Dự báo phụ tải sử dụng walet fuzzy logic using wavelet and fuzzy logic for load forecasting

Do đó, phương pháp dự báo kết hợp mạng Wavelet - Fuzzy Logic được sử dụng để dự báo đồ thị phụ tải thành phố Hồ Chí Minh tại các ngày trong năm... Tuy nhiên, việc ứng dụng một trong các

TRƯỜNG ĐẠI HỌC BÁCH KHOA

KHOA ĐIỆN – ĐIỆN TỬ

- -

BK

TPHCM

GVHD : PGS.TS PHAN THỊ THANH BÌNH HVTH : VÕ HOÀNG THÀNH

MSSV : 01807295

DỰ BÁO PHỤ TẢI SỬ DỤNG WALET – FUZZY LOGIC

USING WAVELET AND FUZZY LOGIC

FOR LOAD FORECASTING

Chuyên ngành: Thiết bị, Mạng &ø Nhà máy Điện

Mã số: 60 52 50

LUẬN VĂN THẠC SĨ

NHẬN XÉT LUẬN VĂN THẠC SĨ

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

Họ và tên học viên: Võ Hoàng Thành Đề tài luận văn: DỰ BÁO PHỤ TẢI SỬ DỤNG WALET – FUZZY LOGIC (USING WAVELET AND FUZZY LOGIC FOR LOAD FORECASTING) 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: Võ Hoàng Thành Đề tài luận văn: DỰ BÁO PHỤ TẢI SỬ DỤNG WALET – FUZZY LOGIC (USING WAVELET AND FUZZY LOGIC FOR LOAD FORECASTING) 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:

4 Về kết quả thực tiễn 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: Võ Hoàng Thành Đề tài luận văn: DỰ BÁO PHỤ TẢI SỬ DỤNG WALET – FUZZY LOGIC (USING WAVELET AND FUZZY LOGIC FOR LOAD FORECASTING) 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:

4 Về kết quả thực tiễn 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

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

- -

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

Cán bộ chấm nhận xét 1 :

Ký tên :

Cán bộ chấm nhận xét 2 :

Ký tên :

Luận văn thạc sĩ được bảo vệ tại:

HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm 2009

PHÒNG ĐÀO TẠO SĐH

Tp HCM, ngày 26 tháng 6 năm 2009

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: Võ Hoàng Thành Phái: Nam

Ngày, tháng, năm sinh: 10 – 12 – 1984 Nơi sinh: Bà Rịa – Vũng Tàu Chuyên ngành: Thiết bị, Mạng & Nhà máy Điện MSHV: 01807295

I- TÊN ĐỀ TÀI:

DỰ BÁO PHỤ TẢI SỬ DỤNG WALET – FUZZY LOGIC

(USING WAVELET AND FUZZY LOGIC FOR LOAD FORECASTING)

II- NHIỆM VỤ VÀ NỘI DUNG:

1 Tổng quan về Dự báo phụ tải

2 Lý thuyết Wavelet

3 Lý thuyết Fuzzy Logic

4 Ứng dụng Wavelet – Fuzzy Logic cho bài toán dự báo Phụ tải

5 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 – 07 – 2009

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

LỜI CẢM ƠN

Để hoàn thành được luận văn này trước hết

em xin chân thành cảm ơn quý thầy cô Bộ Môn Cung Cấp Điện cùng toàn thể quý thầy cô Khoa Điện - Điện tử Trường Đại học Bách Khoa thành phố Hồ Chí Minh đã trang bị vốn kiến thức và tận tâm truyền đạt những kinh nghiệm quý báu cho em trong suốt quá trình học tập

Em kính lời cảm ơn cô PHAN THỊ THANH BÌNH đã hướng dẫn em hoàn thành luận văn này với tất cả tinh thần, trách nhiệm và lòng nhiệt thành

Đồng thời gửi lời cảm ơn đến các anh, các bạn tập thể lớp CH2007 những người đã quan tâm, giúp đỡ tôi trong suốt quá trình làm Luận Văn Thạc

Sĩ này

Với thời gian hạn hẹp và kiến thức còn hạn chế, chắc chắn Luận Văn Thạc Sĩ này sẽ không tránh khỏi những thiếu sót Em rất mong được nhận sự thông cảm và nhiệt tình đóng góp của quý thầy cô và các bạn

Một lần nữa em xin chân thành cảm ơn

Học viên thực hiện

Võ Hoàng Thành

TÓM TẮT

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 lí được những biến cố 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 các ngành kinh

tế như công nghiệp, nông nghiệp và dịch vụ 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 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 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, phương pháp dự báo kết hợp mạng Wavelet - Fuzzy Logic được sử dụng để dự báo đồ thị phụ tải thành phố Hồ Chí Minh tại các ngày trong năm

MỤC LỤC

Trang

NHẬN XÉT i

NHIỆM VỤ LUẬN VĂN viii

LỜI CÁM ƠN ix

TÓM TẮT x

MỤC LỤC xi

CHƯƠNG 0: ĐẶT VẤN ĐỀ 1

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO 4

1.1 TỔNG QUAN 4

1.2 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN 7

1.2.1 Phương pháp tính hệ số vượt trước 7

1.2.2 Phương pháp tính trực tiếp 7

1.2.3 Phương pháp so sánh đối chiếu 8

1.2.4 Phương pháp chuyên gia 8

1.2.5 Phương pháp san bằng hàm mũ 9

1.2.6 Phương pháp ngoại suy theo thời gian 11

1.2.6.1 Mô hình Brown 12

1.2.6.2 Mô hình Bayes 12

1.2.6.3 Phương pháp sử dụng mạng Neural nhân tạo 12

1.2.6.4 Mô hình theo Wavelet 13

CHƯƠNG 2: LÝ THUYẾT WAVELET 14

2.1 TỔNG QUAN 14

2.2 BIẾN ĐỔI WAVELET LIÊN TỤC 15

2.3 BIẾN ĐỔI WAVELET RỜI RẠC 17

2.4 GIỚI THIỆU MỘT SỐ HỌ WAVELET 18

2.4.1 Biến đổi Wavelet Haar 18

2.4.2 Biến đổi Wavelet Meyer 18

2.4.3 Biến đổi Wavelet Daubechies 19

2.5 MỘT SỐ ỨNG DỤNG NỔI BẬC CỦA WAVELET 20

2.5.1 Nén tín hiệu 20

2.5.2 Khử nhiễu 20

2.5.3 Mã hóa nguồn và mã hóa kênh 20

CHƯƠNG 3: KHÁI NIỆM TẬP MỜ - FUZZY 21

3.1 TẬP HỢP KINH ĐIỂN 21

3.2 ĐỊNH NGHĨA TẬP MỜ 22

3.3 LUẬT HỢP THÀNH MỜ 24

3.3.1 TT thực hiện luật hợp thành đơn Max-Min, Max-Prod, có cấu trúc SISO 25

3.3.1.1 Luật hợp thành Max-Min 25

3.3.1.2 Luật hợp thành Max-Prod 27

3.3.2 Thuật toán xác định luật hợp thành đơn có cấu trúc MISO 29

3.3.3 Thuật toán xác định luật hợp thành kép Max – Min, Max - Prod 30

3.3.3.1 Luật hợp thành có hai mệnh đề hợp thành 31

3.3.3.2 TT xây dựng luật hợp thành có nhiều mệnh đề hợp thành 32

3.3.3.3 TT xây dựng luật hợp thành có nhiều mệnh đề cho cấu trúc MISO 33

3.3.4 Thuật toán xác định luật hợp thành Sum – Min, Sum – Prod 33

3.4 GIẢI MỜ 34

3.4.1 Phương pháp cực đại 34

3.4.1.1 Nguyên lý trung bình 35

3.4.1.2 Nguyên lý cận trái 35

3.4.1.3 Nguyên lý cận phải 35

3.4.2 Phương pháp điểm trọng tâm 36

3.4.2.1 Phương pháp điểm trọng tâm cho luật hợp thành Sum - Min 37

3.4.2.2 Phương pháp độ cao 37

3.5 CÁC BƯỚC THIẾT KẾ BỘ MỜ 38

CHƯƠNG 4: ỨNG DỤNG WAVELET - FUZZY LOGIC DỰ BÁO PHỤ TẢI 39

4.1 ỨNG DỤNG WAVELET VÀO DỰ BÁO CHUỖI THỜI GIAN 39

4.1.1 Wavelet cho tiền xử lý 40

4.1.1.1 Phép biến đổi Wavelet rời rạc 40

4.1.1.2 Phân tích Wavelet rời rạc phủ toàn diện (MODWT) 40

4.1.2 Hệ thống dự báo chuỗi thời gian kết hợp Wavelet – Fuzzy Logic 42

4.2 XÂY DỰNG LUẬT MỜ CHO BÀI TOÁN DỰ BÁO 44

CHƯƠNG 5: ÁP DỤNG DỰ BÁO PHỤ TẢI THÀNH PHỐ HỒ CHÍ MINH 52

A DỰ BÁO TỔNG CÔNG SUẤT PHỤ TẢI TP.HCM 52

5.1 PHÂN TÍCH WAVELET 52

5.2 XÂY DỰNG LUẬT MỜ 53

5.3 TỔ HỢP DỰ BÁO 57

B DỰ BÁO ĐỒ THỊ PHỤ TẢI TP.HCM 60

5.4 PHÂN TÍCH WAVELET 60

5.5 XÂY DỰNG LUẬT MỜ 61

5.6 TỔ HỢP DỰ BÁO 66

CHƯƠNG 6: KẾT LUẬN & MỞ RỘNG 69

PHỤ LỤC 1: CHƯƠNG TRÌNH MATLAB 70

PHỤ LỤC 2: BẢNG KẾT QUẢ DỰ BÁO CÔNG SUẤT PHỤ TẢI 77

PHỤ LỤC 3: BẢNG KẾT QUẢ DỰ BÁO ĐỒ THỊ PHỤ TẢI 94

TÀI LIỆU THAM KHẢO 210

LÝ LỊCH TRÍCH NGANG xii

CHƯƠNG 0

ĐẶT VẤN ĐỀ

Dự báo là một khoa học quan trọng, nhằm nghiên cứu những phương pháp luận khoa học làm cơ sở cho việc đề xuất 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 về cơ bản sau:

- Xác định xu thế phát triển

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

- Xác định quy luật và đặc điểm của sự phát triển

Nếu công tác dự báo mà dựa trên lập luận khoa học thì nó 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 với tất cả 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 nhu cầu năng lượng thì sẽ dẫn đến những hạn chế không tốt cho nền kinh tế

Trong thời gian gần đây, có rất nhiều phương pháp được dùng để dự báo phụ tải tiên tiến như: wavelet, fuzzy logic, mạng neural Tuy nhiên, việc ứng dụng một trong các phương pháp trên vào dự báo phụ tải vẫn chưa đạt được kết quả tối ưu thỏa mãn với mong muốn của chúng ta Đơn cử, ví dụ chúng ta ứng dụng phương pháp Wavelet trong dự báo phụ tải chẳng hạn: Kết quả dự báo phụ tải điện bằng mạng Wavelet là một trong những phương pháp đạt kết quả khá tốt nhưng ta cần phải quan tâm sai số dự báo trung bình trên các mẫu thử còn cao Điều này cũng dễ hiểu vì phương pháp dự báo

bằng mạng Wavelet gặp rất nhiều khó khăn khi dữ liệu đầu không đủ nhiều cho quá trình luyện mạng, và khó khăn thứ hai là các dữ liệu này không có nhiều điểm chung Trên thế giới:

- Trên thế giới, việc nghiên cứu dự báo phụ tải đã có từ rất lâu đời Việc ứng dụng các phương pháp mạng neutron, wavelet, fuzzy logic vào dự báo rất phổ biến, không chỉ gói gọn trong dự báo phụ tải điện mà còn được áp dụng vào các phạm vi lĩnh vực khác như kinh tế

- Nhóm nghiên cứu gồm: Saif Ahmad, Ademola Popoola, and Khurshid Ahmad công tác tại Department of Computing, University of Surrey, Guildford GU2 7XH Surrey, UK đã ứng dụng Fuzzy logic – Wavelet vào việc dự báo giá của hãng máy tính khổng lồ Mỹ IBM

- Nghiên cứu sinh Ademola Olayemi Popoola tại Department of Computing School of Electronics and Physical Sciences University of Surrey Guildford, Surrey GU2 7XH, UK đã ứng dụng Fuzzy logic – Wavelet vào việc phân tích chuổi thời gian

Tại Việt Nam:

- Nhóm nghiên cứu gồm các thầy Nguyễn Hoàng Việt, Trần Anh Dũng, Nguyễn Quang Thi công tác tại Khoa Điện – Điện tử trường Đại học Bách Khoa thành phố Hồ Chí Minh đã ứng dụng mạng wavelet cho bài toán dự báo phụ tải ngắn hạn trong các ngày đặc biệt

- Nhóm nghiên cứu của thầy Lê Minh Phương công tác tại Khoa Điện – Điện

tử trường Đại học Bách Khoa thành phố Hồ Chí Minh đã ứng dụng công cụ Wavelet trong Matlab để dự báo phụ tải

- Nhóm nghiên cứu gồm các thầy Dương Ngọc Hiếu, Võ Hoàng Tam, Nguyễn Thành Thi công tác tại Khoa Khoa học & Kỹ thuật Máy tính, ĐH Bách Khoa Tp Hồ Chí Minh và Bộ môn Thông tin Địa lý Ứng dụng, ĐH

Nông – Lâm Tp Hồ Chí Minh đã ứng dụng wavelet và fuzzy trong bài toán

dự báo phụ tải

Để khắc phục những khó khăn trên, khi sử dụng mạng Wavelet dự báo phụ tải điện ta cần phải có một bước tiền xử lý dữ liệu đầu vào trước khi luyện mạng Wavelet Một phương pháp xử lý và phân loại dữ liệu hiệu quả nhất là phương pháp suy luận

mờ Khả năng của phương pháp này là vận dụng những kiến thức và kinh nghiệm của các chuyên gia dự báo để đưa ra những luật logic (luật mờ) Các luật logic này sẽ loại

bỏ, phân loại các dữ liệu sao cho các dữ liệu này mang tính tổng quát hơn, có nhiều điểm chung hơn

Do đó, chúng ta cần kết hợp sử dụng 2 phương pháp Wavelet và Fuzzy logic trong việc dự báo phụ tải Dữ liệu đầu vào chúng ta sẽ sử dụng công cụ Wavelet để phân tích, sau đó dữ liệu sẽ được tiếp tục được xử lý và đưa ra kết quả dự báo nhờ vào công cụ Fuzzy logic

Sự kết hợp giữa mạng Wavelet và Fuzzy logic là một phương pháp dự báo có nhiều ưu điểm Một là khả năng tổng quát hoá của mạng Wavelet Hai là khả năng suy luận logic trong việc vận dụng những kiến thức và kinh nghiệm dự báo Đặc biệt là quá trình luyện mạng nhanh và kết quả sai số dự báo rất tốt

Hiện tại, việc ứng dụng phương pháp dự báo kết hợp giữa Wavelet – Fuzzy Logic đang được áp dụng mạnh vào dự báo trong lĩnh vực tài chính để làm sáng tỏ những mối quan hệ phức tạp trong chuỗi thời gian không dừng (đặc điểm lĩnh vực tài chính là chuỗi dữ liệu thời gian vốn không dừng và xếp chồng nhiều nguồn biểu hiện chức năng khác nhau)

Trong luận văn này, chúng tôi sẽ chỉ thử nghiệm ứng dụng phương pháp Wavelet – Fuzzy Logic vào lĩnh vực dự báo phụ tải Điện để xem xét sai số so với định mức sai

số dự báo cho phép như thế nào?

CHƯƠNG 1

TỔNG QUAN VỀ DỰ BÁO 1.1 TỔNG QUAN

Dự báo là một môn khoa học quan trọng, nhằm nghiên cứu những phương pháp luận khoa học làm cơ sở cho việc đề xuất dự báo cụ thể, cũng như việc đánh giá mức

độ tin cậy, mức độ chính xác của các phương pháp dự báo

Dự báo là đi tìm một mô hình toán thích hợp mô tả quan hệ, phụ thuộc của đại lượng cần dự báo vào 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 các tính chất của mô hình dự đoán được nghiên cứu trên cơ sở giả định rằng nó được ứng dụng để dự đoán một quá trình nào đó sinh ra bằng một mô hình giải tích

Hiện nay có nhiều phương pháp luận cho hoạt động dự báo mà hầu hết các phương pháp đó đều mang tính chất kinh nghiệm thuần túy Vận dụng cách giải quyết theo kinh nghiệm vào việc dự báo là không đầy đủ, vì cách làm đó chỉ hoàn toàn dựa trên 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 đó cho phép chúng ta có thêm

cơ sở tiếp cận với việc lựa chọn các phương pháp dự báo, đánh giá mức độ chính xác của dự báo đồng thời xác định khoản thời gian lớn nhất có thể dùng cho 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 đó phần dự báo sẽ góp phần giải quyết các vấn đề về cơ bản sau:

- Xác định xu thế phát triển

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

- Xác định quy luật và đặc điểm của sự phát triển

Nếu công tác dự báo mà dựa trên lập luận khoa học thì nó 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 với tất cả ngành kinh tế quốc dân, cũng như mọi sinh hoạt bình thường của người dân

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

Từ những yêu cầu cụ thể mà ta lựa chọn tầm dự báo, ví dụ để xây dựng kế hoạch phát triển hay chiến lược ta phải dự báo dài hạn hay trung hạn Nếu để phục vụ công việc vận hành ta tiến hành dự báo ngắn hạn

Các tầm dự báo:

- Dự báo tức thời (current forecast): giờ;

- Dự báo ngắn hạn (short term): ngày hoặc nhiều ngày;

- Dự báo trung hạn (medium term): tuần hoặc nhiều tuần;

- Dự báo dài hạn (long term): năm hoặc nhiều 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 các dự báo ngắn hạn, sai số cho phép khoảng 3-5% Còn đối với dự báo dài hạn sai

số cho phép khoảng 5-20%

Có hai phương pháp dự báo chính:

Theo chuỗi thời gian:

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(a0,a1,a2 ,…an ,Y(t-1), Y(t-2),…, Y(t-n))

= a0 + a1Y(t-1)+a2Y(t-2)+a3Y(t-3)…anY(t-n) (1.1) Trong đó:

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

F(t – 1), F(t – 2) …F(t – n): giá trị của đại lượng trong quá khứ

a0, a1, an: thông số mô hình dự báo cần tìm

Phương pháp tương quan

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

Mô hình toán học:

Ŷ(t) = f(a1, a2, an, A0, A1, A2, , An) = A0 + a1 A1+ a2 A2 + a3 A3 +…+ an An (1.2)

Trong đó:

Ŷ: giá trị cần dự báo

A1, A2, …, An: giá trị của các đại lượng liên quan

a0, a1, an: thông số mô hình dự báo cần tìm

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

Trong đó: Yi: giá trị thực của đại lượng cần dự báo

Tức là lấy đạo hàm của biểu thức trên theo thông số của mô hình dự báo

Giải hệ phương trình trên ta tìm được các giá trị của thông số mô hình

1.2 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN

1.2.1 Phương pháp tính hệ số vượt trước

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 trưng bởi hệ số K - 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 của nhiều yếu tố khác nhau, 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 ngành kinh tế quốc dân và các địa phương

- Do cơ cấu kinh tế không ngừng thay đổi

Việc xác định giá trị K khó có thể đảm bảo chính xác, vì thế hiện nay phương pháp này hầu như không được sử dụng

1.2.2 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 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 xác định nhu cầu điện năng ch từng trường hợp cụ thể (như công suất điện trung bình cho mỗi 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 Phưng 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 tỉ lệ sử dụng điện năng trong các ngành kinh tế, chẳng hạn điện năng dung cho công nghiệp, nông nghiệp, dân dụng…, cũng như 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, cũng như phụ thuộc vào sức 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

1.2.3 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 cành tương tự Đây là phương pháp được nhiều nước áp dụng để

dự báo nhu cầu năng lượng của nước mình một cách hiệu quả Tuy nhiên việc áp dụng phương pháp này không phải lúc nào cũng thực hiện được, vì chỉ có các nước giống nhau nhiều mặt: địa lý, dân số, cơ cấu kinh tế…thì mới có thể ứng dụng phương pháp này có hiệu quả

1.2.4 Phương pháp chuyên gia

Phương pháp này 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 mặt năng lượng của nước mình Mặt dù vậy phương pháp này chỉ mang tính chủ quan, nên độ chính xác và độ tin cậy không cao

1.2.5 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 tùy 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

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 khoảng thời gian dự báo Nếu tằm dự báo càng xa thì sai số càng lớn Người 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

Phương pháp dựa trên nguyên tắc hiệu chỉnh các hệ số của toán tử dự báo theo phương pháp truy ứng

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

pp

Dựa vào đây cần dự báo giá trị yt tại thời điểm (n+1) với l = 1, 2, …, L Dự báo

giá trị yt tại thời điểm (t+1) (với t = n) có thể thực hiện theo phương pháp phân tích

Bất cứ đạo hàm bậc k nào (với k = 0, 1, 2, …,p) của phương trình (1.6) đều có thể

biểu diễn bằng một tổ hợp tuyến tính của trung bình mũ đến bậc (p+1), và ta cần xác

Nếu  tiến tới 1, nghĩa là chỉ xét đến quan sát sau cùng

Nếu  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]:

1.2.6 Phương pháp ngoại suy theo thời gian

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 đoán

trong tương lại

Giả sử mô hình có dạng hàm mũ như sau:

At = A0(1 + α)t (1.12)

Trong đó:

At: điện năng dự báo ở năm thứ t

A0: điện năng ở năm chọn làm gốc

: 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:

A(t+1)

At =1+α=const=C (1.13) 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:

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

At = A0.Ct (1.15)

Lấy logarit hóa biểu thức:

logAt = logA0 + t.logC (1.16) Đặt: y = logAt ; a = logA0 ; b = logC (1.17)

Do đó, (1.16) có thể viết thành: y = a + b.t

Vấn đề là phải xác định các hệ số a, b Muốn vậy ta dùng phương pháp bình

phương cực tiểu (đã được trình bày ở phần trước)

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

báo điện năng tầm ngắn và tầm xa Khuyết điểm của phương pháp này là chỉ cho kết

quả chính xác nếu tương lai không có nhiễu và quá khứ phải tuân theo một qui 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 Bayer, phương pháp phân Wavelet và phương pháp sử dụng mạng Neural nhân

tạo

1.2.6.1 Mô hình Brown

Hàm dự báo tuyến tính có dạng: y = a + bt (1.18)

Các hệ số của mô hình như sau được tính như sau:

a(t) = a(t - 1) + b(t - 1) + (1 - β2).e(t - 1) b(t) = b(t - 1) + (1 - β2).e(t - 1) (1.19)

Trong đó: : hệ số

1.2.6.2 Mô hình Bayes

Chuỗi thời gian y có phân bố f(y|) (phụ thuộc vào ) Đánh giá mới sẽ thu được

ở dạng h1(θ|y) gọi là phân phối hậu nghiệm theo Bayes:

Trong đó:

Y: ma trận đầu ra của mạng Neural

X: ma trận đầu vào của mạng Neural

F: hàm truyền của các Neural trong mạng

CHƯƠNG 2

LÝ THUYẾT WAVELET 2.1 TỔNG QUAN

Hiện nay, 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 đã cung cấp nhiều thuật toán rất hiệu quả cho nhiều ứng dụng khác nhau nhưng các giải thuật này gặp phải rất nhiều giới hạn trong vấn đề về số chiều Việc xây dựng và lưu trử các wavelet nhiều chiều là rất tốn kém Vì vậy để giải quyết vấn đề số chiều lớn ta phải xây dựng một giải thuật mà sự thực hiện của giải thuật này ít nhạy cảm với số chiều Chúng ta đã biết rằng mạng neural nhân tạo là một công cụ rất hiệu quả trong việc giải quyết vấn đề số chiều lớn Rất nhiều các công trình nghiên cứu đã chứng tỏ khả năng của mạng neural trong việc ước lượng hàm số từ các dữ liệu mẫu Tuy nhiên việc thực hiện mạng neural không có những phương pháp hiệu quả trong việc chọn các thông số cho các neural và trong việc chọn cấu trúc mạng

Dựa trên sự tương tự của phép phân tích wavelet và mạng neural một lớp ẩn, Zhang và Benveniste (1992) đã kết hợp wavelet và mạng neural để tạo ra mạng wavelet Mạng wavelet là một mạng neural lan truyền thẳng một lớp ẩn sử dụng hàm wavelet làm hàm kích hoạt cho các neuron lớp ẩn và các neuron này được gọi là các wavelon Ngõ ra của mạng wavelet là tổng tuyến tính có trọng số các giá trị của các wavelon Sự kết hợp của wavelet và mạng neural được hy vọng là sẽ khắc phục được những khuyết điểm của cả hai, sẽ cho ra những mạng mới với các phương pháp xây dựng hiệu quả và giải quyết vấn đề số chiều lớn

Trong những năm gần đây, mạng wavelet đã thu hút được rất nhiều sự chú ý từ các công trình nghiên cứu của các nhà khoa học, do khả năng xây dựng các hàm hồi quy phi tuyến tốt hơn so với mạng neural truyền thống Đó là do khả năng của hàm wavelet được sử dụng trong mạng wavelet Trong mạng neural truyền thống tính phi

tuyến được tạo ra bởi các hàm signmoid hoặc các hàm Gaussian và các hàm này không

có hiệu quả tốt bằng các hàm wavelet Thêm một đặc tính nữa là do ngõ ra tuyến tính nên các trọng số của mạng wavelet có thể được ước lượng bằng phương pháp bình phương tối thiểu Do đó mạng wavelet 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

2.2 BIẾN ĐỔI WAVELET LIÊN TỤC

Biến đổi Wavelet liên tục (Continuous Wavelet Tranform – CWT) của một hàm f(t) đuợc bắt đầu từ một hàm Wavelet mẹ (mother Wavelet) ψ(t) Hàm Wavelet mẹ ψ(t)

có thể là bất kỳ một hàm số thực hoặc số phức liên tục nào thỏa mãn các tính chất sau đây:

Tích phân suy rộng trên toàn bộ trục t của hàm ψ(t) là bằng 0 Tức là:

1 ( )

a b

t

a a

  (2.7) Điều đó cho thấy a là tham số tỉ lệ

Khi a >1 thì hàm Wavelet sẽ được trải rộng còn khi 0 < a <1 thì hàm sẽ được co lại Sau đây chúng ta sẽ định nghĩa phép biến đổi ngược của biến đổi Wavelet liên tục Gọi ψ(ω) là biến đổi Fourier của ψ(t):

Với giá trị C được định nghĩa là:

3 mà một hàm cần phải thỏa mãn để có thể được lựa chọn làm hàm Wavelet Chúng ta

có thể xem biến đổi CWT như là một ma trận hai chiều các kết quả của phép tính tích

vô hướng giữa hai hàm f(t) và ψa,b(t) Các hàng của ma trận tương ứng với các giá trị của a và các cột tương ứng với các giá trị của b do cách tính biến đổi Wavelet theo tích

vô hướng đã trình bày ở trên:

f t g t ( ), ( ) f t g ( ) *( ) t dt f t ( ) a b, ( ) t f t ( ) a b, ( ) t dt

2.3 BIẾN ĐỔI WAVELET RỜI RẠC

Việc tính toán các hệ số Wavelet tại tất cả các tỉ lệ là một công viêc hết sức phức tạp Nếu tính toán như vậy sẽ tạo nên 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 các 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 chọn các tỉ lệ và các vị trí để tính toán như trên tạo thành lưới nhị tố (dyadic) Một phân tích như trên hoàn toàn có thể thực hiện được nhờ biến đổi Wavelet rời rạc (DWT) Do đó, việc tính toán biến đổi DWT thực chất là sự rời rạc hóa biến đổi Wavelet liên tục (CWT); việc rời rạc hóa được thực hiện với sự lựa chọn các hệ số a và

b như sau:

a = 2m ; b = 2mn; m n ,  Z (2.12) Việc tính toán hệ số của biến đổi Wavelet có thể dễ dàng thực hiện bằng các băng lọc số nhiều nhịp đa kênh, một lý thuyết rất quen thuộc trong xử lý tín hiệu

2.4 GIỚI THIỆU MỘT SỐ HỌ WAVELET

2.4.1 Biến đổi Wavelet Haar

Biến đổi Haar Wavelet là biến đổi đơn giản nhất trong các phép biến đổi Wavelet

Do tính chất đơn giản của biến đổi Haar mà nó được ứng dụng tương đối nhiều trong nén ảnh, khi áp dụng biến đổi này để nén ảnh thì thuật toán nén ảnh trên máy tính có một số điểm khác với công thức toán học của biến đổi Haar

Hình 2.1: Hàm ψ(t) của biến đổi Haar 2.4.2 Biến đổi Wavelet Meyer

Yves Meyer là một trong nhưng nhà khoa học đã đặt nền móng cho phép biến đổi Wavelet Phép biến đổi Wavelet mang tên Meyer cũng là một phép biến đổi thông dụng, biến đổi này có khả năng phân tích tín hiệu tốt hơn nhiều so với biến đổi Haar Dạng của ψ(t) với biến đổi Meyer cho ở hình vẽ:

Hình 2.2: Hàm ψ(t) của biến đổi Meyer

2.4.3 Biến đổi Wavelet Daubechies

Giống như Meyer, Daubechies cũng là một nhà khoa học có công lao to lớn trong việc nghiên cứu phát triển phép biến đổi Wavelet Biến đổi Daubechies là một trong những phép biến đổi phức tạp nhất trong biến đổi Wavelet Họ biến đổi này được ứng dụng hết sức rộng rãi, biến đổi Wavelet áp dụng trong JPEG2000 là một biến đổi trong

họ biến đổi Wavelet Daubechies Dưới đây là một số hàm ψ(t) trong họ biến đổi Wavelet Daubechies:

Hình 2.3: Hàm ψ(t) của họ biến đổi Daubechies n với n = 2, 3, 7, 8

2.5 MỘT SỐ ỨNG DỤNG NỔI BẬT CỦA WAVELET

2.5.1 Nén tín hiệu

Do đặc điểm của mình, Wavelet đặc biệt tốt khi sử dụng để nén hay phân tích các tín hiệu không dừng đặc biệt là tín hiệu ảnh số và các ứng dụng nén tiếng nói, nén dữ liệu Việc sử dụng các phép mã hóa băng con, băng lọc có nhiều nhịp và biến đổi Wavelet rời rạc tương ứng với loại tín hiệu cần phân tích có thể mang lại những hiệu quả rất rõ rệt trong nén tín hiệu Do tính chất chỉ tồn tại trong các khoảng thời gian rất ngắn (khi phân tích tín hiệu trong miền thời gian tần số) mà các của biến đổi Wavelet

có khả năng tập trung năng lượng rất tốt vào các hệ số biến đổi Các hệ số mang thông tin chi tiết của biến đổi Wavelet thường rất nhỏ và có thể bỏ qua mà không ảnh hưởng tới việc mã hóa dữ liệu (trong phương pháp mã hóa ảnh hay tiếng nói là những tín hiệu cho phép mã hóa có tổn thất thông tin

2.5.2 Khử nhiễu

Tính chất của biến đổi Wavelet mà ta xét tới trong phần ứng dụng cho nén tín hiệu được mở rộng bởi Iain Johnstone và David Donohos trong các ứng dụng khử nhiễu cho tín hiệu Phương pháp khử nhiễu này được gọi là Wavelet Shrinkage Denoising (WSD) Ý tưởng cơ bản của WSD dựa trên việc tín hiệu nhiễu sẽ lộ rõ khi phân tích bằng biến đổi wavelet ở các hệ số biến đổi bậc cao Việc áp dụng các ngưỡng loại bỏ tương ứng với các bậc cao hơn của số Wavelet sẽ có thể dễ dàng loại bỏ nhiễu trong tín hiệu

2.5.3 Mã hóa nguồn và mã hóa kênh

Sở dĩ Wavelet được ứng dụng trong mã hóa nguồn và mã hóa kênh vì trong mã hóa nguồn thì chúng ta cần khả năng nén với tỉ lệ nén cao còn trong mã hóa kênh thì cần khả năng chống nhiễu tốt Biến đổi Wavelet kết hợp với một số phương pháp mã hóa như mã hóa Huffman hay mã hóa số học có thể thực hiện được cả hai điều trên Vì thế việc sử dụng biến đổi Wavelet trong mã hóa nguồn và mã hóa kênh là rất thích hợp

ở chỗ một vật hoặc một đối tượng bất kì chỉ có thể có hai khả năng hoặc là phần tử của tập đang xét hoặc là không phải là phần tử của tập hợp đó

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

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

được 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 diễu thông qua tính chất tổng quát của các phần tử

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

A x x

A

0

1 ) (

 (3.1)

A(x) gọi là hàm thuộc của tập hợp A Như vậy A(x) chỉ nhận hai giá trị hoặc là 1

hoặc là 0 Giá trị 1 của hàm thuộc A(x) còn được gọi là giá trị đúng, ngược lại giá trị 0

của hàm thuộc A(x) gọi là giá trị sai Một tập hợp X luôn có X(x) = 1  x được gọi là

không gian nền (tập nền)

Một tập A có dạng: A =  x  X {x thoả 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 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

3.2 ĐỊNH NGHĨA TẬP MỜ

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  A hoặc bằng 0 nếu x  A Như vậy trong lý thuyết tập 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 đó và ngược lại từ

hàm thuộc A(x) của tập A cũng hoàn toàn suy ra được định nghĩa cho A

Cách biểu diễn hàm thuộc như vậy sẽ không phù hợp với những tập được mô tả

mờ như các tập ví dụ sau :

B = { x  R | x << 6 } (3.2)

C = { x  R | x ≈ 3 } (3.3)

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

chẳng hạn như x = 3.5 có thuộc B hay không, hoặc x = 2.5 có thuộc C hay không Nếu

đã không khẳng định được là số thực x = 3.5 có thuộc B hay không thì cũng không khẳng định được là số thực x = 3.5 không thuộc B Vậy thì x = 3.5 thuộc B bao nhiêu

phần trăm ? Giả sử có câu trả lời thì lúc này hàm thuộc B(x) tại điểm x = 3.5 phải có

giá trị trong khoảng [0,1], tức là 0  B(x)  1 Nói một cách khác hàm B(x) không

còn là hàm hai giá trị như đối với tập kinh điển nữa mà là một ánh xạ B : X  [0,1]

Như vậy khác với tập 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 định nghĩa cho một tập mờ Do đó nó phải được nêu lên như là một điều kiện trong định nghĩa về tập mờ

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 F là ánh xạ, F : F  [0,1]

Anh xạ F được gọi là hàm thuộc của tập mờ F Tập kinh điển X được gọi là tập nền của tập mờ F Dạng của một hàm thuộc có mức chuyển đổi tuyến tính được cho

như hình 3.1

Hình 3.1: Hàm thuộc F(x) có mức chuyển đổi tuyến tính

Độ cao, miền xác định và miền tin cậy của tập mờ

Trong những ví dụ trên các hàm thuộc đều có độ cao bằng 1 Điều đó nói rằng các tập mờ đó đều có ít nhất một phần tử với độ phụ thuộc bằng 1 Trong thực tế không phải tập mờ nào cũng có phần tử có độ phụ thuộc bằng 1, nghĩa là không phải mọi hàm phụ thuộc đều có độ cao bằng 1

Định nghĩa: Độ cao của một tập mờ F (được định nghĩa trên tập nền X) là giá trị

X x





 (3.4)

Trong đó:

h: giá trị nhỏ nhất trong tất cả các giá trị chặn trên của hàm F(x) Một

tập mờ với ít nhất một phần tử có độ phụ thuộc bằng 1 được gọi là tập

mờ chính tắc tức là h = 1, ngược lại một tập mờ F với h < 1 được gọi

là tập mờ không chính tắc

Định nghĩa: Miền xác định của tập mờ F (được định nghĩa trên tập nền X ), được

kí hiệu S là tập con của X thoả mãn:

S = sup ìF(x) = { x  X | ìF(x) > 0 } (3.5)

Trong đó:

supp F(x): tập con trong X chứa các phần tử x mà tại đó hàm F(x) có

giá trị dương

Định nghĩa: Miền tin cậy của tập mờ F (được định nghĩa trên tập nền X ), được

ký hiệu là T, là tập con của X thoả mãn :

đề hợp thành, ta sẽ gọi nó là luật hợp thành kép Phần lớn các hệ mờ trong thực tế đều

có mô hình là luật hợp thành kép

Trong thực tế thường sử dụng quy tắc hợp thành MIN hoặc PROD và thường sử dụng phép hợp các tập mờ theo luật MAX hoặc luật tổng Lukasiewicz

Để xác định hàm thuộc ìR’(y) của giá trị đầu ra R’ của một luật hợp thành có N

mệnh đề hợp thành R1, R2, , RN phải thực hiện các bước :

1 Xác định độ thoả mãn H1, H2 , HN

2 Tính ìB’1(y), ìB’2(y), …, ìB’n(y)

3 Xác định ìR’(y)

Nếu các hàm thuộc ìB’1(y), ìB’2(y), …, ìB’n(y) thu được theo quy tắc MIN và phép

hợp các tập mờ B’1, B’2, , B’N được thực hiện theo 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 tuỳ theo quy tắc hợp thành và luật thực hiện phép hợp tập mờ

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

ví dụ như :

R1 : IF  = A1 THEN  = B1 hoặc R2 : IF  = A2 THEN  = B2 hoặc



Rn : IF  = An THEN  = Bn

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 :

R1 : IF 1 = A11 AND 2 = A12 AND AND m = A1m THEN  = B1 hoặc R2 : IF 1 = A21 AND 2 = A22 AND AND m = A2m THEN  = B2 hoặc



Rn : IF 1 = An1 AND 2 = An2 AND AND m = Anm THEN  = Bn hoặc

Có tên gọi là luật hợp thành MISO

3.3.1 Thuật toán thực hiện luật hợp thành đơn Max-Min, Max-Prod, có cấu trúc SISO

3.3.1.1 Luật hợp thành Max-Min

Luật hợp thành Max-Min là tên gọi 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:

R1 : IF  = A THEN  = B

Trước tiên hai hàm thuộc ìA(x) và ìB(y) được rời rạc hoá với tần số rời rạc đủ nhỏ

để không bị mất thông tin Ví dụ hai biến x, y có ìA(x) và ìB(y) được rời rạc hoá tại 5

điểm:

x   x1, x2, x3, x4, x5 

y   y1, y2, y3, y4, y5 

Hình 3.3: Rời rạc hóa hàm thuộc

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

ìB’(y3)|x2 = ìR(x2,y3) = min {ìA(x2), ìB(y3)} = min {0.5, 1} = 0.5

Nhóm tất cả các giá trị có được của ìR(x,y), gồm 5x5 =25 giá trị, thành ma trận R

0

0 0.5

1 0.5

0

0 0.5 0.5 0.5

Cách biểu 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 x0 = x2 ta có vector:

aT = ( 0, 1, 0, 0, 0 )

Do đó: ìB’(y) = ìR(x2,y) = aT.R = {0, 0.5, 0.5, 0.5, 0}

Tổng quát cho một giá trị rõ x0 bất kỳ tại đầu vào, ta có vector chuyển vị aT sẽ có

dạng aT = (a1, a2, , am) trong đó chỉ có một phần tử ai duy nhất có chỉ số i là chỉ số của x0 trong X có giá trị bằng 1, các phần tử còn lại đều bằng 0

Hàm thuộc ìB’(y) được xác định với :

mn m

n m

T

r r

r r

a a a R a

1

1 11

2 1

l

1

Để tránh phải cài đặt thuật toán nhân ma trận đại số tuyến tính cho việc tính hàm

thuộc ìB’(y) theo (3.7) và qua đó làm tăng tốc độ xử lý, phép nhân ma trận được thay

bởi luật Max-Min của Zadeh với Max thay vào vị trí phép cộng và Min thay vào vị trí phép nhân như sau:

Một cách khác đơn giản để tính ìB’(y) là ta sẽ tính giá trị H = ìA(x0) ứng với giá trị

rõ đầu vào x0 sau đó thực hiện quy tắc hợp thành MIN : ìB’(y) = min {H, ìA(x0)} với

từng giá trị ìB’(y) rời rạc ở đầu ra Ta sẽ có một vector giá trị hàm thuộc ìB’(y) ứng với

từng điểm ở đầu ra

3.3.1.2 Luật hợp thành Max-Prod

Cũng giống như đã làm với luật hợp thành Max – Min, ma trận R của luật hợp

thành Max – 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 vậy ma trận R có m hàng và n cột