ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện khu vực tỉnh sóc trăng

Việc áp dụng mạng nơ ron nhân tạo cho dự báo phụ tải điện cho một tỉnh thuần nông nghiệp như Sóc Trăng dựa trên yêu cầu đơn giản, có tính đến ảnh hưởng của nhiệt độ và đặc thù ngày, cho

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NÔNG NGHIỆP I

- -

DIỆP XUÂN TRƯỜNG

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN

KHU VỰC TỈNH SÓC TRĂNG

LUẬN VĂN THẠC SĨ KỸ THUẬT

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NÔNG NGHIỆP I

- -

DIỆP XUÂN TRƯỜNG

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN

KHU VỰC TỈNH SÓC TRĂNG

LUẬN VĂN THẠC SĨ KỸ THUẬT

Chuyên ngành: Điện khí hoá sản xuất nông nghiệp và nông thôn

Mã số: 60 52 54

Người hướng dẫn khoa học: TSKH TRẦN HOÀI LINH

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 kì công trình nào khác

Tôi xin cam đoan rằng các thông tin trích dẫn trong luận văn đều đã được chỉ rõ nguồn gốc

Học viên

Diệp Xuân Trường

LỜI CẢM ƠN

Sau hơn hai năm học tập và nghiên cứu tại Trường Đại học Nông Nghiệp I với mục đích là nâng cao kiến thức của bản thân và hoành thành luận văn cao học, tôi đã nhận được sự quan tâm giúp đỡ to lớn và tận tình của các thầy cô giáo và bạn bè cùng lớp Cho phép tôi được bày tỏ cảm ơn sâu sắc đến thầy giáo hướng dẫn: Tiến sĩ khoa học Trần Hoài Linh, người đã tận tình hướng dẫn, chỉ bảo và giúp đỡ tôi hoàn thành luận văn Trong thời gian học tập tại trường tôi xin cảm ơn đến các thầy cô giáo đã trực tiếp giảng dạy và chỉ bảo tôi

Xin chân thành cảm ơn Kỹ sư Nguyễn Văn Nhiệm và các anh chị vận hành Trạm biến áp 220 kV của Công ty Điện lực Sóc Trăng đã giúp đỡ và tạo điều kiện cho tôi làm việc

Xin được bày tỏ sự cảm ơn đến các cán bộ khoa Sau đại học, Các cán bộ bộ môn Cung cấp và Sử dụng điện cũng như các học viên lớp cao học Cơ Điện 14 đã quan tâm giúp đỡ, tạo điều kiện cho tôi học tập và nghiên cứu

Chân thành cảm ơn các cán bộ Viện Cơ Điện Nông Nghiệp và Công nghệ Sau thu hoạch đơn vị quản lý đã tạo điều kiện tốt nhất cho tôi hoàn thành khoá học

Tôi vô cùng biết ơn những người thân trong gia đình đã quan tâm, động viên và là chỗ dựa tinh thần vững chắc giúp tôi hoàn thành luận văn này

Hà nội, tháng 9 năm 2007

Học viên Diệp Xuân Trường

MỤC LỤC

Lời cam đoan i

Lời cảm ơn ii

Mục lục iii

Bảng ký hiệu vi

Danh mục hình vii

Danh mục bảng x

Mở đầu 1

Chương 1 Nhu cầu thực tiễn về dự báo phụ tải điện và một số phương pháp dự báo hiện có 7

1.1 Nhu cầu thực tiễn về dự báo phụ tải điện 7

1.2 Các phương pháp dự báo đang được nghiên cứu và ứng dụng 9

1.2.1 Phân loại các phương pháp dự báo phụ tải điện 9

1.2.2 Một số phương pháp dự báo điển hình 10

1.3 Cơ sở xây dựng phương pháp dự báo phụ tải mới sử dụng mạng nơ ron nhân tạo 13

Chương 2 Giới thiệu về mạng nơ ron nhân tạo 14

2.1 Trí tuệ nhân tạo 14

2.2 Nơ ron sinh học 15

2.3 Mạng nơ ron nhân tạo 16

2.3.1 Lịch sử hình thành và phát triển 17

2.3.2 Mô hình mạng nơ ron nhân tạo 17

2.3.3 Các hàm kích hoạt 19

2.3.4 Phân loại các mạng nơ ron 21

2.4 Huấn luyện mạng nơ ron 22

2.5 Hàm mục tiêu 24

2.6 Một số ứng dụng của mạng nơ ron 25

Chương 3 Đặc điểm biểu đồ phụ tải tỉnh Sóc Trăng 27

3.1 Biểu đồ phụ tải điện 27

3.2 Các yếu tố ảnh hưởng đến phụ tải điện 28

3.3 Dạng biểu đồ phụ tải 35

3.4 Đỉnh và đáy biểu đồ phụ tải 36

Chương 4 Ứng dụng mạng nơ ron nhân tạo trong bài toán phân loại kiểu ngày 38

4.1 Đối tượng để phân loại 38

4.2 Phương pháp phân loại dạng biểu đồ phụ tải 38

4.3 Mạng Kohonen và ứng dụng trong phân loại kiểu ngày 39

4.3.1 Giới thiệu 39

4.3.2 Thuật giải SOM 40

4.4 Phương pháp trọng tâm mờ ứng dụng phân loại kiểu ngày 41

4.5 Ứng dụng thuật toán và chạy thử mạng 43

4.5.1 Xử lý số liệu thu thập 43

4.5.2 Phân nhóm biểu đồ phụ tải 44

4.6 Xây dựng giao diện dự báo hình dạng biểu đồ phụ tải 50

Chương 5 Xác định các thông số đầu vào cho mạng MLP và thuật toán Levenberg - Martquardt 53

5.1 Lựa chọn các thông số đầu vào phục vụ quá trình huấn luyện mạng nơ ron 53

5.1.1 Phân tích tương quan 54

5.1.2 Tìm hệ số tương quan giữa công suất với công suất trong quá khứ 56

5.1.3 Một số kết quả thu được 57

5.2 Lựa chọn mạng nơ ron cho bài toán dự báo đỉnh và đáy BĐPT 62

5.2.1 Mạng Perceptron MLP 62

5.2.2 Thuật toán Levenberg Marquardt 65

5.3 Sơ lược về bài toán dự báo dữ liệu 68

Chương 6 Kết quả tính toán mô phỏng 73

6.1 Xây dựng mô hình dự báo phụ tải cao điểm và thấp điểm 73

6.2 Phương thức xây dựng mô hình 73

6.3 Các bước tiến hành huấn luyện mạng với mô hình 3 75

6.3.1 Xây dựng mạng dự báo đỉnh BĐPT 75

6.3.2 Xây dựng mạng dự báo đáy BĐPT 81

6.4 Xây dựng mạng cho mô hình 1 83

6.4.1 Các mô hình dự báo đỉnh BĐPT 83

6.4.2 Các mô hình dự báo đáy BĐPT 84

6.5 Xây dựng mạng cho mô hình 2 85

6.5.1 Các mô hình dự báo đỉnh BĐPT 85

6.5.2 Các mô hình dự báo đáy BĐPT 86

6.6 Tiến hành dự báo Pmax Pmin và đánh giá sai số 88

6.7 Dự báo phụ tải cho 24 giờ sau 91

6.8 Xây dựng giao diện phần mềm dự báo BĐPT 100

Kết luận và kiến nghị 104

Tài liệu tham khảo 108

Phụ lục I: 110

Phụ lục II: 111

CÁC TỪ VIẾT TẮT

HTĐ: Hệ thống điện

MNR: Mạng nơ ron

FCM: Phương pháp trọng tâm mờ (Fuzzy Clustering Method)

SOM: Self-Organizing Maps

MBU: Mẫu khớp tốt nhất (Best Matching Unit)

Pmax: Phụ tải cao điểm

Pmin: Phụ tải thấp điểm

Tmax: Nhiệt độ cao nhất

Tmin: Nhiệt độ thấp nhất

BĐPT: Biểu đồ phụ tải

MLP: Mạng nhiều lớp truyền thẳng (Multi Layer Perceptron)

LVQ: Mạng lượng tử hóa véc tơ (Learning Vector Quantization network) L-M: Levenberg - Marquardt

DANH MỤC CÁC HÌNH

2.1 Cấu tạo Nơ ron sinh học 15

2.2 Nơ ron đơn vị xử lý 18

2.3 Hàm tuyến tính 19

2.4 Hàm ngưỡng 19

2.5 Hàm ngưỡng tuyến tính 19

2.6 Hàm dốc 20

2.7 Hàm sigmoid 20

2.8 Hàm Sigmoid lưỡng cực 20

2.9 a) Mạng một lớp b) Mạng nhiều lớp 21

2.10 Mạng truyền thẳng 22

2.11 Mạng hồi qui 22

2.12 Mô hình huấn luyện mạng có giám sát 23

2.13 Mô hình huấn luyện mạng không giám sát 23

2.14 Mô hình huấn luyện mạng tăng cường 24

3.1 Biểu đồ phụ tải đặc trưng ngày hệ thống điện Sóc Trăng 28

3.2 Biểu đồ phụ tải trong hai năm 2004 đến 2005 29

3.3 Biểu đồ phụ tải từ 3/1 đến 9/1 năm 2005 30

3.4 Ảnh hưởng nhiệt độ đến thói quen tiêu thụ điện 31

3.5 Đồ thị phụ tải một ngày thường và ngày quốc khánh 32

3.6 Đồ thị phụ tải một ngày thường và ngày tết dân tộc 32

3.7 Đồ thị phụ tải một ngày thường và ngày có lễ hội 33

3.8 Đồ thị phụ tải đêm có chung kết Euro và đêm bình thường 34 

3.9 Đồ thị phụ tải ngày bình thường và ngày có cắt điện 34

3.10 Biểu đồ phụ tải điển hình của một ngày 35

3.11 Biểu đồ phụ tải một ngày sau khi qui chuNn 36

4.1 Quá trình dịch chuyển của các trọng tâm từ vị trí ngẫu nhiên ban đầu về các vùng số liệu 43

4.2 Sơ đồ khối dự báo hình dạng đồ thị phụ tải 50

4.3 Giao diện chương trình dự báo hình dạng đồ thị phụ tải 51

5.1 Đồ thị phụ thuộc của Pmax vào Pmax-1 57

5.2 Đồ thị phụ thuộc của Pmax vào Pmax-7 57

5.3 Đồ thị phụ thuộc của Pmin vào Pmin-1 58

5.4 Đồ thị phụ thuộc của Pmin vào Pmin-7 58

5.5 Đồ thị tương quan giữa Pmax và các Pmax trong quá khứ 59

5.6 Đồ thị tương quan giữa Pmax và các Pmin trong quá khứ 60

5.7 Đồ thị tương quan giữa Pmin và các Pmin trong quá khứ 60

5.8 Đồ thị tương quan giữa Pmin và các Pmax trong quá khứ 61

5.9 Cấu trúc mạng MLP với một lớp Nn 63

6.1 Cấu trúc mạng dự báo phụ tải cao điểm Pmax 76

6.2 Sai số phần trăm khi thay đổi phần tử lớp Nn với số lần tính lặp 200 79

6.3 Sai số phần trăm khi thay đổi số lần tính lặp với 22 phần tử cố định 79

6.4 Quá trình huấn luyện mạng với 22 phần tử lớp Nn 50 lần lặp 80

6.5 Sai số luyện mạng giảm sau mỗi chu kỳ tính lặp với thuật toán L-M 81

6.6 Sai số phần trăm khi thay đổi số phần tử lớp Nn với số lần tính lặp 200 83

6.7 Sai số phần trăm khi thay đổi số lần tính lặp với 9 phần tử cố định 83

6.8 Sai số phần trăm Pmax khi thay đổi số phần tử lớp Nn với số lần tính lặp 200 84

6.9 Sai số phần trăm Pmin khi thay đổi số phần tử lớp Nn với số lần tính lặp 200 85

6.10 Sai số phần trăm Pmax khi thay đổi số phần tử lớp Nn với số lần tính lặp 200 86 6.11 Sai số phần trăm Pmin khi thay đổi số phần tử lớp Nn với số lần tính lặp 200 87

6.12 Sai số phần trăm tốt nhất trên 3 mô hình khác nhau 88

6.13 BĐPT dự báo và thực tế của Pmax và Pmin từ 1 đến 31/7 năm 2006 91

6.14 Biểu đồ phụ tải thực tế và dự báo ngày 19-23 tháng 6 100

6.15 BĐPT Hà N ội các ngày làm việc tháng 2/2004, 2005 100

6.16 Giao diện dự báo biểu đồ phụ tải cho 24 giờ sau 101 

DANH MỤC CÁC BẢNG

4.1 Kết quả phân nhóm thứ sáu tháng 7 47

4.2 Kết quả phân nhóm ngày thứ bảy tháng 7 48

4.3 Kết quả phân nhóm chủ nhật tháng 7 49

4.4 Kết quả phân nhóm thứ hai tháng 7 49

4.5 Kết quả phân nhóm cho cả hai năm 2004, 2005 50

5.1 Kết quả phân tích tương quan giữa Pmax và 20 yếu tố 51

5.2 Kết quả phân tích tương quan giữa Pmin và 20 yếu tố 58

6.1 Số liệu huấn luyện cho hai năm 2004 và 2005 77

6.2 Số liệu dùng để kiểm tra năm 2006 77

6.3 Kết quả dự báo Pmax và Pmin từ 1/7 đến 31/7 89

6.4 Kết quả dự báo Pmax và Pmin từ 13/2 đến 19/2 92

6.5 Kết quả dự báo phụ tải 24 giờ, ngày 13/2/2006 91

6.6 Kết quả dự báo phụ tải 24 giờ, ngày 14/2/2006 92

6.7 Kết quả dự báo phụ tải 24 giờ, ngày 15/2/2006 93

6.8 Kết quả dự báo phụ tải 24 giờ, ngày 16/2/2006 94

6.9 Kết quả dự báo phụ tải 24 giờ, ngày 17/2/2006 95

6.10 Kết quả dự báo phụ tải 24 giờ, ngày 18/2/2006 95

6.11 Kết quả dự báo phụ tải 24 giờ, ngày 19/2/2006 96

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Trong những năm gần đây, thực hiện tiến trình công nghiệp hóa, hiện đại hóa đất nước đã đNy nhanh sự phát triển của nền kinh tế, ứng dụng các thành tựu khoa học công nghệ dẫn đến nhu cầu sử dụng điện tăng cao Theo dự báo của Tổng công

ty Điện lực Việt Nam nhu cầu phụ tải điện trong giai đoạn 2006-2010 tăng 17%/năm Tính đến hết 12/2006 điện lưới Quốc gia đã phủ đến 97,84% số xã, 98%

16-số huyện và hơn 93% 16-số hộ dân được dùng điện Với tốc độ phát triển phụ tải trên thì công tác dự báo phụ tải là một trong những đề tài quan tâm chủ yếu trong lĩnh vực phát điện, truyền tải và phân phối điện năng

Bên cạnh việc xây dựng thêm nhiều nhà máy, đường dây tải điện, trạm biến áp nhằm đáp ứng nhu cầu ngày càng tăng cao của các trung tâm phụ tải, dẫn đến các hệ thống truyền tải phân phối hoạt động không đảm bảo kỹ thuật, thiếu đồng bộ, đặc biệt việc nâng cấp hệ thống điện không dựa trên qui hoạch tổng thể vẫn còn mang tính tự phát, tùy tiện Hậu quả để lại hàng loạt vấn đề cần khắc phục như: mất cân đối nguồn và lưới điện, giữa cung và cầu, độ tinh cậy cung cấp điện, chất lượng điện năng không cao, tổn thất công suất, tổn thất điện năng trong hệ thống quá lớn [2] các nguyên nhân là do hạn chế về vốn đầu tư, nhưng nguyên nhân quan trọng chủ yếu là lập kế hoạch vận hành HTĐ Trong kế hoạch hóa vận hành HTĐ như phân phối một cách kinh tế, hiệu quả, lên kế hoạch bảo dưỡng và sửa chữa, nhiều hoạt động thường được thực hiện dựa trên việc dự báo phụ tải

Dự báo phụ tải có thể được phân thành: Dự báo dài hạn từ 10 đến 30 năm, dự báo trung hạn từ 3 đến 10 năm và dự báo ngắn hạn (giờ, ngày, tháng, mùa năm) Dự báo ngắn hạn chủ yếu phục vụ việc điều hành sản xuất, truyền tải và phân phối năng lượng phục vụ cho nhu cầu trực tiếp của sản xuất và đời sống, lập kế hoạch sản xuất

và kinh doanh

Nếu dự báo phụ tải điện quá thừa so với nhu cầu thực tế thì dẫn đến việc phải huy động một số lượng lớn nguồn phát, nhưng thực tế không dùng hết công suất của chúng sẽ gây lãng phí Nếu kết quả dự báo phụ tải điện quá thấp so với nhu cầu thực

tế sẽ dẫn đến tình trạng thiếu nguồn điện, ảnh hưởng đến phát triển của nền kinh tế quốc dân Khi kết quả dự báo tốt sẽ giúp cho việc huy động nguồn tốt và điều độ cũng tốt có lợi ích về kinh tế

Ở nước ta dự báo phụ tải ngắn hạn cũng thu hút sự quan tâm nhất định trong ngành điện, các trường đại học và Viện nghiên cứu Một vài công ty điện lực, cơ quan điều độ quốc gia đã bắt đầu xây dựng chương trình dự báo phụ tải điện Ngoài một số nghiên cứu ứng dụng mô hình hồi quy Có thể thấy rằng nhu cầu dự báo phụ tải ngắn hạn ở các công ty điện lực chỉ được thực hiện bằng phương pháp chuyên gia dựa trên kinh nghiệm của các kỹ sư điều độ Nên mang tính rủi ro và độ chính xác không cao Mặc khác, dự báo phụ tải trước đây chỉ tập trung dự báo cho các thành phố lớn như Hà Nội hay TP Hồ Chí Minh còn các tỉnh vùng nông nghiệp, nông thôn mà đặc biệt là tỉnh Sóc Trăng chưa có chương trình dự báo phụ tải, hoạt động dự báo dựa vào kinh nghiệm và điều hành trực tiếp Việc áp dụng mạng nơ ron nhân tạo cho dự báo phụ tải điện cho một tỉnh thuần nông nghiệp như Sóc Trăng dựa trên yêu cầu đơn giản, có tính đến ảnh hưởng của nhiệt độ và đặc thù ngày, cho kết quả dự báo với sai số chấp nhận được là hướng của nghiên cứu này

2 Khả năng ứng dụng mạng nơ ron nhân tạo trong bài toán dự báo

Bài toán dự báo phụ tải đã được phát triển từ rất lâu với rất nhiều mô hình đã được đề xuất Đầu thập niên 90 mô hình dự báo bằng công nghệ mạng nơ ron bắt đầu được nghiên cứu và phát triển vì công cụ mạng nơ ron có thể áp dụng trong các

dự báo dài hạn, trung hạn và cả trong dự báo phụ tải ngắn hạn, cho kết quả khá chính xác Mô hình mạng nơ-ron dự báo phụ tải đang được ứng dụng ở nhiều nước

có thị trường điện phát triển như Mỹ, Úc, Anh, Pháp Các mô hình mạng thường

có cấu trúc tổng thể giống nhau Hiện nay không chỉ ở Việt Nam mà ngay cả các công ty điện lực và thị trường điện trên thế giới vẫn tiếp tục tìm kiếm các thuật toán mới phục vụ công tác dự báo đạt mức chính xác và nhanh chóng hơn Tuy nhiên đối

với từng hệ thống với những đặc trưng riêng ta không thể sử dụng các mô hình với các thông số của hệ thống khác mà vẫn cần phải xác định các cấu trúc và thông số tối ưu cho hệ thống của riêng mình

Ở Việt Nam bài toán dự báo phụ tải ngắn hạn được giải quyết bằng nhiều phương pháp khác nhau như: Phương pháp ngoại suy, phương pháp san bằng hàm

mũ, phương pháp hồi qui đa biến, đã được đề xuất trong dự báo phụ tải ngắn hạn

Có thể nhận thấy rằng nhược điểm của các phương pháp trên là mô hình dự báo lượng điện năng tiêu thụ chỉ hiệu quả đối với một số ngày bình thường nhưng lại không hiệu quả đối với tất cả các ngày Với nhược điểm trên đã thức đNy các chuyên gia vận hành phát triển phương pháp chuyên gia: phương pháp dựa trên một

số qui tắc (luật) của các chuyên gia về chuyên ngành để dự báo, nên mang tính kinh nghiệm, định hướng, phụ thuộc vào trình độ của cá nhân chuyên gia Thường các quy luật này được mô tả bởi quan hệ hàm đơn giản nên không đủ để thể hiện các mối liên hệ phức tạp giữa các thông tin hệ thống điện

Các phương pháp trên đã và đang được sử dụng nhưng vẫn còn một số hạn chế như: Phụ tải là một đại lượng phụ thuộc (phi tuyến) vào rất nhiều yếu tố, có thể kể tới sự phụ thuộc của lượng điện tiêu thụ vào các thông số thời tiết như nhiệt độ, độ

Nm số giờ chiếu sáng, các sự phụ thuộc này có quan hệ rất mật thiết nhưng hết sức phức tạp, khó xác định các qui luật hàm chính xác Hiện nay, việc phát triển của máy tính cho phép ta sử dụng các mô hình phức tạp mà vẫn đảm bảo thời gian tính toán phù hợp

Mặt khác, hệ thống điện là một trong những hệ thống có tính phi tuyến cao Phân tích, giám sát và điều khiển HTĐ làm việc với hàng trăm biến trung gian không phải lúc nào cũng đo lường được Trong khi đó, mạng nơ ron nhân tạo được thiết kế để tìm hàm quan hệ trực tiếp giữa các biến đầu vào và đầu ra, không cần phải tìm các mối liên hệ giữa các biến trung gian Mạng nơ ron là phương tiện có khả năng học từ các số liệu quá khứ và tìm ra các mối quan hệ phụ thuộc phức tạp

giữa các biến thậm chí khi không xây dựng được mô hình toán học của bài toán Mạng nơ-ron có thể làm việc với các dữ liệu không đầy đủ hoặc dữ liệu bị nhiễu

Để khắc phục các hạn chế trong xử lý các hàm quan hệ phi tuyến, luận văn sẽ

sử dụng công nghệ trí tuệ nhân tạo mà mạng nơ ron là một đại diện để ứng dụng trong dự báo phụ tải ở Việt Nam Các nghiên cứu hiện nay về lĩnh vực này vẫn còn

ở giai đoạn bắt đầu phát triển Các nghiên cứu về ứng dụng các công cụ dự báo trong và ngoài nước vẫn đang được thực hiện, nhưng nhu cầu thực tế vẫn chưa được đáp ứng đầy đủ

3 Đối tượng, mục tiêu và nhiệm vụ nghiên cứu

Đối tượng nghiên cứu của luận văn là dự báo phụ tải ngắn hạn dựa trên các biểu đồ phụ tải trong quá khứ, các đặc điểm, tính chất của biểu đồ phụ tải, các thông

số khí tượng Mô hình dự báo mạng nơ ron

Mục tiêu của luận văn là nghiên cứu, xây dựng mô hình dự báo phụ tải điện có

độ chính xác cao Mô hình sẽ sử dụng mạng nơ ron trong tính toán, sẽ có chương trình mô phỏng với giao diện thuận tiện cho người sử dụng Để đạt được mục tiêu trên đề tài cần thực hiện những nhiệm vụ sau:

1) Nghiên cứu về các phương pháp dự báo đã và đang được sử dụng trong bài toán dự báo phụ tải điện ngắn hạn, có xem xét các ưu nhược điểm từng phương pháp

2) Từ đó đề xuất giải pháp sử dụng MNR theo mô hình hai bước:

Bước 1: Phân nhóm các biểu đồ phụ tải (BĐPT) trong quá khứ để dự báo hình dạng BĐPT dựa trên ý tưởng mạng tự tổ chức Kohonen (Self-Organization Map) với thuật toán tìm trọng tâm được áp dụng là Fuzzy Clustering Method (FCM) Thuật toán sẽ xếp các BĐPT trong quá khứ của các ngày theo thứ trong tháng tương đối giống nhau vào một nhóm như (thứ bảy, chủ nhật, thứ hai – thứ sáu…)

Bước 2: Từ BĐPT đã dự báo, dùng mạng nơ ron nhiều lớp Multi-layer perceptron (MLP) với thuật toán Levenberg-Marquardt được sử dụng để xây dựng mô hình dự báo công suất cực đại và công suất cực tiểu Các bộ thông số đầu vào là các công suất cực đại, các công suất cực tiểu trong quá khứ và thông số thời tiết (cụ thể là nhiệt độ) Việc tính toán được thực hiện trên máy tính với phần mềm Matlab

3) Lập trình tính toán, mô phỏng để xác định các thông số tối ưu cho mô hình,

độ chính xác của kết quả dự báo

4) Nghiên cứu các hướng phát triển luận văn

Ý nghĩa khoa học: Ứng dụng một phương pháp mới phục vụ công tác dự báo phụ tải Rút ngắn thời gian dự báo phụ tải

Ý nghĩa thực tiễn luận văn: Xây dựng phương pháp dự báo phụ tải mới cho một tỉnh thuần nông nghiệp như Sóc Trăng, là tài liệu tham khảo cho nhân viên điều hành hệ thống điện

Trong khuôn khổ luận văn này, chỉ nghiên cứu phương pháp dự báo phụ tải ngắn hạn Đối tượng cụ thể của nghiên cứu là dự báo phụ tải cho 24 giờ sau, nhằm đưa ra các thông số phụ tải của ngày hôm sau phục vụ công tác vận hành và điều độ HTĐ Việc xây dựng và kiểm tra mô hình dự báo dựa trên số liệu phụ tải thực do Điện lực Sóc Trăng cung cấp, cùng với bộ số liệu nhiệt độ cao nhất, thấp nhất trong ngày do Trung tâm dự báo khí tượng thủy văn tỉnh Sóc Trăng thu thập

Gồm những nội dung chính sau:

Phần mở đầu trình bày tóm tắt các vấn đề đã, đang và sẽ giải quyết trong luận văn, dự kiến các giải pháp sử dụng, dự kiến các kết quả của luận văn

Chương 1 trình bày cụ thể nhu cầu thực tiễn về mô hình dự báo phụ tải điện và các phương pháp đang được ứng dụng trong và ngoài nước, khảo sát các phương pháp dự báo điển hình đang được ứng dụng và nhu cầu xây dựng phương pháp mới

Chương 2 trình bày những nghiên cứu cơ bản về mạng nơ ron nhân tạo: Quá trình hình thành phát triển, một số khái niệm cơ bản, cấu trúc, các loại mạng và khả năng ứng dụng của mạng nơ ron nhân tạo

Chương 3 tìm hiểu các đặc điểm biểu đồ phụ tải tỉnh Sóc Trăng bao gồm các nguyên nhân ảnh hưởng đến biểu đồ phụ tải điện như thói quen sinh hoạt, thời vụ, các ngày lễ tết và ảnh hưởng của thời tiết đến BĐPT điện

Trong chương 4 là phần ứng dụng ý tưởng mạng Kohonen trong việc phân nhóm các loại kiểu ngày: Trình bày ý tưởng cơ bản mạng Kohonen đề xuất thuật toán FCM để giải bài toán Kohonen, phân loại BĐPT và chương trình dự báo hình dạng đồ thị phụ tải cho một ngày

Chương 5 đi về phần xác định các thông số đầu vào cho mạng MLP bằng việc xét mối tương quan giữa các yếu tố, kỹ thuật lan truyền ngược và thuật toán Levenberg - Marquardt

Chương 6 là phần triển khai mô hình thực tế mạng nơ ron trong dự báo phụ tải ngắn hạn Trên cơ sở các đầu vào đã xác định kết hợp với yếu tố thời tiết sẽ xây dựng các mô hình dự báo khác nhau, mỗi mô hình được đánh giá sai số, lựa chọn

mô hình dự báo cho sai số thấp nhất Xây dựng giao diện dự báo cho 24 giờ trong ngày

Tiếp sau chương 6 là phần kết luận chung của luận văn

Cuối cùng là tài liệu tham khảo

CHƯƠNG 1

NHU CẦU THỰC TIỄN VỀ DỰ BÁO PHỤ TẢI ĐIỆN VÀ MỘT SỐ

PHƯƠNG PHÁP DỰ BÁO HIỆN CÓ

1.1 Nhu cầu thực tiễn về dự báo phụ tải điện:

Điện năng là một sản phNm đặc biệt quan trọng đối với sự phát triển kinh tế,

xã hội, đời sống dân sinh và chính trị đối với bất cứ quốc gia nào trên thế giới Không giống như các sản phNm khác trong nền kinh tế thị trường với mục tiêu là lợi nhuận, khi không có lợi nhuận thì ngừng sản xuất, điện là một sản phNm đặc biệt không thể thiếu được, nên ngành điện được xem là một một ngành thuộc cơ sở hạ tầng Điện năng khác với các sản phNm hàng hóa nhờ nó có khả năng đáp ứng nhanh chóng những biến đổi của nhu cầu tại mọi thời điểm và tính hầu như không thể dự trữ được Do đó, vấn đề dự báo phụ tải một cách chính xác cũng như toàn bộ các khâu sản xuất, truyền tải, phân phối, phải luôn ở tình trạng sẵn sàng đáp ứng nhu cầu phụ tải là yếu tố cơ bản ảnh hưởng đến hiệu quả phục vụ khách hàng của hệ thống

Hiện nay, với sự ra đời của Luật điện lực, sức ép về nâng cao hiệu quả kinh tế trong sản xuất, truyền tải và phân phối đối với ngành điện ngày càng tăng Đặc biệt trong thời gian tới, khi thị trường điện ra đời và điện năng trở thành một mặt hàng

để mua và bán theo giá cả thị trường, dự báo phụ tải trong điều kiện đó sẽ đóng vai trò quan trọng hàng đầu trong việc hình thành giá điện và vì vậy nó trở thành một vấn đề sống còn của ngành điện

Trong công tác vận hành, lập phương thức vận hành ngày và phương thức vận hành tuần của người làm công tác điều độ, dự báo phụ tải ngắn hạn bao gồm: dự báo trước một giờ, một ngày hoặc một tuần, đóng một vai trò vô cùng quan trọng Những phương thức vận hành cơ bản trong ngày như huy động nguồn, phối hợp thủy điện và nhiệt điện, truyền tải công suất giữa các miền, giải quyết các công tác

sửa chữa trên lưới điện và đánh giá độ an toàn HTĐ đều đòi hỏi phải có dự báo phụ tải chính xác

Chúng ta biết rằng nhu cầu tiêu dùng điện năng phụ thuộc vào trình độ phát triển của nền kinh tế quốc dân, vì thế dự báo phụ tải điện là một bộ phận của dự báo phát triển kinh tế Nếu chúng ta dự báo cao hơn thực tế sẽ làm chi phí tăng mạnh, do phải huy động không cần thiết các nguồn điện dự phòng đắt tiền như diesel, các máy phát chạy dầu DO…Ngược lại nếu dự báo thấp hơn thực tế sẽ dẫn đến kết quả nguồn dự phòng thấp, giảm độ an toàn cung cấp điện, có thể phải cắt điện do việc huy động thiếu nguồn, không những gây thiệt hại về kinh tế, an ninh xã hội, đời sống sinh hoạt nhân dân mà còn mà còn làm giảm uy tín phục vụ khách hàng

Theo EVN, năm 2006 cơ cấu tiêu thụ điện ở Việt nam có nhiều chuyển biến, thành phần phụ tải sinh hoạt giảm đạt 43,3%, công nghiệp tăng đạt 47,43%, tuy

nhiên sự chênh lệch phụ tải cao điểm (phụ tải cao nhất trong ngày Pmax là khoảng 7000MW) và thấp điểm (phụ tải thấp nhất trong ngày Pmaxlà khoảng 4500 MW)

có tỷ số P max/ Pmin khoảng 1,6 đây là một sự chênh lệch lớn Pmax và Pmin

cũng chính là hai giá trị phụ tải đặc biệt trong đồ thị phụ tải ngày và được người làm công tác điều độ quan tâm nhiều nhất trong quá trình vận hành Về mặt vận hành với đồ thị phụ tải biến động lớn, thành phần thay đổi, quá trình khởi động máy phát diễn ra thường xuyên ảnh hưởng đến tuổi thọ và chỉ tiêu kinh tế kỹ thuật của nhà máy, tổn thất công suất và điện năng cũng sẽ gây nhiều bất lợi Phụ tải cao điểm là nhân tố quyết định việc huy động các nguồn nhiệt điện, tua bin khí, điesel dự phòng nhằm đảm bảo đủ nguồn phủ đỉnh và dự phòng nóng, tăng độ an toàn cung cấp điện Phụ tải thấp điểm quyết định việc phối hợp và điều chỉnh các nguồn tua bin khí, nhiệt điện, thủy điện đảm bảo vận hành kinh tế Trong đó dự báo phụ tải lúc

cao điểm Pmax là khâu quan trọng nhất

Trong thời gian tới khi HTĐ Việt Nam có đấu nối với các HTĐ của Trung Quốc, Lào và các nước trong khu vực, thì vấn đề tăng độ tin cậy cung cấp điện, vận hành kinh tế và an toàn HTĐ càng trở nên bức thiết Do đó, giải quyết tốt vấn đề

cung cấp điện có vai trò và ý nghĩa vô cùng to lớn Vì vậy, việc nghiên cứu và áp dụng mô hình dự báo khác nhau nhằm tìm ra mô hình dự báo tối ưu cho vấn đề dự báo phụ tải là đề tài nghiên cứu khoa học rất cần thiết đối với các trung tâm điều độ trong vận hành tối ưu HTĐ của mình

1.2 Các phương pháp dự báo đang được nghiên cứu và ứng dụng

1.2.1 Phân loại các phương pháp dự báo phụ tải điện ngắn hạn [5]

Dự báo luôn giữ vai trò quan trọng trong nhiều lĩnh vực, quyết định kế hoạch sản xuất, hướng đầu tư phát triển trong tương lai, do đó có rất nhiều các mô hình toán học áp dụng cho dự báo Phương pháp thường được dùng nhất là phương pháp tiếp cận vĩ mô đối với bài toán dự báo và cố gắng lập mô hình của phụ tải trong tương lai sao cho nó phản ánh hành vi và tính chất của nó trong quá khứ

Có nhiều cách phân loại phương pháp dự báo phụ tải điện ngắn hạn ta có thể lấy ví dụ một số phân loại như sau:

¾ Phân loại theo tính động Chia làm hai loại cơ bản: Phương pháp mô hình thời gian trong ngày và phương pháp mô hình động

Trong mô hình thời gian trong ngày, phụ tải được biểu diễn một lần dưới dạng chuỗi thời gian rời rạc (discrete) chứa các giá trị dự báo cho từng giờ cho cả giai đoạn dự báo Thông thường phụ tải được mô hình hóa dưới dạng tổng của một biểu

đồ phụ tải tiêu chuNn (Standard Load Curve - SLC) và phần dư

Các mô hình động thì cho rằng không chỉ là hàm của thời gian trong ngày mà còn phụ thuộc vào hành vi trong quá khứ của phụ tải – các giá trị phụ tải của các giờ trước đó

¾ Phân loại theo mô hình xác định/bất định (deterministic/stochastic)

Các mô hình xác định chỉ cung cấp các giá trị phụ tải dự báo mà không đánh giá sai số dự báo Trong khi đó, mô hình bất định đưa ra giá trị phụ tải dự báo như giá trị kỳ vọng của một quá trình bất định, ngẫu nhiên Mô hình bất định cho phép tính các đặc tính thống kê của giá trị phụ tải dự báo, trong đó có sai số dự báo

¾ Phân loại theo mô hình phụ tải tổng/phụ tải theo thành phần tiêu thụ

Thường dự báo phụ tải ngắn hạn sử dụng mô hình phụ tải tổng Một số công trình nghiên cứu cũng chia phụ tải thành các thành phần tiêu thụ khác nhau, tiến hành dự báo cho từng thành phần tiêu thụ, sau đó gộp phụ tải dự báo của tất cả các thành phần lại thành phụ tải tổng dự báo Phương pháp này đòi hỏi số lượng lớn công việc cần để xây dựng mô hình hợp lý cho từng thành phần tiêu thụ

1.2.2 Một số phương pháp dự báo điển hình:

a) Phương pháp hồi qui tuyến tính:

Hồi qui tuyến tính là mô hình toán học xác suất và thống kê, phân tích mối tương quan giữa hai hay nhiều biến Mô hình hồi qui tuyến tính được xây dựng trên

cơ sở giả thuyết quan hệ giữa hai biến ngẫu nhiên là tuyến tính, sau đó xác định phương trình đường thẳng biểu diễn quan hệ đó và phương trình đường thẳng này

dự báo biến mà ta cần tìm Mô hình hồi qui tuyến tính là mô hình kinh điển, đơn giản và khá hiệu quả trong thống kê và dự báo, do đó có rất nhiều dự báo dựa trên phương pháp này

Phương pháp hồi qui dựa trên việc phân tích bản chất hiện tượng hay sự việc cần nghiên cứu để tìm ra qui luật, dự đoán được xu thế biến động của hiện tượng, sự việc đó trong tương lai, đó là phân tích mối quan hệ phụ thuộc giữa các đại lượng ngẫu nhiên liên quan đến hiện tượng, sự việc cần nghiên cứu

Theo nghiên cứu của [1] phương pháp hồi qui được ứng dụng trong dự báo

phụ tải Pmax và Pmin trong ngày có xét đến yếu tố nhiệt độ cho kết quả sai số trung

bình là 4% Phương pháp này cho kết quả khá tốt khi quan hệ giữa các biến ngẫu nhiên là tuyến tính và ngược lại

b) Phương pháp chuyên gia:

Phương pháp chuyên gia dự báo có kết quả là các “thông số” do các chuyên gia đưa ra, dựa trên trình độ 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 (đối với đối tượng dự báo) của một tập thể các nhà khoa học,

các nhà quản lý cùng đội ngũ các nhà cán bộ lão luyện thuộc các chuyên môn hay nằm trong miền lân cận của đối tượng dự báo đưa ra các dự báo

Phương pháp chuyên gia có ưu thế hơn hẳn khi dự báo những hiện tượng hay quá trình có tầm bao quát rộng, cấu trúc nói chung phức tạp nhiều chỉ tiêu, nhiều nhân tố chi phối làm cho xu hướng vận động cũng như hình thức biểu diễn đa dạng, khó định lượng bằng con đường tiếp cận trực tiếp để tính toán, đo đạc thông qua các phương pháp ước lượng và công cụ chính xác

Đây là phương pháp tương đối đơn giản, dễ áp dụng và có khả năng tìm ra tức thời các thông số, mà các thông số này không dễ dàng lượng hóa được và mô tả quy luật vận động dưới dạng hàm số

Phương pháp chuyên gia thích ứng được với đặc điểm và yêu cầu của một dự báo nhu cầu và tình hình hiện tại là tính khả thi cao, cho kết quả nhanh, tạo ngay căn cứ để đề ra các quyết định, ứng xử tức thời, phù hợp với diễn biến sôi động và trạng thái muôn vẻ của đối tượng Mặc khác, phương pháp này cho phép dự báo được những hiện tượng “đột biến” của đối tượng mà thực tế đã xảy ra, nếu sử dụng các phương pháp dự báo khác rất khó và rất lâu đưa ra kết quả và độ tin cậy cũng không cao

Không phải bất cứ trường hợp nào, bất cứ lúc nào cũng đòi hỏi kết quả dự báo phải thể hiện dưới dạng các thông số xác định, mà nhiều khi kết quả dự báo cũng có thể tồn tại dưới dạng những nhận định mang tính chất định tính, những xu hướng, chiều hướng vận động Phương pháp chuyên gia cũng rất hữu hiệu đối với dự báo nặng về “chất” hơn “lượng” Tuy nhiên phương pháp này có nhược điểm là thường mang tính chủ quan nếu chọn chuyên gia không đúng tiêu chuNn thì độ tin cậy dự báo thấp Khi ý kiến chuyên gia tản mạn trái ngược nhau thì quá trình xử lý ý kiến chuyên gia sẽ khá phức tạp Nhiều chuyên gia đưa ra số liệu dự báo, nhưng cơ sở lý giải lại không rõ ràng, biên độ giao động lớn, kiến cho việc đánh giá sai số và khoảng tin cậy gặp khó khăn Việc tập trung các chuyên gia đầy đủ trong một cuộc họp, việc thu hồi phiếu trả lời đúng thời hạn cũng không được dễ dàng

c) Mô hình thời gian trong ngày (time of day)

Ở dạng đơn giản nhất, mô hình thời gian trong trong ngày lấy mẫu phụ tải thực

tế tuần trước làm mô hình để dự báo phụ tải tuần sau Người ta có thể sử dụng một cách khác là chọn lấy một tập mẫu phụ tải của một số tuần đặc trưng cho các điều kiện thời tiết khác nhau

Một mô hình thời gian trong ngày khác là phương pháp tách phổ Khác biệt giữa phương pháp tách phổ với mô hình trên là ở hàm thời gian Theo [5] phương pháp tách phổ cho kết quả có độ chính xác cao hơn so với các hàm thời gian

d) Các mô hình chuỗi thời gian ngẫu nhiên (bất định)

Nguyên tắc cơ bản của phương pháp này là đầu tiên chuỗi phụ tải theo thời gian được chuyển thành chuỗi thời gian dừng (Stationary Time Series – tức chuỗi không biến đổi theo thời gian), sau đó chuỗi dừng còn lại sẽ được lọc nhiễu trắng

Mô hình ARIMA không phù hợp để mô tả chuỗi phụ tải vì chuỗi phụ tải có chứa yếu tố mùa Vì vậy, để tính đến yếu tố mùa và cả biến số nhiệt độ thường được gọi

Một nhược điểm nữa của mô hình chuỗi thời gian là xử lý các phụ tải bất thường Nếu hành vi của phụ tải là bất thường trong một ngày nào đó thì sự sai lệch

này sẽ được phản ánh trong chuỗi phụ tải dự báo trong tương lai Vì vậy, để giải quyết vấn đề này, người ta người ta thường thay các giá trị phụ tải bất thường trong chuỗi phụ tải quá khứ bằng giá trị dự báo tương ứng, tức giá trị không bất thường giả sử của ngày hôm đó

1.3 Cơ sở xây dựng phương pháp dự báo phụ tải mới sử dụng mạng nơ ron nhân tạo

Dự báo phụ tải điện ngắn hạn trong những năm gần đây được quan tâm nghiên cứu bởi vì các nguyên nhân sau đây:

− Sự dịch chuyển thị trường điện lực Việt Nam từ độc quyền ngành điện sang môi trường cạnh tranh cao hơn trong thị trường điện, do đó đòi hỏi các bài toán dự báo phải đạt được độ chính xác cao;

− Khoa học kỹ thuật ngày càng phát triển đã tạo nền tảng cho một số lý thuyết

dự báo mới phát triển;

− Sự phát triển của công nghệ thông tin mở ra các khả năng triển khai các mô hình lý thuyết các hệ thống tính toán trong thời gian thực

Mạng nơ ron nhân tạo được xây dựng dựa trên cơ sở mô phỏng hoạt động của

hệ thống nơ ron thần kinh sinh học, do đó mạng nơ ron nhân tạo có một số đặc điểm quan trọng giống bộ não con người: Đó là khả năng học được những gì đã được dạy Quá trình học này được đưa vào mạng theo những mẫu cho trước Trong quá trình này các mẫu thể hiện quan hệ giữa các biến được đưa vào trong mạng nơ ron, mạng sẽ nhận biết được các quan hệ đó sau khi kết thúc quá trình huấn luyện Chính

do đặc điểm này mà mạng nơ ron được ứng dụng mạnh trong lĩnh vực dự báo Hiện nay mô hình này cũng đang được áp dụng phổ biến ở một số nước phát triển trong

dự báo phụ tải Các nghiên cứu ứng dụng mạng nơ ron trong dự báo phụ tải cũng bắt đầu thực hiện ở các trường, viện nghiên cứu Tuy nhiên, số lượng nghiên cứu ít

ỏi chưa đủ cơ sở để xây dựng một phương pháp luận cơ bản phù hợp cho công tác

dự báo phụ tải ngắn hạn ở nước ta

CHƯƠNG 2

GIỚI THIỆU VỀ MẠNG NƠ RON NHÂN TẠO

2.1 Trí tuệ nhân tạo

Con người từ những ngày đầu hình thành ở thời kỳ cổ đại với những con số đếm nguyên dương cơ bản Cho đến tận thời điểm khoảng giữa thế kỷ 20, khoa học vẫn chỉ mới dừng lại ở hình thức chặt chẽ, lô gíc, trong khi đó những vấn đề thực tế

do con người có thể cảm nhận được thì ngày lại càng phức tạp Chính vì vậy, những

tư tưởng về cách giải quyết vấn đề hiện thực bằng hình thức phát triển cao hơn là khoa học trí tuệ nhân tạo đã được hình thành trong giai đoạn từ cuối thế kỷ 20 đến nay trong giai đoạn tin học đang dần phát triển

Trí tuệ nhân tạo có khả năng giải quyết vấn đề bằng cách bắt chước lối suy nghĩ của con người điều này được thực hiện dựa trên các công cụ hiện đại ngày nay

là các phần cứng xử lý cao, với môi trường và khả năng tính toán phù hợp Có thể được ứng dụng để thiết kế, chế tạo bộ não cho các thiết bị điều khiển thông minh Với tín hiệu đầu vào là những tham số quá trình của đối tượng cần điều khiển, kết hợp với những tác động bên ngoài, loại thiết bị này sẽ đưa ra được những tín hiệu đầu ra thông minh, điều chỉnh thích hợp những tham số này để đưa đối tượng luôn làm việc như mong muốn Do đó, trí tuệ nhân tạo đặc biệt hiệu quả để giải các bài toán nhiều biến đa mục tiêu có ràng buộc, trong khi đó khoa học cơ bản chưa thể hoặc khó khăn trong quá trình tìm lời giải đúng Các công nghệ trí tuệ nhân tạo thông dụng có thể kể tới là:

™ Mạng Nơ ron;

™ Lý thuyết lô-gíc mờ;

™ Giải thuật di truyền

2.2 Nơ ron sinh học

Từ hàng ngàn năm trước đây con người đã dày công nghiên cứu phương cách làm cho bộ não có khả năng tư duy Tuy vậy, phải tới thế kỷ thứ 18-19 người ta mới xác nhận được rằng bộ não thực sự đóng vai trò quan trọng bậc nhất trong nhận thức và khẳng định rằng hoạt động nhận thức của con người còn gắn liền với hoạt động của các bộ phận cơ thể khác

Bộ não của con người có khoảng 15 tỉ nơ ron thần kinh là đơn vị cơ sở đảm nhiệm những chức năng xử lý nhất định trong hệ thần kinh bao gồm não, tuỷ sống

và các dây thần kinh Mỗi nơ ron có phần thân với nhân bên trong, một đầu thần kinh ra (gọi là sợi trục axon) và một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) Các dây thần kinh vào tạo thành một lưới dày đặc xung quanh thân tế bào, chiếm diện tích khoảng 0,25 mm2, còn dây thần kinh ra tạo thành trục dài có thể từ 1cm cho đến hàng mét Đường kính của nhân tế bào thường chỉ là 10-4 m Trục dây thần kinh ra cũng có thể phân nhánh theo dạng cây để nối với các dây thần kinh vào hoặc trực tiếp với nhân tế bào các nơ ron khác thông qua các khớp nối thần kinh (gọi là synapse) Thông thường, mỗi nơ ron có thể gồm vài chục cho tới hàng trăm ngàn khớp nối để nối với các nơ ron khác Người ta ước lượng rằng lưới các dây thần kinh ra cùng với các khớp nối bao phủ diện tích khoảng 90% bề mặt nơ ron (Hình 2.1)

Hình 2.1: Cấu tạo nơ-ron sinh học

Các tín hiệu truyền trong các dây thần kinh vào và dây thần kinh ra của các nơ ron là tín hiệu điện áp và được thực hiện thông qua các quá trình phản ứng và giải

phóng các chất hữu cơ Các chất này được phát ra từ các khớp nối dẫn tới các dây thần kinh vào sẽ làm tăng hay giảm điện thế của nhân tế bào Khi điện thế này đạt tới một ngưỡng nào đó sẽ tạo ra một xung điện dẫn tới trục dây thần kinh ra Xung này được truyền theo trục, tới các nhánh rẽ khi chạm tới các khớp nối với các nơ ron khác sẽ giải phóng các chất truyền điện

Có thể nói rằng hệ thống thần kinh con người có tính mềm dẻo do đó cho phép

nó có thể phát triển để thích nghi với môi trường xung quanh Tính mềm dẻo được thể hiện bởi hai hoạt động: sự tạo ra các khớp nối thần kinh (synapse) mới giữa các

nơ ron và sự biến đổi các khớp nối thần kinh hiện có Mỗi nơ ron có thể nhận hàng vạn tín hiệu và cũng có thể gửi hàng vạn tín hiệu đi Các nơ ron liên kết với nhau tạo thành mạng Một điều đặc biệt là các nơ ron rất đơn giản trong cơ chế làm việc, nhưng MNR liên kết với nhau lại có khả năng tính toán, suy nghĩ, điều khiển và lưu trữ thông tin

2.3 Mạng nơ ron nhân tạo

2.3.1 Lịch sử hình thành và phát triển

Một số công trình nghiên cứu cơ sở cho lĩnh vực mạng nơ ron được công bố vào cuối thế kỷ 19, đầu thế kỷ 20 Các công trình này tổng hợp về vật lý, sinh lý và vật lý học nơ ron do các nhà khoa học: Hermann von Helmholtz, Ernst Mach và Ivan Palov thực hiện Công trình đầu tiên này nhấn mạnh vào lý thuyết học tập, tầm nhìn và huấn luyện v.v… mà không có các mô hình toán cụ thể của hoạt động nơ ron

Năm 1943, khoa học trí tuệ nhân tạo đặt cột mốc hình thành với sự phát triển mạng nơ ron đầu tiên do Warren McCulloch và Walter Pitts đưa ra Kể từ đó, ý tưởng về việc xây dựng một hệ thống xử lý hiện thực với tên gọi mạng nơ-ron nhân

tạo (Artificial Neural Network) ra đời; bởi nó có cấu trúc gần giống với cấu trúc bộ

não con người và cách học tập, làm việc giống như con người

Những năm 50 và 60 là thời kỳ hưng thịnh của mạng nơ ron với các công trình của Rosenblan (1960) về mạng Perceptron Năm 1959, Bernard Widrow và Marcian

Hoff phát triển mạng ADALINE và bài báo bình giải của Minsky và Papert về mạng percetron

Những năm 70 MNR rơi vào trạng thái im lặng cả về nghiên cứu và ứng dụng Tuy vậy có thể kể đến các nghiên cứu về quá trình học của mạng nhiều lớp, mạng tự

tổ chức của Kohonen, mạng kiểu bộ nhớ kết hợp (BAM) của Anderson, mạng ART1 (Adaptive Resonace Theory NN ) của Capenter

Những năm 80 là thời kỳ phục hưng của các nghiên cứu và ứng dụng mạnh

mẽ của các MNR với nghiên cứu về thuật giải học dựa trên lan truyền ngược sai số

để luyện các mạng nhiều lớp được một vài nhà nghiên cứu độc lập tìm ra như: David Rumelhart, James McCelland… Ngoài ra còn có một số mạng khác như mạng một lớp của Hopfield, mạng theo kiểu máy Boltzmann và mạng Neoconitron của Fukushima

Từ đầu những năm 90 đến nay việc nghiên cứu MNR nhân tạo đã có những thành công to lớn và ứng dụng nhiều lĩnh vực khác nhau Ngoài ra MNR còn được kết hợp với các kỹ thuật khác của trí tuệ nhân tạo: giải thuật duy truyền, logic mờ,

hệ chuyên gia để phân tích dữ liệu và thu thập tri thức phục vụ cho việc xây dựng các hệ thống thông minh lai

2.3.2 Mô hình mạng Nơ ron nhân tạo

Để mô phỏng các tế bào thần kinh và các khớp nối thần kinh của bộ não con người, trong mạng nơ ron nhân tạo cũng có các thành phần có vai trò tương

tự là các nơ ron nhân tạo cùng các khớp nối

Một nơ ron nhân tạo là một đơn vị tính toán hay đơn vị xử lý thông tin cơ

sở cho hoạt động của một MNR Sơ đồ khối của hình 2.2 chỉ ra mô hình của một nơ ron nhân tạo Quan hệ giữa các nơ ron được thể hiện bằng đường nối có trọng số giữa chúng Ở đây, chúng ta xác định ba thành phần cơ bản của một

mô hình nơ ron:

Một hàm kích hoạt f (u) để giới hạn biên độ đầu ra của nơ ron Hàm kích hoạt cũng được xem xét như là một hàm nén; nó nén (giới hạn) phạm vi biên độ cho phép của tín hiệu đầu ra trong một khoảng giá trị hữu hạn

Dưới dạng công thức toán học, chúng ta có thể mô tả một nơ ron k bằng cặp công thức sau:

∑

=+

Giống như con người khi chứa tiếp cận tri thức chuyên môn, MNR nhân tạo khi mới hình thành cấu trúc chưa có tri thức, có nghĩa là các trọng số ghép nối còn có các giá trị ngẫu nhiên và đầu ra tín hiệu của nơ ron cũng có giá trị ngẫu nhiên

2.3.3 Các hàm kích hoạt:

• Hàm tuyến tính (Linear funtion)

u u f

Với α là độ dốc của hàm tuyến tính, khi độ dốc

α = 1 thì hàm tuyến tính được gọi là hàm đồng nhất –

• Hàm dốc (Ramp function)

Hình 2.6: Hàm dốc

• Hàm Sigmoid (Sigmoid function)

x e u

f

y= ( )=1+1−Hàm này đặc biệt thuận lợi khi sử dụng cho các mạng được huấn luyện bởi

thuật toán lan truyền ngược

(back-propagation), bởi vì nó dễ lấy đạo hàm, do

đó có thể giảm đáng kể tính toán trong quá

trình huấn luyện Hàm này được ứng dụng

cho các chương trình ứng dụng mà các đầu

ra mong muốn rơi vào khoảng [0,1]

Hình 2.7: Hàm Sigmoid

• Hàm Sigmoid lưỡng cực (Bisigmoid

function(tansig))

x e

x e u

Hàm này có các thuộc tính tương tự hàm sigmoid Nó làm việc tốt đối với các

ứng dụng có đầu ra yêu cầu trong khoảng

[-1,1] Hình 2.8: Hàm Sigmoid lưỡng cực

Đối với các đơn vị đầu ra, các hàm kích hoạt cần được chọn sao cho phù hợp

với sự phân phối của các giá trị đích mong muốn Chúng ta đã thấy rằng đối với các

giá trị ra trong khoảng [0,1], hàm sigmoid là có ích; đối với các giá trị đích mong

muốn là liên tục trong khoảng đó thì hàm này cũng vẫn có ích, nó có thể cho ta các

giá trị ra hay giá trị đích được căn trong một khoảng của hàm kích hoạt đầu ra

Nhưng nếu các giá trị đích không được biết trước khoảng xác định thì hàm hay

được sử dụng nhất là hàm đồng nhất (identity function) Nếu giá trị mong muốn là

dương nhưng không biết cận trên thì nên sử dụng một hàm kích hoạt dạng mũ

(exponential output activation function)

2.3.4 Phân loại các mạng Nơ ron:

a) Theo số lớp người ta chia làm hai loại:

Trong hình 2.9 (a) Mạng một lớp (Perceptron) là mạng chỉ có một lớp vào cũng

là lớp Nn và lớp ra Hình (b), mạng gồm ba lớp hay còn gọi là mạng (Multi layer

Perceptron): Lớp nhập (input), lớp Nn, và lớp xuất (output) Mỗi nút trong lớp nhận

nhận giá trị của một biến độc lập và chuyển vào mạng Dữ liệu từ tất cả các nút

trong lớp nhập được tích hợp – ta gọi là tổng trọng hóa – và chuyển kết quả cho các

Nn Mỗi nút trong lớp xuất tương ứng một biến phụ thuộc Phần lớn các bài toán chỉ

có một biến phụ thuộc, nhưng với mô hình như trên, MN R cho phép số biến tùy ý

Thí dụ, nếu mạng cần nhận dạng các chữ số thì ta có thể xây dựng một mạng với 10

nút xuất; hoặc dự báo phụ tải chỉ cần một nút xuất cho cả chuổi giá trị cần dự báo

b) Theo kiểu liên kết có thể phân thành:

Mạng truyền thẳng: Các liên kết nơ ron đi theo một hướng nhất định, không tạo thành chu trình với các đỉnh là các nơ ron

Mạng hồi qui: Cho phép các nơ ron tạo thành chu trình, trong đó một hoặc nhiều đầu ra của phần tử lớp sau truyền ngược tới đầu vào của lớp trước

Hình 2.10 Mạng truyền thẳng Hình 2.11 Mạng hồi qui

Mạng tự tổ chức: Xây dựng dựa trên pôto giống bộ não người, các nơ ron được phân bố trong lớp sao cho có mối liên hệ về không gian N ghĩa là tín hiệu vào tương tự nhau sẽ kích hoạt các nơ ron gần nhau trong không gian

2.4 Huấn luyện mạng Nơ ron:

Mạng nơ ron khi mới hình thành chưa có tri thức, tri thức của mạng hình thành dần sau mỗi lần huấn luyện (học) MN R được dạy bằng cách đưa vào đầu vào những kích thích và mạng hình thành những đáp ứng tương ứng, những đáp ứng phù hợp với từng loại kích thích sẽ được lưu giữ Các kỹ thuật học nhằm vào việc hiệu chỉnh các trọng số vì việc điều chỉnh, sửa đổi cấu trúc của mạng như số lớp, số

nơ ron, kiểu và cách mà các lớp liên kết với nhau là cố định trong suốt quá trình huấn luyện… MN R khi đã hình thành tri thức có thể giải quyết các vấn đề cụ thể một cách đúng đắn Đó là những vấn đề rất khác nhau, được giải quyết dựa trên sự

tổ chức hợp nhất giữa thông tin đầu vào và đáp ứng đầu ra của mạng Có rất nhiều thuật toán học đã được phát minh để tìm ra tập trọng số tối ưu làm giải pháp cho các

bài toán Các thuật toán đó có thể chia làm ba nhóm chính: Học có giám sát, học không có giám sát, học tăng cường

Học có giám sát: Ở lần học đầu tiên mạng được cung cấp một mẫu học cùng

với bộ trọng số tự do, đầu ra thực tế của mạng sẽ được so sánh với đầu ra mong muốn, sai khác giữa hai giá trị này là cơ sở cho việc hiệu chỉnh trọng số của mạng, quá trình huấn luyện diễn ra liên tục cùng với bộ thông số đầu vào cho đến khi mạng đạt được một giá trị sai số như mong muốn

Hình2.12 Mô hình huấn luyện mạng có giám sát Học không giám sát: Trong học không giám sát thì không có bất kỳ một thông

tin phản hồi từ môi trường Mạng phải tự tìm ra các đặc tính, quy luật, tương quan trong dữ liệu đầu vào và tập hợp lại để tạo đầu ra Khi tự tìm ra các đặc điểm này, mạng đã trải qua các thay đổi về tham số của nó Quá trình này được gọi là tự tổ chức

Hình2.13 Mô hình huấn luyện mạng không giám sát Học tăng cường: Trong luật học có giám sát, các giá trị đầu ra được biết chính

xác đối với mỗi đầu vào Tuy nhiên, trong thực tế có một số trường hợp chỉ biết ít thông tin chi tiết, chẳng hạn mạng chỉ biết rằng giá trị đầu ra thực sự quá cao hay có thể mạng chỉ có được thông tin phản hồi báo rằng đầu ra đúng hay sai Thuật học

dựa trên thông tin đánh giá này được gọi là thuật học củng cố, thông tin phản hồi được gọi là tín hiệu tăng cường

Hình2.13 Mô hình huấn luyện mạng tăng cường

2.5 Hàm mục tiêu

Để huấn luyện một mạng và xét xem nó thực hiện tốt đến đâu, ta cần xây dựng một hàm mục tiêu (hay hàm chất lượng) để cung cấp cách thức đánh giá khả năng của mạng Việc chọn hàm mục tiêu 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 Để phát triển một hàm mục tiêu đo được chính xác cái chúng ta muốn không phải là việc dễ dàng Một vài hàm cơ bản được sử dụng rất rộng rãi

• Hàm tổng bình phương lỗi SSE (Sum of squares error function)

• Hàm trung bình tổng bình phương lỗi MSE (Mean sum of squares error function)

Trong đó:

P: Số thứ tự mẫu trong tập huấn luyện

i : Số thứ tự của đơn vị đầu ra

t pi và y pi : 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

Về mặt hình học có thể xem E như một mặt lỗi Trong quá trình luyện mạng giá trị E càng nhỏ càng tốt

2.6 Một số ứng dụng của mạng nơ ron nhân tạo:

Từ khi ra đời và phát triển MN R đã tìm và khẳng định được vị trí của mình trong rất nhiều ứng dụng cụ thể như:

+ Mạng nơ ron có thể được huấn luyện để nhận biết văn phong viết của các cá nhân và các nhà nghiên cứu đã dùng để so sánh các tác phNm của Shakespeare và các nhà văn đương thời với ông do đại học Aston công bố + Một chương trình truyền hình khoa học phổ biến gần đây đã đưa ra việc sử dụng MN R do một viện nghiên cứu Italia để kiểm tra độ tinh khiết của dầu ô liu

+ Viện nghiên cứu Điện lực hoa kỳ EPRI đã nghiên cứu và thương mại hóa phần mềm AN N SLTF (Phần mềm dự báo phụ tải điện ngắn hạn dùng MN R nhân tạo)

Các ví dụ này cho thấy các ứng dụng rộng rãi của MN R Các ứng dụng này ngày càng mở rộng bởi vì MN R giải quyết vấn đề tốt không chỉ trong khoa học, kỹ thuật và toán học mà còn trong y tế, kinh doanh, tài chính, văn học Các ứng dụng của MN R tới nhiều bài toán trong các lĩnh vực khác nhau đã làm cho MN R thêm hấp dẫn Máy tính tốc độ cao hơn và các thuật toán nhanh hơn cũng đã làm cho việc

sử dụng MN R có thể giải được các bài toán phức tạp mà trước đây đòi hỏi một khối lượng tính toán to lớn

+ Lĩnh vực dân dụng: Điều khiển các thiết bị gia đình như máy giặt, điều hòa,

các thiết bị cánh báo chống trộm, báo động báo cháy, dự báo thời tiết, giá cả…

+ Lĩnh vực công nghiệp: Cảnh báo phát hiện sự cố, xây dựng các bộ điều khiển

thích nghi, thông minh hóa các cảm biến trong đo lường, nhận dạng và xử lý tín hiệu, phân loại mẫu, nhận dạng tiếng nói Dự báo phụ tải điện ngắn hạn, trung hạn, dài hạn, vận hành hệ thống điện Dự báo giá điện …

+ Lĩnh vực y tế: N hận dạng sóng điện tim, điện não đồ, các tế bào ung thư

Trong điện não đồ MN R dùng để nhận dạng các sóng Alpha, Beta, Theta và Delta để chNn đoán bệnh…

+ Lĩnh vực quân sự: Điều khiển các vũ khí thông minh, điều khiển bám N hận

dạng vân tai, hình ảnh tiếng nói…

+ Lĩnh vực thương mại, kinh tế: Dự báo tình hình kinh tế, dự đoán tiền tệ, phân

tích mức độ rủi ro, phân tích thị trường, dự báo mức tăng trưởng…

Riêng trong lãnh vực hệ thống điện được ứng dụng trong chuNn đoán sự cố (thiết bị điện, điện tử, cơ khí ở trạm biến áp, đường dây, nhà máy điện), phân lớp và điều khiển các hệ thống động (N hà máy điện, trạm biến áp….), tối ứu hóa, dự báo, đánh giá độ an toàn hệ thống điện

Mạng nơ ron nhân tạo mà chúng ta sử dụng để xây dựng nên các MN R nhân tạo thực sự là còn rất thô sơ so với những gì được tìm thấy trong bộ não Các MN R

mà chúng ta đã xây dựng được cũng chỉ là một sự phác thảo thô kệch nếu đem so sánh với các mạch thần kinh trong bộ não N hưng với những tiến bộ đáng ghi nhận trên rất nhiều lĩnh vực trong các thập kỷ vừa qua, chúng ta có quyền hy vọng rằng trong tương lai các MN R nhân tạo sẽ tinh vi hơn nhiều so với hiện nay

CHƯƠNG 3

ĐẶC ĐIỂM BIỂU ĐỒ PHỤ TẢI TỈNH SÓC TRĂNG

3.1 Biểu đồ phụ tải điện

Phụ tải của hệ thống là một hàm theo thời gian, phụ thuộc vào nhiều yếu tố như đặc điểm của quá trình công nghệ, chế độ vận hành.v.v Tuy nhiên đối với mỗi

hệ thống riêng sẽ có dạng biểu đồ phụ tải điển hình

Khi biết được biểu đồ phụ tải điển hình thì sẽ có căn cứ để chọn các thiết bị điện, tính điện năng tiêu thụ Lúc vận hành nếu biết BĐPT điển hình thì có thể định phương thức vận hành các thiết bị điện sao cho kinh tế và hợp lý nhất Các nhà máy phát điện cần nắm được BĐPT của từng hệ thống để định phương thức vận hành của các nhà máy phát điện cho phù hợp với yêu cầu Vì vậy, BĐPT là một tài liệu quan trọng trong thiết kế cũng như vận hành hệ thống cung cấp điện

Tùy theo nhu cầu sử dụng mà người ta xây dựng các loại biểu đồ phụ tải điện khác nhau Đường biểu diễn sự thay đổi của phụ tải tác dụng P, phụ tải phản kháng

Q hoặc dòng điện I theo thời gian Nếu theo thời gian khảo sát có đồ thị phụ tải hàng ngày, hàng tháng, hàng năm

Nghiên cứu BĐPT ngày ta có thể biết được tình trạng làm việc của hệ thống điện từ đó định qui trình vận hành một cách hợp lý nhất đảm bảo vận hành kinh tế của hệ thống điện

Hình 3.1 là BĐPT tác dụng ngày điển hình của công ty điện lực Sóc Trăng Đồ

thị biến thiên theo giá trị phụ tải 24 giờ trong ngày Phụ tải Pmax lớn gấp 1,9-2 lần

so với phụ tải thấp nhất trong ngày Pmin Cao điểm thường xảy ra vào chiều tối

khoảng từ 19h-20h Thấp điểm thường xảy ra vào ban đêm khoảng 2h-3h

Hình 3.1 Biểu đồ phụ tải đặc trưng ngày hệ thống điện Sóc Trăng

Nếu dự báo được Pmax và Pmin các kỹ sư điều hành có thể huy động và điều

chỉnh nguồn hợp lý, cũng như vận hành nguồn an toàn và hợp lý hơn

3.2 Các yếu tố ảnh hưởng đến phụ tải điện:

Dự báo phụ tải là một bài toán khó Bởi vì trước hết chuỗi phụ tải điện là chuỗi số liệu khá phức tạp, phụ thuộc vào nhiều yếu tố Phụ tải điện của một hệ thống được cấu thành từ các đơn vị tiêu thụ điện khác nhau mà chủ yếu là các thành phần nông nghiệp, công nghiệp, sinh hoạt và dịch vụ…

Các yếu tố ảnh hưởng đến phụ tải phụ thuộc vào tính chất của đơn vị tiêu thụ điện Phụ tải công nghiệp phụ thuộc chủ yếu vào mức độ sản xuất Phụ tải này thường ổn định tương đối và có thể đánh giá sự phụ thuộc phụ tải công nghiệp vào trình độ và quy mô sản xuất Tuy nhiên, từ góc độ bên bán điện, phụ tải công nghiệp

có tính bất định và gây trở ngại cho dự báo, bởi vì có những sự cố máy móc thiết bị công nghiệp hầu như không dự báo được và gây ra những biến động lớn trong tổng phụ tải của khu vực và toàn hệ thống

Đối với phụ tải ánh sáng sinh hoạt, là thành phần phụ tải phụ thuộc rất nhiều vào hành vi của các cá nhân và các nhóm cá nhân riêng biệt, do đó rất khó xác định

Pmax

Pmin