Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn

LỜI CẢM ƠN Luận văn thạc sĩ kỹ thuật chuyên ngành Kỹ thuật điện với tên đề tài là “Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn” được hoàn thành vào tháng 9 năm 2014.

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

-

Quản Quốc Cường

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG

DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN

Chuyên ngành: Kỹ thuật Điện

LUẬN VĂN THẠC SĨ KỸ THUẬT

KỸ THUẬT ĐIỆN

CHỦ TỊCH HỘI ĐỒNG NGƯỜI HƯỚNG DẪN KHOA HỌC

TS NGUYỄN XUÂN TÙNG TS NGUYỄN ĐỨC HUY

Hà Nội – Năm 2014

MỤC LỤC

LỜI CAM ĐOAN iii

LỜI CẢM ƠN………… iv

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT v

DANH MỤC CÁC BẢNG vi

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ vii

MỞ ĐẦU………… 1

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI 5

1.1 GIỚI THIỆU CHUNG 5

1.2 CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN 5

1.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN 6

1.3.1 Mô hình áp dụng ngày tương tự (Similar-day approach) 7

1.3.2 Phương pháp hồi quy (Regression methods) 7

1.3.3 Các mô hình chuỗi thời gian ngẫu nhiên (Time series) 7

1.3.4 Mạng nơron (Neural Network) 8

1.3.5 Phương pháp chuyên gia (Expert systems) 10

1.3.6 Lôgic mờ (Fuzzy logic) 10

1.3.7 Máy vectơ hỗ trợ (Support vector machines) 10

1.4 PHỤ TẢI ĐIỆN THÀNH PHỐ HÀ NỘI 11

1.4.1 Ngày trong tuần 11

1.4.2 Các ngày đặc biệt trong năm 12

1.4.3 Thời tiết trong ngày 13

1.4.4 Kế hoạch sửa chữa lớn trong ngày có cắt điện 13

CHƯƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON 14

2.1 MÔ HÌNH NƠRON SINH HỌC 15

2.1.1 Phần tử xử lý 16

2.2 MÔ HÌNH CẤU TRÚC MẠNG NƠRON 18

2.2.1 Mạng truyền thẳng một lớp 19

2.2.2 Mạng nơron nhiều lớp 19

2.3 CÁC TÍNH CHẤT CỦA MẠNG NƠRON 20

2.4 CÁC LUẬT HỌC 20

2.4.1 Học có giám sát 21

2.4.2 Học củng cố 22

2.4.3 Học không có giám sát 22

2.5 MẠNG NƠRON MLP 23

2.5.1 Cấu trúc mạng MLP 23

2.5.2 Quá trình học của mạng MLP 24

2.6 VẤN ĐỀ MẠNG HỌC QUÁ KHỚP VÀ MẠNG HỌC KHÔNG ĐỦ 27

CHƯƠNG 3: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN VỚI SỐ LIỆU THU THẬP TỪ ISO-NEW ENGLAND 30

3.1 XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN 30

3.2 DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN DÙNG MẠNG NƠRON MLP (24xNx24) 33

3.3 MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN DÙNG MẠNG NƠRON MLP (6xNx1) 36

3.4 SO SÁNH HAI MÔ HÌNH DỰ BÁO PHỤ TẢI 40

3.5 KẾT LUẬN NỘI DUNG CHƯƠNG 3 42

CHƯƠNG 4: ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN CHO THÀNH PHỐ HÀ NỘI 43

4.1 XÂY DỰNG MÔ HÌNH DỰ BÁO ÁP DỤNG CHO THÀNH PHỐ HÀ NỘI 43 4.1.1 Mô hình dự báo phụ tải điện dùng mạng nơron (24xNx24) 44

4.1.2 Mô hình dự báo phụ tải điện dùng mạng nơron (27xNx24) 47

4.1.3 Mô hình dự báo phụ tải điện dùng mạng nơron (31xNx24) 49

4.1.4 Mô hình dự báo phụ tải điện dùng mạng nơron (34xNx24) 51

4.2 KẾT LUẬN NỘI DUNG CHƯƠNG 4 53

TÀI LIỆU THAM KHẢO 56 PHỤ LỤC………… I

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn này do tôi thực hiện Các số liệu sử dụng trong luận văn được thu thập thực tế, kết quả phân tích và tính toán trong luận văn là trung thực và do tôi tìm hiểu trong các tài liệu

Học viên

Quản Quốc Cường

LỜI CẢM ƠN

Luận văn thạc sĩ kỹ thuật chuyên ngành Kỹ thuật điện với tên đề tài là “Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn” được hoàn thành

vào tháng 9 năm 2014

Em xin gửi lời cảm ơn sâu sắc đến thầy TS.Nguyễn Đức Huy, người đã giúp đỡ

em rất nhiều trong quá trình thực hiện luận văn Xin cảm ơn các thầy cô thuộc bộ môn Hệ thống điện – Viện Điện – Trường Đại học Bách Khoa Hà Nội đã có những góp ý quý báu về nội dung của đề tài Đồng thời, cảm ơn tới các bạn bè, đồng nghiệp đã cùng tôi trao đổi và giúp tôi tháo gỡ nhiều vướng mắc trong quá trình thực hiện

Qua đây xin gửi tới gia đình và người thân trong gia đình, những người luôn quan tâm, động viên, khích lệ trong suốt quá trình học tập và nghiên cứu

Do thời gian có hạn, chắc chắn luận văn không tránh khỏi những thiếu sót Em kính mong các thầy cô chỉ bảo, bạn bè đóng góp ý kiến để em có thể hoàn thiện, tiếp tục nghiên cứu và phát triển đề tài

Xin chân thành cảm ơn!

Hà Nội, tháng 9 năm 2014

Quản Quốc Cường

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT

ANN Applications Neural

SSE Sum of Squares Errors Tổng bình phương sai số

APE Absolute Percent Error Tính sai số phần trăm tuyệt đối

MAPE Mean Absolute Percent

Error

Tính trung bình sai số phần trăm tuyệt đối

STLF Short – term Load

MLP Multi- layer Feedforward Mạng truyền nhiều lớp

SVM Support Vector Machines Máy vectơ hỗ trợ

DANH MỤC CÁC BẢNG

Bảng 3.1 Kết quả dự báo phụ tải từ 22- 28/06/2014 (ANN 24x20x24) 34

Bảng 3.2 Kết quả dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) 35

Bảng 3.3 Kết quả dự báo phụ tải từ ngày 22-28/06/2014 (ANN 6x20x1) 37

Bảng 3.4 Kết quả dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) 38

Bảng 3.5 Kết quả so sánh dự báo phụ tải của hai mô hình 40

Bảng 4.1 Kết quả dự báo phụ tải ngày 08/11/2012 (24xNx24) 46

Bảng 4.2 Kết quả dự báo phụ tải ngày 08/11/2012 (27xNx24) 48

Bảng 4.3 Kết quả dự báo phụ tải ngày 08/11/2012 (31xNx24) 50

Bảng 4.4 Kết quả dự báo phụ tải ngày 08/11/2012 (34xNx24) 52

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 Đồ thị phụ tải các ngày đặc trưng trong tuần 12

Hình 1.2 Đồ thị phụ tải thành phố Hà Nội hai ngày 1/1/2012, 6/1/2012 12

Hình 1.3 Đồ thị phụ tải ngày hai ngày có nhiệt độ khác 13

Hình 2.1 Mô hình một dạng nơron sinh học 15

Hình 2.2 Mô hình phần tử xử lý (mô hình một nơron) thứ i, dạng M-P 16

Hình 2.3 Mạng nơron truyền thẳng một lớp 19

Hình 2.4 Mạng nơron truyền thẳng nhiều lớp 20

Hình 2.5 Sơ đồ ba kiểu học của mạng nơron 22

Hình 2.6 Mô hình mạng MLP một lớp ẩn 23

Hình 3.1 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) 34

Hình 3.2 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) 37

Hình 3.3 Đồ thị dự báo phụ tải ngày 22-28/06/2014 (ANN 6x20x1) 39

Hình 3.4 Đồ thị so sánh dự báo phụ tải của hai mô hình 41

Hình 4.1 Đồ thị dự báo phụ tải ngày 08/11/2012 (24xNx24) 45

Hình 4.2 Đồ thị dự báo phụ tải ngày 08/11/2012 (27xNx24) 47

Hình 4.3 Đồ thị dự báo phụ tải ngày 08/11/2012 (31xNx24) 49

Hình 4.4 Đồ thị dự báo phụ tải ngày 08/11/2012 (34xNx24) 51

MỞ ĐẦU

1 Lý do chọn đề tài

Trong giai đoạn thực hiện tiến trình công nghiệp hóa, hiện đại hóa đất nước đã đẩy 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 Vấn đề đặt ra cho ngành điện xây dựng các công cụ dự báo phụ tải điện, làm cơ sở cho công tác thiết kế quy hoạch hệ thống điện Mục đích của dự báo phụ tải trong tương lai dựa vào các quan sát trong quá khứ, phục vụ cho công tác quy hoạch nguồn lưới trong hệ thống điện, phục vụ cho công tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải)

Dự báo là một khoa học còn non trẻ, trong đó có nhiều vấn đề chưa hình thành trọn vẹn Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo và phạm vi ứng dụng là các hiện tượng xã hội, kinh tế, kỹ thuật… Dự báo là một khoa học quan trọng, nhằm mục đích nghiên cứu những phương pháp luận khoa học, làm

cơ sở cho việc đề xuất các dự báo cụ thể cũng như việc đánh giá mức độ tin cậy, mức độ chính xác của các phương pháp dự báo – nếu dự báo sai lệch quá nhiều về khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt trong ngành kinh tế Nếu dự báo quá thừa về phụ tải sẽ phải huy động nguồn quá lớn làm tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất thiết

bị, ngược lại nếu dự báo thiếu phụ tải sẽ dẫn đến cung cấp điện không đủ cho nhu cầu của phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho nền kinh tế quốc

dân Vì vậy tác giả thực hiện đề tài “Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn” nhằm phát huy tính chất ưu việt của mạng nơron nhân tạo

trong công tác dự báo phụ tải

2 Lịch sử nghiên cứu

Hiện nay đã có rất nhiều đề tài khoa học, bài báo và tài liệu trong nước, nước ngoài nghiên cứu về phương pháp sử dụng mạng nơron nhân tạo để dự báo ngắn hạn phụ tải điện

Tại 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 quy 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 không hiệu quả đối với tất

cả các ngày 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

 Trần Thị Hoàng Oanh, Đồng Sĩ Thiên Châu, Trần Hoàng Lĩnh, Nguyễn Kỳ Tài – Viện nghiên cứu phát triển năng lượng, ĐHBK TP Hồ Chí Minh với bài viết “Ứng dụng mạng nơron song tuyến trong bài toán dự báo phụ tải điện”

 D.C.Park, M.A EL-Sharkawi, R.J.Marks II, L.E Atlas and M.J Damborg – University of Washington “ Electric Load Forecasting Using An Artification Neural Network”, IEEE Trans, 1991

 Rui Zhang, Zhao Yang Dong, Yan Xu, Ke Meng, Kit Po Wong – University

of Newcastle, Newcastle, Australia “Short-term load forecasting of Australian National Electricity Market by an ensemble model of extreme learning machine”, 2012

3 Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu 3.1 Mục đích nghiên cứu:

Mục đích của đề tài là đề xuất phương pháp dự báo phụ tải điện ngắn hạn dựa vào mạng nơron, đưa ra mô hình dự báo phù hợp nhất để thu được kết quả tốt với sai số của dự báo trong khoảng cho phép

3.2 Đối tượng nghiên cứu:

Tìm hiểu về mạng nơron nhân tạo, các mô hình và phương pháp dự báo phụ tải điện hiện nay, các yếu tố ảnh hưởng đến phụ tải điện ngắn hạn Lựa chọn phương pháp để dự báo phụ tải ngắn hạn dựa vào mạng nơron

3.3 Phạm vi nghiên cứu:

Luận văn nghiên cứu đồ thị phụ tải và xây dựng mô hình dự báo phụ tải điện ngắn hạn áp dụng cho thành phố Hà Nội

3.4 Ý nghĩa khoa học và thực tiễn của đề tài

Trong dự báo phụ tải điện hiện nay tại nước ta có rất nhiều phương pháp dự báo

Mô hình sử dụng mạng nơron được ứng dụng trong công tác dự báo phụ tải Các mô hình đó đã xét đến các vấn đề về phụ tải, nhiêt độ, kiểu ngày dự báo Nhưng bên cạnh đó phụ tải hệ thống điện còn phụ thuộc cả vào độ ẩm, số giờ sáng, tốc độ gió… Trong luận văn này đưa ra các mô hình sử dụng mạng nơron để giải quyết bài toán dự báo phụ tải có xét đến các yếu tố về thời tiết như độ ẩm, tốc độ gió Đánh giá sai số dự báo trong mỗi mô hình và lựa chọn mô hình tối ưu nhất để ứng dụng

dự báo phụ tải cho thành phố Hà Nội

4 Nội dung luận văn

Chương 1- Tổng quan về dự báo phụ tải

- Trình bày tổng quan về dự báo phụ tải điện, và các phương pháp dự báo phụ tải ngắn hạn

- Phân tích phụ tải điện của thành phố Hà Nội, các yếu tố ảnh hưởng chủ yếu đến phụ tải điện

Chương 2 - Tổng quan về mạng nơron nhân tạo

- Giới thiệu tổng quan về mạng nơron nhân tạo cấu trúc, mô hình, các luật học

của mạng nơron

- Trình bày khái quát về mạng MLP, về cấu trúc, quá trình huấn luyện mạng

Chương 3 –Dự báo phụ tải điện ngắn hạn với số liệu thu thập từ ISO-New England

- Thu thập số liệu về phụ tải, nhiệt độ… từ ISO - New England, áp dụng mô

hình (24xNx24) cho bộ số liệu thu được trên

- Xây dựng mô hình (6x20x1) dự báo mới để áp dụng cho bộ số liệu trên, so

sánh kết quả giữa hai mô hình

Chương 4 - Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn cho thành phố Hà Nội

- Xây dựng các mô hình dự báo phụ tải ngắn hạn Áp dụng các mô hình đó vào thực tế và lựa chọn ra mô hình phù hợp nhất với thành phố Hà Nội

Chương 5 - Kết luận và hướng nghiên cứu tiếp theo

Trình bày kết quả luận văn đã đạt được và hướng nghiên cứu tiếp theo của luận văn

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI

1.1 GIỚI THIỆU CHUNG

Dự báo phụ tải điện năng là một vấn đề quan trọng trong hệ thống điện hiện nay Mục đích của dự báo điện năng trong tương lai dựa vào các quan sát trong quá khứ, phục vụ cho công tác quy hoạch nguồn lưới trong hệ thống điện, phục vụ cho công tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải)

Dự báo là một khoa học còn non trẻ, trong đó có nhiều vấn đề chưa hình thành trọn vẹn Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo và phạm vi ứng dụng là các hiện tượng xã hội, kinh tế, kỹ thuật, … Dự báo là một khoa học quan trọng, nhằm mục đích nghiên cứu những phương pháp luận khoa học, làm cơ sở cho việc đề xuất các dự báo cụ thể cũng như việc đánh giá mức độ tin cậy, mức độ chính xác của các phương pháp dự báo – nếu dự báo sai lệch quá nhiều về khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt trong ngành kinh tế Nếu dự báo quá thừa về nguồn sẽ phải huy động nguồn quá lớn làm tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất thiết bị, ngược lại nếu dự báo thiếu công suất nguồn sẽ dẫn đến cung cấp điện không đủ cho nhu cầu của phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho nền kinh tế quốc dân [1]

1.2 CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN

Trong hệ thống điện có hai loại dự báo phụ tải điện [2] dùng để quy hoạch hệ thống điện và vận hành hệ thống Sự khác biệt được dựa trên thời gian dự báo

- Trong quy hoạch hệ thống điện, dự báo phụ tải là cho một khoảng thời gian vài tháng đến một năm Đây là loại dự báo là chủ yếu để xác định lưới điện, thiết bị điện sẽ được lắp hoặc các hợp đồng trong thị trường điện Thời gian dự báo dài có thể là từ 1 ÷ 10 năm, xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và phân phối điện năng

- Trong vận hành hệ thống điện, dự báo phụ tải là chủ yếu cho một khoảng thời gian một giờ đến một tuần Có hai loại chính của dự báo phụ tải hệ thống điện

hoạt động: dự báo tải rất ngắn hạn và ngắn hạn Dự báo tải rất ngắn hạn là phút trước và để phục vụ cho công tác điều độ hệ thống Dự báo tải ngắn hạn là từ một giờ đến một tuần Kết quả dự báo phụ tải ngắn hạn chủ yếu được sử dụng cho mục đích điều độ và vận hành hệ thống điện

Như vậy, dự báo phụ tải điện chia thành 3 nhóm dự báo phụ tải sau:

- Dự báo ngắn hạn (STLF)

Dự báo phụ tải điện ngắn hạn thường dự báo cho một giờ đến một tuần Sai số cho phép của công tác dự báo trong khoảng yêu cầu < 5% Loại dự báo này phục vụ cho công tác điều độ và vận hành hệ thống điện trong khoảng thời gian ngắn

- Dự báo trung hạn (MTLF)

Dự báo phụ tải điện trung hạn thường dự báo phụ tải một tháng cho đến một năm Loại dự báo này thường dùng để xác định lưới điện, thiết bị điện sẽ được lắp hoặc các hợp đồng trong thị trường điện Sai số cho phép trong khoảng (5- 10) %

- Dự báo dài hạn (LTLF)

Dự báo phụ tải điện dài hạn thường dự báo phụ tải nhiều hơn một năm Khoảng thời gian này cần xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và phân phối điện năng Sai số cho phép trong khoảng (5-15) %

1.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN

Bài toán dự báo phụ tải ngắn hạn được đánh giá là phức tạp so với các bài toán khác Kết quả dự báo ngắn hạn chính xác sẽ hỗ trợ các công tác vận hành và khai thác hệ thống điện ở khu vực được hiệu quả, thuận lợi Kết quả dự báo này cũng

có thể nhanh chóng và dễ dàng kiểm chứng do không cần phải chờ đợi dài ngày Bài toán dự báo phụ tải ngày là một trong những nhiệm vụ quan trọng của công tác điều độ và có nhu cầu thực tiễn rất cao Đã có rất nhiều mô hình giải pháp được

đề xuất và ứng dụng, tuy nhiên cho tới thời điểm này vẫn chưa có một mô hình nào được coi là chuẩn và áp dụng hiệu quả cho mọi đối tượng Một trong những nguyên nhân chính của vấn đề này là do ở mỗi vùng, mỗi khu vực phụ tải ngày phụ

thuộc khác nhau vào các số liệu trong quá khứ Sự khác nhau này đòi hỏi phải điều chỉnh lại các thông số của một mô hình đã được lựa chọn nào đó hoặc đến mức độ phải xây dựng một mô hình hoàn toàn mới

1.3.1 Mô hình áp dụng ngày tương tự (Similar-day approach)

Phương pháp này dựa trên cơ sở dữ liệu ngày [3] trước đó trong vòng một, hai, hoặc ba năm với các đặc tính tương tự như ngày dự báo Đặc điểm tương tự bao gồm thời tiết, ngày trong tuần, và ngày tháng Phụ tải của một ngày tương tự được xem đó là phụ tải của ngày dự báo Thay vì một tải duy nhất ngày tương tự, dự báo

có thể sử dụng phương pháp hồi quy tuyến tính lấy số liệu nhiều ngày tương tự ngày

dự báo Phụ tải đuợc sử dụng cho các ngày tương tự lấy từ các năm trước

1.3.2 Phương pháp hồi quy (Regression methods)

Hồi quy theo [3], là một trong những phương pháp được sử dụng rộng rãi trong bài toán kỹ thuật Đối với bài toán dự báo phụ tải điện, phương pháp hồi quy thường được sử dụng để mô hình mối quan hệ phụ tải và các yếu tố khác như thời tiết, loại ngày Mô hình hồi quy 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 [4] trình bày một số mô hình hồi quy cho dự báo đỉnh ngày hôm sau Mô hình của họ kết hợp ảnh hưởng xác định như ngày lễ, ảnh hưởng ngẫu nhiên như phụ tải trung bình, và ảnh hưởng khác như thời tiết

1.3.3 Các mô hình chuỗi thời gian ngẫu nhiên (Time series)

Phương pháp chuỗi thời gian [3] dựa trên giả định rằng các dữ liệu có cấu trúc nội bộ, chẳng hạn như tương tự, xu hướng, hoặc biến đổi theo mùa Chuỗi thời gian

đã được sử dụng trong nhiều thập niên trong các lĩnh vực như kinh tế, xử lý tín hiệu

kỹ thuật số, cũng như dự báo phụ tải điện Nguyên tắc cơ bản của phương pháp này

là đầu tiên chuỗi phụ tải theo thời gian được chuyển thành chuỗi thời gian dừng (tức chuỗi thời gian không biến đổi), sau đó chuỗi dừng còn lại sẽ được lọc nhiễu trắng Các mô hình chuỗi thời gian có ưu điểm Trước hết, lý thuyết mô hình chuỗi thời gian có cơ sở toán học chặt chẽ và rõ ràng nên dễ thực hiện dự báo trên cơ sở lý

thuyết này Các thông số của mô hình cũng được tính toán một cách dễ dàng Thủ tục đánh giá thông số mô hình cũng không khó

Xét hai mô hình ARMAX và ARIMAX, trong mô hình ARMAX, sử dụng các sai số của các buớc dự báo trước để thực hiện các bước dự báo tiếp theo

1.3.4 Mạng nơron (Neural Network)

Việc sử dụng mạng nơron (Neural network-NN) [3], [5] được sử dụng trong bài toán dự báo phụ tải từ những năm 1990 Mạng nơron cơ dùng ước lượng các hàm phi tuyến phù hợp với đường cong phụ tải Thông dụng nhất là các giải pháp

dự báo ngắn hạn như dự báo trước 1 giờ, dự báo trước 12 giờ hoặc 24 giờ Trong bài toán dự báo ta quan tâm giải quyết hai vấn đề lớn là:

- Phát hiện các mối liên hệ giữa các đại lượng để cải thiện chất lượng của mô hình ước lượng

- Tối ưu hóa mô hình (mạng nơron) để đạt chất lượng cao không chỉ trong quá trình học mà cả trong quá trình kiểm tra

Hai vấn đề này có liên quan chặt chẽ với nhau do mỗi bộ số liệu học khác nhau lại có thể làm thay đổi cấu trúc của mô hình xấp xỉ Đồng thời bộ số liệu đặc trưng cũng tạo điều kiện để hạn chế lại không gian tìm kiếm mô hình

Mô hình [6] có nhiều ứng dụng nhất là mạng MLP với một hoặc hai lớp ẩn Số lớp ẩn và số nơron trên từng lớp cũng như các hàm truyền đạt của các nơron trong mỗi mô hình đều khác nhau do được xây dựng cho các đối tượng khác nhau hoặc thậm chí cho cùng một đối tượng nhưng các bộ số liệu và thời điểm lấy số liệu khác nhau

Các mạng nơron hồi quy cũng ít được sử dụng hơn các giải pháp khác do các thuật toán học phức tạp hơn mạng truyền thẳng, xác suất tìm được cực trị tốt thấp hơn Mặc dù vậy, mạng hồi quy với các kênh tín hiệu phản hồi của mình cũng rất phù hợp với các bài toán mô hình hóa đối tượng có phụ thuộc thời gian trễ Trong

số các mạng được sử dụng, các mạng được dùng nhiều hơn cả là mạng Elman và mạng RTRN với thuật toán học của Williams – Zipser

Một lớp mạng khác cũng được sử dụng trong các bài toán dự báo phụ tải là các mạng tự tổ chức, hoạt động theo nguyên tắc tự sắp xếp các véc-tơ đầu vào để phát hiện các vùng số liệu tập trung Hiểu theo nghĩa khoảng cách giữa các véc-tơ đa thành phần thì các véc-tơ có giá trị tương đối giống nhau sẽ được nhóm vào thành một nhóm Trong bài toán dự báo phụ tải ta hay sử dụng mạng tự tổ chức để nhóm các nhóm biểu đồ phụ tải chuẩn hóa (hay còn gọi là hình dạng của biểu đồ phụ tải – đã chuẩn hóa về đoạn giá trị 0 - 1) Sau khi đã có các nhóm ngày có biểu đồ phụ tải tương đối giống nhau, ta cần xác định quy luật để thuộc về nhóm đó và khi cần

dự báo ta xác định xem ngày cần dự báo thuộc vào nhóm nào và sẽ lấy biểu đồ đặc trưng cho nhóm đó để làm kết quả dự báo

Hiện nay trên thị trường cũng có rất nhiều các phần mềm phục vụ cho công việc dự báo Có thể lấy ví dụ phần mềm ANNSTLF của EPRI cho phép dự báo với sai số 2 – 4% tùy thuộc vào kiểu dự báo và dạng biến thiên của phụ tải Phần mềm UNIPEDE hỗ trợ sử dụng các phương pháp mạng nơron, lô-gíc mờ trong một số bài toán liên quan tới hệ thống điện, trong đó có dự báo ngắn hạn, quy hoạch lưới điện, mô hình hóa và ứng dụng tốt trong điều khiển các quá trình trong nhà máy điện,

Cũng cần phải nhấn mạnh rằng các giải pháp đã đề xuất khác biệt nhau rất nhiều về ý tưởng, về công cụ và nhất là về kết quả đánh giá cuối cùng Độ chính xác của kết quả dự báo có thể thay đổi từ 1,5% tới 12% , nhưng điều này không có nghĩa rằng mô hình có sai số lớn hơn là mô hình kém hiệu quả hơn Vấn đề nằm ở chỗ mỗi một mô hình được xây dựng cho một đối tượng (một khu vực phụ tải) khác nhau, cho những khoảng thời gian khác nhau và cho những thông tin đầu vào khác nhau

1.3.5 Phương pháp chuyên gia (Expert systems)

Trong những năm gần đây nhiều nước đã áp dụng phương pháp chuyên gia [3], [6] có trọng số, dựa trên cơ sở hiểu biết sâu sắc của các chuyên gia về các lĩnh vực của các ngành để dự báo các chỉ tiêu kinh tế Trong ngành năng lượng, người ta cũng dùng phương pháp này để dự báo nhu cầu điện năng của nước mình Đây là bài toán cần phải lựa chọn lời giải trong điều kiện đa chỉ tiêu và bất định nên thường được thực hiện bởi cá nhân quyết định có tham khảo ý kiến của hội đồng tư vấn 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

1.3.6 Lôgic mờ (Fuzzy logic)

Lôgic mờ [3] được phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ thay vì lập luận chính xác theo lôgic vị từ cổ điển Lôgic mờ có thể được coi

là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp Lôgic mờ cho suy ra được kết quả từ đầu vào mờ

1.3.7 Máy vectơ hỗ trợ (Support vector machines)

SVM là một tập hợp các phương pháp học có giám sát được sử dụng để phân loại, hồi quy Không giống như mạng nơron, tìm các hàm đặc trưng không gian trạng thái của mẫu đầu vào, SVM thực hiện một ánh xạ phi tuyến dạng chuẩn nhận

dữ liệu vào và phân loại chúng vào hai lớp khác nhau Do đó SVM là một thuật toán phân loại nhị phân Với một bộ các ví dụ luyện tập thuộc hai thể loại cho trước, thuật toán luyện tập SVM xây dựng một mô hình SVM để phân loại các ví dụ khác vào hai thể loại đó Một mô hình SVM là một cách biểu diễn các điểm trong không gian và lựa chọn ranh giới giữa hai thể loại sao cho khoảng cách từ các ví dụ luyện tập tới ranh giới là xa nhất có thể Các ví dụ mới cũng được biểu diễn trong cùng một không gian và được thuật toán dự đoán thuộc một trong hai thể loại tùy vào ví

dụ đó nằm ở phía nào của ranh giới [7] áp dụng phương pháp SVM để dự báo phụ tải điện ngắn hạn Tác giả so sánh kết quả với phuơng pháp tự hồi quy Kết quả so sánh cho thấy sử dụng SVM cho kết quả dự báo rất tốt [8] Sử dụng mô hình SVM

để dự báo phụ tải điện trong một tháng Li and Fang [9] cũng sử dụng mạng Wavelet kết hợp với SVM để dự báo phụ tải điện ngắn hạn

1.4 PHỤ TẢI ĐIỆN THÀNH PHỐ HÀ NỘI

Để xây dựng được mô hình tối ưu áp dụng cho thành phố Hà Nội, phải xác định đến các yếu tố ảnh hưởng đến phụ tải như: các ngày trong tuần, đặc điểm phụ tải của ngày cần dự báo, như nhiệt độ trong ngày… Vậy để mô hình dự báo tối ưu cần phải xét đến các yếu tố chủ yếu ảnh hưởng đến phụ tải

Luận văn thạc sĩ của tác giả Chu Nghĩa [10]cho thấy phụ tải của lưới điện thành phố Hà Nội phụ thuộc chủ yếu vào các yếu tố chính sau:

1.4.1 Ngày trong tuần

Các yếu tố thời gian bao gồm thời gian của năm, các ngày trong tuần, và giờ trong ngày Có sự khác biệt quan trọng trong việc tải các ngày trong tuần và cuối tuần Phụ tải tại các ngày trong tuần khác nhau cũng có khác nhau, như ngày thứ Hai và thứ Sáu là tiếp giáp với cuối tuần, đồ thị phụ tải khác nhau hơn so với thứ Ba đến thứ Năm Ngày thứ Bảy và chủ nhật đồ thị phụ tải tương đối giống nhau [11], [12] Điều này đặc biệt đúng trong thời gian mùa hè, còn ngày lễ là ngày rất khó khả năng dự báo phụ tải bởi vì nhu cầu sử dụng là khác nhau

Hình 1.1 Đồ thị phụ tải các ngày đặc trưng trong tuần

1.4.2 Các ngày đặc biệt trong năm

Ngày đặc biệt trong năm như các ngày lễ tết, 30/4, 1/5, 2/9 phụ tải giảm đáng

kể so với ngày thường Phụ tải các ngày sát với các ngày này cũng bị ảnh hưởng,

có thể thấy rõ điều đó trên đồ thị phụ tải thành phố Hà Nội ngày lễ tết dương lịch 1/1/2012 và ngày làm việc bình thường 6/1/2012 Vì vậy, phụ tải trong các ngày đặc biệt không được áp dụng như ngày thông thường mà phải tách biệt bằng phương pháp riêng, thường là dựa vào các ngày dạng này của các năm trước đó

Hình 1.2 Đồ thị phụ tải thành phố Hà Nội hai ngày 1/1/2012, 6/1/2012

1.4.3 Thời tiết trong ngày

Bao gồm các thông số tự nhiên: nhiệt độ, độ ẩm, tốc độ gió, cường độ sáng, trong đó nhiệt độ có ảnh hưởng lớn nhất, nhiệt độ tăng thì phụ tải tăng và ngược lại Thành phố Hà Nội khi thời tiết thay đổi nhiệt độ tăng lên, nhu cầu sửdụng điện tăng, đây là vấn đề tất yếu do nhu cầu sử dụng làm mát, nhu cầu này không chỉ có trong dân dụng mà cả trong công nghiệp, các thiết bị điện cần phải tăng cường làm mát Khi nhiệt độ lạnh xuống phụ tải sẽ tăng lên do sử dụng thiết bị sưởi ấm

Hình 1.3 Đồ thị phụ tải ngày hai ngày có nhiệt độ khác

1.4.4 Kế hoạch sửa chữa lớn trong ngày có cắt điện

Trong quá trình thực hiện kế hoạch sửa chữa lớn, như cắt điện đường dây đang vận hành để kéo đường dây mới, sửa chữa trạm 220KV, 500KV phải cắt tải diện rộng dẫn đến điện năng tiêu thụ vào các ngày này giảm một cách đáng kể Dự báo phụ tải những ngày này phải tính toán khấu trừ phụ tải giảm do ngừng cung cấp điện Dạng của đồ thị phụ tải trong ngày có cắt điện diện rộng cũng mang đặc thù riêng, thay đổi tuỳ thuộc vào thời gian, vùng, miền cắt điện Qua quá trình vận hành thực tế và dữ liệu thống kê, các điều độ viên, các chuyên viên chuyên phân tích về phụ tải hệ thống điện đi đến kết luận: Nhiệt độ môi trường, đặc thù của các gày trong tuần, ngày lễ, ngày tết là các yếu tố ảnh hưởng lớn nhất đến giá trị phụ tải ngày

CHƯƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON

Mạng nơron nhân tạo [13] (Artifical Neural Networks) được xây dựng dựa trên cấu trúc của bộ não con người, giúp đưa ra một phương pháp mới trong lĩnh vực tiếp cận thông tin Mạng nơron nhân tạo có thể thực hiện các bài toán nhận mẫu (Recognition), tối ưu, nhận dạng (Identification) và điều khiển (Control) cho các đối tượng tuyến tính và phi tuyến đạt hiệu quả hơn so với các phương pháp tính toán truyền thống

Mạng nơron nhân tạo (gọi tắt là mạng nơron) gồm nhiều nơron nhân tạo (gọi tắt

là nơron) liên kết với nhau thành mạng Nó có hành vi tương tự như bộ não con người với khả năng học (Learning), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập từ mẫu và dữ liệu

Mạng nơron đã có lịch sử nghiên cứu phát triển khá lâu dài Từ năm 1943, McCulloch và Pitt’s đã đề xuất một số liên kết cơ bản của mạng nơron Năm 1949, Hebb đã đưa ra các luật thích nghi trong mạng nơron Rosenblatt đưa ra cấu trúc Perceptron năm 1958 Năm 1969, Minsky và Papert phân tích sự đúng đắn của Perceptron, chứng minh các tính chất và chỉ rõ các giới hạn của một số mô hình Năm 1976, Grossberg dựa vào tính chất sinh học đã đưa ra một số cấu trúc của hệ động học phi tuyến với các tính chất mới Hopfield đã đưa ra mạng hồi quy một lớp Hopfield được đề xuất năm 1982 Năm 1986, Rumelhart đưa ra mô hình xử lý song song và một số kết quả của thuật toán Năm 1986, thuật toán học được lan truyền ngược (Back Propagation) được Rumelhart, Hinton và Williams đề xuất thực hiện luyện mạng nơron truyền thẳng nhiều lớp

Những năm gần đây có nhiều công trình nghiên cứu đề xuất các cấu trúc, luật học cho nhiều loại mạng nơron truyền thẳng và hồi quy mới có nhiều ưu điểm Mạng nơron hiện đang được áp dụng có hiệu quả trong nhiều lĩnh vực kinh tế, kỹ thuật

2.1 MÔ HÌNH NƠRON SINH HỌC

Bộ não con người có khoảng 1011nơron sinh học ở nhiều dạng khác nhau Mô hình của dạng nơron sinh học gồm có ba phần chính là: thân, bên trong có nhân, cây

và trục Cây gồm các dây thần kinh liên kết với thân Trục có cấu trúc đơn, dài liên kết với thân Phần cuối của trục có dạng phân nhánh Trong mỗi nhánh có một cơ cấu nhỏ là khớp thần kinh, từ đây nơron sinh học này liên kết bằng tín hiệu tới các nơron khác Sự thu nhận thông tin của nơron sinh học được thực hiện từ cây hoặc từ thân của nó Tín hiệu thu, nhận ở dạng các xung điện

Hình 2.1 Mô hình một dạng nơron sinh học

Mỗi tế bào thần kinh có một màng, nhiệm vụ của nó là giữ cho các chất nuôi tế bào không tràn ra ngoài Ở giữa phần tử nội bào và ngoại bào có dung dịch muối lỏng làm cho chúng bị phân rã thành các ion âm và dương Các ion dương có trong màng tạo ra điện thế màng với trạng thái cân bằng lực: lực đẩy của các ion dương ra khỏi tế bào cân bằng với lực hút chúng vào trong tế bào

Điện thế màng là phần tử quan trọng trong quá trình truyền tin của hệ thần kinh Khi thay đổi khả năng thẩm thấu ion của màng thì điện thế màng của tế bào bị thay đổi và tiến tới một ngưỡng nào đó, đồng thời sinh ra dòng điện, dòng điện này gây

ra phản ứng kích thích làm thay đổi khả năng thẩm thấu ion của các tế bào thần kinh tiếp theo

2.1.1 Phần tử xử lý

Mô hình phần tử xử lý (Processing Elements) hay mô hình nơrondạng M-P, do Coullock và Pitts đề xuất năm 1943 Phần tử xử lý có dạng nhiều vào một ra MISO Hình 2.2 mô tả mô hình của phần tử xử lý (hay mô hình một nơron) thứ i, dạng M-

P, trong đó có các phần tử sau đây

Hình 2.2 Mô hình phần tử xử lý (mô hình một nơron) thứ i, dạng M-P

 Tín hiệu đầu vào :

Có m tín hiệu vào, trong đó (m -1) tín hiệu là tín hiệu kích thích ở đầu vào là

(x 1 ,…, x j, ,x m-1 ), chúng được lấy từ đầu ra của các nơron được đặt trước nơron này

hoặc được lấy từ các nguồn tín hiệu đầu vào khác Các tín hiệu kích thích đầu vào

này được thông qua bộ trọng số (weight) w ij đặc trưng cho mức độ liên kết giữa các

nơron thứ j (j= 1, 2, 3…., m-1) với nơron thứ i Trọng số liên kết có giá trị dương

tương ứng khớp với thần kinh bị kích thích, ngược lại có giá trị âm tương ứng khớp với thần kinh bị kiềm chế

Riêng thành phần tín hiệu vào thứ m là x m được gọi là ngưỡng (threshold) có

giá trị x m = -1 Tín hiệu xm được đưa qua thành phần dịch chuyển (bias) bi:

W im =b i (2.1)

 Tín hiệu ra: Có một tín hiệu ra là y i

 Bộ cộng

Thực hiện phép tính tìm tổng trọng v i (hoặc net i) bằng cách so sánh tổng trọng

của (m-1) kích thích đầu vào với giá trị trọng lượng của ngưỡng, nếu tổng trọng của

(m-1) đầu vào vượt qua trọng lượng của ngưỡng thì nơron ở trạng thái kích thích để

tạo ra được tín hiệu ra yi:

ij 1

Thành phần b i về cơ bản giống trọng số w ij chỉ khác là luôn liên kết tín hiệu x m = -1

Do đó, cũng có thể coi b i là trọng số liên kết thứ m là w im của nơron thứ i nối với tín hiệu vào thứ m là x m luôn có giá trị là -1 Viết lại biểu thức (2.1) ở dạng sau đây:

ij 1

 Hàm kích hoạt (activation function)

Là hàm thể hiện biến đổi tuyến tính giữa các kích thích đầu vào của một nơron

và tín hiệu đầu ra tương ứng Thực tế hàm kích hoạt này thường hoạt động theo ngưỡng nhất định thì nơron sẽ tạo thành một xung điện áp tại đầu ra Ngưỡng kích

hoạt này được thể hiện với giá trị phân cực (bias) Bên cạnh đó, hàm kích hoạt của

nơron cũng thực hiện nhiệm vụ hạn chế mức tín hiệu trong mảng

 Các dạng hàm truyền đạt sử dụng trong mạng nơron

Hàm truyền đạt (hoặc ngưỡng làm việc, hàm chuyển đổi) dùng để đưa tính chất phi tuyến, tuyến tính vào chức năng hoạt động của nơron Kết quả sau khi chuyển đổi đầu ra của nơron

- Hàm chuyển đổi giới hạn cứng

Hàm chuyển đổi giới hạn cứng (hard limit

transfer fuction),còn có tên gọi là hàm chuyển

đổi dạng bước nhảy (step transfer fuction)

- Hàm chuyển đổi dạng sigmoid hoặc logsig

Hàm chuyển đổi dạng logsig (logsig

transfer fuction) có biểu thức sau :

- Hàm chuyển đổi dạng tansig

Hàm chuyển đổi dạng tansig (tansig

transfer fuction) có biểu thức sau:

- Hàm chuyển đổi dạng tuyến tính

Hàm chuyển đổi dạng tuyến tính (linear

transfer fuction) có biểu thức sau :

a(v) =n

Hàm chuyển đổi dạng tuyến tính bảo hòa

Hàm chuyển đổi dạng tuyến tính bảo hòa

(satlin-Saturating linear transfer function)

có biểu thức sau:

2.2 MÔ HÌNH CẤU TRÚC MẠNG NƠRON

Mạng nơron bao gồm sự liên kết của nhiều nơron Đầu ra của mỗi nơron kết nối với các nơron khác thông qua các trọng số, hoặc tự phản hồi trở về đầu vào của chính nó Cấu trúc của mạng nơron là kiểu kết nối hình học của mỗi nơron liên kết

 

1 khi n 1 khi 0 n 1

trong mạng, đây là một đặc điểm quan trọng của từng mạng nơron, dựa vào đó tiến hành phân loại chúng

2.2.1 Mạng truyền thẳng một lớp

Mạng chỉ gồm hai lớp cơ bản, lớp vào (input layer) gồmcác nơron nhận trực tiếp các tín hiệu vào lấy từ bên ngoài Lớp ra (outputlayer) gồm có các nơron có các tín hiệu ra, đưa ra bên ngoài Lớp ẩn (hidden layer) gồm các nơron còn lại không nhận

trực tiếp các tín hiệu vào lấy từ bên ngoài và không cung cấp tín hiệu ra cho bên ngoài mạng, nó chỉ có nhiệm vụ truyền tín hiệu từ các nơron ở lớp vào đến các nơron ở lớp ra

Hình 2.3 Mạng nơron truyền thẳng một lớp

2.2.2 Mạng nơron nhiều lớp

Trong trường hợp cần các hàm truyền đạt với mức độ phi tuyến cao, cần có mạng với cấu trúc phức tạp hơn Cách đơn giản nhất là tăng số lớp sử lý tín hiệu

giữa đầu vào và đầu ra cũng như tăng khối lượng tính toán (nơron) trên từng lớp

này Các lớp tính toán nằm giữa hai lớp vào và lớp ra được gọi chung là lớp ẩn

(hidden layer)

Hình 2.4 Mạng nơron truyền thẳng nhiều lớp

2.3 CÁC TÍNH CHẤT CỦA MẠNG NƠRON

Mạng nơron có một số tính chất sau đây:

- Là hệ phi tuyến

- Là hệ xử lý song song: mạng nơron có cấu trúc song song, do đó tốc độ tính

toán rất cao, rất phù hợp với các lĩnh vực nhận dạng và điều khiển

- Là hệ học và thích nghi: mạng được luyện từ các số liệu quá khứ, có khả

năng tự chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line

- Là hệ có nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (MIMO) rất tiện dùng

khi điều khiển đối tượng có nhiều biến số

Các luật học trong nhóm học cấu trúc có nhiệm vụ đưa ra cấu trúc hợp lý của mạng như thay đổi số lượng nơron hoặc thay đổi số lượng liên kết của các nơron trong mạng

Hai nhóm luât học trên có thể được áp dụng đồng thời (khi đó gọi là các luật học lai – hybrid learning rules) học cả cấu trúc và thông số, hoặc được áp dụng riêng rẽ Sau đây trình bày các luật học thông số với giả thiết:

- Cấu trúc của mạng nơron gồm số lượng lớp nơron, số lượng nơron và cách thức liên kết các trọng số có trong mạng đã hợp lý

- Ma trận trọng số đã bao gồm tất cả các phần tử thích ứng

Nhiệm vụ của học thông số là đưa ra phương pháp nào đó để tìm ma trận trọng số điều khiển từ ma trận trọng số tùy chọn ban đầu với cấu trúc của mạng nơron đã xác định từ trước, thỏa mãn điều kiện sai lệch trong phạm vi cho phép

Để làm được điều đó, mạng nơron sử dụng các phương pháp học thích ứng để

tính toán được các ma trận trọng số điều chỉnh w đặc trưng cho mạng Có ba kiểu

học là: học giám sát (Supervised Learning), học củng cố (Reinforcement Learning)

và học không có giám sát (Unsupervised Learning)

2.4.2 Học củng cố

Trong quá trình học giám sát, giả thiết rằng đáp ứng đầu ra của mạng đã đạt được giá trị mong muốn Nhưng ở một mẫu vào ra nào đó bị cho rằng kết quả không đáng tin cậy, vì vậy cần phải tiến hành kiểm tra lại mẫu nói trên Khi đó chỉ

có một bit tín hiệu của mẫu cần kiểm tra đóng vai trò là tín hiệu củng cố được đưa vào mạng để góp phần khẳng định kết quả quá trình học giám sát đúng hay sai Kiểu học này gọi là kiểu học củng cố Kiểu học này cũng có tín hiệu củng cố được lấy từ bên ngoài nên nó chỉ là một trường hợp đặc biệt của kiểu học có giám sát

2.4.3 Học không có giám sát

Kiểu học này có đặc điểm là không có tín hiệu lấy từ bên ngoài Mạng cần phải

tự mình tìm ra các mẫu, nét đặc trưng, sự tương thích, phân loại trong dữ liệu đầu vào và mã hóa thành các mẫu ở đầu ra Trong quá trình học không giám sát nếu mạng không thay đổi thông số của nó thì được gọi là tự tổ chức (self – organizing)

Hình 2.5 trình bày luật học trọng số ở dạng cơ bản nhất cho nơron thứ i Trong

đó vectơ tín hiệu vào x= [x 1 , x 2 , …, x j , …, x m ] T có thể lấy từ các nơron khác hoặc được lấy từ bên ngoài.Thành phần thông số ngưỡng có thể được thay thế bằng thành phần thứ m của vectơ tín hiệu vào x là xm= -1 được kết nối với trọng số xim =b i

Vectơ trọng số liên kết nơron thứ i là [ 1, 2, , 3]T

(a) (b)

(a)

Y

X

Tín hiệu ra mong muốn

Tín hiệu vào

Mạn

g nơro

n

W Máy phát

tín hiệu sai lệch

Tín hiệu ra

Tín hiệu đánh giá

X

Tín hiệu ra củng cố

Tín hiệu vào

Mạng nơro

n

phát tín hiệu đánh giá

Tín hiệu ra

Y

X Tín hiệu vào

Mạng nơron

W Tín hiệu ra

Hình 2.5 Sơ đồ ba kiểu học của mạng nơron

(a) Học có giám sát; (b) Học củng cố;

(c) Học không có giám sát

Không có các ghép nối giữa các nơron trên cùng một lớp mà chỉ có ghép nối giữa các nơron của hai lớp liên tiếp Các ghép nối đều có chiều hướng từ đầu vào đến đầu ra (mạng truyền thẳng)

Các nơron trên cùng một lớp sẽ có cùng hàm truyền đạt

Mạng MLP với một lớp ẩn có thể được đặc trưng bởi các thông số sau:

 Bộ ba (N, M, K), trong đó N- Số đầu vào, M- số nơron thuộc lớp ẩn, K- số nơron ở lớp ra

 Các hàm truyền đạt:  1 của lớp ẩn và  2 của lớp đầu ra

 Ma trận trọng số W kết nối giữa lớp đầu vào và lớp ẩn Ma trận trọng số kết nối V giữa lớp ẩn và lớp đầu ra

Khi đó, với véc – tơ đầu vào 𝑥 = [𝑥1, 𝑥2,… 𝑥𝑁]𝑅𝑁 (đầu vào phân cực cố định x0 =1), có đầu ra được xác định theo tuần tự chiều ra lan truyền thuận (forward

propagation) như sau:

- Tổng đầu vào của nơron ẩn thứ i:

i 0

- Đầu ra của nơron ẩn thứ i: v i =f 1 u i

(Để thuận tiện cho việc biểu diễn các công thức, xem đầu vào phân cực cho các nơron lớp ra là =1 cố định)

- Tổng kích thích đầu vào của nơron đầu ra thứ 1 

ra tương ứng {x i , d i} với i= 1,… , p, xiR N ; diR K Nhiệm vụ của quá trình học là xác định giá trị các phần tử của W và V sao cho đáp ứng đầu ra của mạng gần giống

với giá trị đích nhất Có rất nhiều thuật toán để tìm giá trị W, V của mạng nơron Trong luận văn này sử dụng thuật toán Levenberg – Marquardt

Thuật toán Levenberg – Marquardt

Luật học Levenberg – Marquardt [15] được ứng dụng cho mạng lan truyền nhằm cải thiện tốc độ học Phương pháp này được cải tiến từ phương pháp Guass- Newton để tránh tình trạng mạng rơi vào các cực trị địa phương Thuật toán này dựa trên khai triển bặc hai của khai triển Taylor nhằm mục đích xác định giá trị bé nhất của sai số định nghĩa bởi:

31

2 1

1

2

M i i

T T

g W J W e W

G W J W J W R W



Với R(W) là thành phần khai triển bậc cao của H theo W Tuy nhiên việc xác định

giá trị chính xác của R khá khó khăn nên thuật toán L-M đã thay thành phần này bởi thành phần v1 với v thay đổi trong quá trình học Cụ thể, tại bước thứ k ta có

(

k g W p

quyết định Như trên có v(k) sẽ bắt đầu từ một giá trị lớn và giảm dần về 0 khi đạt gần tới điểm cực trị Có rất nhiều phương án lựa chọn nhưng phương án gốc do L-

M đưa ra như sau Ký hiệu E(k) là giá trị hàm sai số ở bước thứ k, r- hệ số giảm của

v v r

quả trên các mẫu mới được gọi là mạng nơron có khả năng tổng quát hóa kiến thức thấp

Để tìm được một mạng nơron vừa đáp ứng được các yêu cầu đã được biết và đặt

ra trước, lại vừa đồng thời có xác suất thành công cao khi xử lý những yêu cầu đầu vào mới Có thể kiểm nghiệm việc đạt kết quả bằng cách sử dụng hai tập số liệu thay vì chỉ sử dụng một tập Một tập để sử dụng trong quá trình xây dựn mô hình, tập số liệu này gọi là tập số liệu học (learning data set), ký hiệu {xi, di} với i=1, 2,

…, p Tập số liệu còn lại sẽ được sử dụng trong quá trình kiểm tra (testing data set),

ký hiệu {x i kt , d i kt } với i=1, 2, …, q trong đó q là số lượng mẫu kiểm tra Mạng nơron

sau khi đã xây dựng trên tập số liệu học sẽ được kiểm tra với tập số liệu thứ hai và

có sai số kiểm tra như sau:

2 1

1

( ) 2

Trong mạng nơron và các mô hình phi tuyến đều phải đối mặt với hai hiện

tượng: học quá khớp (overfitting) và học quá ít (underfitting) Một mạng quá đơn

giản không có khả năng xử lý hết độ phức tạp của số liệu dẫn đến trường hợp học quá ít Một mạng quá phức tạp có thể học rất chính xác các mẫu đến mức không giải quyết được các mẫu mới sẽ dẫn tới hiện tượng học quá khớp Học quá khớp là hiện tượng khá nguy hiểm do có thể dễ dàng dẫn tới những trường hợp đưa ra đáp ứng khác lệch rất nhiều so với giá trị chính xác Để tránh hiện tượng học quá khớp,

có thể sử dụng rất nhiều số liệu mẫu Một trong những yếu tố ảnh hưởng mạnh nhất tới độ phi tuyến của mạng nơron là số nơron ẩn Số nơron ẩn phụ thuộc vào rất nhiều yếu tố như:

 Số đầu vào và đầu ra của mạng nơron;

 Số cặp mẫu trong số liệu học

 Lượng nhiễu có trong tín hiệu vào;

 Độ phức tạp của hàm ánh xạ đang cần tìm;

 Cấu trúc của mạng nơron đang xây dựng;

 Dạng hàm truyền đạt của các nơron trong mạng;

 Thuật toán học;

 Các phương pháp hỗ trợ quá trình học trong việc “làm trơn” hàm ánh xạ Vẫn chưa có một quy tắc thống nhất trong việc xác định cấu trúc tối ưu Cách phổ biến nhất là thử nghiệm quá trình học với nhiều mạng khác nhau thông qua việc khảo sát sai số thu được Có thể lựa chọn mạng nơron nào có sai số bé nhất

Một số nghiên cứu đã đề xuất việc lựa chọn số nơron lớp ẩn như sau:

 Số nơron trong lớp ẩn giới hạn trong khoảng số đầu vào và số đầu ra của mạng

 Mạng nơron với một lớp ẩn chỉ cần sử dụng không quá 2N số nơron ẩn, Trong đó N là số đầu vào của mạng nơron

 Số nơron ẩn sẽ tương đương với số thành phần chính (PCA) được sử dụng

để tái tạo từ 70% đến 90% mức độ biến thiên của tập số liệu đầu vào

CHƯƠNG 3: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN VỚI SỐ LIỆU THU

3.1 XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN

Bài toán dự báo là một bài toán phức tạp, cả về số lượng dữ liệu đưa vào cũng như độ chính xác dữ liệu cần dự báo Có các phương pháp dự báo khác nhau như phương pháp: Hồi quy tuyến tính, Phương pháp ngoại suy theo thời gian… Tuy nhiên đến thời điểm này đối với các bài toán dự báo phức tạp, đòi hỏi độ chính xác cao người ta thường dùng thuật toán lan truyền ngược để ứng dụng trong các lĩnh vực dự báo, nhận dạng, phân lớp Các bước chính trong quá trình thiết kế và xây dựng một ứng dụng dựa trên mạng nơron MLP bao gồm:

Bước1: Lựa chọn các biến đầu vào

Đối với bài toán dự báo phụ tải điện, giá trị phụ tải và nhiệt độ tương ứng từng giờ là các dữ liệu đầu vào cho mạng

Bước2: Thu thập dữ liệu

Xem xét khả năng thu thập dữ liệu, các dữ liệu sau khi thu thập được cần phải kiểm tra tính hợp lệ của chúng

Bước 3: Phân chia tập dữ liệu

Để huấn luyện mạng ta phải chia tập dữ liệu thành tập huấn luyện và tập kiểm tra Tập huấn luyện thường là lớn hơn tập kiểm tra, tập huấn luyện thường chứa khoảng 60% - 70% toàn bộ tập dữ liệu Tập kiểm tra sử dụng để kiểm tra tính đúng đắn của mạng sau khi đã huấn luyện, có hai cách xác định tập kiểm tra, một

là lấy ngẫu nhiên các mẫu từ tập huấn luyện ban đầu, hai là chỉ lấy tập dữ liệu gần với hiện tại hơn vì nó quan trọng hơn các dữ liệu trong quá khứ