Thiết kế chương trình dự báo phụ tải điện cho tỉnh bình dương sử dụng neural network

Phương pháp dự báo dài hạn của Công ty Tư vấn xây dựng điện 3 áp dụng cho tỉnh Bình Dương giai đoạn 1999-2004 cho kết qủa không chính xác sai số lên đến 30% làm cho việc xây dựng hệ thốn

MỤC LỤC

MỤC LỤC

* * GIỚI THIỆU ĐỀ TÀIGIỚI THIỆU ĐỀ TÀIGIỚI THIỆU ĐỀ TÀI

1 Đặt vấn đề 4

2 Nhiệm vụ và mục tiêu luận văn 6

3 Những nghiên cứu cơ bản của đề tài 6

4 Những kết quả đạt được 6

Chương Chương 1111:::: THỰC TRẠNG VỀ PHỤ TẢI ĐIỆN CỦA TỈNH BÌNH DƯƠNGTHỰC TRẠNG VỀ PHỤ TẢI ĐIỆN CỦA TỈNH BÌNH DƯƠNGTHỰC TRẠNG VỀ PHỤ TẢI ĐIỆN CỦA TỈNH BÌNH DƯƠNG 1.1 LỊCH SỬ PHÁT TRIỂN CỦA TỈNH BÌNH DƯƠNG 7

1.2 THỰC TRẠNG VỀ PHỤ TẢI ĐIỆN CỦA TỈNH BÌNH DƯƠNG 7

1.2.1 Tình hình tiêu thụ điện năng của tỉnh Bình Dương qua các năm 7

1.2.2 Hiện trạng về các khu công nghiệp tập trung 10

1.2.2.1 Khu công nghiệp 10

1.2.2.2 Khu sản xuất công nghiệp 11

1.2.2.3 Tốc độ tăng trưởng GDP 14

Chương Chương 2222: DỰ BÁO VÀ CÁC PHƯƠNG PHÁP DỰ BÁO: DỰ BÁO VÀ CÁC PHƯƠNG PHÁP DỰ BÁO: DỰ BÁO VÀ CÁC PHƯƠNG PHÁP DỰ BÁO

2.1 KHÁI NIỆM CHUNG 15

2.2 CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN NĂNG 16

2.2.1 Phương pháp bình phương cực tiểu 16

2.2.1.1 Khái niệm chung 16

2.2.1.2 Các biểu thức toán học để xác định các hệ số của mô hình dự báo 17 2.2.2 Phương pháp tính hệ số vượt trước 19

2.2.3 Phương pháp tính trực tiếp 20

2.2.4 Phương pháp so sánh đối chiếu 20

2.2.5 Phương pháp chuyên gia 21

2.2.6 Phương pháp san bằng hàm mũ 21

2.2.7 Phương pháp ngoại suy theo thời gian 23

2.2.7.1 Mô hình có dạng hàm giải tích 24

2.2.7.2 Mô hình Brown 25

2.2.7.3 Mô hình Baeys 25

2.2.7.4 Mô hình Neural 25

2.2.7.5 Mô hình theo Wavelet 25

2.2.8 Phương pháp tương quan 26

2.3 KẾT QUẢ DỰ BÁO THEO PHƯƠNG PHÁP SAN BẰNG HÀM MŨ 27

Chương Chương 3333:::: TỔNG QUAN VỀ MẠNG NEURALTỔNG QUAN VỀ MẠNG NEURALTỔNG QUAN VỀ MẠNG NEURAL 3.1 LỊCH SỬ PHÁT TRIỂN CỦA MẠNG NEURAL 31

3.2 MẠNG NEURAL VÀ CÁC KHÁI NIỆM CƠ BẢN 32

3.2.1 Giới thiệu về mạng Neural 32

3.2.2 Cấu trúc và phân loại mạng Neural 36

3.2.2.1 Phân loại theo cấu trúc 36

3.2.2.2 Phân loại theo phương pháp dạy 37

3.2.3 Cấu trúc mạng Neural 38

3.2.3.1 Mạng Neural một lớp 38

3.2.3.2 Mạng Neural nhiều lớp 39

3.3 LUẬT HỌC VÀ CÁC PHƯƠNG PHÁP DẠY MẠNG 41

3.3.1 Luật học sữa lỗi 41

3.3.2 Luật học Hebbian 41

3.3.3 Luật học cạnh tranh 43

3.3.4 Giải thuật học Delta 43

3.3.5 Giải thuật học Delta tổng quát 47

3.3.6 Các mạng nuôi tiến và giải thuật truyền ngược 49

3.4 KHÁI QUÁT MỘT SỐ MẠNG NEURAL NHÂN TẠO 53

3.4.1 Mạng Maccalox 53

3.4.2 Mạng Perceptron 53

3.4.3 Mạng Multilayer Perceptrons 55

3.4.4 Mạng Hopfield 56

3.4.5 Mạng Hemmin 57

3.4.6 Mạng Functional Link Net 59

3.5 CÁC ỨNG DỤNG CỦA MẠNG NEURAL 59

Chương Chương 4444: THIẾT KẾ MẠNG NEURAL ỨNG DỤNG VÀO DỰ BÁO: THIẾT KẾ MẠNG NEURAL ỨNG DỤNG VÀO DỰ BÁO: THIẾT KẾ MẠNG NEURAL ỨNG DỤNG VÀO DỰ BÁO

4.1 TRÌNH TỰ THIẾT KẾ 61

4.2 PHÂN TÍCH DỮ LIỆU 61

4.2.1 Phân tích dữ liệu theo phuơng pháp chuỗi thời gian 61

4.2.2 Phân tích dữ liệu theo phương pháp tương quan 63

4.3 NHỮNG MẠNG NEURAL VÀ GIẢI THUẬT HUẤN LUYỆN ỨNG DỤNG DỰ BÁO PHỤ TẢI CHO TỈNH BÌNH DƯƠNG 65

4.3.1 Mạng Neural 65

4.3.1.1 Mạng Feed-forward backpropagation 65

4.3.1.2 Mạng Elman backpropagation 67

4.3.1.3 Mạng Cascade-forward backpropagation 70

4.3.1.4 Mạng Feed-forward input-delay backpropagation 71

4.3.2 Giải thuật huấn luyện 72

4.3.2.1 Giải thuật gradient liên hợp (Traincgf, Traincgp, Traincgb, Trainscg) 72

4.3.2.2 Giải thuật thay đổi tốc độ học (Traingda, Traingdx) 73

4.3.2.3 Giải thuật truyền ngược đàn hồi (Trainrp) 74

4.3.2.4 Phương pháp Quasi-Newton (Trainbfg) 74

4.3.2.5 Giải thuật cắt một bước (Trainoss) 75

4.3.2.6 Giải thuật Levenberg-Marquardt (Trainlm) 75

4.4 ỨNG DỤNG DỰ BÁO PHỤ TẢI ĐIỆN CHO TỈNH BÌNH DƯƠNG 77

4.4.1 Dự báo ngắn hạn 77

4.4.2 Dự báo dài hạn 77

4.4.2.1 Dự báo theo mô hình chuỗi thời gian 78

4.4.2.2 Dự báo theo mô hình tương quan 80

Chương Chương 5555: : : : PHẦN MỀM DỰ BÁO PHỤ TẢI ĐIỆNPHẦN MỀM DỰ BÁO PHỤ TẢI ĐIỆNPHẦN MỀM DỰ BÁO PHỤ TẢI ĐIỆN

5.1 NHẬP DỮ LIỆU 88

5.1.1 Nhập dữ liệu theo phương pháp chuỗi thời gian 88

5.1.2 Nhập dữ liệu theo phương pháp tương quan 89

5.2 HUẤN LUYỆN MẠNG 91

5.2.1 Loại mạng 91

5.2.2 Số neural lớp ẩn và hàm truyền của từng lớp 92

5.2.2.1 Số neural 92

5.2.2.2 Hàm truyền 92

5.2.3 Giải thuật huấn luyện 94

5.2.4 Các thông số khác 94

5.3 KẾT QUẢ HUẤN LUYỆN VÀ QUÁ TRÌNH DỰ BÁO 95

5.3.1 Kết quả huấn luyện 95

5.3.2 Kiểm tra dự báo 97

5.3.3 Dự báo 99

KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN 101101101 Phụ lục Phụ lục 1111 SỐ LIỆU SẢN LƯỢNG ĐIỆN CÁC GIỜ TRONG NGÀY 104

Phụ lục 2 SỐ LIỆU SẢN LƯỢNG ĐIỆN CÁC NGÀY TRONG TUẦN 108

Tài Liệu Tham KhảoTài Liệu Tham KhảoTài Liệu Tham Khảo

GIỚI THIỆU ĐỀ TÀI GIỚI THIỆU ĐỀ TÀI

1

1 ĐẶT VẤN ĐỀĐẶT VẤN ĐỀĐẶT VẤN ĐỀ

Dự báo phụ tải đóng vai trò rất quan trọng trong việc đảm bảo chế độ làm việc an toàn và tiết kiệm của hệ thống điện, đồng thời có tính chất quyết định trong việc hoạch định chiến lược phát triển hệ thống Tính chính xác của dự báo càng cần phải đặc biệt chú trọng Nếu chúng ta dự báo quá thừa so với nhu cầu sử dụng thì dẫn tới hậu quả là huy động nguồn quá lớn, tăng vốn đầu tư và có thể tăng tổn thất năng lượng Ngược lại nếu chúng ta dự báo phụ tải quá thấp so với nhu cầu thì sẽ không đủ năng lượng cung cấp cho các hộ tiêu thụ và tất nhiên dẫn đến việc cắt bỏ một số phụ tải không có kế hoạch gây thiệt hại cho nền kinh tế Tỉnh Bình Dương được tách ra từ tỉnh Sông Bé cũ từ năm 1996 Từ năm 1996 có sự phát triển mạnh về các ngành kinh tế, đặc biệt là các khu công nghiệp tập trung Do vậy, đòi hỏi cần phải cung cấp đủ nguồn điện cho các khu công nghiệp này Tuy nhiên việc đáp ứng đủ năng lượng điện cho quá trình phát triển là việc làm khó khăn nếu như chúng ta dự báo phụ tải không chính xác Phương pháp dự báo dài hạn của Công ty Tư vấn xây dựng điện 3 áp dụng cho tỉnh Bình Dương giai đoạn 1999-2004 cho kết qủa không chính xác (sai số lên đến 30%) làm cho việc xây dựng hệ thống cung cấp điện, các trạm biến áp làm việc qúa tải hoặc non tải sẽ gây hỏng hóc các thiết bị … Việc không đáp ứng đủ nhu cầu sử dụng điện sẽ gây hậu qủa nghiêm trọng đến sự phát triển kinh tế của tỉnh Bình Dương nói riêng và của Việt Nam nói chung Những phương pháp dự báo truyền thống khó có thể thực hiện được dự báo chính xác do: Số liệu điện năng ít, tiền lịch sử ngắn; Số liệu không mang tính ổn định; Tăng trưởng kinh tế vượt bậc; Các khu công nghiệp tăng nhanh kéo theo việc dân số tăng lên từ các địa phương khác đỗ về

Hiện nay có nhiều phương pháp dự báo mà hầu hết các phương pháp ấy đều mang tính chất kinh nghiệm thuần túy Vận dụng cách giải quyết theo kinh nghiệm vào bài toán dự báo là không đầy đủ, vì cách làm ấy chỉ hoàn toàn dựa trên những kinh nghiệm của giai đoạn quá khứ mà các kinh nghiệm ấy không phải lúc nào cũng vận dụng vào hoàn cảnh đã thay đổi so với trước Do đó cần phải hoàn thiện về mặt lý thuyết các vấn đề dự báo Sự hoàn thiện ấy cho phép chúng ta có thêm cơ sở tiệm cận với việc lựa chọn các phương pháp dự báo, đánh giá mức độ chính xác của dự báo đồng thời xác định khoảng thời gian lớn nhất có thể dùng cho dự báo Mạng neural nhân tạo là một giải pháp để dự báo phụ tải cho tỉnh Bình Dương vì nó có những ưu điểm sau :

Mạng Neural nhân tạo được xây dựng trên nguyên lý hoạt động của hệ neural thần kinh con người nên nó có những tính chất rất đặc biệt như nó có thể học trên mẫu, phát hiện những quan hệ quy luật ẩn trong luồng dữ liệu, mặc dù những dữ liệu này có thể không đầy đủ, mâu thuẫn thậm chí bị sai lệch Nếu giữa đầu ra và đầu vào dù chỉ một mối quan hệ, mà những phương pháp truyền thống không thể phát hiện được thì mạng neural nhân tạo có thể dễ dàng thực hiện với độ chính xác khá cao Nhờ vậy mạng neural được ứng dụng rộng rãi trong các lĩnh vực đời sống xã hội, và nó đã được chứng minh được khả năng của mình trong những bài toán phân loại, nhận dạng, dự báo [2]

Các nhà khoa học đã ứng dụng mạng Neural nhân tạo trong hoạt động dự báo của mình để thay thế những phương pháp cổ điển và đã đạt được ít nhiều thành công Phương pháp cổ điển thường không hiệu quả vì không thể miêu tả đầy đủ và chính xác quá trình thực tế xảy ra vì số lượng cơ sở dữ liệu không đầy đủ và có nhiều sai số hoặc đòi hỏi quá nhiều thời gian cho tính toán Trong thực tế không tồn tại phương trình với những tham số có sẵn mà ta chỉ biết được giá trị gần đúng hoặc kỳ vọng toán học vì thế ta phải đưa ra một phương trình có sẵn với những tham số chưa được biết, dùng phương pháp gần đúng để tìm ra những tham số này và như vậy độ chính xác sẽ giảm đi rất nhiều Phương pháp cổ điển được sử dụng có hiệu quả chỉ trong các trường hợp các dữ liệu quan hệ tuyến tính với nhau

Để cải thiện nhược điểm của các phương pháp dự báo cổ điển, người ta nghiên cứu đưa ra những phương pháp dự báo mới trên nền tảng công nghệ: “trí tuệ nhân tạo” Trong [4] đã đề xuất phương án sử dụng mạng Nuôi tiến truyền ngược (Feed-forward backpropagation), mạng Elman (Elman backpropagation network), mạng truyền ngược xếp tầng-tiến (Cascade-forward backpropagation), mạng nuôi tiến truyền ngược có đầu vào trễ (Feed-forward input delay backpropagation) để dự báo phụ tải ngắn hạn và dài hạn Ứng dụng Neural trong dự báo dài hạn đạt nhiều kết quả khả quan [4,5] Những đặc điểm chung của các công trình trên là đã đề xuất các cấu trúc mạng và giải thuật huấn luyện khác nhau Tuy nhiên cho đến nay chưa có tài liệu hay công trình nào đưa ra tiêu chuẩn nào cho phép lựa chọn cấu trúc mạng duy nhất thoả mãn điều kiện bài toán Vì vậy phụ thuộc vào mức độ khó dễ của dữ liệu, bài toán mà người thiết kế lựa chọn cấu trúc cũng như giải thuật huấn luyện thích hợp

Vì thế để dự báo đúng cần phải có một mô hình dự báo phù hợp với dữ liệu, điều kiện hoàn cảnh cụ thể đồng thời cho độ chính xác cao Một trong những hướng nghiên cứu là khai thác những tính chất ưu việt của mạng Neural nhân tạo Dự báo phụ tải bằng mạng Neural có tính chính xác cao [4] vì vậy việc xây dựng mô hình dự báo phụ tải trên cơ sở mạng Neural có ý nghĩa thực tế rất to lớn

2 NHIỆM VỤ VÀ MỤC TIÊU ĐỀ TÀINHIỆM VỤ VÀ MỤC TIÊU ĐỀ TÀINHIỆM VỤ VÀ MỤC TIÊU ĐỀ TÀI

- Nghiên cứu khai thác những ứng dụng to lớn của mạng Neural trong lĩnh vực dự báo nói chung và dự báo phụ tải nói riêng

- Nghiên cứu các loại mạng neural, các cấu trúc và các giải thuật huấn luyện Ứng dụng trong xây dựng mô hình dự báo phụ tải

- Thiết kế chương trình dự báo phụ tải

3

3 NHỮNG NGHIÊN CỨU CƠ BẢNHỮNG NGHIÊN CỨU CƠ BẢNHỮNG NGHIÊN CỨU CƠ BẢN CỦA ĐỀ TÀIN CỦA ĐỀ TÀIN CỦA ĐỀ TÀI

Để góp phần xây dựng mô hình dự báo phụ tải hữu hiệu, trong đề tài luận văn này đã đề xuất giải pháp sử dụng mạng Neural nhân tạo Các mạng đã khảo sát và ứng dụng trong đề tài như: Mạng Nuôi tiến truyền ngược, Mạng Elman truyền ngược (một loại mạng hồi quy), mạng Xếp tầng – tiến (Cascade-forward), mạng nuôi tiến truyền ngược có đầu vào trễ (Feed-forward Input-delay) và các giải thuật huấn luyện như giải thuật truyền ngược Và cuối cùng đã tìm ra cấu trúc và giải thuật tối ưu để giải bài toán dự báo, cụ thể là mạng Feed-Forward và mạng Elman với giải thuật dạy mạng là Back-Propagation Lập mô hình dự báo ngắn hạn, và dự báo dài hạn phụ tải với kết quả chính xác đến 3% cho ngắn hạn và 5% cho dài hạn

Phần mềm dự báo phụ tải được viết trên nền MATLAB Phần mềm này cho phép ta thay đổi loại mạng, số lớp ẩn, dạng hàm truyền, giải thuật huấn luyện… trong quá trình thiết kế mô hình dự báo Đồng thời cho phép ta thay đổi cách sắp đặt dữ liệu sẵn có phù hợp với các chế độ dự báo ngắn hạn (các giờ trong ngày, các ngày trong tuần, các tháng trong năm) hay dài hạn (5 năm hay 10 năm sau)

Ưu điểm của phần mềm dự báo này là nó dự báo phụ tải điện dựa vào 4 loại mạng truyền ngược đã nêu, huấn luyện với các giải thuật huấn luyện khác nhau; Từ đó lựa chọn loại mạng và giải thuật huấn luyện tối ưu phục vụ cho công tác dự báo

4

4 KẾT QUẢ ĐỀ TÀI ĐẠT ĐƯỢC: KẾT QUẢ ĐỀ TÀI ĐẠT ĐƯỢC: KẾT QUẢ ĐỀ TÀI ĐẠT ĐƯỢC:

- Ứng dụng xây dựng mô hình dự báo phụ tải trên nền MATLAB phục vụ cho công tác dự báo phụ tải dài hạn và ngắn hạn

- Nghiên cứu phân tích giải thuật truyền ngược đồng thời ứng dụng huấn luyện các mạng neural

- Thiết kế phần mềm dự báo phụ tải với tính năng linh hoạt và khá tổng quát, tạo điều kiện thuận lợi cho người sử dụng

1.1 LỊCH SỬ PHÁT TRIỂN CỦA TỈNH BÌNH DƯƠNG :LỊCH SỬ PHÁT TRIỂN CỦA TỈNH BÌNH DƯƠNG :LỊCH SỬ PHÁT TRIỂN CỦA TỈNH BÌNH DƯƠNG :

Tỉnh Bình Dương được tách ra từ tỉnh Sông Bé cũ từ năm 1996 Từ năm 1996 có sự phát triển mạnh về các ngành kinh tế, đặc biệt là các khu công nghiệp tập trung Do vậy, đòi hỏi cần phải cung cấp đủ nguồn điện cho các khu công nghiệp này

Tuy nhiên việc đáp ứng đủ năng lượng điện cho qúa trình phát triển là việc làm khó khăn nếu như chúng ta dự báo phụ tải không chính xác

Phương pháp dự báo dài hạn của Công ty tư vấn xây dựng điện 3 áp dụng cho tỉnh Bình Dương giai đoạn 1999-2004 cho kết qủa không chính xác (sai số lên đến 30%) làm cho việc xây dựng hệ thống cung cấp điện, các trạm biến áp làm việc qúa tải hoặc non tải sẽ gây hỏng hóc các thiết bị … Việc không đáp ứng đủ nhu cầu sử dụng điện sẽ gây hậu qủa nghiêm trọng đến sự phát triển kinh tế của tỉnh Bình Dương nói riêng và của Việt Nam nói chung Những phương pháp dự báo truyền thống khó có thể thực hiện được dự báo chính xác do:

Số liệu điện năng ít, tiền lịch sử ngắn

Số liệu không mang tính ổn định

Tăng trưởng kinh tế vượt bậc

Các khu công nghiệp tăng nhanh kéo theo việc dân số tăng lên từ các địa phương khác đỗ về

Do vậy chúng ta cần phải tìm ra phương pháp dự báo mới, tốt hơn (sai số dự báo nhỏ hơn) như việc sử dụng “trí tuệ nhân tạo” Neural Network hoặc wavelett

Mặt khác để phục vụ cho việc dự báo ngắn (theo từng giờ, ngày, tháng) cũng rất cần một phần mềm tiện ích được xây dựng trên cơ sở Neural Network với những mạng và những giải thuật khác nhau

1.2 THỰC TRẠNG VỀ PHỤ TẢI ĐIỆN Ở TỈ

1.2 THỰC TRẠNG VỀ PHỤ TẢI ĐIỆN Ở TỈNH BÌNH DƯƠNG NH BÌNH DƯƠNG NH BÌNH DƯƠNG

1.2.1 Tình hình tiêu thụ điện năng của tỉnh Bình Dương qua các năm 1.2.1 Tình hình tiêu thụ điện năng của tỉnh Bình Dương qua các năm

Bảng thống kê tình hình tiêu thụ điện năng tỉnh Bình DươngBảng thống kê tình hình tiêu thụ điện năng tỉnh Bình Dương

1999

2000

2000

2001

2001

2002

2002

2003

2003

Biểu đồ tiêu thụ điện năngBiểu đồ tiêu thụ điện năngBiểu đồ tiêu thụ điện năng

TÌNH HÌNH TIÊU THỤ ĐIỆN NĂNG TỈNH BÌNH DUONG

GIAI ĐOẠN 1995 - 2003

156 507 656 966 1332

0 200 400 600 800 1000 1200 1400

NĂM

Bảng thống kê tình hình sử dụng điện Tỉnh Bình Dương tính đến tháng Bảng thống kê tình hình sử dụng điện Tỉnh Bình Dương tính đến tháng 12/200

- Số xã có điện/ tổng số xã: 100/100

- Số hộ có điện/ tổng số hộ: 162.720/172.644 (94,3%)

- Điện thương phẩm bình quân/ đầu người/năm (KWH): 1.599

- Điện assh bình quân/ hộ có điện/ tháng (KWH): 118,9

- Số điện kế chính/ tổng số hộ có điện: 127.465/162.720

- Số điện kế tổng (chưa kể thị xã): 449

- Số hộ sử dụng điện qua điện kế cụm-tổng: 35.255 (21,7%)

- Tổn thất lưới phân phối do ngành điện quản lý: 6,85%

- Phụ tải cao điểm: (MW) (2003-9/2004) 272/358

Tỉ lệ số hộ có điện các huyện thị :Tỉ lệ số hộ có điện các huyện thị :Tỉ lệ số hộ có điện các huyện thị :

85,4% 96,0% 77,5%

Tính đến cuối tháng 12/2003 Tỉnh Bình Dương đã thực hiện xong chương trình xoá tất cả các ấp trắng chưa có điện

Lưới điện hạ thế một số do địa phương đầu tư bằng vốn ngân sách, một số do dân huy động đầu tư Ngành điện thu tiền trực tiếp của hộ dân theo giá bán điện bậc thang nếu bán lẻ và thu theo giá bán điện cụm - tổng qua Ban quản lý điện xã hoặc qua mô hình dịch vụ bán lẻ điện nông thôn

Giá bán điện bình quân năm 2003 của Điện Lực Bình Dương là 845,4 đ/kWh Hiện tại trên địa bàn, số lượng điện kế tổng còn nhiều, số hộ dân sử dụng điện kế tổng chiếm tỉ lệ đáng kể (21,3%) Giá điện sử dụng sau điện kế tổng bình quân toàn Tỉnh là: 700 đ/ kWh

Uỷ ban nhân dân Tỉnh đang chỉ đạo triển khai chương trình xoá điện kế tổng trên toàn Tỉnh để bán điện trực tiếp đến từng hộ dân, mục tiêu đến năn 2005 thì hoàn thành

* Nhận xét về tình hình tiêu thụ điện năng:

* Nhận xét về tình hình tiêu thụ điện năng:

Tốc độ tăng trưởng chung điện năng bình quân hàng năm của Tỉnh Bình Dương từ năm 1991-1995 là 28,8%

Tốc độ tăng trưởng bình quân năm 1996 đến 2000 là 26,6 %

Biểu tổng hợp điện năng cho thấy sản lượng điện Tỉnh Bình Dương tăng đều hàng năm với tỷ trọng lớn, đặc biệt là năm 2001 – 2002 tăng 47,2% một tốc độ tăng vượt bậc đối với một Tỉnh có công nghiệp đã phát triển tương đối nhiều, nguyên nhân do nhiều cơ sở công nghiệp được đầu tư trên địa bàn, sản lượng điện công nghiệp vượt trội so với các thành phần khác và luôn giữ tỷ lệ cao trong

cơ cấu các thành phần điện trong những năm về sau:

- Thành phần điện nông nghiệp có xu hướng giảm dần

- Thành phần quản lý tiêu dùng và dân cư không đồng đều ở các năm thường do tăng nhiều ở những năm có đầu tư nhiều vào chương trình điện khí hoá đến các xã

- Thành phần dịch vụ - thương mại - nhà hàng khách sạn tăng trưởng chưa ổn định có những năm bị âm do số liệu thống kê, cách phân tổ điện giữa ccá thành phần bị thay đổi Tuy nhiên thành phần này, từ sau năm 2000 bắt đầu có khởi sắc, khuynh hướng tăng

- Biểu đồ phụ tải năm của Tỉnh Bình Dương cho thấy phụ tải đỉnh rơi vào tháng 11 và 12 Biểu đồ phụ tải ngày cho 2 đỉnh: đỉnh thứ nhất vào buổi sáng (10 giờ) ứng với hoạt động công nghiệp và buổi tối (19 giờ) tương ứng với thời điểm sử dụng điện cho tiêu dùng dân cư

1.2.2

1.2.2 Hiện trạng về các khu công nghiệp tập trung :Hiện trạng về các khu công nghiệp tập trung :Hiện trạng về các khu công nghiệp tập trung :

1.2.2.1

1.2.2.1 Khu công nghiệpKhu công nghiệpKhu công nghiệp

Đến nay Tỉnh đã có 12 khu công nghiệp với tổng diện tích 2.431 ha và 1 khu liên hợp công nghiệp - dịch vụ - đô thị Bình Dương

Các khu công nghiệp đã được cấp phép

Bảng 1.4:

Bảng 1.4:

diện tích (ha)

Hiện trạng/

Tỉ lệ diện tích đã phủ kín (%) Sóng Thần I Thị trấn Dĩ An,

Phước, huyện Bến cát

849

Việt Hương 2 Xã An Tây, huyện

Bến Cát 110 Đang xây dựng

Bến Cát 52 Đang xây dựng Các khu công nghiệp được quy hoạch bổ sung đến năm 2010, tầm nhìn 2020 đang được tiếp tục thực hiện, làm cơ sở gọi vốn đầu tư trong và ngoài nước, gồm:

Thới Hoà Xã Thới Hoà - Huyện Bến

Hố Le Xã Thới Hoà - Huyện Bến

Rạch Bắp Xã An Tây – huyện Bến Cát 278,6 Thủ tục Khánh Bình Xã Khánh Bình – huyện Tân

Nam Tân Uyên Xã Khánh Bình – huyện Tân

Khu Liên Hợp

CN – DV – ĐT Hoà Lợi (BC), P Chánh, TVHiệp (TU) 4.196 Đang XD Bàu Bàng Xã Lai Hưng, Lai uyên –

An Tâây Xã An Tây – huyện Bến Cát 300

Tân Mỹ I Xã Tân Mỹ – huyện Tân

1.2.2.2 Khu sản xuất công nghiệp Khu sản xuất công nghiệp Khu sản xuất công nghiệp

Bên cạnh việc phát triển các khu công nghiệp, Tỉnh cũng chú trọng phát triển các khu sản xuất công nghiệp, các khu quy hoạch phát triển sản xuất công nghiệp trên cơ sở quy hoạch tổng thể của Tỉnh

Hiện tại trên địa bàn Tỉnh có các khu sản xuất công nghiệp đã bố trí dự án trong và ngoài nước, đang hoạt động gồm có:

Khu sản xuất Tân Đông

Khu sản xuất An Thạnh Thị trấn An Thạnh, huyện Thuận

Khu sản xuất Tân Định Xã Tân Định, huyện Bến Cát 47 Khu sản xuất Phú Hoà Phường Phú Hoà, TX.TDM 30 Khu sản xuất Thái Hoà Xã Thái Hoà, huyện Tân Uyên 68 Khu sản xuất An Phú Xã An Phú, huyện Thuận An 97 Khu sản xuất Tân Bình Xã Tân Bình, huyện Dĩ An 55

Các cụm công nghiệp được bổ sung vào quy hoạch:

CCN chế biến gỗ Khánh

Gốm sứ Tân Thành Xã Tân Thành – H Tân Uyên 559

Dốc Bà Nghĩa – H Nghĩa

Thạch Bàn – Khánh Bình Xã Khánh Bình - H Tân Uyên 242

Cây Trường – Trừ VaÊn

Thố Xã Cây Trường – Trừ VaÊn Thố – H Bến Cát 200

Kết cấu hạ tầng được đầu tư với tiến độ tương đối nhanh nhờ huy động được nhiều nguồn lực vốn đầu tư (BOT, bên thi công ứng trước vốn, ngân sách Tỉnh vay) và có sự phối hợp chặt chẽ với các Bộ ngành Trung ương

Việc đầu tư được thực hiện đồng bộ, đáp ứng được nhu cầu phát triển kinh tế xã hội của địa phương trước mắt và lâu dài Các khu vực quy hoạch dự kiến phát triển đều đã được đầu tư cơ sở hạ tầng cơ bản: các trục chính … sẵn sàng đáp ứng nhu cầu của các nhà đầu tư khi họ đến đầu tư phát triển sản xuất kinh doanh 1.2.2.3 Tăng trưởng GDP :

1.2.2.3 Tăng trưởng GDP :

Bảng 1.8:

Bảng 1.8:

Tốc độ tăng trưởng GDP (%)

2.1 KHÁI NIỆM CHUNG

Dự báo là đi tìm một mô hình toán thích hợp mô tả đại lượng cần dự báo và các yếu tố khác Việc xác định các tham số mô hình chính là bài toán trọng tâm của dự báo.Về mặt lý luận các tính chất của mô hình dự đoán được nghiên cứu trên cơ sở giả định rằng nó được ứng dụng để dự đoán mọât quá trình nào đó sinh

ra bằng một mô hình giải tích

Khoa học dự báo là một ngành còn non trẻ, trong đó vẫn còn nhiều vấn đề chưa hình thành trọn vẹn Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo, còn phạm vi ứng dụng của nó là các hiện tượng xã hội, kinh tế, khoa học kỹ thuật v.v…

Hiện nay có nhiều phương pháp luận cho hoạt động dự báo mà hầu hết các phương pháp ấy đều mang tính chất kinh nghiệm thuần tuý Vận dụng cách giải quyết theo kinh nghiệm vào việc dự báo là không đầy đủ, vì cách làm ấy chỉ hoàn toàn dựa trên những kinh nghiệm của giai đoạn quá khứ mà các kinh nghiệm ấy không phải lúc nào cũng có thể vận dụng vào hoàn cảnh đã thay đổi

so với trước Do đó cần phải hoàn thiện về mặt lý thuyết các vấn đề dự báo Sự hoàn thiện ấy cho phép chúng ta có thêm cơ sở tiệm cận với việc lựa chọn các phương pháp dự báo, đánh giá mức độ chính xác của dự báo đồng thời xác định khoảng thời gian lớn nhất có thể dùng cho dự báo

Tóm lại 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

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

- Xác định xu thế phát triển của kinh tế, của khoa học kỹ thuật

- Đề xuất những yếu tố cụ thể quyết định các xu thế ấy

- Xác định quy luật và đặc điểm của sự phát triển kinh tế và khoa học kỹ thuật theo dự báo

Chúng ta hiểu rằng nếu công tác dự báo mà dựa trên lập luận khoa học thì sẽ trở thành cơ sở để xây dựng các kế hoạch phát triển nền kinh tế quốc dân Đặc

biệt đối với ngành năng lượng thì tác dụng của dự báo càng có ý nghĩa quan trọng

vì năng lượng có liên quan rất chặt chẽ đối với tất cả các ngành kinh tế quốc dân, cũng như mọi sinh hoạt bình thường của nhân dân

Do đó nếu dự báo không chính xác hoặc sai lệch quá nhiều về khả năng cung cấp hoặc về nhu cầu năng lượng thì sẽ dẫn đến những hạn chế không tốt cho nền kinh tế

Ví dụ nếu chúng ta dự báo phụ tải quá thừa so với nhu cầu sử dụng thì dẫn đến hậu quả là huy động nguồn vốn quá lớn, tăng vốn đầu tư, tăng tổn thất năng lượng Ngược lại nếu ta dự báo phụ tải quá thấp so với nhu cầu thì sẽ không đủ năng lượng cung cấp cho các hộ tiêu thụ và tất nhiên dẫn đến việc cắt bớt một số phụ tải một cách không có kế hoạch gây thiệt hại cho nền kinh tế quốc dân Người ta thường phân loại dự báo theo thời gian dài hạn hay ngắn hạn và gọi là tầm dự báo (Dự báo ngắn hạn khoảng 1÷2 năm, dự báo hạn vừa 3 ÷10 năm, và dự báo dài hạn khoảng 15 ÷ 20 năm và dài hơn nữa ) Riêng đối với dự báo dài hạn (còn gọi là dự báo triển vọng ) thì mục đích chỉ là nêu ra các phương hướng phát triển có tính chất chiến lược về mặt kinh tế, về mặt khoa học kỹ thuật Nói chung không yêu cầu xác định chỉ tiêu cụ thể 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 các dự báo ngắn hạn, sai số cho phép khoảng 5 ÷ 10% Còn đối với dự báo dài hạn sai số cho phép khoảng 5÷ 15% và có khi còn cho phép đến 20% Ngoài các loại dự báo ngắn hạn và dài hạn nói trên chúng ta còn gặp dự báo điều độ, tầm dự báo khoảng vài giờ, vài ngày, vài tuần lễ để phục vụ cho các công tác vận hành của các xí nghiệp , các hệ thống điện Sai số dự báo này khoảng 3 ÷ 5%

2.2 CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN NĂNG

2.2 CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN NĂNG

Trong phần này chúng ta sẽ lần lượt nghiên cứu một số phương pháp dự báo thường được ứng dụng trong ngành năng lượng để dự báo nhu cầu điện năng

2.2.1

2.2.1 Phương pháp bình phương cực tiểu : Phương pháp bình phương cực tiểu : Phương pháp bình phương cực tiểu :

2.2.1.1 Khái niệm chung :2.2.1.1 Khái niệm chung : Trước hết chúng ta hãy xem xét một trường hợp đơn giản nhất gồm có hai biến ngẫu nhiên liên hệ với nhau bằng một hàm dạng tuyến tính :

y = α + βx

Trong đó a, b là hằng số, x là biến độc lập, y là biến phụ thuộc Nếu xét đến ảnh hưởng của các hiện tượng ngẫu nhiên thì phương trình trên có thể viết một cách tổng quát như sau:

y = α + βx + ε

Trong đó nhiễu ε có các giả thiết như sau :

- ε là một biến ngẫu nhiên

- Kỳ vọng toán học của ε bằng không

- Phương sai của ε là hằng số

- Các giá trị của ε không phụ thuộc lẫn nhau

Dựa vào kết quả thống kê chúng ta thu được một dãy các giá trị xi, tương ứng sẽ có một dãy các giá trị yi. Vấn đề là xác định các thông số α và β Nhưng giá trị thực của chúng không thể biết được vì chúng ta dựa vào một lượng thông tin hạn chế, nên chỉ nhận được các giá trị tính toán gần đúng a và b Do đó phương trình hồi quy có dạng:

y)=a+ bx

Trong đó các hệ số a và b được xác định theo phương pháp bình phương tối thiểu Thực chất của phương pháp bình phương tối thiểu là tìm các thông số như thế nào để tổng bình phương độ lệch giá trị tính toán theo phương trình hồi quy với giá trị thực tế của chúng là nhỏ nhất, nghĩa là:

n (y y ) min

1

i

2 i

- Cách đánh giá thông số là không chệch, nghĩa là kỳ vọng toán học của giá trị thông số bằng giá trị thực của thông số ấy

- Các giá trị quan sát được là xác đáng nghĩa là phương sai của các giá trị ấy tiến tới không, khi tăng số lần quan sát n lên

- Các giá trị quan sát được là hiệu quả nghĩa là chúng có phương sai nhỏ nhất Chúng ta biết rằng cùng một giá trị có thể có nhiều ước lượng không chệch và xác đáng, các ước lượng này có phương sai khác nhau Do đó phương sai của các ước lượng nào bé thì sai số của ước lượng đó nhỏ Vì vậy chọn phương sai cực tiểu sẽ đặc trưng cho giá trị quan sát là có hiệu quả

2.2.1.2 Biểu thức toán học để xác định các hệ số của mô hình dự báo 2.2.1.2 Biểu thức toán học để xác định các hệ số của mô hình dự báo Giả thuyết rằng có hàm số liên tục ϕ(x, a, b, c, …) Xác định các hệ số a,

b, c … sao cho thoả mãn điều kiện

Muốn vậy chúng ta lần lượt lấy đạo hàm (2.2) theo a, b, c … và cho triệt tiêu, chúng ta sẽ được một hệ phương trình:

n

i

i i

n

i

i i

c c

b a x y

b c

b a x y

a c

b a x y

1

2 1

2 1

2

0 , )]

, , , ( [

0 , )]

, , , ( [

0 , )]

, , , ( [

ϕϕ

ϕϕ

ϕϕ

−

= +

n

i

i i

i

b ax y

x b ax y

1

1

0 )]

( [

0 )]

( [

= +

i i i

y nb

x a

y x x

x a

1 1

i n

i i

x

1

2 , rồi giải hệ thống phương trình (2-6) chúng ta sẽ tìm được a và b thoả mãn các tính chất không chệch, xác đáng và có hiệu quả

Bây giờ nếu chúng ta chia phương trình thứ 2 cùa hệ (2.6) cho số quan sát n,

ta sẽ được

Như vậy phương pháp bình quân tối thiểu cho phép ta tìm các giá trị a, b và xác định đường thẳng đi qua điểm có toạ độx_ vày_ ; tức là đi qua điểm trung bình thích hợp với cả 2 biến y và x

Ta kí hiệu: ' _

x x

x i = i − ; ' _

y y

y i = i− ( gốc toạ độ khi ấy chuyển đến điểm x_ và _y và hệ phương trình (1-18) sẽ đơn giản đi vì ∑ '

n

i i i

x

y x a

1

2 ' 1

' '

) (

(2.8)

_ _

x a y

=

n

i i

x

1

2 ' ) ( được xác định theo hệ phương trình sau :

n

i

n

i i i

n

i i i n

i

i i

y n y y

x n x x

y x n y x y

x

2 2 2

'

2 2 2

'

_ _ 1

1

' '

)(

)()

x n

y n

y

1

2.2.2 Phương pháp tính hệ số vượt trước :

2.2.2 Phương pháp tính hệ số vượt trước :

Phương pháp này giúp ta thấy được khuynh hướng phát triển của nhu cầu và sơ bộ cân đối nhu cầu này với nhịp độ phát triển năng lượng điện với nhịp độ phát triển của toàn bộ nền kinh tế quốc dân

Ví dụ 2.1 :Trong thời gian 5 năm từ năm 1950 -> 1955 sản lượng công nghiệp của Liên Xô tăng từ 100 lên 185% còn sản lượng điện năng cũng trong thời gian ấy tăng 186,5%

Như vậy hệ số vượt trước sẽ là:

K =

185

5 ,

186 = 1,01

Ở miền Bắc nước ta từ 1955 -> 1960 hệ số vượt trước là 0,81 từ năm 1960->

1965 hệ số vượt trước là 1,13

Như vậy phương pháp này chỉ nói lên một xu thế phát triển với một mức độ chính xác nào đó và trong tương lai xu thế này còn chịu ảnh hưởng của nhiều yếu tố khác nữa, chẳng hạn như:

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

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

- Do cơ cấu kinh tế không ngừng thay đổi Vì những yếu tố trên mà hệ số vượt trượt có thể khác 1 và tăng hay giảm khá nhiều Dựa vào hệ số K để xác định điện năng ở năm dự báo

2.2.3 Phương pháp tính trực tiếp :

2.2.3 Phương pháp tính trực tiếp :

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 ở 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 xác định nhu cầu điện năng cho từng trường hợp cụ thể (như công suất điện trung bình cho một hộ gia đình, bệnh viện, trường học v.v…)

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 điện năng dự báo chúng ta còn biết được tỷ lệ sử dụng điện năng trong các ngành kinh tế, chẳng hạn tỷ lệ điện năng dùng cho công nghiệp, nông ngiệp, dân dụng v.v…, cũng như xác định được nhu cầu điện ở các khu vực địa lý khác nhau Từ đó có thể đề xuất các 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 ngàng kinh tế quốc dân trong tương lai dự báo, cũng 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 với thời gian ngắn và trung bình

2.2.4

2.2.4 Phương pháp so sánh đối chiếu :Phương pháp so sánh đối chiếu :Phương pháp so sánh đối chiếu :

Nội dung của phương pháp này là so sánh đối chiếu nhu cầu phát triển điện năng của các nước có hoàn cảnh tương tự Đây cũng là phương pháp được nhiều

nước áp dụng để dự báo nhu cầu năng lượng của nước mình một cách hiệu quả Phương pháp này thường áp dụng cho dự báo ngắn hạn và trung hạn thì kết quả tương đối chính xác hơn

2.2.5 Phương pháp chuyên gia :

2.2.5 Phương pháp chuyên gia :

Trong nhữõng năm gần đây nhiều nước đã áp dụng phương pháp chuyên gia có trọng lượng, dựa trên những hiểu biết sâu sắc của các chuyên gia giỏi về các lĩnh vực của các ngành để dự báo các chỉ tiêu kinh tế Cũng có khi dùng phương pháp này để dự báo triển vọng, lúc ấy người ta lấy trung bình trọng lượng ý kiến của các chuyên gia phát biểu về năng lượng của nước mình

2.2.6 Phương pháp san bằng hàm mũ :

2.2.6 Phương pháp san bằng hàm mũ :

Mỗi toán tử dự báo được đặc trưng bởi một hàm hồi quy (còn 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 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 tuỳ thuộc vào khoảng thời gian dự báo Nếu tầm dự báo càng xa thì sai số càng lớn Ngoài ra nhận thấy rằng những số liệu gần hiện tại có ảnh hưởng đến giá trị dự báo nhiều hơn những số liệu ở quá khứ xa Nói cách khác tỉ trọng của các số liệu đối với giá trị dự báo giảm theo hàm mũ khi lùi về quá khứ

Dưới đây trình bày phương pháp dự báo bằng cách san bằng hàm mũ Nội dung cơ bản của phương pháp này là tính toán sự hiệu chỉnh các hệ số của toán tử dự báo theo phương pháp truy ứng Tiếp theo trình bài sự phụ thuộc của sai số dự báo trung bình vào thời kỳ quá khứ và thời kỳ dự báo Phương pháp này được sử dụng khá rộng rải trong quy hoạch phát triển hệ thống điện

Dự báo theo phương pháp san bằng hàm mũ

Giả thiết có một chuỗi thời gian yt (t=1,2,…,n) và được mô tả bằng một đa thức bậc p

yt+l = yt(0) + l yt(1) + (2)

t

2

y

!2

Trong đó yt(k) là đạo hàm bậc k tại thời điểm t, và bất cứ đạo hàm bậc k nào (với k=0,1,2,…, p) của phương trình (2.5) đều có trể biểu diển bằng một tổ hợp tuyến tính của trung bình mũ đến bậc (p+1), và ta cần xác định trung bình mũ ấy

Giá trị trung bình mũ bậc một của chuỗi yt xác định như sau :

y ) 1

Trong đó α là hệ số san bằng 0 < α < 1, nó thể hiện ảnh hưởng của các quan sát quá khứ đến dự báo Nếu α tiến tới 1, nghĩa là chỉ xét đến quan sát sau cùng Nếu α tiến tới không, nghĩa là xét đến ảnh hưởng của mọi quan sát trong quá khứ

Giá trị trung bình mũ bậc k của chuỗi yt được biểu diễn theo bậc [k-1]

S ) 1

Brown.R.G đã phân tích công thức truy ứng để xác định trung bình mũ như sau:

St[k] (y)= α St[k-1] (y) +(1-α) St-1[k] (y) (2.15)

Như vậy xuất phát từ công thức truy ứng (2.15) tất cả các đạo hàm trong công thức (2.5) đều có thể nhận được theo các phương trình :

=

−+

=

−+

1()(

1()(.)

(

)()

1(.)

(

] [ 1 ]

1 [ ]

[

] 2 [ 1 ]

1 [ ]

2

[

] 1 [ 1 ]

1

[

y S y

S S

y S y

S y

S

y S y

y

S

n t n

t n

t

t t

t

t t

t

αα

αα

αα

Trong đó St[k] (y) là trung bình mũ bậc k tại thời điểm t

Xác định các giá trị của hệ số mô hình dự báo

Bây giờ xét một mô hình tuyến tính có dạng

Để xác định các hệ số của phương trình (2.17) ta dùng định lý cơ bản của Brow R.G và Meyer R.F, nhận được một hệ thống phương trình biểu diển mối quan hệ giữa giá trị các hệ số a0, a1 với trung bình mũ St[1] (y), St[2] (y) như sau:

−+

] 2 [

1 0

] 1 [

.)1(2)

(

1)

(

a a

y S

a a

y S

t

t

ααα

( [ 1

) ( )

( 2

] 2 [ ]

1 [ 1

] 2 [ ]

1 [ 0

y S y S a

y S y S a

t t

t t

Xác định điều kiện đầu

Từ công thức (2.18) ở trên nhận thấy rằng, muốn xác đinh thủ tục san bằng cần phải quy định đại lượng ban đầu (điều kiện đầu kí hiệu là S0(y))

Điều kiện đầu đối với mô hình (2.10) có dạng

] 2 [

0

1 0

] 1 [

0

.)1(2

.1

a a

S

a a

S

ααα

α

(2.22)

Xác định thông số san bằng α tối ưu

Khi xây dựng mô toán tử dự báo theo phương pháp san bằng hàm mũ một vấn đề quan trọng cần quan tâm là xác định thông số san bằng tối ưu α Rõ ràng là với mỗi α khác nhau thì kết quả dự báo sẽ khác nhau Giá trị α được tính theo công thức sau:

1

2 +

=

m

Trong đó m là số quan sát được trong khoảng san bằng

2.2.7 Phương pháp ngoại suy theo thời gian (Chuỗi thời gian):

2.2.7 Phương pháp ngoại suy theo thời gian (Chuỗi thời gian):

Ở đây chúng ta dùng phương pháp ngoại suy theo thời gian nghĩa là 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 đoán trong tương lai Trong phương pháp này có rất nhiều mô hình dự báo Ở đây xin giới thiệu những mô hình thường sử dụng sau đây:

2.2.7.1 Mô hình có dạng hàm giải tích:2.2.7.1 Mô hình có dạng hàm giải tích:

Giả sử mô hình có dạng hàm mũ như sau:

Trong đó:

At : Điện năng dự báo ở năm thứ t

A0 : Điện năng ở năm chọn làm gốc

α : Tốc độ phát triển bình quân hàng năm

t : Thời gian dự báo

Để xác định thừa số (1+α) chúng ta dựa vào biểu thức (2.3)

const A

A

t

t

=+

Như vậy dạng hàm mũ có dạng đơn giản, phản ánh chỉ số phát triển hàng năm không thay đổi Có thể xác định hằng số C bằng cách lấy giá trị trung bình nhân chỉ số phát triển nhiều năm :

C = n C1.C2 Cn (2.25)

Một cách tổng quát mô hình dự báo điện năng có thể viết như sau:

Lấy logarit hóa biểu thức (2.26) ta được

Đặt y = logAt ; a = logA0 ; b = logC

Thì (2.27) có thể viết:

chỉ cho kết quả chính xác nếu tương lai không có nhiễu và quá khứ phải tuân theo một qui luật

2.2.7.2 Mô hình Br2.2.7.2 Mô hình Brown :own :own :

Hàm dự báo tuyến tính có dạng :

Y = a + b.t

Ta có các công thức tính các hệ số của mô hình như sau :

a(t) = a(t-1) + b(t-1) + (1-β²).e(t-1) ;

b(t) = b(t-1) + (1-β)².e(t-1)

Trong đó: β hệ số

2.2.7.3 Mô hì

2.2.7.3 Mô hình Baeys :nh Baeys :nh Baeys :

Chuỗi thời gian y có phân bố f(y|θ) (phụ thuộc vào θ) Đánh giá mới sẽ thu được ở dạng h1(θ|y) gọi là phân phối hậu nghiệm theo Bayes:

h1(θ/y) =

) (

) / ( ) (

0

y g

y f

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

W là ma trận trọng số

2.2.7.5 Mô hình theo Wavelet :

2.2.7.5 Mô hình theo Wavelet :

Hàm phân bố có dạng:

tb i

i i N

(

1

với: N: số wavelet:

ω : Trọng số mô hình

ψ : Hàm mẹ (mother)

Di : Ma trận tỉ lệ

Ri : Ma trận quay;

t : biến của hàm

ti : Hệ số truyền dẫn (translation)

Gtb: Trung bình cộng của biến đầu vào

2.2.8 Phương pháp tương quan :2.2.8 Phương pháp tương quan :

Thực chất của phương pháp này là nghiên cứu mối tương quan giữa các thành phần kinh tế nhằm phát hiện những quan hệ về mặt định lượng của các tham số trong nền kinh tế quốc dân dựa vào các phương pháp thống kê toán học Cụ thể là chúng ta nghiên cứu sự tương quan giữa điện năng tiêu thụ với các chỉ tiêu kinh tế khác như tổng giá trị sản lượng công nghiệp (đồng/năm)

Ví dụ 2.2 Tổng điện năng tiêu thụ, tổng giá trị sản lượng công nghiệp và tổng sản lượng kinh tế quốc dân từ năm 1959 -> 1976 được ghi thành bảng 2-1 sau:

C0 C1 C2 C17

K0 K1 K2 K17

Muốn dự báo điện năng đến năm 1980 và 1985, ta dựa vào bảng các giá trị quan sát trên, xây dựng mô hình biểu diễn sự tương quan giữa điện năng với giá trị sản lượng công nghiệp và giá trị sản lượng kinh tế quốc dân Sau đấy dùng phương pháp ngoại suy xác định giá trị sản lượng công nghiệp và giá trị sản lượng kinh tế quốc dân năm dự báo 1980, 1985 Cuối cùng thay giá trị sản lượng công nghiệp và giá trị sản lượng kinh tế quốc dân của năm dự báo vào mô hình tương quan trên chúng ta sẽ xác định được điện năng dự báo năm 1980, 1985 Nhược điểm của phương pháp tương quan là muốn dự báo điện năng ở năm thứ t, chúng

ta phải thành lập các mô hình dự báo phụ về sản lượng công nghiệp ở năm thứ t, giá trị sản lượng kinh tế quốc dân theo thời gian

Mô hình tương quan thường được sử dụng có dạng :

Y = f(x1,x2,…xn)

Trong đó các xi có thể là:

Điện năng của năm trước đó

Dân cư (lịch sử và dự báo)

Tổng sản lượng quốc gia (GSP, lịch sử và dự báo)

Chỉ số giá tiêu thụ (CPI, lịch sử và dự báo)

Giá điện (lịch sử và dự báo)

2.3 KẾT QUẢ DỰ

2.3 KẾT QUẢ DỰ BÁO CỦA MỘT SỐ PHƯƠNG PHÁP :BÁO CỦA MỘT SỐ PHƯƠNG PHÁP :BÁO CỦA MỘT SỐ PHƯƠNG PHÁP :

Dự báo theo phương pháp san bằng hàm mũ: Dự báo theo phương pháp san bằng hàm mũ:

Xây dựng mô hình dự báo điện năng có dạng: At = A0.Ct

Trong đó At : Điện năng dự báo của năm thứ t

A0 : Điện năng chọn làm gốc

C : Hằng số

Lấy logarit 2 vế, ta có :

LogAt = logA0 + t.logC

Viết lại như sau :

y = a0 + a1.t

Với y = logAt

a0 = logA0

a1 = logC

Phân tích số liệu:

Bảng số liệu điện năng At (MWh) của tỉnh Bình Dương từ năm 1987 đến năm 2004 Ta sẽ lấy mẫu từ năm 1987 đến năm 2001, khoảng san bằng ở đây ta sẽ lấy 15 mẫu quan sát Ta bắt đầu dự báo cho cột đầu tiên (năm thứ 1, tức năm 1987)

Bảng 2.2

Bảng 2.2: Bảng số liệu cơ sở :

m: Số mẫu quan sát trong khoảng san bằng

At: Điện năng thực tế

Dùng phương pháp bình phương tối thiểu để xác định các hệ số a0, a1 ta có hệ phương trình sau:

=+

i i i

y nb x

a

y x x

x

a

1 1

Sai soá e%e%

Bây giờ ta tiến hành dự báo từ năm 2001 – 2004

Sai số trung bình

Nhận xét Nhận xét

- Kết quả dự báo còn sai số rất lớn (sai số trung bình là 18.66%) có trường hợp sai số còn vượt quá 20% Trong khi đó yêu cầu của thực tế ngày càng đòi hỏi sự chính xác, do đó cần phải tìm mô hình mới phù hợp hơn

- Trong đề tài luận văn này đề cập đến việc ứng dụng mạng neural trong dự báo phụ tải điện Tính ưu việt của mạng Neural thể hiện qua những thế mạnh sau:

+ Mạng Neural cho phép ta thay thế thời gian người bằng thời gian máy, do đó tiết kiệm được chi phí

+ Mạng Neural có thể tạo ra một mô hình tốt hơn với những qua hệ giữa các biến nhập và biến xuất phức tạp hơn

+ Có thể xây dựng mô hình mạng Neural có nhiều đầu vào và ra, trong khi các mô hình cổ điển thường chỉ có một mà thôi

+ Có những dạng mạng Neural có thể có những khả năng mà phương pháp cổ điển không thể có Như việc xử lý các mẫu xuất hiện không thường xuyên hoặc những số liệu mang tính đột biến cao

+ Với sự xuất hiện của giải thuật truyền ngược sai số (BackPropagation) việc ứng dụng mạng Neural vào thực tế trở nên khá dễ dàng

Nội dung chi tiết sẽ được trình bày trong các chương sau

CHƯƠNG 3 :

CHƯƠNG 3 :

TỔNG QUAN VỀ MẠNG NEURAL TỔNG QUAN VỀ MẠNG NEURAL

3.1 LỊCH SỬ PHÁT TRIỂN CỦA MẠNG NEURAL

3.1 LỊCH SỬ PHÁT TRIỂN CỦA MẠNG NEURAL

Năm 1936, Alan Turing là người đầu tiên xem bộ não như một mô hình xử lý thông tin Năm 1943, Warren McCulloch và Walter Pitts đã đề xuất cách hoạt động của các Neural, họ đã tạo ra một mạng Neural đơn giản bằng các mạch điện Từ đó các nhà khoa học lao vào nghiên cứu các bộ máy thông minh

Năm 1949, Donall Hebb đề xuất một giải thuật huấn luyện mạng Neural rất nổi tiếng, mà ngày nay nó vẫn còn được sử dụng

Thập niên 50 là thời kỳ mà mạng Neural phát triển cả phần cứng lẫn phần mềm Nathaniel Rochester và một số người khác từ các phòng thí nghiệm của IBM đã xây dựng phần mềm mô phỏng mạng Neural dựa trên giải thuật của Hebb

Năm 1957, Frank Roseblantt bắt đầu nghiên cứu về mạng Perceptron và đã thành công trong việc thiết kế Mack I Perceptron nuerocomputer, đó là mạng Neural cổ điển nhất vẫn còn sử dụng đến ngày nay

Năm 1959, Bernard Widrow và Marcian Hoff đã xây dựng mạng Adaline, nó là áp dụng đầu tiên của mạng Neural vào thực tế để dập tiếng vọng trên đường dây điện thoại

Năm 1967, Avanlanche áp dụng các mạng Neural vào việc nhận dạng giọng nói, điều khiển motor và một số ứng dụng khác

Từ năm 1969 đến năm 1981 mạng Neural rơi vào trạng thái im lặng cả về nghiên cứu và ứng dụng Tuy nhiên, có thể kể đến bài báo cáo của Marvin Minsky và Seymour Papert bình luận về mạng perceptron, các nghiên cứu về quá trình học của mạng nhiều lớp, mạng tự tổ chức (Self Organization) của Teuvo Kohonen, mạng kiểu bộ nhớ kết hợp (BAM – Bidirectional Associative Memory) của Anderson và mạng ART (Adaptive Resonance Theory Neural Networks) của Capenter

Năm 1982, John Hopfield công bố một công trình về mạng Neural một lớp trên National Academy of Sciences, nó được coi là một động lực lôi kéo các nhà khoa học quay trở lại nghiên cứu về mạng Neural Đây là thời kỳ phục hưng của các nghiên cứu và ứng dụng mạnh mẽ của mạng Neural với các nghiên cứu về giải thuật lan truyền ngược sai số (Backpropagation of error), mạng Boltzmann, mạng Neocognitron của Fukushima

Từ cuối thập niên 80, đầu thập niên 90 đến nay, mạng Neural đã khẳng định được vị trí của mình trong nhiều ứng dụng khác nhau

3.2 MẠNG NEURAL VÀ CÁC KHÁI NIỆM CƠ BẢN

3.2 MẠNG NEURAL VÀ CÁC KHÁI NIỆM CƠ BẢN

3.2.1 Giới thiệu về mạng Neural3.2.1 Giới thiệu về mạng Neural3.2.1 Giới thiệu về mạng Neural

Mạng Neural là mạng mà được xây dựng bằng cách sao chép lại các nguyên lý tổ chức của hệ Neural con người Bộ óc con người là một hệ Neural gồm có

1010 đến 1012 Neural được tổ chức có cấu trúc vào khoảng 200 mô hình khác nhau dưới dạng nhiều lớp Cấu trúc cơ bản của một Neural trong hệ Neural con người gồm có đó là các đầu vào (input) thân Neural và đầu ra (output) Thân Neural là phần tử xử lý có chức năng thu thập tất cả các thông tin từ các đầu vào tính toán và đưa ra các quyết định ở ngõ ra để gửi tín hiệu đến các Neural khác như mô tả

Cũng giống như hệ Neural con người, mạng Neural nhân tạo bao gồm lớp đầu vào, các lớp ẩn và lớp Neural đầu ra Trong mạng, đầu ra của Neural này kết nối với đầu vào của nhiều Neural khác hoặc kết nối với đầu vào của Neural chính nó Cường độ các kết nối xác định lượng tín hiệu truyền đến đầu vào Giá trị của cường độ kết nối được gọi là trọng số Trong thời gian hệ tiếp xúc với một vài đối tượng, một số phần tử cảm biến bị tác động, cường độ kết nối của một số Neural thích hợp trong hệ sẽ được gia tăng nhằm cung cấp thông tin về đối tượng mà hệ tiếp xúc và đưa ra các quyết định ở lớp đầu ra Quá trình này được gọi là quá trình học, sự thay đổi của các trọng số trong quá trình này gọi là luật học

Để xây dựng một mạng Neural giống như hệ Neural con người, ý tưởng đầu tiên của Mc.culloch và Pitts vào năm 1943 đề ra cấu trúc cơ bản của một Neural thứ i trong mô hình của mạng Neural nhân tạo như hình 3.2

Hình 3.1Hình 3.1

Thân Neural

Output Input

Trong đó:

- xj là đầu ra của Neural thứ j hoặc đầu vào tứ môi trường bên ngoài

- wi,j là trọng số kết nối giữa Neural thứ i và Neural thứ j

- b là một hằng số (Bias), thường là 0 hoặc 1

- ai là đầu ra của Neural thứ i

- f là hàm truyền

- net là đối số của hàm f

net = wi,1.x1 + wi,2.x2 + … + wi,r.xr + b (3.1)

ai = f(n) (3.2)

Các thông số:

+ Đầu vào (input): Thông số hay dữ liệu đầu vào

+ Đầu ra (output) : Thông số hay dữ liệu đầu ra

+ Trọng số(Weight) : Kết nối giữa hai Neural trong mạng Neural gọi là trọng số, chúng có thể điều chỉnh được Khi các tín hiệu được đưa vào Neural để xử lý thì nó được nhân với hệ số ảnh hưởng của mạng giữa hai lớp, gọi là hệ số trọng số w và sau đó được biến đổi bởi hàm phi tuyến (hàm truyền)

Bias: Bias: Bias: Là hằng số được đưa trực tiếp vào mạng Neural thông qua bộ tổng, cũng có thể đưa vào mạng thông qua input với trọng số nhân với nó là w=1 Bias cho phép thay đổi đường phân chia về phía dưới, hoặc trên gốc toạ độ

Tốc độ dạy: Tốc độ dạy: Tốc độ dạy: Đây là thông số rất quan trọng, nó quyết định đến kết quả của quá trình huấn luyện Nếu n quá lớn thì quá trình tính toán nhanh nhưng kết quả toàn cục sẽ không tìm được, ngược lại, nếu n quá nhỏ thì kết quả toàn cục tìm được nhưng số bước tính toán lại rất nhiều Để quá trình tính toán đạt hiệu quả người ta thường chọn 0.1 < n < 1

Hàm truyền (Hàm truyền (hàm kích hoạt, hàm hoạt động): ): Hàm truyền của Neural được biểu diễn bởi hàm f(x) Nó định nghĩa tín hiệu output của Neural nếu tín hiệu input đã được biết trước Tác dụng của hàm truyền là làm cho các tín hiệu nhập gần với tín hiệu xuất chuẩn

Trong Toolbox của Matlab có sẵn các hàm hoạt động sau:

Hình 3.3Hình 3.3Hình 3.3 Hình 3.4 Hình 3.4 Hình 3.4

H

Hình 3.5 Hình 3.6ình 3.5 Hình 3.6ình 3.5 Hình 3.6

Hình 3.7 Hình 3.7 Hình 3.8 Hình 3.8 Hình 3.8

Hình 3.9 Hình 3.9 Hình 3.10 Hình 3.10 Hình 3.10

e)

x(

Việc lựa chọn hàm truyền ảnh hưởng đến thời gian dạy mạng và được xác định bởi:

- Đặc tính của bài toán (tuyến tính, phi tuyến, liên tục, gián đoạn )

- Thuận lợi cho việc ứng dụng máy tính

- Thuật toán dạy mạng

+ Lớp

+ Lớp (layer): Mạng Neural có thể có một hay nhiều lớp Lớp đầu vào gọi là input layer, lớp cuối cùng có giá trị đầu ra là output thì gọi là output layer (lớp output) Các lớp còn lại gọi là hidden layer (lớp ẩn)

+ Khái niệm dạy mạng

+ Khái niệm dạy mạng: là quá trình làm thay đổi các thông số trong mạng (trọng số, Bias) cho phù hợp với kích thích bên ngoài, sau đó chúng lưu giữ các giá trị này Cách dạy được xác định thông qua cách thức thay đổi thông số

Đó là:

-Mạng Neural được kích thích bởi đầu vào

- Mạng Neural thay dổi các thông số theo kết quả kích thích

- Mạng Neural phản ứng lại một kích thích mới bằng những thay đổi tìm thấy trong cấu trúc mạng

3.2.2 Phân loại mạng Neural :

3.2.2 Phân loại mạng Neural :

3.2.2.1 Phân loại theo cấu trúc :

3.2.2.1 Phân loại theo cấu trúc :

Mô hình kết nối của các mạng Neural nhân tạo dựa vào cấu trúc có thể được chia ra làm hai loại: Mạng nuôi tiến và mạng nuôi lùi

a

a Mạng nuôi tiến (feedMạng nuôi tiến (feedMạng nuôi tiến (feed forward) :forward) :forward) :

Hình 3.12Hình 3.12 Các Neural tạo thành nhóm trong các lớp , tín hiệu truyền từ lớp input đến lớp ouput Các Neural không cùng lớp thì nối với nhau nhưng các Neural cùng lớp thì không nối với nhau Ví dụ như mạng perceptron nhiều lớp , mạng chuẩn hoá vecto học hỏi , mạng điều khiển phát âm và mạng lưu trữ dữ liệu

b Mạng hồi qui (recurrent) :

b Mạng hồi qui (recurrent) :

Hình 3.13Hình 3.13

Các đầu ra của một số Neural hồi tiếp lại chính nó hay các Neural ở các lớp

kế cận Mạng recurrent có bộ nhớ động, ngõ ra của nó phản ánh input hiện hành

như các input và output trước đó Ví dụ như mạng Hopfied, mạng Elman, mạng

Jordan

3.2.2.2 Phân l

3.2.2.2 Phân loại theo phương pháp dạy:oại theo phương pháp dạy:oại theo phương pháp dạy:

a a a Mạng học hỏi có giám sátMạng học hỏi có giám sátMạng học hỏi có giám sát

Thuật toán này dùng để điều chỉnh sự khác nhau giữa các output thực tế và

output yêu cầu tương ứng từng mẫu đưa vào Ví dụ như qui tắc delta do Windrow

và Hoff đưa ra vào năm 1960, thuật toán giải thuật lan truyền ngược

(backpropagation) do Rumelhart và Mc Clellan đưa ra năm 1986, thuật toán

vector học hỏi do Kohonen đưa ra năm 1989

b

b Mạng học hỏi không giám sát :Mạng học hỏi không giám sát :Mạng học hỏi không giám sát : Thuật toán này không đòi hỏi cần biết trước ngõ ra yêu cầu Trong quá trình

huấn luyện các mẫu nhập đưa vào mạng và thuật toán tự điều chỉnh các trọng số

kết nối, các mẫu nhập có đặc điểm tương tự sẽ ở trong cùng một lớp Ví dụ như

thuật toán học hỏi cạnh tranh ATR của Carpenter và Grossberg đưa ra vào năm

1988

c Mạng học hỏi có điều chỉnh :

c Mạng học hỏi có điều chỉnh : Thuật toán học hỏi có điều chỉnh sử dụng tiêu chuẩn đánh giá các đặc điểm

tốt của output mạng tương ứng và input đưa vào Ví dụ như thuật toán Gen do

Holland đưa ra năm 1975

Mạng

Mạng Neural

Neural w

Hình Hình 3333.14.14.14 Mô hình mạng huấn luyện có giám sát

Mạng Neural

Neural w

w

Hình Hình 3333.15.15.15 Mô hình huấn luyện không giám sát

Đầu ra thực tế y Đầu vào x

3.2.3 Cấu trúc mạng Neural3.2.3 Cấu trúc mạng Neural3.2.3 Cấu trúc mạng Neural

3.2.3.13.2.3.13.2.3.1 Mạng Neural có một lớp : Mạng Neural có một lớp : Mạng Neural có một lớp :

Bao gồm các phần tử xử lý trên cùng mức

Trong đó:

- pi : Dữ liệu đầu vào

- a = f(wp + b) (3.3)

- R : Số lượng vecto đầu vào

- S : Số lượng Neural trong một lớp

Tín hiệu Hồi tiếp

Mạng Neural

Hình

Hình 3333.16 16 16 Mô hình huấn luyện có điều chỉnh

Đầu ra thực tế y Đầu vào x

Tín hiệu tăng cường

Hình 3Hình 3.17.17.17 Mạng Neural nuôi tiến một lớp

Trong mạng này, mỗi đầu vào p được nối với mỗi Neural thông qua ma trận trọng số W Mỗi Neural có một bộ tổng để cộng các trọng số và bias Kết quả của chúng là đầu vào của hàm f

Thường thì số vector đầu vào khác với số Neural (R≠S) Trong mạng không bắt buộc số đầu vào bằng số Neural (R = S)

Ma trận trọng số wMa trận trọng số wMa trận trọng số w

R 2, 2,2 1 , 2

R 1, 1,2 1 , 1

w w

w w

w w

S

w

w w W

Chỉ số hàng trong ma trận cho biết nơi đến Neural và chỉ số cột cho biết nơi

bắt đầu xuất phát từ input của trọng số

Ví duVí duVí dụ: W1,2 cho biết trọng số xuất phát từ input thứ 2 và kết thúc ở Neural thứ

3.2.3.23.2.3.23.2.3.2 Mạng Neural nhiều lớp : Mạng Neural nhiều lớp : Mạng Neural nhiều lớp :

Trong mạng Neural có thể có nhiều lớp Mỗi lớp có 1 ma trận trọng số w và 1 bias b, và một output a Lớp Neural đầu tiên gọi là lớp đầu vào, lớp

Hình 3.18Hình 3.18 Mạng Neural nuôi lùi một lớp

gọi là lớp ẩn gọi là lớp ẩn Trong mạng Neural 1 lớp, chỉ có 1 lớp Neural đầu vào, 1 lớp đầu ra và 1 lớp ẩn Để phân biệt các giá trị này trong các lớp ta dùng các chỉ số như hình vẽ bên dưới

Hình 3.19Hình 3.19 Mạng Neural nuôi tiến nhiều lớp

Lớp cuối cùng có giá trị đầu ra là output thì gọi là output layer, lớp đầu vào (input) gọi là input layer Các lớp còn lại gọi là hidden layer (lớp ẩn) Một vài tác giả thì cho rằng input là lớp thứ 4

Hình 3.20Hình 3.20 Mạng Neural nuôi lùi nhiều lớp