụ thuộc vào nhịp độ

phát triển năng lượng điện và nhịp độ phát triển của toàn bộ nền kinh tế quốc dân

Ngoài ra phương pháp này còn chịu ảnh hưởng bởi nhiều yếu tố khác, ví dụ như :

- Do tiến bộ về mặt khoa học ký thuật và quản lý nên suất tiêu hao điện

năng đối với mỗi sản phẩm ngày càng giảm xuống

- Do điện năng ngày càng được sử dụng rộng rãi trong các ngành kinh tếquốc dân và địa phương

- Do cơ cấu kinh tế ngày càng không ngừng thay đổi

Việc xác định giá trị K khó có thể đảm bảo về độ chính xác, cho nên hiện nay

phương pháp này hầu như không được sử dụng

Phương pháp tính trực tiếp thường được ứng dụng ở các nước xã hội chủ

nghĩa vì nền kinh t ế phát triển có kế hoạch, ổn định, không có sự cạnh tranh nhau vàkhông có khủng hoảng Phương pháp này có ưu điểm là tính toán đơn giản, vàngoài yêu cầu xác định tổng lượng điện năng dự báo chúng ta còn biết được tỉ lệ sửdụng điện năng trong các ngành k inh tế, chẳng hạn như điện năng dùng cho côngnghiệp, nông nghiệp, dân dụng … cũng nhưng xác định được nhu cầu điện ở cáckhu vực địa lý khác nhau Từ đó có thể đề xuất phương hướng điều chỉnh, quyhoạch cho cân đối Tuy nhiên xác định mức độ chính xác của phương pháp nàycũng gặp nhiều khó khăn vì nó phụ thuộc vào mức độ chính xác của tổng sản lượngcác ngành kinh tế quốc dân trong tương lai dự báo, 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 đ óphương pháp này thường được áp dụng để dự báo nhu cầu điện năng cho thời gian

ngắn và trung bình

1.7.3 Phương pháp so sánh đối chiếu :

Nội dung của phương pháp này là so sánh đối chiều nhu cầu phát triển điện

năng của các nước có hoàn cảnh tương tự nhau Đây là phương pháp được nhiềunước áp dụng để dự báo nhu cầu năng lượng của nước mình một cách hiệu quả Tuy

nhiên việc áp dụng phương pháp này không phải lúc nào cũng thực hiện được, vìchỉ có các nước tương đồng nhau về nhiều mặt như : vị trí địa lý, cơ cấu kinh tế, dân

số … thì mới có thể ứng dụng phương pháp này một cách hiệu quả

1.7.4 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 dự báo các chỉ tiêu kinh tế Trong lĩnh vực điện năng,cũng có khi dùng phương pháp này để dự báo triển vọng điện năng, lúc ấy người talấy trung bình trọng số ý kiến của các chuyên gia phát biểu về năng lượng của nướcmình để dự báo nhu cầu sử dụng điện Tuy nhiên phương pháp này chỉ mang tínhchủ quan, cho nên độ chính xác và độ tin cậy không cao

1.7.5 Phương pháp san bằng hàm mũ:

Trong phương pháp này, mỗi toán tử được đặc trung 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 sốkhông đổi của mô hình dự báo dựa trên cơ sở những số liệu quan sát trong quá khứ

Sử dụng mô hình này để tính dự báo cho tương lai với các hệ số hằng sẽ phạmmột sai số nào đó tùy thuộc vào kho ảng thời gian dự báo Nếu tầm dự báo càng xathì sai số càng lớn Ngoài ra ta nhận thấy rằng những số liệu gần hiện tại có ảnh

hưởng đến giá trị dự báo nhiều hơn những số liệu ở quá khứ xa Nói cách khác tỉ

trọng của các số liệu đối với giá trị dự báo 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 dự báotheo 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

Trong đó ai, t=0,1…p là các hệ số của hàm dự báo,  là sai số của dự báo t

Dựa vào phương trình trên ta có thể dự báo giá trị yttại thời điểm (n+l) với

l=1,2,…,L Việc thực hiện báo giá trị yttại thời điểm t+l (với t=n) dựa theo phươngpháp phân tích chuỗi Taylor :

Trong đó  là hệ số san bằng với 0 < < 1, nó thể hiện ảnh hưởng của các

quan sát quá khứ đến dự báo Nếu  tiến tới 1, nghĩa là chỉ xét đến quan sát sau

cùng Nếu  tiến về 0, nghĩa là xét đến ảnh hưởng của mọi quan sát trong quá kh ứ.

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

[ 1]

1 1

1.7.6 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

dự báo tương lai

Giả sử mô hình có dạng hàm mũ n hư sau :

0(1 )t

t

A0– là điện năng ở năm chọn làm gốc

- là tốc độ phát triển bình phần hàng năm

t – thời gian dự báo

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

t t

Lấy logarit 2 về (1.16) ta được : logA t logA0tlogC

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

Dùng phương pháp bình phương cực tiểu ta sẽ tìm được hệ số a và b

Ưu điểm của phương pháp ngoại suy hàm mũ này là đơn giản và có thể áp

dụng để dự báo tầm gần và tầm xa Khuyết điểm của ph ương pháp này là chỉ chokết quả chính xác nếu trong tương lai không có nhiễu và quá khứ phải tuân theo mộtquy luật

Hiện nay các nhà khoa học đã và đang nghiên cứu các phương pháp và môhình dự báo có tính chính xác hơn Ví dụ như phương pháp dựa trên mô hìnhBrown, mô hình Bayes, phương pháp phân tích Wavelet, phương pháp mạng Neuralnhân tạo

( ) ( 1) ( 1) (1 ) ( 1) ( ) ( 1) (1 ) ( 1)

( ) ( | ) ( | )

X – là ma trận đầu vào của mạng Neural

F – là hàm truyền của các Neural trong mạng

W – là ma trận trọng số

Phương pháp này dựa trên cơ sở huấn luyện mạng Neural, tức là tìm ma trận

trọng số sao cho thỏa mãn điều kiện sai số huấn luyện là nhỏ nhất

1.7.6.4 Mô hình phân tích Wavelet :

 Năm 1997, tác giả Gaviphat Lekutai có bài báo về:

“Các bộ điều khiển mạng Neural Wavelet tự điều chỉnh tương thích”.

Kết quả: Mạng lưới sóng dựa trên bộ điều chỉnh cải thiện sự hoạt động củamạng lưới, giảm thiểu sự biến thiên giữa các đợt vận hành, đến giao thoa âm thanh

và khả năng phức tạp cao nhằm nghiên cứu và t heo dõi các hệ thống phức tạp chưa

được biết đến Mạng lưới sóng này có thể khắc phục những vấn đề nêu trên và hy

vọng đóng góp vào việc đặt nền móng cho sự phát triển hơn nữa của mạng Neural

tương thích dựa vào phương pháp hệ thống điều khiển

 Năm 1999, các tác giả Anant Oonsivilai, El-Hawary có bài báo:

“ Dự báo tải ngắn hạn của hệ thống điện dựa trên mạng Neural Wavelet”

Giới thiệu phương pháp tiếp cận cho việc dự đoán hệ thống điện tải sử dụngmạng Neural Wavelet

Kết quả: Mạng Neural Wavelet có thể làm tốt hơn những cấu trúc truyềnthống trong phương diện xấp xỉ và dự báo liên quan đến hệ thống điện

 Năm 2000, các tác giả Zidan Bashir, El-Hawary có bài báo:

“ Sử dụng mạng Neural Wavelet dự báo tải ngắn hạn”.

Dữ liệu đầu vào được thu thập trong kh oảng 2 năm (1994-1995) nhằmnghiên cứu mạng lưới và dữ liệu của năm 1996 dùng để kiểm tra mạng lưới.

Kết quả: Mạng lưới được so sánh với mạng Neural nhân tạo và đưa ra dựbáo cải thiện với độ hội tụ nhanh

 Năm 2001, các tác giả C.M.Huang, H.T.Yang có bài báo:

“ Ứng dụng mạng Wavelet cho dự báo phụ tải ngắn hạn”

Kết quả: Bài báo đề nghị phương pháp tiếp cận được kiểm tra lại qua các dữliệu khác nhau đối với hệ thống điện và tải trạm Sự so sánh sai số dự báo và thờigian thực hiện dùng mạng Wavelet có thể vượt trội hơn so với mạng Neural nhântạo hiện thời

 Năm 2001, các tác giả Zhao-Yang Dong, Bai-Ling Zhang, Qian Huang có

bài báo về:

“Sự tương thích của mạng Neural Network với các phân tích Wavelet

trong dự báo phụ tải ngắn hạn”.

Bài nghiên cứu giới thiệu mô hình lai để lồng ghép thông tin entropi vớimạng neural nhằm thiết lập mô hình dự báo tải ngắn hạn Mô hình được giới thiệu

có cải thiện một cách hiệu quả tính chính xác của dự báo

Kết quả: mô hình đã được kiểm tra với việc sử dụng dữ liệu tải hàng ngày ởtỉnh Heibei với những kết quả thỏa đáng

 Năm 2002, các tác giả Zheng hua, Zhang Lizi có bài báo về:

”Sử dụng biến đổi Wavelet để dự báo phụ tải ngắn hạn”.

Trong những năm gần đây, phương pháp phân tích Wavelet có thể giúp

chúng ta thu được những tín hiệu mong muốn với tần số khác nhau bằng phân tích

trong nhiều mức khác nhau, được ứng dụng rộng rãi trong nhiều lĩnh vực kể cả hệthống điện

Kết quả: Qua phân tích và so sánh, phương pháp có thể cải thiện tính khả t hicủa các thành phần tải được phân tích và nâng cao tính chính xác của dự báo, dựbáo trong 24 giờ với sai số trung bình là 1,16%

 Năm 2004, các tác giả Yanqiu Bi, Jianguo Zhao, Dahai Zhang có bài báo

về:

“Thuật toán dự báo phụ tải sử dụng phân tích Wavelet gói”.

Kết quả: Thuật toán sử dụng wavelet nhằm phân tích dữ liệu để rút ra thànhphần tải của các tần số khác nhau và sau đó mạng Neural được dùng để dự đoánthành phần tải của mỗi gói Wavelet, những thuật toán được đề xuất nâng cao tínhchính xác của dự báo và nó tốt hơn so với mạng lưới Neural lan truyền ngược, dựbáo trong 24 giờ với sai số trung bình là 1,18%

 Năm 2004, các tác giả Trương Quang Đăng Khoa, Lê Minh Phương, Phan

Thị Thanh Bình, Nguyễn Thị Hồng Liên có bài báo về:

“Ứng dụng về mạng Neural và Wavelet để dự báo phụ tải dài hạn”.

Bài nghiên cứu đề nghị đặc tính xấp xỉ của mạng Wavelet và Neural để xác

định chức năng biểu thị mối liên hệ giữa biến số và năng lượng đầu ra Kiến nghị

của bài báo là mạng lưới liên kết chức năng, mạng lướ i Neural nhiều lớp và mạngWavelet

Kết quả: Trong 3 năm thử nghiệm, kỹ thuật dự báo hiện đại: mạng WaveletNeural (sai số 1,7548%) và mạng Emal (sai số 2,59%) đưa ra nhiều kết quả tốt hơn

so với kỹ thuật dự báo truyền thống (sai số 3,51%)

 Năm 2007, các tác giả Nguyễn Hoàng Việt, Trần Anh Dũng, Nguyễn

Quang Thi có bài báo về:

“Mạng Wavelet cho các bài toán dự báo phụ tải ngắn hạn trong các ngày đặc

chương trình dự báo các ngày bình thư ờng để dự báo các ngày này sẽ đưa ra kết quả

sai lệch rất lớn, do vậy ta phải xây dựng chương trình dự báo cho các ngày đặc biệt

Chương trình dự báo được viết trên ngôn ngữ Matlab 6.5

nhưng các giải thuật này gặp rất nhiều giới hạn trong các bài toán với số chiều lớn.

Việc xây dựng và lưu trữ các wavelet nhiều chiều là rất tốn kém Vì vậy để giảiquyết vấn đề về số chiều lớn, ta phải xây dựng một giải thuật mà ở đó sự thực hiệncủa giải thuật này ít nhạy cảm với số chiều

Dựa trên sự tương tự của phép phân tích wavelet và mạng Neural một lớp ẩn,

Zhang và Benvenniste (1992) đã kết hợp Wavelet và mạng Neural để tạo ra mạng

Wavelet Mạng Wavelet là một mạng Neural lan truyền thẳng một lớp ẩn sử dụnghàm Wavelet làm hàm kích hoạt cho các neural một lớp ẩn và các neural này đượcgọi là các wavelon Ngõ ra của mạng Wavelet là tổng tuyến tính có trọng số các giátrị của các wavelon Sự kết hợp của Wavelet và mạng Neural được hy vọng là sẽkhắc phục được n hững khuyết điểm của cả hai, sẽ cho ra các mô hình mạng mới với

các phương pháp xây dựng hiệu quả và giải quyết được vấn đề về số chiều lớn

Trong những năm gần đây, mạng wavelet đã thu hút được rất nhiều sự chú ý

từ các công trình nghiên cứu của các nhà k hoa học, do khả năng xây dựng các hàmhồi quy phi tuyến tốt hơn so với mạng Neural truyền thống Đó là do khả năng của

các hàm wavelet được sử dụng trong mạng wavelet Trong mạng Neural truyền

thống, tính phi tuyến được tạo ra bởi các hàm signmoid hoặc cá c hàm Gaussian vàcác hàm này không có hiệu quả tốt bằng hàm wavelet Thêm một đặc tính nữa là dongõ ra tuyến tính nên các trọng số của mạng Wavelet có thể được ước lượng bằng

phương pháp bình phương cực tiểu Do đó mạng Wavelet sẽ hội tụ nhanh hơn mạng

Neural truyền thống rất nhiều khi tiến hành luyện mạng Vì vậy nhiều người cho

rằng mạng wavelet sẽ là một sự thay thế xứng đáng cho các mạng Neural truyềnthống trong lĩnh vực ước lượng các hàm hồi quy tuyến tính.

2.1.2 Biển đổi Wavelet liên tục (CWT):

Biển đổi Wavelet liên tục (CWT-Continuous Wavelet Transform) của mộthàm f t( ) được bắt đầu từ một hàm wavelet mẫu (Mother Wavelet Function)

Điều kiện (2.2) có nghĩa là hàm  ( )t là một hàm bình phương khả tích, nghĩa

là ( )t thuộc không gian L R2( )các hàm bình phương khả tích

Sau khi hàm  ( )t được lựa chọn, biến đổi Wavelet liên tục của một hàm

Với mọi giá trị của a thì a b, ( ) t là một bản sao của a,0( ) t được dịch đi b đơn

vị trên trục thời gian Do đó b được gọi là tham số dịch

Đặt tham số dịch b=0 ta thu được

,0

1 ( )

| |

a

t t

a a

     

Tham số a là tham số tỉ lệ Khi a>1 thì hàm Wavelet có xu hướng trải rộng ra.Khi 0<a<1 thì sẽ được co lại Sau đây chúng ta sẽ định nghĩa phép biển đổi waveletliên tục

Gọi  () là biến đổi Fourier ( )t :

( ) ( )t ej t  dt



Nếu W(a,b) là biến đổi CWT của f t( )bằng hàm wavelet  ( )t thì biến đổi

ngược của biển đổi CWT sẽ được tính như sau:

, 2

điều kiện thứ 3 mà một hàm cần thỏa mãn để có thể được lựa chọn l àm hàm mẫu

wavelet Chúng ta có thể xem biến đổi CWT như là một ma trận hai chiều các kếtquả của phép tính tích vô hướng giữa hai hàm f ( )t và  ( )t Các hàng của ma trận

tương ứng với giá trị của a và các cột tươ ng ứng với các giá trị của b do cách tính

biển đổi wavelet theo tích vô hướng đã trình bày ở trên:

2.1.3 Biển đổi wavelet rời rạc (DWT):

Việc tính toán các hệ số wavelet tại tất cả các tỉ lệ là một công việc hết sứcphức tạp, vì nó tạo ra một lượng dữ liệu khổng lồ Để giảm thiểu công việc tính toán

người ta chỉ chọn ra một tập nhỏ các giá trị tỉ lệ và một số vị trí để tiến hành tínhtoán Hơn nữa nếu việc tính toán được tiến hành tại các tỉ lệ và các vị trí trên cơ sở

lũy thừa cơ số 2 thì kết quả thu được sẽ hiệu quả và chính xác hơn rất nhiều Quátrình chọn các tỉ lệ và các vị trí như trên sẽ tạo thành các “dyadic” Một phân tích

như trên hoàn toàn có thể thực hiện được nhờ biến đổi Wavelet rời rạc

(DWT-Discrete Wavelet Transform) thực chất là rời rạc hóa biến đổi CWT Việc rời rạc

hóa được thực hiện với sự lựa chọn các hệ số a và b như sau:

2m

a ; 2m

Việc tính toán hệ số của biến đổi Wavelet có thể dễ dàng thực hiện bằng các

băng lọc số nhiều nhịp đa kênh, một lý thuyết rất quen thuộc trong xử lí tín hiệu

2.1.4 Giới thiệu một số họ wavelet thông dụng:

2.1.4.1 Hàm Wavelet Haar:

Biến đổi Wavelet Haar là biến đổi đầu tiên và đơn giản nhất trong các biến đổiwavelet Do tính chất đơn giản của biến đổi Haar nên nó được ứng dụng tương đốirộng rãi trong công nghệ nén hình ảnh, khi áp dụng biến đổi này để nén ảnh thìthuật toán ảnh trên máy tính có một số điểm khác so với công thức toán học củabiến đổi Haar

Biểu thức toán học của hàm Haar:

  

 

Hình 2.1 : Hàm( )t của biến đổi Haar

2.1.4.2 Hàm Wavelet Meyer:

Phép biến đổi Mayer cũng là một phép biến đổi thông dụng, phép biến đổi nàycho khả năng phân tích tín hiệu tốt hơn nhiều so với biến đổi Haar Hàm ( )t củaphép biến đổi Meyer được cho trong hình 2:

Hình 2.2 : Hàm( )t của phép biến đổi Meyer

2.1.4.3 Biến đổi Wavelet Daubechies:

Giống như Mayer, Daubechies cũng là một nhà khoa học có công lao to lớntrong việc nghiên cứu phát triển phép biển đổi wavelet Biến đổi Daubechies là mộttrong những phép biến đổi phức tạp nhất trong các phép biến đổi wavelet Họ biến

đổi này được ứng dụng hết sức rộng rãi, biến đổi Wavelet áp dụng trong JPEG2000

là một trong họ biến đổi Daubechies Dưới đây là một số hàm ( )t trong họDaubechies

Hình 2.3 : Họ hàm( )t của biến đổi Daubechies

2.1.5 Một số ứng dụng nổi bật của phân tích Wavelet:

2.1.5.1 Nén tín hiệu:

Do đặc điểm của mình, Wavelet đặc biệt tốt khi sử dụng để nén hay phân tích

các tín hiệu không dừng đặc biệt là tín hiệu ảnh số và c ác ứng dụng nén tiếng nói,nén dữ liệu Việc sử dụng các phép mã hóa băng con, băng lọc có nhiều nhịp vàbiến đổi wavelet rời rạc tương ứng với loại tín hiệu cần phân tích có thể mang lạinhững hiệu quả rõ rệt trong nén tín hiệu Do tính chất chỉ tồn tại t rong các khoảngthời gian rất ngắn (khi phân tích tín hiệu trong miền thời gian tần số) mà các biến

đổi wavelet có khả năng tập trung năng lượng rất tốt vào các hệ số biến đổi Các hệ

số mang thông tin chi tiết của biến đổi wavelet thường rất nhỏ và có thể bỏ qua màkhông ảnh hưởng đến việc mã hóa dữ liệu (trong phương pháp mã hóa ảnh haytiếng nói là những tín hiệu cho phép mã hóa có tổn thất thông tin)

2.1.5.2 Khử nhiễu :

Tính chất của biến đổi Wavelet mà ta xét tới trong phần ứng dụng cho nén tínhiệu được mở rộng bởi Iain Johnstone và David Donohos trong các ứng dụng khửnhiễu cho tín hiệu Phương pháp khử nhiễu này được gọi là Wavelet ShrinkageDenoising (WSD) Ý tưởng cơ bản của WSD dựa trên việc tín hiệu nhiễu sẽ lộ rõkhi phân tích bằng biến đổi wavelet ở các hệ số biến đổi bậc cao Việc áp dụng các

ngưỡng loại bỏ tương ứng với các bậc cao hơn của số wavelet sẽ có thể dễ dàng loại

bỏ nhiễu trong tín hiệu

2.1.5.3 Mã hóa nguồn và mã hóa kênh :

Wavelet được ứng dụng trong mã hóa nguồn và mã hóa kênh l à do trong việc

mã hóa nguồn chúng ta cần khả năng nén với tỉ lệ nén cao còn trong mã hóa kênhthì cần khả năng chống nhiễu tốt Biến đổi wavelet kết hợp với một số phương pháp

mã hóa như má hóa Huffman hay mã hóa số học có thể thực hiện được cả hai điềutrên Vì thế việc sử dụng wavelet để mã hóa nguồn và mã hóa kênh là rất thích hợp

2.2 Lý thuyết Fuzzy Logic:

2.2.1 Khái niệm tập hợp kinh điển:

Khái niệm về tập hợp được hình thành trên nền tảng logic và được G.Cantor

định nghĩa như là một sự sắp đặt chun g các vật, các đối tượng có chung một tính

chất, được gọi là phần tử của tập hợp đó Ý nghĩa logic của khái niệm tập hợp là ởchỗ một vật hoặc một đối tượng bất kì chỉ có thể có hai khả năng hoặc là phần tửcủa tập hợp đang xét hoặc không phải là phần tử của tập hợp đó

Cho một tập hợp A Một phần tử x thuộc tập A được kí hiệu bằng xA,

tử nào gọi là tập hợp rỗng Có nhiều cách để biểu diễn một tập hợp, phổ biến nhất làcách liệt kê các phần tử của tập hợp và cách biểu diễn thông qua tính chất tổng quátcủa các phần tử

Cho một tập hợp A ánh xạ  A:ARđược định nghĩa như sau:

1 ( )

 gọi là hàm thuộc của tập hợp A Như vậy  A( )x chỉ nhận hai giá trị hoặc

0 hoặc 1 Giá trị 1 của hàm thuộc  A( )x còn được gọi là giá tr ị đúng, ngược lại giá trị

0 gọi là giá trị sai Một tập hợp X luôn có  A( ) 1x  x được gọi là không gian nền

(tập nền)

Một tập hợp A có dạng : AxX /x thõa một số tính chất nào đó} thì X

được gọi là tập nền, và tập A được định nghĩa trên tập nền X

Với khái niệm tập nền như trên thì hàm thuộc  A( )x của tập A có tập nền X sẽ

được hiểu là ánh xạ  A:X 0,1 từ X vào tập {0,1} gồm hai phần tử 0 và 1

2.2.2 Khái niệm tập mờ - các khái niệm cơ bản:

Hàm thuộc  A( )x định nghĩa trên tập A, trong khái niệm tập hợp kinh điển chỉ

có hai giá trị là 1 nếu xA hoặc bằng 0 nếu xA Như vậy trong lý thuyết tập hợpkinh điển, hàm thuộc hoàn toàn tương đương với định nghĩa một tập hợp Từ định

nghĩa về một tập A bất kì ta có thể xác định được hàm thuộc  A( )x cho tập hợp đó và

ngược lại

Cách biểu diễn hàm thuộc như vậy sẽ không phù hợp với những tập hợp được

mô tả mờ như các ví dụ sau:

x có thuộc B thì cũng không thể khẳng định nó có không thuộc B hay không

và nếu x2.3 thuộc B thì nó thuộc bao nhiêu phần trăm? Giả sử có câu trả lời thì

lúc này hàm thuộc  B( )x tại điểm x2.3 phải có giá trị trong khoảng [0,1] tức là

0 B( ) 1x  Nói một cách khác hàm  B( )x không còn là hàm hai giá trị như đối vớitập hợp kinh điển nữa mà là một ánh xạ  B:X[0,1]

Như vậy khác với tập hợp kinh điển A, từ định nghĩa kinh điển của tập mờ B

hoặc C không suy ra được hàm phụ thuộc  B( )x hoặc  C( )x của chúng Hơn thế nữahàm phụ thuộc ở đây lại giữ vai trò làm rõ nghĩa cho một tập mờ Do đó nó phải

được nêu lên như là một điều kiện trong định nghĩa về tập mờ

Định nghĩa : Tập mờ F xác định trên tập kin h điển X là một tập mà mỗi phần

tử của nó là một cặp giá trị ( , ( ))x  F x trong đó x F và  là ánh xạ : F  F F[0,1]

Ánh xạ  được gọi là hàm thuộc của tập mờ F Tập kinh điển X được gọi là F

tập nền của tập mờ D Dạng đồ thị của thuộc có mức chuyển đổi tuyến tính đượccho ở hình sau :

Hình 2.4 : Hàm thuộc  F( )x có mức chuyển đổi tuyến tính

2.2.2.1 Độ cao của tập mờ:

Trong các ví dụ trên, các hàm thuộc đều có độ cao bằng 1 Điều đó có nghĩa

là các tập mờ trên đều có ít nhất một phần tử với độ phụ thuộc bằng 1 Trong thực tếkhông phải tập mờ nào cũng phần tử có độ phụ thuộc bằng 1 Nghĩa là không phảimọi hàm phụ thuộc đều có độ cao bằng 1

Định nghĩa : Độ cao của một tập mờ F được định nghĩa trên tập nền X là giá

h là giá trị nhỏ nhất trong tất cả các giá trị chặn trên của hàm  F( )x Một tập

mờ với ít nhất một phần tử có độ phụ thuộc bằng 1 được gọi là tập mờ chính tắc tức

là h=1, ngược lại tập mờ với h 1 được gọi là tập mờ không chính tắc

2.2.2.2 Miền xác định và miền tin cậy của tập mờ:

Định nghĩa : Miền xác định của tập mờ F, định nghĩa trên tập nền X, kí hiệu S

là tập con của X thỏa mãn :S sup F( )x  x X | F( )x 0

(2.15)

Kí hiệu sup F( )x là tập con trong X chứa các phần tử mà tại đó hàm  F( )x >0

Định nghĩa : Miền tin cậy của tập mờ F định nghĩa trên tập nền X, kí hiệu T

là tập con của X thỏa mãn: T  x X| F( ) 1x   (2.16)

Hình 2.5 : Miền xác định và miền tin cậy của tập mờ.

2.2.3 Luật hợp thành mờ:

Luật hợp thành là tên gọi chung cho mô hình R biễu diễn một hay nhiều hàmthuộc cho một hay nhiều mệnh đề hợp thành, nói cách khác luật hợp thành đượchiểu là một tập hợp của nhiều mệnh đề hợp thành Một luật hợp thành chỉ có mộtmệnh đề hợp thành gọi là luật hợp thành đơn, ngược lại nếu có nhiều hơn một mệnh

đề hợp thành thì gọi là luật hợp thành kép Phần lớn các hệ mờ trong thực tế có luật

hợp thành kép

Trong thực tế thường sử dụng quy tắc hợp thành MIN hoặc PROD, và thường

sử dụng phép hợp thành các tập mờ theo luật MAX hoặc tổng Lukasiewicz

Để xác định hàm thuộc R'( ) y của giá trị đầu ra R’ của một luật hợp thành có

N mệnh đề hợp thành R1, R2,…,RNphải được thực hiện theo các bước:

B B B được thực hiện theo quy luật max thì luật

hợp thành R có tên gọi là luật hợp thành max -MIN Tương tự như vậy R có thể cótên gọi là luật hợp thành max -PROD, luật hợp thành sum-MIN, luật hợp thành sum-PROD tùy theo quy tắc hợp thành và luật thực hiện phép tập hợp mờ

Một luật hợp thành có các mệnh đề điều kiện và kết luận là những mệnh đề

đơn, ví dụ như :

Được gọi là luật hợp thành có cấu trúc SISO.

Ngược lại luật hợp thành có m biến ngôn ngữ vào  1, 2, , m và một biếnngôn ngữ ra  với cấu trúc dạng :

Rn IF  A AND 2A2 AND…AND  mA nmTHEN  B n

Có tên gọi là luật hợp thành MISO

2.2.3.1 Thuật toán thực hiện luật hợp thành đơn max -MIN, max-PROD, có cấu trúc SISO:

2.2.3.1.1 Luật hợp thành max -MIN:

Luật hợp thành max -MIN là tên gọi của mô hình ma trận R của luật hợp thành

mà giá trị biến mờ của nó được xác định theo quy tắc max -MIN

Xét luật hợp thành SISO chỉ có một mệnh đề hợp thành :

:

Trước tiên hai hàm thuộc  A( )x và  B( )x được rời rạc hóa với tần số rời rạc

đủ nhỏ để không mất giá trị thông tin Ví dụ hai hiến x,y có  A( )x và  B( )x được

rời rạc hóa tại 5 điểm: xx x x x x1, 2, 3, 4, 5

 1, 2, 3, 4, 5

y y y y y y

Hình2.6 : Rời rạc hóa hàm thuộc

Khi đầu vào là giá trị rõ x2 thì hàm thuộc  R'( )y tại điểm y3 sẽ là :

00000

00.50.50.50

00.510.50

00.50.50.50

00000

Khi tín hiệu đầu vào là một giá trị rõ x0 = x2 thì tín hiệu mờ đầu ra B’ sẽ có

hàm thuộc dạng rời rạc : B'( )y  R( 2, )x y 0,0.5,0.5,0.5,0

Tương ứng với các phần tử trong hàng x=x2.

Cách biễu diễn này rất thuận tiện cho việc xác định hàm thuộc của tín hiệu ra

dưới dạng nhân ma trận Ví dụ ứng với phần tử đầu vào x 0 =x2 ta có vector:

0,1,0,0,0

T

a 

Và do đó :  B'( )y  R( 2, )x y a R T 0,0.5,0.5,0.5,0

Tổng quát cho một giá trị rõ x 0bất kì tại đầu vào, ta có vector chuyển vị a T sẽ

có dạng a T a a1, 2, ,a mtrong đó chỉ có một phần tử ai duy nhất có chỉ số I là

chỉ số của x 0 trong đó X có giá trị bằng 1, các phần tử còn lại đều bằng 0.

Hàm thuộc B'( ) y được xác định với:





Để tránh cài đặt thuật toán nhân ma trận đại số tuyến tính cho việc tính hàm

thuộc B'( ) y theo (2.17) và qua đó làm tăng tốc độ xử lý, phép nhân ma trận đượcthay thế bởi thuật toán max-MIN của Zadeh với max thay vào vị trí phép cộng vàMIN thay vào vị trí phép nhân như sau :

Một cách khác đơn giản hơn để tính  B'( )y là ta sẽ tính H A( )x0 ứng với giá

trị rõ đầu vào x0 sau đó thực hiện quy tắc hợp thành MIN :  B'( )y minH, A( )x0 với từng giá trị B'( ) y rời rạc ở đầu ra Ta sẽ có một vector giá trị hàm thuộc  B'( )y

ứng với từng thời điểm ở đầu ra

2.2.3.1.2 Luật hợp thành max -PROD:

Cũng giống như luật hợp thành max -MIN, ma trận R của luật hợp thành PROD cũng được xây dựng gồm các hàng là n giá trị rời rạc của đầu ra cho m giá trịrời rạc của đầu vào Như vậy ma trận R có m hàng và n cột

max-Các bước xây dựng tương tụ như trường hợp luật hợp thành max -MIN nhưng

chỉ khác ở các giá trị của các phần tử của ma trận R do luật hợp thành max -PRODtính các giá trị này theo tích của giá trị hàm thuộc bi ến vào và giá trị hàm thuộc biếnra

Ví dụ hai biến x,y có có  ( )x và  ( )x được rời rạc hóa tại 5 điểm: