Dự báo phụ tải sử dụng mạng fuzzy wavelet

NHIỆM VỤ VÀ NỘI DUNG: - Tìm hiểu vai trò và tầm quan trọng của dự báo phụ tải - Tìm hiểu các phép biến đổi Wavelet và Fuzzy logic - Ứng dụng mạng Fuzzy Wavelet để dự báo đồ thị phụ tải -

Trang 1

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

Trang 2

TRƯỜNG ĐẠI HỌC BÁCH KHOA

LUẬN VĂN THẠC SĨ

DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG

FUZZY WAVELET

GVHD : PGS.TS PHAN THỊ THANH BÌNH HVTH : NGUYỄN THANH HÙNG

MSHV : 10180082 Chuyên ngành: Thiết bị, mạng và nhà máy điện

TP HỒ CHÍ MINH, tháng 12 năm 2011

Trang 3

TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học : PGS.TS PHAN THỊ THANH BÌNH

Cán bộ chấm nhận xét 1 : TS Trần Hoàng Lĩnh

Cán bộ chấm nhận xét 2 : TS Ngô Cao Cường

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 07 tháng 01 năm 2012

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

1 TS.Trần Hoàng Lĩnh………

2 PGS.TS.Phan Thị Thanh Bình……

3 PGS.TS.Nguyễn Hoàng Việt………

4 TS.Huỳnh Châu Duy………

5 TS.Ngô Cao Cường………

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Bộ môn quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

Trang 4

TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: NGUYỄN THANH HÙNG MSHV:10180082

Ngày, tháng, năm sinh: 28-06-1987 Nơi sinh: Quảng Ngãi Chuyên ngành: Thiết bị, mạng nhà máy điện Mã số: 605250

I TÊN ĐỀ TÀI:

DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG FUZZY WAVELET

II NHIỆM VỤ VÀ NỘI DUNG:

- Tìm hiểu vai trò và tầm quan trọng của dự báo phụ tải

- Tìm hiểu các phép biến đổi Wavelet và Fuzzy logic

- Ứng dụng mạng Fuzzy Wavelet để dự báo đồ thị phụ tải

- Ứng dụng mạng Fuzzy Wavelet để dự báo điện năng

III NGÀY GIAO NHIỆM VỤ: ngày 29 tháng 08 năm 2011

IV NGÀY HOÀN THÀNH NHIỆM VỤ: ngày 09 tháng 12 năm 2011

V CÁN BỘ HƯỚNG DẪN: PGS.TS PHAN THỊ THANH BÌNH

Phan Thị Thanh Bình Vũ Ngọc Điều

TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ

(Họ tên và chữ ký)

Trang 5

Trước hết, tôi xin được gửi lời cảm ơn chân thành nhất đến PGS.TS Phan Thị Thanh Bình, người cô đã tận tình hướng dẫn, tạo điều kiện tốt nhất và cung cấp cho tôi nhiều tài liệu quý giá giúp tôi hoàn thành cuốn luận văn này

Tôi cũng xin chân thành cảm ơn kỹ sư Văn Công Tấn Linh đã hỗ trợ cho tôi rất nhiều trong suốt thời gian thực hiện luận văn

Bên cạnh đó, tôi cũng cảm ơn đến các thầy cô, các bạn sinh viên làm việc và học tập trong Khoa Điện – Điện tử đã nhiệt tình trao đổi, truyền đạt kiến thức và kinh nghiệm

để tôi hoàn thành luận văn tốt hơn

Cuối cùng, tôi muốn nói lời cảm ơn đến cha, mẹ tôi đã động viên và là chỗ dựa vững chắc về tinh thần và vật chất, tạo mọi điều kiện thuận lợi cho tôi học tập và hoàn thành chương trình cao học

Tp Hồ Chí Minh, tháng 12 năm 2011

Học viên thực hiện

Nguyễn Thanh Hùng

Trang 6

Vấn đề dự báo điện năng đóng một vai trò hết sức quan trọng và có tính quyết định đối với nền kinh tế và đời sống con người chúng ta Dự báo giúp cho chúng ta định hướng được phương hướng và kế hoạch cho tương lai, chủ động trong công việc và xử lí được những biến cố Nếu như không có công việc dự báo điện năng, ta sẽ gặp phải hai trường hợp có thể xảy ra, đó là chúng ta sẽ thiếu hụt điện năng sử dụng hay dư thừa điện năng

Từ đó, luận văn với tên đề tài: “DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG FUZZY

WAVELET” sẽ tính toán đưa ra mô hình dự báo chính xác nhằm đáp ứng nhu cầu

điện năng hiện nay

Nội dung luận văn gồm có các phần:

Chương 1: Tổng quan về dự báo

Chương 2: Biến đổi Wavelet và Fuzzy logic các khái niệm cơ bản

Chương 3: Ứng dụng mạng Fuzzy Wavelet cho bài toán dự báo phụ tải

Chương 4: Áp dụng dự báo đồ thị phụ tải cho TP Hồ Chí Minh

Chương 5: Áp dụng dự báo điện năng cho TP Hồ Chí Minh

Chương 6: Đánh giá kết quả luận văn và hướng phát triển

Trang 7

DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG FUZZY WAVELET Trang 7

BIỂN ĐỔI WAVELET VÀ FUZZY LOGIC CÁC KHÁI NIỆM CƠ BẢN 24

ỨNG DỤNG MẠNG FUZZY WAVELET CHO BÀI TOÁN DỰ BÁO PHỤ TẢI 48

3 Xây dựng mô hình Fuzzy cho bài toán dự báo dựa trên giải thuật ước lượng nhóm

Trang 8

3 Áp dụng mạng Wavelet-Fuzzy Logic trong công tác dự báo: 68

4 Ảnh hưởng của tháng Tết Nguyên lên kết quả dự báo: 81

2 Áp dụng cho các dạng điện năng cơ bản của các vùng kinh tế khác nhau 95

Trang 9

DANH SÁCH CÁC HÌNH VẼ

Hình 2.1 : Hàm ( )t của biến đổi Haar

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

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

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

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

Hình 2.6: Rời rạc hóa hàm thuộc

Hình 2.7:Rời rạc hóa hàm thuộc

Hình 2.8: Giải mờ bằng phương pháp điểm cực đại

Hình 2.9: Giải mờ bằng phương pháp điểm trọng tâm

Hình 3.1: Phân tích MODWT ở cấp 5

Hình 3.2: Sơ đồ khối mô hình dự báo Fuzzy-Wavelet

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

Hình 4.2: Phân tích MODWT

Hình 4.3: Đồ thị phụ tải dự báo ngày 09/06/2011

Hình 4.5: Đồ thị phụ tải dự báo cho ngày chủ nhật 10/07/2011

Hình 4.6: Đồ thị phụ tải 8 tháng đầu năm 2011

Hình 4.8: Đồ thị phụ tải dự báo ngày 11/04/2011 (sau khi loại bỏ 2 tuần Tết)

Hình 4.9: Đồ thị phụ tải dự báo cho từng giờ riêng ngày 09/06/2011

Trang 10

Hình 5.1: Đồ thị điện năng theo tuần của năm 2010

Hình 5.2: Đồ thị điện năng dự báo của 15 tuần

Hình 5.3: Đồ thị điện năng dự báo của 15 tuần

Hình 5.4: Đồ thị điện năng dự báo của 15 tuần(cắt 2 tuần tết)

Hình 5.5: Dạng cơ bản thứ nhất của điện năng

Hình 5.6: Đồ thị điện năng dự báo dạng cơ bản thứ nhất

Hình 5.7: Đồ thị điện năng dự báo dạng cơ bản thứ nhất bằng phương pháp tỉ lệ

Hình 5.8: Dạng cơ bản thứ hai của điện năng

Hình 5.9: Đồ thị điện năng dự báo dạng cơ bản thứ hai

Hình 5.10: Đồ thị điện năng dự báo dạng cơ bản thứ hai bằng phương pháp tỉ lệ

Hình 5.11: Dạng cơ bản thứ ba của điện năng

Hình 5.12: Đồ thị điện năng dự báo dạng cơ bản thứ ba

Hình 5.13: Đồ thị điện năng dự báo dạng cơ bản thứ ba bằng phương pháp tỉ lệ

Trang 11

DANH SÁCH CÁC BẢNG BIỂU

Bảng 4.1: Các hệ số phân tích MODWT Dj và S5

Bảng 4.2: Ma trận input-output của chuỗi D1

Bảng 4.3: Kết quả tâm nhóm của ma trận input-output của D1

Bảng 4.4: Ma trận hệ số mô hình Fuzzy X

Bảng 4.5: Hàng thứ n+1 (1634) A1644 của ma trận A của D1

Bảng 4.6: Các giá trị dự báo các hệ số MODWT

Bảng 4.7: Dự báo và sai số đồ thị phụ tải ngày 09/06/2011

Bảng 4.8: Dự báo và sai số cho ngày 20/07/2011

Bảng 4.9: Dự báo và sai số đồ thị phụ tải ngày chủ nhật 10/07/2011

Bảng 4.10: Kết quả dự báo và sai số cho ngày 11/04/2011

Bảng 4.11: Dự báo và sai số đồ thị phụ tải ngày 11/04/2011 (sau khi loại bỏ 2 tuần Tết)

Bảng 4.12: Dự báo và sai số đồ thị phụ tải cho từng giờ riêng ngày 09/06/2011

Bảng 5.1: Các hệ số phân tích MODWT Dj và S2

Bảng 5.2: Ma trận input-output của chuỗi D1

Bảng 5.3 : Ma trận hệ số mô hình Fuzzy X

Bảng 5.4 : Hàng thứ n+1 (26) A26 của ma trận A của D1

Bảng 5.5 : Các giá trị dự báo các hệ số MODWT

Bảng 5.6: Dự báo và sai số điện năng của 15 tuần

Bảng 5.7 : Dự báo và sai số điện năng của 15 tuần

Bảng 5.8: Dự báo và sai số điện năng của 15 tuần (cắt 2 tuần tết)

Trang 12

Bảng 5.9: Dự báo và sai số điện năng của dạng cơ bản thứ nhất

Bảng 5.10: Dự báo và sai số điện năng của dạng cơ bản thứ nhất bằng phương pháp tỉ

lệ

Bảng 5.11: Dự báo và sai số điện năng của dạng cơ bản thứ hai

Bảng 5.12: Dự báo và sai số điện năng của dạng cơ bản thứ hai bằng phương pháp tỉ lệ

Bảng 5.13: Dự báo và sai số điện năng của dạng cơ bản thứ ba

Bảng 5.14: Dự báo và sai số điện năng của dạng cơ bản thứ ba bằng phương pháp tỉ lệ

Trang 13

CHƯƠNG 1:

TỔNG QUAN VỀ DỰ BÁO

Việc sản xuất và tiêu dùng năng lượng ngày một phát triển, nó tác động qua lại tới nhiều vấn đề lớn của xã hội như: phát triển kinh tế, dân số, chất lượng cuộc sống, trình độ công nghệ và mức độ công nghiệp hoá, môi trường sinh thái, các chế độ chính sách của nhà nước đối với vấn đề năng lượng……Hệ thống năng lượng ngày một phức tạp cả về qui mô và trình độ, do đó việc qui hoạch phát triển và dự báo đúng hướng hệ thống năng lượng nói chung và hệ thống điện nói riêng luôn là vấn đề thời sự, là mối quan tâm hàng đầu của mọi quốc gia

Mục đích của dự báo điện năng trong tương lai dựa vào các quan sát trong quá khứ để 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 sẵn sàng đáp ứng phụ tải) Nếu dự báo sai lệch quá nhiều về khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt cho nền 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

Qua khảo sát trên, ta thấy rõ vấn đề dự báo chính xác về điện năng đóng một vai trò hết sức quan trọng và quyết định đến nền kinh tế và đời sống của con người chúng ta Nhưng hiện nay, ta đang gặp một số khó khăn về vấn đề sản xuất và

sử dụng điện Đó là nhu cầu điện năng tiêu thụ đang ngày càng gia tăng nhưng

hệ thống truyền dẫn và sản xuất đang hoạt động đạt tới mức độ giới hạn Mà ta

đã đề cập, điện năng không thể lưu trữ, để dành, và do vậy, vấn đề đó đang gây

ra những khó khăn cho ngành điện nói riêng và toàn bộ nền kinh tế nói chung cũng như là đối với đời sống người dân Ngoài ra còn có một số khó khăn khác,

Trang 14

và do vậy ta cần có những dự báo chính xác để có thể lập ra kế hoạch, tính toán

sử dụng điện năng, … cho phù hợp

Dự báo là đi tìm một mô hình toán thích hợp mô tả mối quan hệ phụ thuộc của các đại lượng cần dự báo với các yếu tố khác, hay chính bản thân nó Nhiệm vụ chính của dự báo là việc xác định các tham số mô hình Về mặt lý luận thì các tính chất của mô hình dự báo được nghiên cứu trên cơ sở giả định rằng nó được ứng dụng để dự báo một quá trình nào đó được sinh ra từ một mô hình giải tích

Đưa ra mô hình dự báo điện năng Fuzzy-Wave với việc tìm kiếm các luật mờ khác với các công trình đã công bố về dự báo phụ tải điện và đáp ứng được cho các kiểu dữ liệu quan sát khác nhau: khi chỉ có số liệu phụ tải điện (tự tương quan), khi có số liệu kinh-tế hay thời tiết (tương quan với các yếu tố khác) Trong mô hình tự tương quan, bài toán dự báo điện năng tiêu thụ lại có sự khác biệt với bài toán dự báo đồ thị phụ tải

Phạm vi nghiên cứu:

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

- Tìm hiểu ứng dụng của Wavelet và Fuzzy logic trong xây dựng mô hình dự báo điện năng;

- Xây dựng mô hình Fuzzy - Wavelet cho bài toán dự báo kiểu tự tương quan (chuỗi thời gian) cho điện năng;

- Xây dựng mô hình Fuzzy-Wavelet cho bài toán dự báo kiểu tương quan với các yếu tố khác (nhiệt độ, chỉ tiêu kinh tế…);

- Ứng dụng phép phân tích Wavelet và Fuzzy logic để dự báo điện năng cho TP

Hồ Chí Minh

Trang 15

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

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

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

- Dự báo trung hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời gian 5÷7 năm

- Dự báo dài hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời gian 10÷20 năm

Tính đúng đắn của dự báo phụ thuộc nhiều vào các phương pháp dự báo mà chúng ta áp dụng, mỗi phương pháp dự báo ứng với các sai số cho phép khác nhau Đối với dự báo điều độ thì sai số cho phép nhỏ hơn 5%, dự báo ngắn hạn thì sai số cho phép vào khoảng 3 - 5%, dự báo trung hạn thì sai số cho phép vào khoảng 5 – 10% và đối với dự báo dài hạn thì sai số cho phép vào khoảng 10 - 20%

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

Dự báo theo chuỗi thời gian là tìm một quy luật thay đổi của đại lượng cần dự báo phụ thuộc vào giá trị của đại lượng đó trong quá khứ

Mô hình toán học :

Ŷ(t) = f(a 0 ,a 1 ,a 2 ,…a n ,Y(t-1), Y(t-2),…, Y(t-n)

= a 0 + a 1 Y(t-1)+a 2 Y(t-2)+a 3 Y(t-3)+…+a n Y(t-n) (1.1)

Trong đó :

Trang 16

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

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

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

Dự báo theo phương pháp tương quan là tìm quy luật thay đổi của đại lượng cần

dự báo phụ thuộc vào các đại lượng liên quan

A 1 , A 2 , … A n : giá trị của các đại lượng liên quan

a 1 , a 2 , …a n : thông số của mô hình dự báo cần tìm

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

Y Y



 (1.3) Đối với phương pháp dự báo theo chuỗi thời gian :

Trang 17

Để tìm các thông số của mô hình dự báo ta đạo hàm phương trình trên theo các thông số mô hình Giải hệ n phương trình ta sẽ tìm được n thông số của mô hình

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

bộ cân đối nhu cầu này Nó được đặc trung bởi hệ số K phụ thuộc vào nhịp độ phát triển năng lượng điện và nhịp độ phát triển của toàn bộ nền kinh tế quốc dân Ngoài ra phương pháp này còn chịu ảnh hưởng bởi nhiều yếu tố khác, ví dụ như:

- Do tiến bộ về mặt khoa học kỹ thuật và quản lý nên suất tiêu hao điện năng đối với mỗi sản phẩm ngày càng giảm xuống

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

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

Việc xác định giá trị K khó có thể đảm bảo về độ chính xác, cho nên hiện này phương pháp này hầu như không được sử dụng

Trang 18

Nội dung của phương pháp này là xác định nhu cầu điện năng của năm dự báo, dựa trên tổng sản lượng kinh tế của các ngành của năm đó và suất tiêu hao điện năng đối với từng loại sản phẩm Đối với những trường hợp không có suất tiêu hao điện năng thì được xác định nhu cầu điện năng cho từng trường hợp cụ thể (ví dụ như : công suất điện trung bình cho mỗi hộ gia đình,bênh viện …)

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

vì nền kinh tế phát triển có kế hoạch, ổn định, không có sự cạnh tranh nhau và không có khủng hoảng Phương pháp này có ưu điểm là tính toán đơn giản, và ngoài yêu cầu xác định tổng lượng điện năng dự báo chúng ta còn biết được tỉ lệ

sử dụng điện năng trong các ngành kinh tế, chẳng hạn như điện năng dùng cho công nghiệp, nông nghiệp, dân dụng … cũng nhưng xác định được nhu cầu điện

ở các khu vực địa lý khác nhau Từ đó có thể đề xuất phương hướng điều chỉnh, quy hoạch cho cân đối Tuy nhiên xác định mức độ chính xác của phương pháp này cũng gặp nhiều khó khăn vì nó phụ thuộc vào mức độ chính xác của tổng sản lượng các ngành kinh tế quốc dân trong tương lai dự báo, nhưng như phụ thuộc vào suất tiêu hao điện năng của một đơn vị sản phẩm sản xuất ra của các ngành kinh tế ấy Do đó phương pháp này thường được áp dụng để dự báo nhu cầu điện năng cho thời gian ngắn và trung bình

Trong phương pháp này, mỗi toán tử được đặc trung bởi một hàm hồi quy (gọi

là hàm xu thế) Trong các hàm hồi quy ấy, thường các hệ số được xác định theo phương pháp bình phương tối thiểu Bản thân phương pháp này cho ta các hệ số không đổi của mô hình dự báo dựa trên cơ sở những số liệu quan sát trong quá khứ

Sử dụng mô hình này để tính dự báo cho tương lai với các hệ số hằng sẽ phạm một sai số nào đó tùy thuộc vào khoản thời gian dự báo Nếu tầm dự báo càng

xa thì sai số càng lớn Ngoài ra ta nhận thấy rằng những số liệu gần hiện tại có ảnh hưởng đến giá trị dự báo nhiều hơn những số liệu ở quá khứ xa Nói cách

Trang 19

khác tỉ trọng của các số liệu đối với giá trị dự báo sẽ giảm theo hàm mũ khi lùi

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

Dựa vào phương trình trên ta có thể dự báo giá trị yt tại thời điểm (n+l) với l=1,2,…,L Việc thực hiện báo giá trị yt tại thời điểm t+l (với t=n) dựa theo phương pháp phân tích chuỗi Taylor :

Trang 20

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

[ 1]

1 1

Phương pháp này nghiên cứu sự diễn biến của nhu cầu điện năng trong một thời gian quá khứ ổn định, tìm ra một quy luật nào đó, rồi kéo dài quy luật đó ra để

dự báo tương lai

Giả sử mô hình có dạng hàm mũ như sau :

0(1 )t

t

Trong đó : At – là điện năng dự báo ở năm thứ t

A0 – là điện năng ở năm chọn làm gốc

- là tốc độ phát triển bình phần hàng năm

t – thời gian dự báo

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

Trang 21

Một cách tổng quát mô hình dự báo được viết như sau :

t t

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

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

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

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

để dự báo tầm gần và tầm xa Khuyết điểm của phương pháp này là chỉ cho kết quả chính xác nếu trong tương lai không có nhiễu và quá khứ phải tuân theo một quy luật

Hiện nay các nhà khoa học đã và đang nghiên cứu các phương pháp và mô hình

dự báo có tính chính xác hơn Ví dụ như phương pháp dựa trên mô hình Brown,

mô hình Bayes, phương pháp phân tích Wavelet, phương pháp mạng Neural nhân tạo

Trang 22

Trong đó : Y – là ma trận đầu ra của mạng Neural

X – là ma trận đầu vào của mạng Neural

F – là hàm truyền của các Neural trong mạng

5.1 Giới thiệu phương pháp tiếp cận cho việc dự đoán hệ thống điện tải sử dụng

mạng Neural Wavelet

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

5.2 Dữ liệu đầu vào được thu thập trong khoảng 2 năm (1994-1995) nhằm nghiên

cứu mạng lưới và dữ liệu của năm 1996 dùng để kiểm tra mạng lưới

Trang 23

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

5.3 Sử dụng đặc tính xấp xỉ của mạng Wavelet và Neural để xác định chức năng

biểu thị mối liên hệ giữa biến số và năng lượng đầu ra Kiến nghị của bài báo là mạng lưới liên kết chức năng, mạng lưới Neural nhiều lớp và mạng Wavelet

Kết quả: Trong 3 năm thử nghiệm, kỹ thuật dự báo hiện đại: mạng Wavelet Neural (sai số 1,7548%) và mạng Emal (sai số 2,59%) đưa ra nhiều kết quả tốt hơn so với kỹ thuật dự báo truyền thống (sai số 3,51%)

5.4 Kết hợp mô hình mạng Neural nhân tạo, hàm Wavelet và logic mờ để dự báo

ngắn hạn của phụ tải tiêu thụ trong các ngày lễ, Tết Phụ tải tiêu thụ trong các ngày này rất khác biệt so với các ngày bình thường Nếu áp dụng chương trình

dự báo các ngày bình thường để dự báo các ngày này sẽ đưa ra kết quả sai lệch rất lớn, do vậy ta phải xây dựng chương trình dự báo cho các ngày đặc biệt

Trang 24

sẽ hội tụ nhanh hơn mạng Neural truyền thống rất nhiều khi tiến hành luyện mạng Vì vậy nhiều người cho rằng mạng wavelet sẽ là một sự thay thế xứng đáng cho các mạng Neural truyền thống trong lĩnh vực ước lượng các hàm hồi quy tuyến tính

Lý thuyết wavelet được ứng dụng rất thành công trong nhiều lĩnh vực, đặc biệt

là trong lĩnh vực giải tích số và xử lý tín hiệu Mặc dù lý thuyết wavelet cung cấp nhiều thuật toán rất hiệu quả cho nhiều ứng dụng khác nhau nhưng các giải thuật này gặp rất nhiều giới hạn trong các bài toán với số chiều lớn Việc xây dựng và lưu trữ các wavelet nhiều chiều là rất tốn kém Vì vậy để giải quyết vấn

đề về số chiều lớn, ta phải xây dựng một giải thuật mà ở đó sự thực hiện của giải thuật này ít nhạy cảm với số chiều

Biến đổi wavelet ra đời chẳng những khắc phục được những bất lợi của biến đổi Fourier truyền thống mà nó còn có những ưu điểm mới lạ, hấp dẫn, thu hút nhiều nhà khoa học trên thế giới tham gia nghiên cứu, phát triển và triển khai ứng dụng, mang lại hiệu quả thiết thực Ưu điểm nổi bật của phân tích wavelet

Trang 25

là khả năng phân tích cục bộ, tức phân tích một vùng nhỏ trong một tín hiệu lớn

Khả năng này đã khắc phục nhược điểm của biến đổi Fourier và biến đổi Fourier thời gian ngắn Biến đổi wavelet còn có thể xác định được những đặc trưng quan trọng của dữ liệu như khuynh hướng diễn biến, điểm gãy, điểm gián đoạn

ở đạo hàm bậc cao Biến đổi wavelet có nhiều ứng dụng

Vậy wavelet là gì?

Wavelet là những hàm được gọi là hàm tính toán wavelet (hay gọi là hàm mẹ wavelet) ω(x) Tên tiếng anh của hàm này là analysing wavelet (hay mother wavelet) Hàm ω(x) dựa trên biến x, mang giá trị thực (hoặc phức) Hàm ω(x)

có thể mang giá trị phức, và khi đó chuẩn cấp 2 là:

Wavelet có một số họ như: Haar, Daubechies, Biorthogonal, Coiflets, Symlets, Morlet, Mexican Hat, Meyer

1.2.1 Biển đổi Wavelet liên tục (CWT-Continuous Wavelet Transform) của một

hàm f t( ) được bắt đầu từ một hàm wavelet mẫu (Mother Wavelet Function)

Trang 26

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

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

Sau khi hàm  ( )t được lựa chọn, biến đổi Wavelet liên tục của một hàm f t( )được tính theo công thức :

| |

a b

t b t

a a

Trang 27

| |

a

t t

a a

Gọi  () là biến đổi Fourier  ( )t : ( ) ( ) j t

, 2

Trang 28

1.2.2 Biển đổi wavelet rời rạc (DWT)

Việc tính toán các hệ số wavelet tại tất cả các tỉ lệ là một công việc hết sức phức tạp, vì nó tạo ra một lượng dữ liệu khổng lồ Để giảm thiểu công việc tính toán người ta chỉ chọn ra một tập nhỏ các giá trị tỉ lệ và một số vị trí để tiến hành tính toán Hơn nữa nếu việc tính toán được tiến hành tại các tỉ lệ và các vị trí trên cơ

sở lũy thừa cơ số 2 thì kết quả thu được sẽ hiệu quả và chính xác hơn rất nhiều Quá trình chọ các tỉ lệ và các vị trí như trên sẽ tạo thành các “dyadic” Một phân tích như trên hoàn toàn có thể thục hiện được nhờ biến đổi Wavelet rời rạc (DWT-Discrete Wavelet Transform) thực chất là rời rạc hóa biến đổi CWT Việc rời rạc hóa được thực hiện với sự lựa chọn các hệ số a và b như sau:

Biểu thức toán học của hàm Haar:

  

 

Trang 29

Hình 2.1 : Hàm ( )t của biến đổi Haar

1.3.2 Hàm Wavelet Meyer

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

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

1.3.3 Biến đổi Wavelet Daubechies

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

Họ biến đổi này được ứng dụng hết sức rộng rãi, biến đổi Wavelet áp dụng trong JPEG2000 là một trong họ biến đổi Daubechies Dưới đây là một số hàm ( )t

 trong họ Daubechies

Trang 30

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

Khái niệm về tập hợp được hình thành trên nền tảng logic và được G.Cantor định nghĩa như là một sự sắp đặt chung các vật, các đối tượng có chung một tính chất, được gọi là phần tử của tập hợp đó Ý nghĩa logic của khái niệm tập hợp là

ở chỗ một vật hoặc một đối tượng bất kì chỉ có thể có hai khả năng hoặc là phần

tử của tập hợp đang xét hoặc không phải là phần tử của tập hợp đó

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

lại nếu x không thuộc A được kí hiệu là x Một tập hợp không có phần tử A

nào gọi là tập hợp rỗng Có nhiều cách để biểu diễn một tập hợp, phổ biến nhất

là cách liệt kê các phần tử của tập hợp và cách biểu diễn thông qua tính chất tổng quát của các phần tử

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

1 ( )

Trang 31

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

gian nền (tập nền)

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

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

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

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

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

hai giá trị là 1 nếu x  hoặc bằng 0 nếu x A  Như vậy trong lý thuyết tập A

hợp kinh điển, hàm thuộc hoàn toàn tương đương với định nghĩa một tập hợp

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

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

mô tả mờ như các ví dụ sau: BxR x| 6; C   x R x  |  3 

Lý do là với những định nghĩa mờ như vậy thì ta chưa đủ để xác định được một

số ví dụ như x 2.3có thuộc B hay không Nếu đã không khẳng định được là

2.3

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

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

trả lời thì lúc này hàm thuộc  B( )x tại điểm x 2.3phải có giá trị trong khoản [0,1] tức là 0 B( ) 1x  Nói một cách khác hàm  B( )x không còn là hàm hai giá trị như đối với tập hợp kinh điển nữa mà là một ánh xạ  B:X [0,1]

Như vật khác với tập hợp kinh điển A, từ định nghĩa kinh điển của tập mờ B hoặc C không suy ra được hàm phụ thuộc  B( )x hoặc  C( )x của chúng Hơn thế nữa hàm phụ thuộc ở đây lại giữ vai trò làm rõ nghĩa cho một tập mờ Do đó nó phải được nêu lên như là một điều kiện trong định nghĩa về tập mờ

Trang 32

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

của nó là một cặp giá trị ( , ( ))x  F x trong đó xF và  Flà ánh xạ F:F[0,1] Ánh xạ  F được gọi là hàm thuộc của tập mờ F Tập kinh điển X được gọi là tập nền của tập mờ D Dạng đồ thị của thuộc có mức chuyển đổi tuyến tính được cho ở hình sau:

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

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

2.2.2 Miền xác định và miền tin cậy của tập mờ

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

là tập con của X thõa mãn :

Trang 33

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

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

tập con của X thõa mãn:

có một mệnh đề hợp thành gọi là luật hợp thành đơn, ngược lại nếu có nhiều hơn một mệnh đề hợp thành thì gọi là luật hợp thành kép Phần lớn các hệ mờ trong thực tế có luật hợp thành kép

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

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

Để xác định hàm thuộc R'( ) y của giá trị đầu ra R’ của một luật hợp thành có N mệnh đề hợp thành R1, R2,…,RN phải được thực hiện theo các bước:

1) Xác định độ thõa mãn H1, H2,…,HN

2) Tính  R'1( )y ,  R'2( )y ,  R'3( )y

3) Xác định  R'( )y

Trang 34

Nếu các hàm thuộc  R'1( )y ,  R'2( )y ,  R'3( )y thu được theo quy tắc MIN và phép hợp thành các tập mờ ' ' '

1 , 2 , , N

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

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

Được gọi là luật hợp thành có cấu trúc SISO

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

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

Có tên gọi là luật hợp thành MISO

2.3.1 Thuật toán thực hiện luật hợp thành đơn max-MIN, max-PROD

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

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

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

Trang 35

:

R IF  A THEN  B

Trước tiên hai hàm thuộc  A( )x và  B( )x được rời rạc hóa với tần số rời rạc đủ nhỏ để không mất giá trị thông tin Ví dụ hai hiến x,y có  A( )x và  B( )x được rời rạc hóa tại 5 điểm:

 1, 2, 3, 4, 5 

x  x x x x x

 1, 2, 3, 4, 5 

y  y y y y y

Hình 2.6: Rời rạc hóa hàm thuộc

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

0

0 0.5

1 0.5

0

0 0.5 0.5 0.5

Trang 36

Tương ứng với các phần tử trong hàng x=x2

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

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

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

Hàm thuộc B'( ) y được xác định với:

Trang 37

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

max-Các bước xây dựng tương tụ như trường hợp luật hợp thành max-MIN nhưng chỉ khác ở các giá trị của các phần tử của ma trận R do luật hợp thành max-PROD tính các giá trị này theo tích của giá trị hàm thuộc biến vào và giá trị hàm thuộc biến ra

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

 1, 2, 3, 4, 5 

x  x x x x x

 1, 2, 3, 4, 5 

y  y y y y y

Hình 2.7:Rời rạc hóa hàm thuộc

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

0

0 0.5

1 0.5

0

0 0.25 0.5 0.25

Trang 38

Hàm thuộc B'( ) y cũng có dạng như theo (2.18):

l a r





2.3.2 Thuật toán xác định luật mờ hợp thành đơn có cấu trúc MISO

Nếu mệnh đề hợp thành với p mệnh đề điều kiện :

- IF 1 AND A1 2A2AND….AND  dA dTHEN   B

Bao gồm d biến ngôn ngữ đầu vào  1, , ,2  d và một biến đầu ra  cũng được mô

hình hóa giống như việc mô hình hóa mệnh đề hợp thành có một điều kiện trong

đó liên kết AND giữa các mệnh đề được thực hiện bằng phép giao các tập mờ A1,A2,…,Ad với nhau theo công thức:  AB  min 1,  A( , )x y  B( , )x y 

Kết quả của phép giao là độ thõa mãn H

Các bước xây dựng luật hợp thành R như sau :

- Rời rạc hóa miền xác định hàm thuộc  A1( 1),x  A2( 2), ,x  Ad(xd), B( )y của các mệnh đề điều kiên và mệnh đề kết luận

- Xác định độ thõa mãn H cho từng vector các giá trị rõ đầu vào là vector tổ hợp d điểm mẫu thuộc miền xác định của các hàm thuộc Ai( ) xi với

i=1,2,…,d Chẳng hạn một vector có giá trị rõ đầu vào x T ( 1, 2, ,c c cn) trong đó (ci i 1,d) là một trong các điểm mẫu miền xác định  Ai( )xi thì:

min{ A( 1), A ( 2), , Ad( )}

Trang 39

Lập R gôm các hàm thuộc giá trị mờ đầu ra cho từng vector các giá trị đầu vào theo nguyên tắc :

-  B'( )y minH, B( )y  nếu quy tắc sử dụng là max-MIN

-  B'( )y H  B( )y nếu quy tắc sử dụng là max-PROD

Không như luật hợp thành có cấu trúc SISO, luật hợp thành R của cấu trúc MISO không thể biễu diễn dưới dạng ma trận mà nó được biễu diễn thành một

lưới trong không gian d+1 chiều

Xét một mệnh đề hợp thành với hai mệnh đề điều kiện :

- IF  AND A   B THEN   C

Luật hợp thành R của nó có dạng sau :

- R A: BC

Các bước xây dựng R như sau :

Rời rạc hóa các hàm thuộc :

- Hàm thuộc A( ) x được rời rạc hóa thành m điểm : xx x1, 2, ,xm

- Hàm thuộc B( ) y được rời rạc hóa thành n điểm :y   y y 1, 2, , yn 

- Hàm thuộc c( ) z được rời rạc thành k điểm : zz z1, 2, ,zk

Lập R gồm các hàm thuộc cho từng vector giá trị đầu vào :

Như vậy sẽ có (mxn) cặp điểm giá trị đầu vào, ứng với mỗi cặp điểm đầu vào là một hàm thuộc C'( ) z của biến mờ đầu ra C’

Biểu diễn tất cả (mxn) hàm của R trong không gian ^ 3 thì R sẽ là một lưới 3 chiều, trong đó tại mỗi điểm nút trên lưới là một giá trị R( , ) x y

2.3.3 Thuật toán xác định luật hợp thành kép max-MIN, max-PROD

Trong thực tế, ít có bộ mờ nào chỉ làm việc với một mệnh đề hợp thành mà thông thường với nhiều mệnh đề hợp thành, hay còn gọi là một tập các luật điều

Trang 40

khiển Rk Phần này sẽ trình bày phương pháp liên kết cấc mệnh đề hợp thành Rkvới nhau và qua đó nêu được ý nghĩa của kí hiệu max trong tên gọi max-MIN, max-PROD

Giá trị mờ đầu ra B1 : R1'( ) min{ , y  H1 B1( )} y

Đối với luật điều khiển R2 :

Độ thõa mãn : H2 A2( ) x0

Giá trị mờ đầu ra B2 : R2'( ) min{ y  H2, B2( )} y

Từ đó : R'( )| y x0 m ax{ R1'( ), y R2'( )} y

Định dạng
Số trang	104
Dung lượng	2,09 MB

Dự báo phụ tải sử dụng mạng fuzzy wavelet

Phân tích wavelet tiền xư lý

Mô hình nhận dạng mờ (Fuzzy Model Identification)