Ứng dụng khoa học trí tuệ nhân tạo trong bài toán dự báo phụ tải điện

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI --- TRỊNH KHÁNH LY ỨNG DỤNG KHOA HỌC TRÍ TUỆ NHÂN TẠO TRONG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN LUẬN VĂN THẠC SỸ KỸ THUẬT CHUYÊN NGÀNH:

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

-

TRỊNH KHÁNH LY

ỨNG DỤNG KHOA HỌC TRÍ TUỆ NHÂN TẠO TRONG

BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN

LUẬN VĂN THẠC SỸ KỸ THUẬT CHUYÊN NGÀNH: ĐO LƯỜNG VÀ CÁC HỆ THỐNG ĐIỀU KHIỂN

Hà Nội – 2004

-

TRỊNH KHÁNH LY

ỨNG DỤNG KHOA HỌC TRÍ TUỆ NHÂN TẠO TRONG

BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN

LUẬN VĂN THẠC SỸ KỸ THUẬT CHUYÊN NGÀNH: ĐO LƯỜNG VÀ CÁC HỆ THỐNG ĐIỀU KHIỂN

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS PHẠM THƯỢNG HÀN

MỤC LỤC

Giới thiệu 1

Chương 1: Tổng quan về phụ tải hệ thông điện Việt Nam 1.1 Giới thiệu chung về hệ thống điện Việt Nam 4

1.2 Tầm quan trọng của dự báo phụ tải điện .7

1.3 Mô hình toán 11

1.4 Dự báo phụ tải hệ thống điện Việt nam 12

Chương 2 Bài toán dự báo phụ tải tuần 2.1 Đồ thị phụ tải điện 15

2.2 Dự báo phụ tải ngắn hạn - cho một tuần 16

2.2.1 Dạng của đồ thị phụ tải 17

2.1.2 Đỉnh và đáy của đồ thị phụ tải 20

2.2.3 Dự báo phụ tải cho 7 ngày trong tuần 21

Chương 3: Các khái niệm cơ bản về mạng Nơ ron nhân tạo 3.1 Sơ lược về mạng nơ ron 23

3.1.1 Lịch sử hình thành và phát tiển của mạng nơ ron nhân tạo 23

3.1.2 Cơ sở về mạng Nơ ron 26

3.1.3 Nơron sinh học 27

3.2 Mạng nơ ron nhân tạo 29

3.2.3 Mạng nơ ron nhân tạo 32

Chương 4: Các khái niệm cơ bản về mạng Nơ ron nhân tạo 4.1 Luật học cạnh tranh 40

4.2 Mạng lượng tử hoá véc tơ LVQ 46

4.2.1 Cấu trúc mạng 46

4.2.2 Huấn luyện mạng 48

4.3 Xây dựng mạng LVQ để phân loại kiểu ngày 51

4.3.1 Thiết kế cấu trúc mạng 51

4.3.2 Huấn luyện mạng 52

4.3.3 Kết quả mô phỏng mạng mạng LVQ để phân loại kiểu ngày 54

Chương 5 Mạng Nơ ron truyền thẳng và thuật toán Lan ruyền ngược 5.1 Kiến trúc cơ bản 60

5.1.1 Mạng truyền thẳng 60

5.1.2 Thiết kế cấu trúc mạng 61

5.2 Huấn luyện mạng 63

5.2.1 Phương pháp giảm dốc nhất tìm điểm cực tiểu 65

5.3 Tăng tốc độ học và khả năng tổng quát hoá của mạng BP 75

5.3.1 Qui tắc mô men 75

5.3.2 Thuật toán hệ số học thích nghi 76

5.3.3 Nâng cao khả năng tổng quát hoá của mạng 77

Chương 6: ứng dụng mạng nơ ron với thuật toán lan truyền ngược thích nghi trong bài toán dự báo phụ tải 6.1 Sơ lược về bài toán dự báo dữ liệu 80

6.2 Xây dựng phần mềm mô phỏng mạng nơ ron lan truyền ngược ứng dụng trong bài toán dự báo đỉnh biểu đồ phụ tải 84

6.2.1 Phần mềm mô phỏng mạng nơ ron lan truyền ngược ứng dụng trong bài toán dự báo phụ tải cao điểm 85

6.2.2 Phần mềm mô phỏng mạng nơ ron lan truyền ngược ứng dụng trong bài toán dự báo phụ tải thấp điểm 95

6.3 Dự Báo phụ tải cho 7 ngày trong tuần 100

Kết luận 117

Tài liệu tham khảo 119

Phụ lục II: Phần mềm mô phỏng mạng truyền thẳng hai lớp với thuật toán lan

truyền ngược thích nghi trong bài toán dự báo phụ tải cao điểm và thấp

điểm 131

CÁC TỪ VIẾT TẮT

ANN : Mạng nơ ron nhân tạo

DBPT : Dự báo phụ tải

ĐTPT : Đồ thị phụ tải

HTĐQG : Hệ thống điện quốc gia

Mạng BP : Mạng lan truyền ngược

Mạng LVQ : Mạng lượng tử hoá véc tơ

MSE: Trung bình tổng bình phương sai số

SDPB: Thuật toán giảm dốc nhất

SSE: Tổng bình phương sai số

VLBP: Thuật toán lan truyền ngược thích nghi

CHƯƠNG 1 TỔNG QUAN VỀ PHỤ TẢI HỆ THỐNG ĐIỆN VIỆT NAM

Chương này đề cập đến các vấn đề sau:

• Giới thiệu chung về hệ thống điện Việt Nam

• Tầm quan trọng của dự báo phụ tải điện

• Mô hình toán

• Dự báo phụ tải hệ thống điện Việt nam

1.1.Giới thiệu chung về hệ thống điện Việt Nam

Trong những năm gần đây, hệ thống điện Việt nam đã phát triển lớn mạng cả về

số lượng và chất lượng Sản xuất điện đã đáp ứng nhu cầu phát triển kinh tế - xã hội Mức độ tăng trưởng phụ tải hệ thống năm các năm 1995-2003 là tương đối cao, chỉ trừ năm 1998 chỉ tăng 7,8% Tương ứng đó, sản lượng hệ thống cũng tăng từ 10%-18% Trong các bảng 1.1 và 1.2 thể hiện tốc độ tăng trưởng phụ tải

về công suất cực đại và sản lượng điện các năm 1995-2003

Bảng 1.1: Tốc độ tăng trưởng phụ tải về công suất cực đại

1996 1997 1998 1999 2000 2001 Quốc gia

HTĐ Bắc

HTĐ Trung

13,6% 13,2% 7,8% 11,7% 13,0% 15,57% 12,5% 8,6% 5,3% 7,6% 9,7% 12,7% 17,9% 8,0% 9,5% 15,5% 13,4% 12,68%

Tæng Quan VÒ Phô T¶i HÖ Thèng §iÖn ViÖt Nam

HTĐ Nam 15,2% 16,9% 9,5% 13,9% 9,8% 18,25%

Bảng 1.2: Tốc độ tăng trưởng phụ tải về sản lượng

1996 1997 1998 1999 2000 2001 Quốc gia

Tiêu thụ điện tăng nhanh từ 11,185 tỷ kWh năm 1995 lên 30,235 tỷ kWh năm 2002 Trong giai đoạn từ năm 1995 đến 2002, điện tiêu thụ đạt tốc độ tăng trưởng cao nhất là 20,6% vào năm 1995, sau đó giảm xuống 10,5% năm 1999 và lại tăng lên 17,4% năm 2002

Bảng1.3 Cơ cấu tiêu thụ điện giai đoạn 1993-2002

Cơ cấu tiêu

Tæng Quan VÒ Phô T¶i HÖ Thèng §iÖn ViÖt Nam

và lưới Phụ tải cao điểm là nhân tố quyết định việc huy động nguồn điện trong khi đó phụ tải thấp điểm lại giữ vai trò quan trọng trong việc quyết định phối hợp

và điều chỉnh các nguồn điện nhằm đảm bảo vận hành kinh tế Do đó việc dự báo chính xác phụ tải điện có ý nghĩa hết sức quan trọng trong bài toán vận hành kinh tế hệ thống điện cũng như trong cải tạo, thiết kế hệ thống cung cấp điện Việc dự báo chính xác phụ tải cao điểm và thấp điểm giảm được tổn thất công suất và điện năng Trong đó dự báo phụ tải cao điểm Pmax là khâu quan trọng nhất, việc dự báo chính xác phụ tải cao điểm mang lại lợi ích và hiệu suất sử dụng năng lượng và cả lợi ích cho khách hàng, tránh được tình trạng thiếu công suất giờ cao điểm Đặc biệt vào mùa lũ khi cần khai thác tối đa các nguồn nhiên liệu rẻ như thuỷ điện

Do đó phụ tải cao điểm và thấp điểm chính là hai giá trị đặc biệt trên biểu đồ phụ tải ngày, và là mối quan tâm hàng đầu của người lập quy hoạch và thiết kế

hệ thống điện Khi phụ tải thấp thì tỷ lệ tổn thất tăng do tổn hao không tải

1.2 Tầm quan trọng của dự báo phụ tải điện

Dự báo phụ tải điện (DBPT) đóng vai trò vô cùng quan trọng đối với công tác quy hoạch, đầu tư phát triển và vận hành hệ thống điện (HTĐ) Chúng ta biết

tế quốc dân vì thế dự báo phụ tải điện là một bộ phận của dự báo phát triển kinh

tế và khoa học kỹ thuật Nếu chúng ta dự báo phụ tải quá thừa so với nhu cầu sử dụng thì hậu quả là phải huy động nguồn dự phòng đắt tiền lớn hơn mức cần thiết Ngược lại, nếu dự báo phụ tải quá thấp so với nhu cầu thì sẽ dẫn đến kết quả nguồn dự phòng thấp giảm an toàn cung cấp điện, không đáp ứng đủ nhu cầu điện cho các hộ tiêu thụ và làm thiệt hại cho nền kinh tế quốc dân

Dự báo phụ tải dài hạn ( khoảng từ 1-20 năm) có nhiệm vụ cung cấp số liệu cho công tác quy hoạch và đầu tư phát triển hệ thống điện Còn dự báo phụ tải ngắn hạn (khoảng từ 1 -30 ngày) có nhiệm vụ đảm bảo vận hành hệ thống điện

an toàn và kinh tế Đối với dự báo dài hạn có tính chất chiến lược thì chỉ nêu nên những phương hướng phát triển chủ yếu mà không yêu cầu xác định chỉ tiêu cụ thể

Dự báo phụ tải điện quá thừa so với nhu cầu thì dẫn đến việc huy động vốn đầu tư lớn để xây dựng nhiều nguồn phát điện, nhưng thực tế không dùng hết công suất của chúng gây lãng phí Nếu dự báo lại quá nhỏ so với nhu cầu thực tế thì dẫn đến tình trạng thiếu nguồn điện

Phụ tải của hệ thống điện là một hàm số phụ thuộc vào thời gian t, phụ thuộc vào thông số chế độ - tần số và mô đul điện áp thông qua những đặc tính thống

kê

Đặc tính ngẫu nhiên của phụ tải được xác định qua hai yếu tố:

• Tính ngẫu nhiên của chính phụ tải

• Tính ngẫu nhiên và tính chu kỳ trong hoạt động của con người trong một

Tæng Quan VÒ Phô T¶i HÖ Thèng §iÖn ViÖt Nam

trong biến đổi của phụ tải, cho phép dự báo phụ tải với mức độ chính xác tương đối cao

Chu kỳ tính toán T được xác định bằng các quy luật khách quan tiêu thụ điện năng Những quy luật này được xác định bằng một loạt các yếu tố:

- thiên văn: chu kỳ quay của trái đất, mùa trong năm

- xã hội: tuần 7 ngày với các ngày làm việc và ngày nghỉ hoặc ngày lễ, sinh hoạt trong ngày, 8 giờ làm việc, những giờ nghỉ chương trình, tivi, v.v Nhu cầu phụ tải phụ thuộc rất nhiều vào yếu tố này

- thời tiết: nhiệt độ, không khí, nắng mưa Mối quan hệ này là phi tuyến Tương tự như vậy chu kỳ T có thể lấy từ chu kỳ hoạt động của con người: ngày, đêm, tháng, năm Tuy nhiên không thể coi một chu kỳ nào trong những chu kỳ trên là lặp lại của chu kỳ trước: do sự tăng trưởng của phụ tải theo thời gian, do những biến đổi bất thường của phụ tải Tóm lại các yếu tố ảnh hưởng đến phụ tải bao gồm:

Qua đồ thị trên ta thấy tốc độ tăng trưởng của phụ tải qua các năm là khác nhau:

Để dự báo phụ tải cần phải mô tả các thông số phụ tải đã có bằng một hoặc nhiều hàm số nào đó Các hàm số này mô tả dãy thông số quan sát một cách gần đúng Sai số tiệm cận hoá thông số quan sát bằng hàm số được đánh giá khi tính giá trị của hàm số theo chính những đối số đó Những sai số này có thể coi là ngẫu nhiên vì chúng không phụ thuộc vào đối số của hàm số Phương trình mô tả dãy thông số quan sát không phải là một quan hệ gần đúng mà là quan hệ hồi quy

Như vậy sai số dự báo phụ thuộc vào chất lượng của mô hình dự báo phụ tải, nghĩa là tuỳ theo mô hình tính toán được lựa chọn, tuỳ theo mức độ chính xác đạt được khi xác định các hệ số của mô hình Hay nói một cách khác sai số của

dự báo phụ thuộc vào khả năng của mô hình tính toán có thể mô tả diễn biến của phụ tải chính xác đến mức nào Khi xây dựng mô hình tính toán, nếu có thể xác

Mức độ tăng trưởng phụ tải ,%

Tæng Quan VÒ Phô T¶i HÖ Thèng §iÖn ViÖt Nam

định được sai số ở một thời điểm nào đó có thể ước lượng được sai số trong tương lai Sai số này còn có thể gọi là sai số tính toán hay sai số tương đối Phân biệt giữa sai số này và sai số quan sát (gọi là sai số thực tế hay sai số tuyệt đối) Nếu không ước lượng được sai số dự báo thì khó có thể tăng được độ chính xác của dự báo

Sai số của dự báo phụ thuộc vào đặc tính của phụ tải, phụ thuộc vào khoảng thời gian đón trước cần tính toán Phụ tải tương đương cần phải tính dự báo càng lớn (bao gồm nhiều phụ tải nhỏ, có tính chất khác nhau) thì sai số tương đối càng nhỏ Sai số tính toán theo phần trăm của phụ tải tổng sẽ nhỏ hơn sai số cũng tính theo phần trăm của bất kỳ phụ tải thành phần nào

Phụ tải công nghiệp thường ít thay đổi trong một chu kỳ và qua các chu kỳ, phụ tải sinh hoạt có thể thay đổi nhiều trong một chu kỳ và ít thay đổi qua các chu kỳ

1.3.Mô hình toán

1.3.1 Đặt bài toán

Cho dãy thông số phụ tải điện quan sát trong khoảng thời gian N năm Cần

dự báo dãy thông số phụ tải trong khoảng thời gian tính toán M năm

1.3.2 Lựa chọn mô hình tính toán

Dự báo tổng nhu cầu phụ tải là cần thiết cho công tác quy hoạch và phân phối tối ưu các tổ máy phát Các ứng dụng khác của việc dự báo phụ tải trong ngắn hạn là cần thiết cho sự an toàn của hệ thống và việc quản lý được xem xét, kiểm soát được trên các giờ cơ sở, phụ tải đỉnh và đáy, công suất phản kháng, dòng phụ tải của hệ thống

Những nghiên cứu kỹ lưỡng về nhu cầu phụ tải cho ta thấy rằng nhu cầu phụ tải là một quá trình động Sự biến đổi của nó phụ thuộc vào hai yếu tố: thứ nhất các hoạt động của con người và thói quen của con người trong cả ngày và đêm: thứ hai là các điều kiện thời tiết

Có ba bước dùng để dự báo phụ tải

Bước thứ nhất: nhận biết mô hình

Nó là khâu quan trọng nhất trong kỹ thuật dự báo phụ tải Nó quyết định cấu trúc của mô hình, trật tự mô hình Các dữ liệu về thời tiết và phụ tải có liên quan trong quá khứ cũng được sử dụng trong mô hình

Thông thường mô hình tính toán được lựa chọn từ điều kiện bình phương tối thiểu với sai số nhỏ nhất Tuy nhiên tiêu chuẩn chính trong khi lựa chọn mô hình tính toán lại là tính logic của mô hình được xác định trong quá trình dài quan sát

và dựa trên cơ sở các đặc trưng vật lý cũng như các yếu tố kỹ thuật của quá trình cần dự báo Trong những mô hình tính toán có thể sử dụng được sẽ chọn ra mô hình nào có dạng đơn giản nhất

Trong dự báo phụ tải hiện nay chưa có mô hình tính toán nào là hoàn chỉnh Mỗi dạng mô hình tính toán đều có những ưu điểm và nhược điểm riêng

Bước thứ hai: Ước lượng các thông số của mô hình Các dữ liệu cơ bản về

thời tiết và phụ tải trong quá khứ được dùng để ước tính các thông số trên Kỹ thuật ước lượng tạo ra các thông số tối ưu

Bước cuối cùng: Dự báo phụ tải Các thông số tối ưu được sử dụng để dự báo

phụ tải của các giờ ngày hoặc tuần tiếp theo trong tương lai Do tầm quan trọng

Tæng Quan VÒ Phô T¶i HÖ Thèng §iÖn ViÖt Nam

của nó đối với việc quy hoạch và vận hành hệ thống điện, dự báo phụ tải đã thu hút được sự quan tâm của các nhà nghiên cứu trong suốt vài thập kỷ gần đây

1.4 Dự báo phụ tải hệ thống điện Việt nam

Phụ tải hệ thống điện miền Bắc, niền Trung, miền Nam ngoài những yếu tố ngẫu nhiên diễn biến khác nhau còn mang một số quy luật chung

Dạng đồ thị phụ tải ngày diễn biến theo chu kỳ, mỗi chu kỳ bao gồm một số điểm cực trị tương đối rõ nét

Nhiêm vụ của bài toán dự báo phụ tải điện là xác định đường cong biến thiên của đồ thị phụ tải ngày Tuỳ theo nhu cầu có thể xác định đồ thị phụ tải ngày tiếp theo, đồ thi phụ tải của 7 ngày trong một tuần, đồ thị phụ tải của ngày điển hình trong tuần, đồ thị phụ tải ngày điển hình trong thángv.v Những bước chính dự báo phụ tải điện có thể phát biểu như sau:

Dựa vào tập số liệu quan sát xác định quy luật biến thiên của phụ tải Từ đó xây dựng đồ thị phụ tải ngày điển hình và các quy luật ảnh hưởng đến dạng đồ thị này

Vào thời điểm dự báo đã có dự báo phụ tải và phụ tải của thời điểm trước đó, dựa vào sai lệch giữa quan sát và dự báo có thể hiệu chỉnh lại dạng đồ thị phụ tải điển hình

Dựa vào quan sát có được vào thời điểm tính toán xác định nốt phụ tải của chu kỳ hiện tại Nếu cần xác định phụ tải của ngày tiếp theo thì theo phụ tải quan sát được ở giờ tính toán để điền đầy đủ phụ tải của ngày hôm đó rồi xác định phụ tải của ngày hôm sau, nếu cần xác định phụ tải điển hình của tháng thì theo phụ

tải có đến ngày làm dự báo xác định phụ tải điển hình của tháng hiện tại rồi sau

đó xác định phụ tải điển hình của tháng sau

Dự báo phụ tải ngày: đồ thị phụ tải ngày có những đột biến: ngày nghỉ hoặc ngày lễ, ảnh hưởng của thời tiết Thật ra đồ thị phụ tải ngày qua theo dõi một

số năm có thể chia làm hai dạng chính: phụ tải ngày thường và phụ tải ngày lễ hoặc chủ nhật Trong dự báo phụ tải ngày cần chú ý đến yếu tố thời tiết nắng hay mưa, nhiệt độ cao hay thấp

Các phương pháp dự báo phụ tải có thể được phân loại thành các phương pháp dựa trên tham số và các phương pháp dựa trên trí tuệ nhân tạo Phương pháp sau dùng mạng nơron như là các mô hình phụ tải, trong đó việc tính toán các mô hình phụ tải dựa trên các hàm toán học mô tả mối quan hệ giữa phụ tải và các nhân tố quan trọng khác có ảnh hưởng đến hàm này Sự chính xác của việc

dự báo phụ tải chủ yếu phụ thuộc vào mô hình được sử dụng

Việc áp dụng mạng nơ ron nhân tạo cho dự báo phụ tải của Việt Nam dựa trên các yêu cầu: phương pháp đơn giản, có tính đến ảnh hưởng của yếu tố biến thiên nhiệt độ và đặc thù ngày, cho kết quả dự báo với sai số nhỏ là phương hướng của nghiên cứu này Mạng nơ ron nhân tạo được xây dựng 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 như bộ não con người Đó là khả năng học được nhưng gì đã được dạy Quá trình học này gọi là qúa trình huấn luyện Trong quá trình này các mẫu thể hiện quan hệ giữa các các biến ngẫu nhiên được đưa vào trong mạng nơ ron, mạng nơ ron sẽ nhận biết được quan hệ giữa các biến ngẫu nhiên đó sau khi kết thúc quá trình huấn luyện Chính do đặc điểm này mà mạng

Tæng Quan VÒ Phô T¶i HÖ Thèng §iÖn ViÖt Nam

phụ tải ngắn hạn, thì đây là phương pháp dự báo được đánh giá cao hơn hẳn các phương pháp trước đó và hiện nay mô hình này đang được áp dụng phổ biến ở một số nước phát triển trong dự báo phụ tải

CH ƯƠNG 2

B À I TOÁ N DỰ BÁ O PHỤ TẢI TUẦN

Chương này đề cập đến các vấn đề sau:

Tuỳ theo yêu cầu sử dụng mà người ta xây dựng các loại đồ thị phụ tải điện khác nhau Theo đại lượng đo có đồ thị phụ tải tác dụng P(t), đồ thị phụ tải phản kháng Q(t), đồ thị điện năng tiêu thụ A(t) Nếu theo thời gian khảo sát có đồ thị phụ tải hàng ngày, hàng tháng, hàng năm

Nghiên cứu đồ thị phụ tải ngày ta có thể biết được tình trạng làm việc của các thiết bị, từ đó định qui trình vận hành một cách hợp lý nhất đảm bảo vận hành

Bµi to¸n dù b¸o phô t¶i c¸c ngµy trong mét tuÇn

Hình 2.1 là đồ thị phụ tải tác dụng ngà y của hệ thống điện quốc gia Đồ thị biến thiên theo giá trị phụ tải 24 giờ trong ngà y Phụ tải cao nhất trong ngà y Pmax lớn gấp 2-3 lần so với phụ tải thấp nhất trong ngà y Pmin

2.2 Dự báo phụ tải ngắn hạn - cho một tuần

Mục đích của DBPT cho tuần sau là đưa ra các giá trị dự báo của các ngà y trong tuần theo từng giờ sát với thực tế

Qua quá trình phân tích, đồ thị phụ tải của ngày chủ yếu bị ảnh hưởng bởi thói quen tổ chức sinh hoạt, cách phân công sắp xếp công việc của người dân hay nói cách khác ĐTPT có mối liên quan chặt chẽ tới môi trường hoạt động, ngày tháng làm việc, nghỉ ngơi, lễ tết, của cộng đồng dân cư Còn đáy và đỉnh phụ tải là hàm của các biến thời tiết như nhiệt độ, độ ẩm, mây và lượng mưa

Bà i toán dự báo phụ tải hệ thống điện có thể được chia thà nh hai bà i toán nhỏ:

Hỡnh 2.1: Đồ thị phụ tải ngày của hệ thống điện quốc gia

• Bài toán dự báo đỉnh và đáy BĐPT của ngày cần dự báo

2.2.1 Dạng của đồ thị phụ tải

Xét đồ thị phụ tải HTĐ hình 2.2 Đây là biểu đồ phụ tải các ngày trong một tuần từ 7/7/ 2003 đến 14/7/2003 được xây dựng theo giá trị phụ tải cho 24 giờ trong ngày

Bµi to¸n dù b¸o phô t¶i c¸c ngµy trong mét tuÇn

Các BĐPT của ngày trong tuần có thể chia thành một vài dạng cụ thể khác nhau: nhóm các ngày làm việc bình thường từ thứ hai đến thứ sáu, và nhóm các ngày thứ bảy, chủ nhật và ngày lễ

Nhìn chung đồ thị có giá trị phụ tải phân bố không đều, dạng đồ thị nhọn và

độ chêch lệch giữa hai giá trị max và min rất lớn

Đặt:

- Giá trị phụ tải của giờ thứ i là P(i) với i =1 24 ứng với 24 giờ trong ngày

- Giá trị phụ tải đỉnh là Pc (max)

- Giá trị phụ tải đáy là Pt (min)

Để thu được dạng chuẩn của biểu đồ phụ tải (ĐTPT) ngày, ta sẽ quy chuẩn

Hình 2.2 đồ thị phụ tải 7 ngà y ngà y trong tuần

P P

P i P i P

(

Với Pn(i) là phụ tải được quy chuẩn hoá của giờ thứ i

Dựa trên giá trị phụ tải được quy chuẩn hoá của 24 giờ trong ngày thu được

ta xây dựng biểu đồ phụ tải chuẩn hoá Đồ thị phụ tải này còn được gọi là véc tơ BĐPT

Ta đặt véc tơ BĐPT là P, ta có:

P = [p1, p2, ,pi, p24]T = [Pn(1), Pn(2), Pn(i), Pn(24)]

Với: Pn(i) là phụ tải được quy chuẩn hoá của giờ thứ i

Hình 2.2 là đồ thị phụ tải đã được chuẩn hoá của các ngày trong tuần được xây dựng theo các biến i và biến P(i) Biểu đồ phụ tải đã được quy chuẩn vẫn giữ nguyên dạng biến thiên của mình và các giá trị phụ tải được quy chuẩn nằm trong khoảng từ 0  1, với PnC =1 và Pnt =0

Bµi to¸n dù b¸o phô t¶i c¸c ngµy trong mét tuÇn

2.1.2 Đỉnh và đáy của đồ thị phụ tải

Xác định hai giá trị đặc biệt trên đồ thị phụ tải, phụ tải cao điểm và thấp điểm

Hình 2.3 Đồ thị phụ tải chuẩn hoá 7 ngà y ngà y trong tuần

hưởng đến phụ tải cao điểm và thấp điểm là điều kiện thời tiết bao gồm: nhiệt

độ, lượng mây, lượng gió Có thể thấy rằng hầu hết các trường hợp có một liên

hệ rõ rệt giữa thời tiết và phụ tải điện, đặc biệt là nhiệt độ Trong phần lớn các trường hợp khi nhiệt độ hạ xuống thì nhu cầu phụ tải giảm và ngược lại

Sau khi đã xác định được hai giá trị quan trọng nhất trên BĐPT Pmax và Pmin , còn các giá trị khác trong ngày sẽ được xác định theo mối quan hệ của chúng với đỉnh và đáy của ĐTPT thông qua dạng ĐTPT của ngày dự báo

Vậy nếu biết dạng biểu đồ phụ tải quy chuẩn hay còn gọi là véc tơ ĐTPT, tức

là biết Pni xác định được Pc và Pt của ĐTPT trong ngày ta sẽ tính được phụ tải của từng giờ trong ngày như sau:

Pi= Pt+ (PC- Pt)Pni

2.2.3 Dự báo phụ tải cho 7 ngày trong tuần

Để dự báo phụ tải cho 7 ngày trong tuần, ta cần xác định được đồ thị phụ tải của từng ngày

• Xác định dạng ĐTPT của từng ngày cần dự báo: Sau khi đã xác định được dạng ĐTPT của ngày cần dự báo (ngày làm việc, ngày nghỉ hoặc ngày lễ),

ta thu thập ĐTPT của 3-5 ngày cùng kiểu ngày trước đó lấy trung bình và chuẩn hoá ta sẽ thu được ĐTPT chuẩn hoá Pni(K) của ngày dự báo Với K =1 ,2, 7 ( 7 ngày trong tuần)

• Xác định giá trị phụ tải cao điểm và phụ tải thấp điểm

Ta xác định phụ tải cao điểm PC (K) và thấp điểm của từng ngày Pt(K)

•

Bµi to¸n dù b¸o phô t¶i c¸c ngµy trong mét tuÇn

Pi(K) = Pt (K) + (PC (K)- Pt(K)) Pni(K)

CHƯƠNG 3 CÁC KHÁI NIỆM CƠ BẢN VỀ MẠNG NƠ RON NHÂN TẠO

Chương này đề cập đến các vấn đề sau:

• Sơ lược về mạng nơ ron

• Mạng nơ ron nhân tạo

3.1 Sơ lược về mạng nơ ron

3.1.1 Lịch sử hình thành và phát tiển của mạng nơ ron nhân tạo

Trong những năm gần đây, sự ra đời và phát triển của trí tuệ nhân tạo đã tạo nên những bước nhảy vọt trong kỹ thuật và kỹ nghệ xử lý thông tin Trí tuệ nhân tạo chính là cơ sở của công nghệ xử lý thông tin mới Khoa học trí tuệ nhân tạo

có nhiệm vụ nghiên cứu các kỹ thuật làm cho máy tính có thể “suy nghĩ một cách thông minh” Khoa học trí tuệ nhân tạo còn có khả năng khám phá và mô phỏng quá trình suy nghĩ của con người

Ngay từ đầu, các công trình nghiên cứu về trí tuệ nhân tạo được chia thành hai hướng cơ bản:

- Hướng thứ nhất: nhằm mô phỏng hoàn toàn các hoạt động của bộ não con người, các tính chất tâm sinh lý của nó, trên cơ sở đó tái tạo lại trong máy tính hay các thiết bị kỹ thuật hiện đại những khía cạnh khác nhau của trí tuệ nhân tạo Hướng nghiên cứu này còn gọi là phỏng sinh học

- Hướng thứ hai định hướng vào các khía cạnh thực hành trong đó máy tính

Kh¸i niÖm c¬ b¶n vÒ m¹ng n¬ ron nh©n t¹o

như trong hoạt động sáng tạo của con người Hướng này gọi là phỏng vật lý Theo quan điểm này thì quan trọng hơn cả là tạo lập được một mạng thông minh

có khả năng thực hiện không kém con người những việc trước đó vẫn thường được xếp vào hoạt động trí tuệ

Thực tế các nghiên cứu trí tuệ nhân tạo những năm gần đây đã chứng tỏ sự xích lại gần nhau của hai quan điểm trên Và ngày nay mạng nơ ron nhân tạo là một trong những ứng dụng đầy triển vọng của khoa học trí tuệ nhân tạo, nhằm tái tạo phương thức tổ chức và cơ chế hoạt động của các nơ ron trong bộ não con người Ưu điểm cơ bản của mạng nơ ron nhân tạo là khả năng thích nghi và khả năng học

Những sự kiện chủ yếu trong lịch sử phát triển mạng nơ ron nhân tạo:

• Cuối thế kỷ 19, đầu thế kỷ 20 sự phát triển chủ yếu chỉ là những công trình tham gia của các nghành Vật Lý Học, Tâm Lý Học và Thần kinh học , bởi các nhà khoa học như Hermann von Hemholtz, Ernst Mach, Ivan Pavlov Các công trình nghiên cứu của họ chủ yếu đi sâu vào các lý thuyết tổng quát và không hề đưa ra mô hình toán học cụ thể mô tả hoạtn động của các nơ ron

• Từ thời điểm nghiên cứu của William vào năm 1890 về tâm lý học nhận thức với sự liên kết các nơ ron thần kinh Các nghiên cứu của MC Culloch và Pitt vào năm 1940 đã cho biết nơ ron có thể được mô hình hoá như thiết bị ngưỡng để thực hiện các phép tính logic

• Tiếp theo là Donald Hebb, ông đã phát biểu về thuyết lập luận cổ điển (classical conditioning) (như Pavlov đưa ra) là hiện thực bởi do đặc tính của từng nơ ron riêng biệt, ông cũng đã đưa ra một phương pháp học của mạng nơ

• Ứng dụng thực nghiệm đầu tiên của mạng nơ ron nhân tạo có được vào cuối những năm 50 cùng với phát minh của mạng nhận thức (perceptron network) và luật học tương ứng của Frank Rosenblatt Mạng này có khả năng nhận dạng các mẫu

• Vào những năm 1960 gần như đồng thời một số mô hình nơ ron hoàn hảo được đưa ra đó là mô hình Perceptron của Rosenblatt, Adline của Widrpow Cuối những năm 70 trên thị trường đã bắt đầu đón nhận những sản phẩm ứng dụng đầu tiên kỹ thuật nơ ron nhân tạo

• Thập kỷ 80 được coi là thời kỳ nở rộ của các công trình ứng dụng mạng nơron nhân tạo Nguyên nhân của sự phát triển đó là do sự ra đời của mạng hồi quy (recurrent networks) có thể được dùng như bộ nhớ bán liên hợp (associative memory) trong công trình của nhà vật lý học John Hopfield Tiếp đó là sự hoàn thiện của thuật toán lan truyền ngược để luyện các mạng nhiều lớp được một vài nhà nghiên cứu tìm ra như David Rumelhart, Hinton, Williams, Nauck và Kruse Từ năm 1987 cho đến nay, là giai đoạn mà nghiên cứu ứng dụng mạng nơ ron nhân tạo vào nhiều lĩnh vực khác nhau đã có những thành công lớn Đầu những năm 90, trên thị trường đã xuất hiện nhiều sản phẩm ở trình độ cao như các thiết bị sinh học, giao thông, y tế, hoá học sử dụng mạng nơ ron nhân tạo Các hệ thống nhận dạng và xử lý hình ảnh, tiếng nói đang ngày càng thúc đẩy sự phát triển của kỹ thuật mạng nơ ron Và đặc biệt sự xích lại của hai cách tiếp cận: tiếp cận mờ trong lập luận xấp xỉ và kỹ thuật mạng nơ ron đã và đang gây được sự quan tâm, chú ý của các chuyên gia

Kh¸i niÖm c¬ b¶n vÒ m¹ng n¬ ron nh©n t¹o

Ngày nay, sự phát triển của mạng nơ ron vẫn tiếp tục phát triển mạnh theo hướng tìm tòi và xây dựng các thuật toán định hướng cho các ứng dụng ở nhiều lĩnh vực khác nhau

3.1.2 Cơ sở về mạng Nơ ron

Những tiền đề ban đầu cho sự ra đời của mạng nơ ron nhân tạo là những nghiên cứu lý thuyết sâu sắc của các chuyên gia ở các lĩnh vực khoa học khác nhau bao gồm: sinh học, sinh lý học, toán học và tin học

Khoa nơ ron sinh học: Hầu hết các nơ ron nhân tạo đều có cấu trúc dựa trên

các mô hình nơ ron sinh vật Các nhà sinh học nơ ron chọn phương pháp nghiên cứu đặc tính đáp ứng nơ ron với các xung kích thích từ thấp đến cao, từ một đơn thể đến một mạng nhiều lớp, từ các khu thần kinh trung ương đến các cơ cấu thần kinh chấp hành

Sinh lý học nơ ron: Các chuyên gia sinh lý học nhận thức cũng đã tạo dựng

những mô hình mô phỏng hành vi của con người khi giải quyết những bài toán đòi hỏi sự sáng tạo Rất nhiều các thuật học được bắt nguồn từ những nghiên cứu

về sinh lý học

Cơ sở toán học: Toán học là một công cụ không thể thiếu trong quá trình

nghiên cứcu khoa học nói chung và mạng nơ ron nói riêng

Công nghệ thông tin: Với sự phát triển mạnh mẽ của công nghệ thông tin đã

tạo nên tiền đề có tính chất quyết định thúc đẩy sự phát triển và ứng dụng các kỹ thuật mạng nơ ron nhân tạo

Mạng nơ ron là một hướng nghiên cứu hiện đại của khoa học trí tuệ nhân tạo Những thành tựu do mạng nơ ron nhân tạo mang lại đã chứng minh được vị trí

quan trọng của nó trong nhiều lĩnh vực như: các hệ thống nhận dạng, xử lý hình ảnh, tiếng nói, điều khiển, chế tạo rô bốt

Những đặc điểm cơ bản của mạng nơ ron nhân tạo:

- Có khả năng xử lý song song

- Khả năng học: Với khả năng học như bản năng của bộ não con người, mạng nơ ron có thể tiếp thu những tri thức mới từ thế giới bên ngoài Các hình thức học khác nhau được vận dụng khá linh hoạt trong các tình huống khác nhau

- Khả năng tự tổ chức : Một điểm nổi bật trong mạng nơ ron nhân tạo là khả năng tự tổ chức, tự điều chỉnh hành vi của mình Khả năng này cùng với khả năng học tạo nên khả năng thích nghi, làm cho mạng có thể giải quyết nhiều tình huống khác nhau

Trong tương lai, mạng nơ ron được xem là một hướng đi nhiều hứa hẹn của khoa học trí tuệ nhân tạo Các nghiên cứu và ứng dụng tập trung vào vấn đề chính là nghiên cứu và thử nghiệm mạng nơ ron mô phỏng chức năng hoạt động của bộ não với các khả năng học, tự tổ chức, tự thích nghi, có khả năng diễn giải,

xử lý thông tin liên tục và rời rạc

3.1.3 Nơron sinh học

Bộ não con người chứa khoảng 1011 các phần tử liên kết chặt chẽ với nhau

gọi là các nơ ron Phần lớn các mạng nơ ron được xây dựng từ các phần tử dựa

theo mô hình do Mc Culloch và Pitts (1943) sáng tạo ra Một tế bào nơron chuẩn chứa đựng các thành phần cơ bản sau:

- Thân nơron (gọi là soma) được giới hạn trong một màng membran và

Kh¸i niÖm c¬ b¶n vÒ m¹ng n¬ ron nh©n t¹o

- Hệ thống dạng các dây thần kinh vào với nhánh và chi nhánh tua tủa (gọi

là dendrite) là bộ phận nhận thông tin

- Dây thần kinh ra (gọi là trục axon) , là phương tiện truyền dẫn tín hiệu

- Axon liên kết nơron này với nơron khác Trên axon có các đường rẽ nhánh Nơron còn có thể liên kết với các nơron khác qua các rễ Với cách liên kết đa dạng như vậy nên mạng nơron có độ liên kết rất cao

- Khớp thần kinh (gọi là synapse), là bộ phận có cấu trúc màng đặc biệt để tiếp nhận các tín hiệu

Các rễ của nơron bao gồm hai loại: loại nhận thông tin từ nơron khác qua axon gọi là rễ đầu vào và loại đưa thông tin qua axon tới các nơron khác gọi là rễ đầu ra Một nơron có thể có nhiều rễ đầu vào nhưng chỉ có một rễ đầu ra

Hoạt động của nơ ron sinh vật là một quá trình điện hoá tự nhiên có thể được

mô tả như sau: Mỗi nơ ron nhận tín hiệu vào từ các tế bào thần kinh khác Các tín hiệu truyền trong các dây thần kinh vào và dây thần kinh ra của các nơ ron là các tín hiệu điện 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 khớp nối dẫn tới các dây thần kinh vào, và sẽ làm tăng hoặc giảm điện thế của nhân tế bào Khi điện thế này đạt tới một ngưỡng nào đó, sẽ tạo tín hiệu ra là một xung điện được truyền theo trục dây thần kinh ra, qua các nhánh rẽ khi chạm tới các khớp nối với các

nơ ron khác sẽ giải phóng các chất truyền điện Khớp nối được chia làm hai loại: khớp nối kích thích (excitatory) - kích thế năng tác động và khớp nối ức chế (inhibitory) - làm thế năng tác động giảm đi Mỗi nơ ron có thể nhận hàng vạn tín hiệu và cũng có thể gửi tín hiệu tới hàng vạn đối tượng khác Các nơ ron liên

nhưng mạng các nơ ron lại có khả năng suy nghĩ, tính toán, ghi nhớ và điều khiển

Một tính chất rất cơ bản của mạng nơ ron sinh học là các đáp ứng theo kích thích có khả năng thay đổi theo thời gian Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toán biến mất Qua các nhánh axon liên kết tế bào nơ ron này với các

nơ ron khác, sự thay đổi trạng thái của một nơ ron cũng kéo theo sự thay đổi trạng thái của các nơ ron khác và do đó là sự thay đổi của toàn bộ mạng nơ ron Việc thay đổi trạng thái của mạng nơ ron có thể thực hiện qua một quá trình

“dạy” hoặc “học” tự nhiên

Mạng Nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con người Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con người được tái tạo, mà chỉ có những chức năng cần thiết Mạng nơron bao

gồm vô số các nơron được liên kết truyền thông với nhau trong mạng

3.2 Mạng nơron nhân tạo

Mạng nơ ron nhân tạo mô phỏng chức năng hoạt động của bộ não với các khả năng học, tự tổ chức, tự thích nghi, tổng quát hoá xử lý song song và có khả năng diễn giải, xử lý thông tin liên tục và rời rạc

Sự thay thế những tính chất của mạng nơ ron sinh học bằng một mô hình toán học tương đương được gọi là mạng nơron nhân tạo Mạng nơ ron nhân tạo

có thể được chế tạo bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơ ron nhân tạo

Để hiểu được các khái niệm về mạng nơ ron nhân tạo trước hết ta phải tìm

Kh¸i niÖm c¬ b¶n vÒ m¹ng n¬ ron nh©n t¹o

3.2.1 Mô hình một nơ ron nhân tạo

Một nơ ron nhân tạo hay còn gọi là một nút (node) thực hiện công việc rất đơn giản: nó nhận tín hiệu từ các nút phía trước hay một nguồn bên ngoài và sử dụng chúng để tính tín hiệu ra sẽ được lan truyền sang đơn vị khác

Hình 3.1 biểu diễn một nơ ron nhân tạo gồm m đầu vào và một đầu ra Mô hình này gồm 3 thành phần cơ bản: bộ tổng liên kết đầu vào, hàm kích hoạt và đầu ra Cách thành lập nơron nhân tạo như vậy tạo ra một độ tự do cho thiết kế Việc lựa chọn khâu cộng tín hiệu vào và khâu kích hoạt sẽ cho các kiểu nơron nhân tạo khác nhau và tương ứng là các mô hình mạng khác nhau

Với p: các đầu vào

w : các trọng số tương ứng với các đầu vào

b: độ lệch (bias)

n: đầu vào của nơ ron (net input)

a: đầu ra của nơ ron (net output)

f: hàm kích hoạt

Hình 3.1 Mô hình nơ ron nhân tạo

Nơ ron có thể coi là một phần tử tồn tại ở hai trạng thái: nơron tích cực (ở trạng thái bị khích thích) và trạng thái không tích cực Mỗi một nơ ron nhân tạo

có thể có nhiều đầu vào nhưng chỉ có một đầu ra

3.2.2 Hàm xử lý

a) Hàm kết hợp

Mỗi nơron trong mạng có thể kết hợp các giá trị đưa vào nó thông qua các liên kết với nhiều nơron khác sinh ra một giá trị gọi là net input Hàm thực hiện nhiệm vụ này gọi là hàm kết hợp (combination function) Trong phần lớn các mạng nơ ron, mỗi một nơ ron cung cấp một bộ cộng như là đầu vào cho nơ ron

mà nó liên kết Tổng liên kết đầu vào phần tử nơ ron có thể mô tả như sau:

1

+bj

wji: là các trọng số liên kết các đầu vào ngoài, là hệ số mô tả liên kết giữa các đầu vào ngoài i tới nơron j hiện tại

b) Hàm kích hoạt (transfer function)

Hàm kích hoạt thường được sử dụng bao gồm:

• Hàm tuyến tính (linear funtion)

f = x với

Nếu coi các đầu vào là một đơn vị thì ta sẽ

sử dụng hàm này

Kh¸i niÖm c¬ b¶n vÒ m¹ng n¬ ron nh©n t¹o

• Hàm ngưỡng (Hard limiter funtion):

f(x)=





 0

Nếu x  0 Nếu x  0

Nếu x >1 Nếu 0 x 10 Nếu x<0

Cũng như nơron sinh vật, các nơ ron nhân tạo có thể liên kết với nhau tạo thành mạng nơ ron nhân tạo Cấu tạo của một mạng nơ ron bao gồm nhiều lớp, mỗi lớp gồm nhiều nơron có cùng một chức năng trong mạng

Các nơ ron trong cùng một lớp nhận được tín hiệu từ lớp trên cùng một lúc nên về nguyên tắc chúng có thể xử lý song song Hình trạng của mạng được định nghĩa bởi số lớp, số đơn vị trên mỗi lớp và sự liên kết giữa các lớp như thế nào

Kh¸i niÖm c¬ b¶n vÒ m¹ng n¬ ron nh©n t¹o

Ví dụ: Mô hình của mạng nơron 3 lớp

Mạng nơron được xây dựng như trên là mạng gồm 3 lớp mắc nối tiếp nhau đi

từ đầu vào đến đầu ra

• Theo kiểu liên kết các nơron ta có:

- Mạng truyền thẳng (feed - forward Neural Network): trong đó các liên kết nơron đi theo hướng nhất định, không tạo thành chu trình Việc xử lý dữ liệu có thể mở rộng ra nhiều lớp nhưng không có phản hồi

- Mạng quy hồi (feed back Neural Network): trong đó một hoặc nhiều đầu

ra của các phần tử lớp sau truyền ngược tới đầu vào của lớp trước

- Tự tái tạo lại: ở một mạng Nơron khi xuất hiện các kích thích ở đầu vào

của mạng ở các thời điểm khác nhau các gía trị như nhau thì các đáp ứng ở đầu

ra ở các thời điểm tương ứng cũng hoàn toàn giống nhau Quá trình làm việc như vậy của một mạng nơ ron được gọi là quá trình tái diễn lại Khi có thông tin ở đầu vào mạng lưu giữ thông tin đó và dựa trên các tri thức của mình đưa ra đáp ứng ở đầu ra phù hợp với lượng thông tin thu được từ đầu vào

- Giai đoạn học: Mạng nơ ron khi mới hình thành chưa có tri thức, tri thức

của mạng hình thành dần sau một quá trình học Mạng nơ ron 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, giai đoạn này được gọi là giai đoạn học của mạng Khi đã hình thành tri thức, mạng

có thể giải quyết các vấn đề dựa trên sự tổ chức hợp nhất giữa các thông tin đầu vào của mạng và các đáp ứng đầu ra Nếu lý tưởng, mạng có khả năng trả lời đúng đối với các mẫu vào chưa từng được thấy Đặc tính này được gọi là tổng quát hoá Hệ thống này có thể suy ra các đặc tính chung của các lớp khác nhau từ các mẫu đã cho

Mạng Nơron như một hệ thống thích nghi có khả năng học (huấn luyện) để tinh chỉnh các trọng số liên kết nơron và cấu trúc của mình sao cho phù hợp với mẫu học Mục đích của quá trình học là tạo ra một tri thức cho mạng thông qua rèn luyện Quá trình học được phân thành học có giám sát (supervised learning), học không có giám sát (unsupervised learning) và học tăng cường (renforcement learning)

Học có giám sát