Dự báo phụ tải sử dụng mạng neural mờ

Nhu cầu sử dụng điện cũng rất cao, do vậy việc dự báo phụ tải điện được đặt lên hàng đầu trong việc thiết kế và vận hành hệ thống điện.. Do đó, trong tài liệu này chúng ta đi vào nghiên

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:

Cán bộ chấm nhận xét 2:

Luận văn thạc sĩ được bảo vệ tại :

HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HỒ CHÍ MINH

Ngày tháng năm 2009

NHẬN XÉT LUẬN VĂN THẠC SĨ

(Nhận xét của CB hướng dẫn Nhận xét của CB phản biện )

Họ và tên học viên: Phạm Trung Duy Đề tài luận văn: DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NEURAL MỜ Chuyên ngành: Thiết bị, Mạng & Nhà máy Điện Người nhận xét (họ tên, học hàm, học vị):

Cơ quan công tác (nếu có):

Ý KIẾN NHẬN XÉT 1 Về nội dung & đánh giá thực hiện nhiệm vụ nghiên cứu của đề tài:

2 Về phương pháp nghiên cứu, độ tin cậy của các số liệu:

3 Về kết quả khoa học của luận văn:

5 Những thiếu sót & vấn đề cần làm rõ (nếu có):

6 Ý kiến kết luận (mức độ đáp ứng yêu cầu đối với LVThS; cho điểm đánh giá LV):

7 Câu hỏi của người nhận xét dành cho học viên (nếu có):

TP.HCM, ngày tháng năm 2009 NGƯỜI NHẬN XÉT

NHẬN XÉT LUẬN VĂN THẠC SĨ

(Nhận xét của CB hướng dẫn Nhận xét của CB phản biện )

Họ và tên học viên: Phạm Trung Duy Đề tài luận văn: DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NEURAL MỜ Chuyên ngành: Thiết bị, Mạng & Nhà máy Điện Người nhận xét (họ tên, học hàm, học vị):

Cơ quan công tác (nếu có):

Ý KIẾN NHẬN XÉT 1 Về nội dung & đánh giá thực hiện nhiệm vụ nghiên cứu của đề tài:

2 Về phương pháp nghiên cứu, độ tin cậy của các số liệu:

3 Về kết quả khoa học của luận văn:

5 Những thiếu sót & vấn đề cần làm rõ (nếu có):

6 Ý kiến kết luận (mức độ đáp ứng yêu cầu đối với LVThS; cho điểm đánh giá LV):

7 Câu hỏi của người nhận xét dành cho học viên (nếu có):

TP.HCM, ngày tháng năm 2009 NGƯỜI NHẬN XÉT

NHẬN XÉT LUẬN VĂN THẠC SĨ

(Nhận xét của CB hướng dẫn Nhận xét của CB phản biện )

Họ và tên học viên: Phạm Trung Duy Đề tài luận văn: DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NEURAL MỜ Chuyên ngành: Thiết bị, Mạng & Nhà máy Điện Người nhận xét (họ tên, học hàm, học vị):

Cơ quan công tác (nếu có):

Ý KIẾN NHẬN XÉT 1 Về nội dung & đánh giá thực hiện nhiệm vụ nghiên cứu của đề tài:

2 Về phương pháp nghiên cứu, độ tin cậy của các số liệu:

3 Về kết quả khoa học của luận văn:

5 Những thiếu sót & vấn đề cần làm rõ (nếu có):

6 Ý kiến kết luận (mức độ đáp ứng yêu cầu đối với LVThS; cho điểm đánh giá LV):

7 Câu hỏi của người nhận xét dành cho học viên (nếu có):

TP.HCM, ngày tháng năm 2009 NGƯỜI NHẬN XÉT

Tp HCM, ngày 03 tháng 12 năm 2009

NHIỆM VỤ LUẬN VĂN THẠC SĨ

I- TÊN ĐỀ TÀI:

DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NEURAL MỜ

II- NHIỆM VỤ VÀ NỘI DUNG:

1 Tổng quan về dự báo phụ tải

2 Tìm hiểu mạng neural và logic mờ

3 Ứng dụng mạng neural mờ cho bài toán dự báo phụ tải

4 Áp dụng dự báo phụ tải thành phố Hồ Chí Minh

III- NGÀY GIAO NHIỆM VỤ: 02 – 02 – 2009

IV- NGÀY HOÀN THÀNH NHIỆM VỤ: 03 – 12 – 2009

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

Sau một thời gian học tập và nghiên cứu tại trường học Bách Khoa Tp.Hồ Chí Minh, nay tôi đã hoàn thành đề tài tốt nghiệp cao học của mình Để có thành quả này, tôi đã nhận được rất nhiều sự hỗ trợ và giúp đỡ tận tình từ thầy cô, gia đình, đồng nghiệp và bạn bè

Tôi xin trân trọng bày tỏ lòng biết ơn sâu sắc, chân thành đến PGS TS Phan Thị Thanh Bình, người đã tận tình hướng dẫn tôi thực hiện luận văn này

Xin cảm ơn tất cả quí Thầy Cô trường Đại học Bách Khoa Tp Hồ Chí Minh đã trang bị cho tôi một lượng kiến thức rất bổ ích Đặc biệt, tôi xin chân thành cảm ơn quí Thầy Cô Bộ môn Hệ Thống Điện & Cung Cấp Điện đã tạo điều kiện thuận lợi và hỗ trợ cho tôi rất nhiều trong quá trình học tập cũng như trong thời gian làm luận văn này

Tôi xin gởi lời cảm ơn chân thành nhất đến các đồng nghiệp, gia đình, bạn bè đã giúp đỡ cho tôi rất nhiều, đã tạo cho tôi niềm tin và nỗ lực cố gắng để hoàn thành luận văn này

Xin chân thành cảm ơn!

Tp Hồ Chí Minh, tháng 12 năm 2009

Học viên

Phạm Trung Duy

Dự báo phụ tải điện đóng một vai trò hết sức quan trọng trong việc lập kế hoạch thiết kế và vận hành hệ thống điện Dự báo sẽ giúp chúng ta định hướng được phương hướng và kế hoạch cho tương lai, chủ động trong công việc và xử lý được những biến cố phát sinh Nếu như không có công việc dự báo phụ tải điện, ta sẽ gặp phải hai trường hợp có thể xảy ra: thứ nhất là chúng ta sẽ thiếu hụt điện năng sử dụng, thứ hai là chúng ta sẽ sản xuất ra một lượng điện năng dư thừa vô ích

Đối với trường hợp thiếu hụt điện năng, chúng ta sẽ không có đủ điện để phục

vụ cho nhu cầu sinh hoạt, giải trí và không đủ điện để cung cấp cho nền kinh tế quốc dân Điều đó gây ra một hậu quả hết sức nghiêm trọng: các dây chuyền tự động, các máy móc, thiết bị sẽ ngưng hoạt động…, nền kinh tế sẽ bị ảnh hưởng Đối với trường hợp dư thừa điện năng, không giống như các loại hàng hoá khác, điện năng có tính chất đặc biệt là không thể để dành hay cất vào kho khi dư thừa Do vậy chúng ta sẽ bị lãng phí một lượng lớn điện năng dư thừa vô ích, gây thiệt hại kinh tế cho đất nước

Để đảm bảo lượng điện năng sản xuất ra không thừa và cũng không thiếu so với nhu cầu sử dụng thì bài toán dự báo phụ tải điện cần được quan tâm Việc dự báo chính xác góp phần cải thiện chất lượng điện năng cũng như giảm chi phí sản xuất, vận hành và đảm bảo an toàn cho hệ thống điện

Thành phố Hồ Chí Minh là thành phố lớn nhất, đông dân nhất và có nền kinh

tế phát triển nhất trong cả nước Nhu cầu sử dụng điện cũng rất cao, do vậy việc dự báo phụ tải điện được đặt lên hàng đầu trong việc thiết kế và vận hành hệ thống điện Do đó, trong tài liệu này chúng ta đi vào nghiên cứu mô hình kết hợp mạng neuron và logic mờ để dự báo phụ tải điện cho thành phố Hồ Chí Minh tại các ngày trong năm

Nội dung của luận văn:

Luận văn được trình bày trong 6 chương được sắp xếp như sau:

CHƯƠNG 0: ĐẶT VẤN ĐỀ

Nêu lên sự cần thiết phải dự báo phụ tải điện tiêu thụ Các phương pháp dự báo phụ tải Phân tích nhiệm vụ, các bước tiến hành và phạm vi nghiên cứu của luận văn

CHƯƠNG 1 TỔNG QUAN

Giới thiệu cái nhìn tổng quát về các công trình nghiên cứu về đề tài dự báo phụ tải bằng mạng neuron mờ trên thế giới

Tìm hiểu cơ sở lý thuyết của mạng neuron, logic mờ và sự kết hợp giữa mạng neuron và logic mờ

CHƯƠNG 3: THIẾT LẬP MÔ HÌNH DỰ BÁO PHỤ TẢI BẰNG MẠNG NEURON MỜ

Đưa ra mô hình dự báo phụ tải bằng mạng neuron kết hợp với logic mờ Mạng neuron sẽ dự báo phụ tải thô, còn hệ chuyên gia mờ sẽ hiệu chỉnh dựa vào các yếu

tố như nhiệt độ hoặc ngày lễ

CHƯƠNG 4: DỰ BÁO PHỤ TẢI NGẰN HẠN THÀNH PHỐ HỒ CHÍ MINH

Áp dụng mô hình đã xây dựng vào dự báo phụ tải ngắn hạn của khu vực thành phố Hồ Chí Minh Xây dựng tập dữ liệu huấn luyện và hiệu chỉnh sai số dựa vào nhiệt độ trung bình để đạt được kết quả dự báo tốt

CHƯƠNG 5: KẾT LUẬN VÀ MỞ RỘNG

Tổng kết lại những gì đã làm được trong luận văn Ý nghĩa thực tiễn và đề xuất hướng phát triển mới

NHẬN XÉT i

NHIỆM VỤ LUẬN VĂN viii

LỜI CÁM ƠN ix

TÓM TẮT x

MỤC LỤC xii

CHƯƠNG 0: ĐẶT VẤN ĐỀ 1

CHƯƠNG 1: TỔNG QUAN 4

CHƯƠNG 2: TÌM HIỂU VỀ MẠNG NEURON MỜ 11

2.1 MẠNG NEURON 11

2.1.1 Neuron và mạng neuron nhân tạo 11

2.1.2 Phân loại mạng neuron nhân tạo 13

2.1.3 Một số loại mạng neuron 14

2.1.3.1 Mạng dẫn tiến (feedforward network) 14

2.1.3.2 Mạng hồi quy (recurrent network) 15

2.1.4 Huấn luyện mạng neuron 17

2.1.4.1 Học có giám sát 17

2.1.4.2 Học không có giám sát 17

2.1.4.3 Học tăng cường 17

2.1.4.4 Thuật toán lan truyền ngược 18

2.1.5 Ưu điểm và hạn chế của mạng neuron 22

2.2 LOGIC MỜ 22

2.2.1 Khái niệm về logic mờ 22

2.2.2 Các hệ thống suy diễn mờ 27

2.2.3 Mô hình Mamdani 28

2.2.4 Mô hình Sugeno 32

2.2.5 Mô hình Tsukamoto 33

2.2.6 Ưu điểm và hạn chế của logic mờ 34

2.3 MẠNG NEURON MỜ 35

2.3.1 Neuro-Fuzzy Systems (NFS) 35

2.3.2 Fuzzy Neural Network (FNN) 41

2.3.3 Ưu điểm của mạng neuron mờ 44

3.2 XÂY DỰNG MÔ HÌNH DỰ BÁO PHỤ TẢI NGẮN HẠN 47

3.3 PHỤ TẢI DỰ BÁO TẠM THỜI BẰNG MẠNG NEURON 48

3.4 HIỆU CHỈNH KẾT QUẢ DỰ BÁO BẰNG HỆ CHUYÊN GIA MỜ 49

3.4.1 Hiệu chỉnh đối với ngày thường 50

3.4.2 Hiệu chỉnh đối với ngày lễ 53

CHƯƠNG 4: ỨNG DỤNG MẠNG NEURON MỜ ĐỂ DỰ BÁO PHỤ TẢI NGẮN HẠN THÀNH PHỐ HỒ CHÍ MINH 56

4.1 GIỚI THIỆU 56

4.2 PHÂN TÍCH BÀI TOÁN DỰ BÁO PHỤ TẢI NGẮN HẠN 56

4.3 ẢNH HƯỞNG CỦA YẾU TỐ LOẠI NGÀY TRONG TUẦN ĐẾN BÀI TOÁN DỰ BÁO PHỤ TẢI NGẮN HẠN 58

4.4 ẢNH HƯỞNG CỦA YẾU TỐ NHIỆT ĐỘ ĐẾN BÀI TOÁN DỰ BÁO PHỤ TẢI NGẮN HẠN 60

4.5 ẢNH HƯỞNG CỦA YẾU TỐ NGÀY LỄ ĐẾN BÀI TOÁN DỰ BÁO PHỤ TẢI NGẮN HẠN 61

4.6 XÂY DỰNG TẬP HUẤN LUYỆN CHO MẠNG NEURON 66

4.7 KẾT QUẢ DỰ BÁO PHỤ TẢI KHU VỰC TP HỒ CHÍ MINH 67

4.7.1 Kiểm tra tính chính xác của bài toán dự báo phụ tải 67

4.7.2 Dự báo liên tiếp trong 30 ngày 68

4.7.3 Dự báo trong các ngày lễ 72

CHƯƠNG 5: KẾT LUẬN & MỞ RỘNG 76

PHỤ LỤC 1: CHƯƠNG TRÌNH MATLAB 78

PHỤ LỤC 2: SỐ LIỆU PHỤ TẢI VÀ NHIỆT ĐỘ 102

TÀI LIỆU THAM KHẢO 126

LÝ LỊCH TRÍCH NGANG xiv

và phân tích các hoạt động của hệ thống Trong vận hành hệ thống, bài toán dự báo được sử dụng để đưa ra các phương thức vận hành tối ưu Khi dự báo ta cần quan tâm đến tính chính xác:

- Nếu ta dự báo thừa so với nhu cầu sử dụng thì việc huy động nguồn quá lớn sẽ làm tăng vốn đầu tư dẫn đến lãng phí và có thể tăng tổn thất năng lượng

- Nếu ta dự báo phụ tải quá thấp so với nhu cầu thì sẽ không đủ năng lượng cung cấp dẫn đến việc cắt bỏ một số phụ tải không có kế hoạch gây thiệt hại cho nền kinh tế

Đã có nhiều công trình nghiên cứu về bài toán dự báo vì đây là 1 bài toán phức tạp, nhiều thuật toán đã được áp dụng để giải bài toán này, nhiều công trình trong lĩnh vực này đã được áp dụng vào thực tế Vấn đề khó khăn thường gặp trong bài toán này

là các mối liên hệ phi tuyến của các tải trong hệ thống điện, sự phụ thuộc vào nhiều yếu tố khác nhau của phụ tải Các yếu tố đó có thể là nhiệt độ môi trường, độ ẩm, điều kiện thời tiết, các yếu tố mùa trong năm, các ngày nghỉ lễ, tết …

Việt Nam là một quốc gia đang phát triển nên hệ thống điện cũng không ngừng phát triển Nhu cầu năng lượng mỗi năm một tăng khiến cho việc kiểm soát, điều khiển, vận hành ngày càng phức tạp Các phương pháp dự báo phụ tải truyền thống

thường không chính xác với thực tế vì số lượng cơ sở dữ liệu không đầy đủ, có nhiều sai số hay đòi hỏi quá nhiều thời gian tính toán Trong thực tế không tồn tại phương trình với những tham số có sẵn mà ta có thể biết được giá trị gần đúng hoặc kỳ vọng toán học Do đó, 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 Các phương pháp cổ điển sử dụng có hiệu quả khi các dữ liệu quan hệ tuyến tính với nhau, nhưng nó không thể trình bày rõ ràng các mối liên hệ các mối liên hệ phi tuyến phức tạp giữa phụ tải và các tham số liên quan

Để nâng cao tính chính xác của các phương pháp dự báo phụ tải, các nhà khoa học đã đưa vào ứng dụng kỹ thuật hiện đại như: phương pháp thống kê, phương pháp

hệ chuyên gia, phép phân tích wavelet, mạng neuron (neural network), logic mờ (fuzzy logic) và mạng neuron kết hợp với logic mờ Các phương pháp trên ngày càng được quan tâm vì kết quả dự báo chính xác hơn các phương pháp truyền thống

Trên thực tế, một phương pháp dự báo phụ tải thông dụng hiện nay đang được thực hiện là xây dựng các đồ thị phụ tải mẫu Yếu tố cho phép áp dụng các đồ thị phụ tải mẫu là do tính chất lặp lại như đã phân tích ở trên Tuy nhiên cũng do tính chất phát triển của phụ tải mà các đồ thị phụ tải mẫu này không thể áp dụng lâu dài Nói cách khác là đồ thị phụ tải mẫu cần phải được hiệu chỉnh thường xuyên theo sự thay đổi của thời tiết, sự phát triển của phụ tải

Mạng neuron mờ có ưu thế vượt trội so với các hệ thống thông minh nhân tạo khác trong lĩnh vực dự báo bởi độ chính xác cao và tốc độ dự báo nhanh Tuy nhiên việc xây dựng và triển khai ứng dụng mạng trong thực tế vẫn còn hạn chế.Vì vậy, học

viên chọn đề tài “Dự báo phụ tải sử dụng mạng Neural mờ” Đề tài này đi sâu vào

việc xây dựng một mô hình dự báo phụ tải bằng mạng neuron mờ với mong muốn có thể dự báo chính xác phụ tải điện ngắn hạn, nhằm phục vụ cho công tác xây dựng các chế độ vận hành hệ thống điện cũng như hệ thống các nguồn phát một cách hợp lý

2 Nhiệm vụ của luận văn:

- Tổng quan về dự báo phụ tải

- Nghiên cứu tìm hiểu về mạng neuron và logic mờ

- Tìm hiểu ứng dụng của mạng neuron mờ trong dự báo phụ tải

- Xây dựng mô hình dự báo phụ tải sử dụng mạng neuron mờ

- Hiện thực hóa mô hình dự báo và ứng dụng để dự báo phụ tải cho khu vực thành phố Hồ Chí Minh

- So sánh kết quả dự báo với thực tế và đưa ra hướng phát triển mới của đề tài

- Thu thập, chọn lọc các tài liệu cần thiết

- Tổng hợp và phân tích các tài liệu đã chọn lọc

- Nghiên cứu các dạng đồ thị phụ tải

- Xây dựng mô hình dự báo phụ tải bằng mạng neuron mờ

- Hiện thực hóa mô hình dự báo bằng chương trình Matlab

- So sánh các kết quả dự báo và phụ tải thực tế để đánh giá mức độ chính xác của

mô hình

5 Điểm mới của luận văn:

- Xây dựng được mô hình dự báo phụ tải ngắn hạn kết hợp giữa mạng neuron và

hệ chuyên gia mờ

6 Giá trị thực tiễn của đề tài:

- Mô hình dự báo phụ tải bằng mạng neuron mờ cho kết quả dự báo với sai số chấp nhận được khi áp dụng vào khu vực thành phố Hồ Chí Minh

CHƯƠNG 1

TỔNG QUAN

Việc ứng dụng mạng neuron và logic mờ vào dự báo phụ tải điện không còn là vấn đề quá mới mẻ trong ngành hệ thống điện Đã có khá nhiều các bài báo, tạp chí chuyên ngành nói về vấn đề này cùng nhiều phương pháp dự báo khác nhau Vào năm

1993, các tác giả T.M Peng, N.F Hubele and G.G Karady đã đưa ra bài báo:

“An Adaptive Neural Network Approach to One Week Ahead Load

Forecasting” [1]

Bài báo này thực hiện việc dự báo phụ tải cho một tuần sắp tới trong tương lai bằng mạng neuron, mà trong đó sử dụng neuron tuyến tính hoặc là tổ hợp tuyến tính có khả năng thích nghi gọi là Adaline Đối tượng nghiên cứu được sử dụng để phân tích ra các thành phần chu kỳ là chuỗi phụ tải điện năng tiêu thụ Chuỗi phụ tải chính chứa 3 thành phần: thành phần phụ tải nền, thành phần phụ tải có tần số thấp và thành phần phụ tải có tần số cao Mỗi thành phần tải có một dãy tần số riêng Một tải phân tích được sử dụng bộ lọc số với các dãy tần số truyền qua

Sau khi được phân tích, mỗi thành phần tải được dự báo bởi một Adaline Mỗi Adaline có tầng số đầu vào và tần số đầu ra, và được gọi là dãy tính hiệu đặc trưng Nó

có một số thông số thiết lập gọi là các vector trọng số Trong bài toán dự báo phụ tải, vector trọng số được thiết kế để làm dãy thông số ra, tải dự báo, theo các dãy phụ tải thực; nó giảm theo căn bậc 2 số lỗi

Phương pháp này cho hiệu quả cao khi dự báo các phụ tải phụ thuộc vào thứ tự ngày Kết quả dự báo phụ tải ngắn hạn trong 5 tháng liên tiếp có sai số khoảng 3.4% Điều này cho thấy phụ tải có thể được dự báo với một mức độ chính xác tương đối cao

mà không phụ thuộc vào các yếu tố ngoại cảnh như dự báo thời tiết

Cũng trong năm 1993, các tác giả Ping-Yan Wang và Guang-Sheng Wang đã có bài báo về:

“Power system load forecasting with ann and fuzzy logic control".[2]

Trong đó nêu lên công tác dự báo phụ tải là một vấn đề quan trọng trong việc lên

kế hoạch cung cấp điện cũng như điều khiển liên tục hệ thống điện Tác giả đã cho thấy phần mềm dự báo dùng mạng neuron nhân tạo và logic mờ cho kết quả dự báo phụ tải dài hạn, để lên kế hoạch, và dự báo phụ tải ngắn hạn, để điều độ, có tốc độ và độ chính xác rất cao

Năm 1995, Shan Shao và Yaming Sun đã có bài báo:

“Short-term Load Forecasting Using Fuzzy Neural Network” [3]

Tài liệu này giới thiệu sự phát triển của hệ thống mờ trong dự báo phụ tải Hệ thống mờ có cấu trúc mạng và các biện pháp huấn luyện mạng neural và được gọi là mạng neural mờ (FNN) Một mạng neural mờ tạo ra các quy luật bắt nguồn từ các dữ liệu quá khứ Các thông số của quy luật này sau đó sẽ được được điều chỉnh thông qua cách thức huấn luyện, sau đó đầu ra của FNN tương thích với các dữ liệu tải có giá trị trong quá khứ Khi đó, FNN có thể được sử dụng để dự báo phụ tải tương lai Kết quả thử nghiệm cho thấy FNN có thể dự báo phụ tải ngắn hạn trong tương lai với độ chính xác tương đương với mạng neuron trong khi nó được huấn luyện nhanh hơn rất nhiều Cũng trong năm 1995, ba tác giả A.K Swain, B Subuhi và R K Swain đã có bài báo:

"Short-Term electric load forecasting using fuzzy neural network".[4]

Bài báo này đề cập đến mô hình hệ thống mới neuro-fuzzy dùng để dự báo phụ tải ngắn hạn Mục đích của hệ thống neuro-fuzzy này là dùng một hệ chuyên gia mờ cho các liên kết khởi tạo và các trọng số của mạng neuron Sau đó sử dụng thuật toán lọc Kalman để cập nhật các trọng số của mạng

Năm 1996, hai tác giả R.Birge và Dayong Li đã có bài báo về:

“Using fuzzy neural network to solve short-term load forecasting problems”.[5]

Tài liệu này giới thiệu một mạng neuron mờ dựa trên mô hình mới về mạng neuron Trong đó, một mô hình mô phỏng dự báo phụ tải được thiết lập bởi mạng neuron mờ và là một hệ thống riêng biệt, cùng với việc thảo luận một số bước quan trọng để nâng cao chất lượng của mô hình dự báo phụ tải Bài báo đã giải đáp 1 số vấn

đề như: Làm thế nào để chọn và dự đoán chính xác các hệ số tập trung vào hệ số thời gian trễ, làm thế nào để làm phẳng dữ liệu gốc kéo dài trong vài năm và làm thế nào để điều khiển thông số đầu ra từ mạng neuron mờ? Các số liệu kết quả cho thấy mô hình

mô phỏng hiện tại có khả năng dự báo chính xác cho dự báo phụ tải trong ngày và trong tuần

Cũng trong năm 1996, Hai tác giả Hiroyuki Mori và Hidenori Kobayashi đã có bài báo về:

“Optimal fuzzy inference for short-term load forecasting” [6]

Bài báo này đã đề xuất một phương pháp suy ra tối ưu mờ cho dự báo phụ tải ngắn hạn Phương pháp này đưa ra một cấu trúc tối ưu cho việc đơn giản hóa suy luận

mờ để làm giảm sai số mô hình và số lượng hàm thành viên, để bao hàm hết các khả năng phi tuyến của phụ tải ngắn hạn trong hệ thống điện Mô hình này đươc xác định bởi mô phỏng và phương pháp giảm bước

Năm 1998, các tác giả Daneshdoost, M Lotfalian, M Bumroonggit và G Ngoy đã có bài báo:

“Neural network with fuzzy set-based classification for short-term load

forecasting".[7]

Trong thị trường điện, những công ty cung cấp điện cần dự báo nhu cầu của hệ thống hoặc phụ tải điện từ một đến bảy ngày sắp tới trong tương lai Tài liệu này

nghiên cứu kỹ thuật dự báo phụ tải sử dụng mạng neuron feedforward nhiều lớp và thuật toán phân lớp mờ Dữ liệu giờ được chia nhỏ ra nhiều lớp khác nhau theo điều kiện thời tiết, được mờ hóa để đại diện cho các biến thời tiết Mạng neuron được huấn luyện và được sử dụng để thực hiện dự báo phụ tải ngắn hạn lên đến 120 giờ tiếp theo với độ chính xác cao

Năm 2000, tác giả Hyroyuki Mori đã có bài báo về:

“Fuzzy neural network application to power system".[8]

Tài liệu này đưa ra một miêu tả khái quát về ứng dụng mạng neuron mờ trong hệ thống điện Ý tưởng tích hợp mạng neuron và logic mờ cho hệ thống điện được nghiên cứu vì nó có những ưu điểm như: tính dễ điều khiển, độ chắc chắn và có chi phí thấp Đến năm 2003, các tác giả Iyer, V.; Chum Che Fung; Gedeon, T đã có bài báo:

“A fuzzy-neural approach to electricity load and spot-price forecasting in a

deregulated electricity market” [9]

Dự báo chính xác phụ tải ngắn hạn có ý nghĩa quan trọng đối với việc đảm bảo hiệu suất và vận hành kinh tế của những hệ thống điện hiện đại Nhiều quốc gia đã và đang thực hiện việc phát triển mở cửa và bãi bỏ thị trường điện Vì thế, việc nghiên cứu các phương pháp dự báo phụ tải đang được quan tâm đổi mới Mặc dù dự báo dài hạn và ngắn hạn phụ tải điện có thể hấp dẫn các kỹ sư và các nhà nghiên cứu trong nhiều năm thì dự báo giá điện vẫn là một mảng nghiên cứu gần như mới Tài liệu này nghiên cứu phương pháp suy diễn neuron mờ để dự báo phụ tải 24 giờ và giá điện cho ngày sắp tới Các dữ liệu đã được công bố của thị trường điện bang New South Wales, Australia được sử dụng để nghiên cứu trong tài liệu này

Năm 2007, TS George Karady ở Arizona State University có bài báo:

“Short-term load forecasting using neural networks and fuzzy logic” [10]

Tài liệu này đề cập đến một số vấn đề chính phải được xem xét trước khi dự báo phụ tải được phát triển Chúng là:

- Xác định các yếu tố thời tiết có ảnh hưởng lớn đến phụ tải tiêu thụ như: nhiệt độ,

độ ẩm và gió…

- Tập hợp các thông tin về dạng đồ thị phụ tải

- Độ chính xác của mô hình dự báo thời tiết có thể có tác động lớn đến độ chính xác của dự báo phụ tải

- Mô hình dự báo phụ tải phải được ngoại suy với độ chính xác hợp lý trong các quá trình cold snaps, heat waves hoặc pick up loads

- Mô hình tải dự báo phải gắn kết với quán tính nhiệt của hệ thống

- Mô hình đó phải điều khiển được sự phát triển của phụ tải

Năm 2007, hai tác giả Hari Seetha và R Saravanan đã có bài báo:

“Short-term electric load prediction using fuzzy BP” [11]

Bài báo này đề cập đến đặc trưng của ngành công nghiệp điện năng ở các nơi trên thế giới Đó là việc gia tăng các vấn đề về dự báo phụ tải với độ chính xác cao, ngay cả khi dữ liệu đầu vào không chính xác Dự báo nhu cầu điện năng là điều cốt yếu cho việc vận hành hiệu quả hệ thống điện ở bất kỳ công ty cung cấp điện nào Tài liệu này đưa ra một phiên bản của mạng neuron, có tên là mạng lan truyền ngược mờ (Fuzzy Back Propagation) được phát triển để dự báo phụ tải Phụ tải được dự báo bằng thuật toán lan truyền ngược

Mô hình này có khả năng giải quyết các thông tin không chính xác ở đầu vào Cấu trúc dự kiến gồm các module với 51 đầu vào và 24 đầu ra Các thông số đầu vào được làm mờ hóa và các thông số đầu ra là thông số thô đại diện cho tải dự báo Phương pháp dự kiến này được lập trình trên Matlab Kết quả mô phỏng là cho mỗi ngày (24h) trong tuần Bên cạnh đó, một mạng perceptron nhiều lớp (Multi Layer

Perceptron) cũng được lập trình độc lập và phụ tải được dự báo bằng thuật toán lan truyền ngược Kết quả tìm được từ mạng Fuzzy BP rất khả quan khi đem so sánh với mạng MLP

Day

Mean Absolute Percentage Error (MAPE)

Peak Load Percentage

Error

Sunday 2.2310 2.5118 0.3379 1.1341 Monday 1.7124 2.2282 4.5084 5.3692 Tuesday 1.6452 1.2081 0.5222 0.2111 Wednesday 2.5848 2.2134 2.0660 1.0330 Thursday 0.7620 0.8766 0.0199 0.1665 Friday 1.7090 1.9353 0.2406 0.4768 Saturday 1.1981 1.8541 1.0942 1.6311

Bảng 1.1: So sánh kết quả giữa hai mạng Fuzz BP và MLP

Kết luận:

Dự báo phụ tải sử dụng mạng neuron kết hợp với logic mờ không phải là một đề tài mới mẻ Đã có nhiều công trình nghiên cứu cũng như nhiều tài liệu liên quan đến vấn đề này Tuy nhiên, bài toán dự báo phụ tải có nhiều mối liên hệ phi tuyến như là điều kiện xã hội, yếu tố thời tiết, sự cố v.v ảnh hưởng đến phụ tải điện tiêu thụ nên hầu như các công trình nghiên cứu đó chỉ đạt hiệu quả tốt (sai số dự báo thấp) đối với các vùng đã có dữ liệu phụ tải trong quá khứ Nguyên nhân chính là khi áp dụng hệ chuyên gia mờ trong dự báo đòi hỏi phải có kiến thức, quá trình làm việc với dạng phụ tải điện

đó trong một khoảng thời gian nhất định

CHƯƠNG 2

TÌM HIỂU VỀ MẠNG NEURON MỜ

2.1 MẠNG NEURON

2.1.1 Neuron và mạng neuron nhân tạo

Neuron nhân tạo là một đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi

đầu vào đến từ một liên kết Đặc trưng của neuron là một hàm kích hoạt phi tuyến chuyển đổi tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra Hàm kích hoạt này đảm bảo tính chất phi tuyến cho tính toán của mạng neuron

Hình 2.1: Mô hình một neuron nhân tạo

Một neuron được cầu tạo gồm các thành phần chính: liên kết neuron, bộ cộng , hàm kích hoạt

Liên kết neuron là một thành phần của mạng neuron nhân tạo để liên kết giữa

các neuron Nó nối đầu ra của neuron lớp này với đầu vào của một neuron trong lớp khác Đặc trưng của thành phần liên kết là một trọng số mà mỗi tín hiệu đi qua đều được nhân với trọng số này Các trọng số liên kết chính là các tham số tự do cơ bản của mạng neuron, có thể thay đổi được nhằm thích nghi với môi trường xung quanh

Bộ cộng dùng để tính tổng các tín hiệu đầu vào của neuron, đã được nhân với

các trọng số liên kết tương ứng Phép toán được mô tả ở đây tạo nên một bộ hợp tuyến tính

Hàm kích hoạt hay còn gọi hàm kích hoạt phi tuyến, chuyển đổi một tổ hợp

tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra Hàm kích hoạt này đảm bảo tính chất phi tuyến cho tính toán mạng neuron Nó được xem như là một hàm giới hạn, nó giới hạn phạm vi biên độ cho phép của tín hiệu đầu ra trong một khoảng giá trị hữu hạn Mô hình neuron trong hình 1.2 còn bao gồm một hệ số điều chỉnh b tác động

từ bên ngoài Hệ số điều chỉnh b có tác dụng tăng lên hoặc giảm đi đầu vào thực của hàm kích hoạt, tùy theo nó dương hay âm

Mạng neuron nhân tạo

Là một hệ thống bao gồm nhiều phần tử xử lý đơn giản (hay còn gọi là neuron) tựa như neuron thần kinh của não người, hoạt động song song và được nối với nhau bởi các liên kết neuron Mỗi liên kết kèm theo một trọng số nào đó, đặc trưng cho tính kích hoạt hoặc ức chế giữa các neuron

Có thể xem các trọng số là phương tiện để lưu trữ thông tin dài hạn trong mạng neuron và nhiệm vụ của quá trình huấn luyện của mạng là cập nhật các trọng số khi có thêm thông tin về mẫu học Hay nói một cách khác, các trọng số đều được điều chỉnh sao cho dáng điệu vào ra của mạng sẽ mô phỏng hoàn toàn phù hợp với môi trường đang xem xét

Cấu trúc một mạng neuron thường gặp

Input Hidden Output

Hình 2.2: Sơ đồ đơn giản về một mạng neuron nhân tạo

Mô hình mạng neuron ở trên gồm 3 lớp: lớp nhập (input), lớp ẩn(hidden) và lớp xuất (output) Mỗi nút trong lớp nhập nhận giá trị của một biến độc lập và chuyển vào mạng Dữ liệu từ tất cả các nút trong lớp nhập được tích hợp – ta gọi là tổng trọng số –

và chuyển kết quả cho các nút trong lớp ẩn Gọi là “ẩn” vì các nút trong lớp này chỉ liên lạc với các nút trong lớp nhập và lớp xuất, và chỉ có người thiết kế mạng mới biết lớp này (người sử dụng không biết lớp này) Các nút trong lớp xuất nhận các tín hiệu tổng trọng hóa từ các nút trong lớp ẩn Mỗi nút trong lớp xuất tương ứng với một biến phụ thuộc

2.1.2 Phân loại mạng neuron nhân tạo

Ta có mạng neuron truyền thẳng và mạng neuron hồi quy

Trong mạng truyền thẳng các neuron đi theo một hướng nhất định tạo thành đồ

thị không có chu trình, các đỉnh là các neuron còn các cạnh là các liên kết giữa chúng

Các mạng hồi quy cho phép các liên kết neuron tạo thành chu trình, các thông

tin ra của các neuron được truyền lại cho các neuron đã góp phần kích hoạt chúng, nên mạng hồi quy còn có khả năng lưu giữ trạng thái trong của nó dưới dạng các ngưỡng kích hoạt ngoài các trọng số liên kết neuron

2.1.3 Một số loại mạng neuron

2.1.3.1 Mạng dẫn tiến (feedfoward network)

Đây là kiểu mạng đơn giản trong việc sắp đặt mạng Trong mạng này thông tin chỉ truyền trên một hướng duy nhất Từ lớp đầu vào xuyên qua lớp ẩn (nếu có) và kết thúc tại lớp đầu ra Không có chu trình hoặc vòng trong mạng

a Các mạng dẫn tiến đơn mức

Trong một mạng neuron phân mức, các neuron được tổ chức dưới dạng các mức Với dạng đơn giản nhất của mạng phân mức, chúng ta có một mức đầu vào gồm các nút nguồn chiếu trực tiếp tới mức đầu ra gồm các neuron

Hình 2.3:Mạng dẫn tiến với một mức neuron

Hình 2.3 minh hoạ cho trường hợp ba nút đối với cả mức đầu ra và đầu vào Một mạng như vậy được gọi là một mạng đơn mức

b Các mạng dẫn tiến đa mức

Lớp thứ hai của một mạng neuron dẫn tiến được phân biệt bởi sự có mặt của một hay nhiều mức ẩn, mà các nút tính toán của chúng được gọi là các neuron ẩn hay các đơn vị ẩn (thuật ngữ “ẩn” ở đây mang ý nghĩa là không tiếp xúc với môi trường) Chức năng của các neuron ẩn là can thiệp vào giữa đầu vào và đầu ra của mạng một

cách hữu hiệu Bằng việc thêm một vài mức ẩn, mạng có khả năng rút ra được các thống kê bậc cao của tín hiệu đầu vào Khả năng các neuron ẩn rút ra được các thống

kê bậc cao đặc biệt có giá trị khi mức đầu vào có kích thước lớn

Mạng neuron trong hình 2.4 được gọi là kết nối đầy đủ với ý nghĩa là tất cả các nút trong mỗi mức của mạng được nối với tất cả các nút trong mức tiếp sau Nếu một

số kết nối không tồn tại trong mạng, chúng ta nói rằng mạng là kết nối không đầy đủ

Hình 2.4: Mạng tiến kết nối đầy đủ với một mức ẩn và một mức đầu ra

2.1.3.2 Mạng hồi quy (recurrent network)

Trái với mạng neuron dẫn tiến, mạng neuron hồi quy là những mô hình với hai luồng dữ liệu có hướng Trong khi mạng dẫn tiến truyền dữ liệu theo một đường thẳng thì những mạng neuron hồi quy có ít nhất một phản hồi từ những neuron xử lý sau quay trở lại các neuron xử lý trước đó

Hình 2.5: Mạng hồi quy không có neuron ẩn và không có vòng lặp tự phản hồi

Hình 2.6: Mạng hồi quy có các neuron ẩn

2.1.4 Huấn luyện mạng neuron

Mạng neuron nhân tạo phỏng việc xử lý thông tin của bộ não người, do vậy đặc trưng cơ bản của mạng là có khả năng học, khả năng tái tạo các hình ảnh và dữ liệu khi

đã học Trong trạng thái học, thông tin được lan truyền theo hai chiều nhiều lần để học các trọng số Có 3 kiểu học chính, mỗi kiểu học tương ứng với một nhiệm vụ học trừu

tượng Đó là học có giám sát (có mẫu), học không giám sát và học tăng cường

2.1.4.1 Học có giám sát

Một thành phần không thể thiếu của phương pháp này là sự có mặt của một người thầy (ở bên ngoài hệ thống) Người thầy này có kiến thức về môi trường thể hiện qua một tập hợp các cặp đầu vào - đầu ra đã được biết trước Hệ thống học (ở đây là mạng neuron) sẽ phải tìm cách thay đổi các tham số bên trong của mình (các trọng số

và các ngưỡng) để tạo nên một ánh xạ có khả năng ánh xạ các đầu vào thành các đầu ra mong muốn Sự thay đổi này được tiến hành nhờ việc so sánh giữa đầu ra thực sự và đầu ra mong muốn

2.1.4.2 Học không giám sát

Trong học không có giám sát, ta được cho trước một số dữ liệu x và hàm chi phí cần được cực tiểu hóa có thể là một hàm bất kỳ của dữ liệu x và đầu ra của mạng, f – hàm chi phí được quyết định bởi phát biểu của bài toán Phần lớn các ứng dụng nằm trong vùng của các bài toán ước lượng như mô hình hóa thống kê, nén, lọc, phân cụm

2.1.4.3 Học tăng cường

Dữ liệu x thường không được tạo trước mà được tạo ra trong quá trình một agent tương tác với môi trường Tại mỗi thời điểm t, agent thực hiện hành động yt và môi trường tạo một quan sát xt với một chi phí tức thời Ct, theo một quy trình động nào

đó (thường là không được biết) Mục tiêu là một sách lược lựa chọn hành động để cực tiểu hóa một chi phí dài hạn nào đó, nghĩa là chi phí tích lũy mong đợi Quy trình hoạt

động của môi trường và chi phí dài hạn cho mỗi sách lược thường không được biết, nhưng có thể ước lượng được Mạng neuron nhân tạo thường được dùng trong học tăng cường như một phần của thuật toán toàn cục Các bài toán thường được giải quyết bằng học tăng cường là các bài toán điều khiển, trò chơi và các nhiệm vụ quyết định tuần tự (sequential decision making) khác

2.1.4.4 Thuật toán lan truyền ngược

Mô hình mạng lan truyền ngược thường dùng có dạng: 1 lớp nhập – 1 lớp ẩn – 1 lớp xuất Giả sử cho một tập huấn luyện k mẫu: {xi

(k)

, yi (k)

}, thuật toán lan truyền ngược cung cấp kỹ thuật hiệu chỉnh các trọng số Wij trong mạng nhằm phân tích lớp các giá trị đầu vào một cách chính xác, hay nói cách khác: mạng có thể “học” và “hiểu” được dữ liệu đưa vào

Sai số trung bình bình phương E thường được dùng để đo lường sự trùng khớp

giữa ánh xạ cần xây dựng với hàm đích cho trước (hay nói cách khác là dùng đánh giá khả năng “học” của mạng)

Cho tập mẫu gồm N mẫu {Xk, T} = {x1, x2, …, xk, t}(n); n = 1, …, N; gọi Z = NN(Xk) = {z1, z2, …, zN} là giá trị ước tính qua mạng neuron, sai số E sẽ được tính:

= 1

2×

∑ ( − )

(2.1) Trong trường hợp mô hình mạng neuron là hàm phi tuyến, việc xác định được tập trọng số W để mô hình đạt được sai số ít nhất là rất khó Phương pháp giảm gradient thường được áp dụng trong các trường hợp phức tạp này [12]:

Phương pháp giảm gradient có các bước chính sau:

- Chọn ngẫu nhiên 1 điểm x0 trong không gian trọng số.(1)

- Tính độ dốc của mặt lỗi tại x0.(2)

- Cập nhật các trọng số theo hướng dốc nhất của mặt lỗi.(3)

- Xem điểm này như điểm x0 mới.(4)

Lặp lại quá trình từ bước (2) đến bước (4) đến một lúc nào đó các giá trị của bộ trọng số sẽ tiếp cận được điểm thấp nhất trong mặt lỗi Biến thiên trọng số ở mỗi bước (bước thứ t) sẽ được tính theo công thức:

∆ = − ∙ + ∙ ∆ (2.2)

Với , α là hai hằng số dương đặc trưng cho tốc độ học và moment của quá trình học (giảm lỗi) Tuy nhiên, có một số cải tiến cho phép thay đổi các hệ số , α trong từng giai đoạn học, cũng như theo từng mẫu học để việc huấn luyện mạng đạt kết quả cao nhất

Hình 2.7: Các giá trị vào ra tại một nút

Như vậy, thuật toán lan truyền ngược có thể được tóm tắt thành 2 quá trình chính: lan truyền tiến (forward) và lan truyền ngược (backward)

Lan truyền tiến: là quá trình tính giá trị đầu ra {z1, z2, …, zN} dựa trên những trọng số có sẵn

Giả sử tại một nút mạng như hình 2.7, giá trị xuất zj được tính:

zj = f(u); với u = x1.w1j +x2.w2j + …+xn.wnj +w0 (2.3) Hàm f() được gọi là hàm truyền có dạng chữ S [12] nếu có các tính chất sau: bị chặn, đơn điệu tăng và là hàm liên tục trơn

Mọi hàm thỏa các tính chất trên đều có thể sử dụng làm hàm truyền trong mạng Các hàm thương được dụng mạng lan truyền ngược:

Hàm logistic: ( ) = (2.4)

Hàm hyperbol: ℎ( ) = (2.5)

Hàm tang-hyperbol: ℎ( ) = (2.6)

Tuy nhiên, hàm logistic được sử dụng phổ biến nhất trong 3 hàm trên Khi các giá

trị {z1, z2, …, zN} được tính, giá trị sai số trung bình bình phương E sẽ được xác định

Quá trình lan truyền ngược sẽ được tiến hành

Lan truyền ngược: là quá trình cập nhật lại các trọng số mạng W dựa trên sai số

trung bình bình phương Gọi wt là trọng số tại bước thứ t, công thức cập nhật trọng số

là:

= + ∆ (2.7)

∆wt được tính theo công thức trên cần xác định giá trị:

= × = − × (2.8) trong đó u là giá trị đưa vào hàm truyền f(u) tương ứng ở mỗi nút

Với mạng đang xét là mạng 3 lớp, tại nút xuất z theo quy tắc chuỗi:

= × (2.9) Đạo hàm của sai số trung bình bình phương và hàm logistic được tính:

= − (2.10)

= − (1 − ) (2.11) Vậy giá trị δ tại nút xuất z được tính:

Với p = (z-t)z(1-z); bj là trọng số cung nối từ nút ẩn thứ j đến nút xuất

Như vậy, khi quá trình lan truyền ngược thực hiện, các trọng số sẽ được cập nhật sao cho sai số trung bình bình phương có xu hướng giảm dần Quá trình lan truyền tiến

và lan truyền ngược được thực hiện xen kẽ nhiều lần cho đến khi đạt được giá trị sai số trung bình bình phương E mong muốn

Những hạn chế của phương pháp lan truyền ngược

Ngoài những thành công của giải thuật học lan truyền ngược, vẫn còn có một số khía cạnh làm cho giải thuật trở nên chưa được bảo đảm là mọi lúc đều tốt Khó khăn chủ yếu là ở quá trình huấn luyện kéo dài Sự sai sót trong việc huấn luyện thường xuất hiện từ hai nguồn: mạng liệt và những cực tiểu địa phương

Mạng liệt: xảy ra khi những trọng số được điều chỉnh tới những giá trị rất lớn

Tổng đầu vào của một đơn vị ẩn hoặc đơn vị đầu ra có thể bởi vậy mà đạt giá trị rất cao (hoặc dương hoặc âm), và qua hàm kích hoạt sigmoid, đơn vị sẽ có một giá trị kích

hoạt rất gần 0 hoặc rất gần 1 Giá trị hiệu chỉnh trọng số gần 0, và quá trình huấn luyện

có thể đi đến một trạng thái dừng ảo

Cực tiểu địa phương: bề mặt sai số của mạng rất phức tạp đầy những ngọn đồi

và những thung lũng Vì sự hạ độ dốc, mạng có thể bị mắc bẫy tại một cực tiểu địa phương khi có nhiều cực tiểu thấp hơn gần bên cạnh Những phương pháp thống kê có thể giúp để tránh cái bẫy này, nhưng chúng làm chậm quá trình học Một phương án khác là tăng thêm số lượng đơn vị ẩn Như vậy mạng sẽ làm việc trong không gian sai

số nhiều chiều, nên cơ hội gặp bẫy nhỏ hơn Tuy nhiên việc tăng cũng có giới hạn trên, khi vượt qua giới hạn này, cơ hội mắc bẫy lại tăng lên

2.1.5 Ưu điểm và hạn chế của mạng neuron:

Ưu điểm:

Việc sử dụng mạng neuron có nhiều ưu điểm: có thể áp dụng rộng rãi, đặc biệt cho những vấn đề phức tạp, kể cả dữ liệu phi tuyến; có khả năng học các dữ liệu đầu vào và tự điểu chỉnh trọng số mạng để thiết lập mối liên quan nhân quả, từ đó dự đoán chính xác về “nhân” hay “quả”; không đòi hỏi dữ liệu đầu vào phải thật đầy đủ…

2.2.1 Khái niệm về logic mờ

Logic cổ điển (crisp logic) đã được sử dụng cách đây 3000 năm Khái niệm logic mờ (fuzzy logic) được giáo sư L A Zadeh đưa ra lần đầu tiên vào năm 1965, tại

trường đại học Berkeley, California, Hoa Kỳ Mặc dù logic mờ được phát minh tại Mỹ nhưng nó được ứng dụng đầu tiên ở Nhật và sau đó được phổ cập ở Mỹ và các nước Châu Âu

Để hiểu rõ khái niệm “MỜ”, chúng ta sẽ xét ví dụ sau:

Trong toán học phổ thông có khá nhiều ví dụ về tập hợp Ví dụ như tập các số thực R, tập các số nguyên tố P = {2, 3, 5…} Những tập hợp như vậy được gọi là tập

kinh điển hay là tập rõ, tính “RÕ” ở đây được hiểu với một tập xác định S chứa n phần

tử thì ứng với một phần tử x ta xác định được một giá trị y = S(x)

Giờ ta xét phát biểu thông thường về tốc độ một chiếc xe mô tô: chậm, trung

bình, hơi nhanh, rất nhanh Phát biểu “chậm” ở đây không được chỉ rõ là bao nhiêu

km/h, như vậy từ chậm có miền giá trị là một khoảng nào đó ví dụ như 0-30 km/h chẳng han Tập hợp L = {Chậm, Trung bình, Nhanh, Hơi nhanh, Rất nhanh} như vậy được gọi là một tập các biến ngôn ngữ Với mỗi thành phần ngôn ngữ xk của phát biểu trên nếu nó nhận được một khả năng µ(xk) thì tập hợp F gồm các cặp (xk, µ(xk)) được gọi là tập mờ

Hình 2.7: Minh họa khái niệm logic mờ

Quá trình xử lý dùng công cụ logic mờ có thể được tóm tắt như sau:

Hình 2.8: Minh họa quá trình xử lý của logic mờ