Dự báo phụ tải tỉnh kiên giang sử dụng neural network

Trong ngành năng lượng, dự báo phụ tải có ý nghĩa vô cùng quan trọng vì nó gắn liền và ảnh hưởng trực tiếp đến đời sống sinh hoạt của nhân dân và các ngành kinh tế quốc dân.. Để nâng cao

Trang 1

DỰ BÁO PHỤ TẢI TỈNH KIÊN GIANG TRANG 1

GVHD: TS LÊ MINH PHƯƠNG HVTH: TRNNH TIẾN UY

CHƯƠNG 1: GIỚI THIỆU CHUNG 1.1 GIỚI THIỆU ĐỀ TÀI :

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

sự, là mối quan tâm hàng đầu của mọi quốc gia

Trong ngành năng lượng, dự báo phụ tải có ý nghĩa vô cùng quan trọng vì nó gắn liền và ảnh hưởng trực tiếp đến đời sống sinh hoạt của nhân dân và các ngành kinh

tế quốc dân Ngoài ra, dự báo phụ tải có ý nghĩa quyết định trong việc đảm bảo chế độ làm việc an toàn và tiết kiệm của hệ thống điện, đồng thời nó có tính chất quyết định trong việc hoạch định chiến lược phát triển hệ thống

Năng lượng là một vấn đề thu hút sự quan tâm của mọi quốc gia trong mọi thời đại Không thể hình dung được sự thiếu vắng của năng lượng trong mọi hoạt động của con người, nhất là trong thời đại ngày nay, khi mà khoa học kỹ thuật đã đạt trình độ rất cao để con người từng bước chinh phục được thiên nhiên và làm chủ được cuộc sống của mình

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

Ở nước ta, từ những năm 60 đến nay, đã liên tục đề cập, xem xét, tổ chức nghiên cứu về vấn đề này Nhưng cho đến nay, vẫn có nhiều vấn đề cần phải nghiên

Trang 2

cứu tiếp, hệ thống điện của ta cần phải mở rộng và phát triển để đáp ứng nhu cầu ngày càng cao của sản xuất và tiêu dùng

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 và 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 giãm đi rất nhiều Các phương pháp cổ điển sử dụng có hiệu quả khi các dữ liệu quan hệ tuyến tính với nhau, 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, sử dụng mạng Neural, sử dụng fuzzy logic, phép phân tích wavelet Các phương pháp trên ngày càng được quan tâm vì kết quả dự báo có chính xác hơn các phương pháp truyền thống

Tỉnh Kiên Giang có vị thế giáp biển, trông ra Vịnh Thái Lan, là tỉnh giữ vai trò trung tâm kinh tế về nông ngư nghiệp, công nghiệp, dịch vụ , là cửa ngõ đầu mối giao thông quan trọng của vùng ĐBSCL và cả nước gắn với các nước ASEAN như Cam Pu Chia, Thái Lan, Singapor theo đường bộ và đường biển Có vị trí quan trọng

về an ninh quốc phòng Là một giáo viên công tác trong ngành giáo dục tại tỉnh Kiên

Giang Và hiện đang theo học lớp “ Thiết bị, mạng và nhà máy điện” khoá 2007, tôi đã

chọn đề tài “Dự báo phụ tải tỉnh Kiên Giang sử dụng Neural Network” với mục

đích khám phá những ưu điểm sử dụng mạng Neural Network để dự báo phụ tải cho tỉnh Kiên Giang

Trang 3

1.2 NHIỆM VỤ - MỤC TIÊU CỦA ĐỀ TÀI:

- Tìm hiểu tổng quan về đặc điểm tự nhiên và kinh tế - xã hội, tình hình dân số

và hệ thống lưới điện của tỉnh Kiên Giang

- Tìm hiểu tổng quát về các phương pháp dự báo phụ tải

- Nghiên cứu tìm hiểu về huấn luyện mạng Neural Network

- Tìm hiểu ứng dụng của Neural Network cho dự báo phụ tải

- Ứng dụng Neural Network để dự báo phụ tải cho tỉnh Kiên Giang với kết quả sai số nằm trong phạm vi cho phép

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

Trang 4

DỰ BÁO PHỤ TẢI TỈNH KIÊN GIANG Trang 4

CHƯƠNG 2: GIỚI THIỆU TỔNG QUAN VÀ HỆ THỐNG

LƯỚI ĐIỆN TỈNH KIÊN GIANG 2.1 GIỚI THIỆU TỔNG QUAN VỀ TỈNH KIÊN GIANG:

2.1.1 Vị trí địa lý:

Kiên Giang là tỉnh cực Tây Nam của Tổ quốc, nằm trong vùng đồng bằng sông Cửu Long Như là một Việt Nam thu nhỏ, được thiên nhiên ưu đãi, phú cho Kiên Giang đủ cả: sông nước, núi rừng, đồng bằng và biển cả

Tỉnh Kiên Giang nằm ở toạ độ từ 104040’ đến 105032’40” kinh độ Đông và 9023’50’’ đến 10032’30” vĩ độ Bắc (phần đất liền) Phía Đông và Đông Nam giáp các tỉnh Cần Thơ, An Giang, phía Nam giáp tỉnh Cà Mau, Bạc Liêu Phía Tây giáp Vịnh Thái Lan với bờ biển dài 200 km và phía Bắc giáp Campuchia với đường biên giới đất liền dài 56,8 km Địa hình phần đất liền tương đối bằng phẳng có hướng thấp dần từ hướng phía đông bắc (độ cao trung bình từ 0,8-1,2 m) xuống Tây Nam (độ cao trung bình từ 0,2-0,4 m) so với mặt biển, đồng thời tạo nhiều kênh rạch, sông ngòi

2.1.2 Đặc điểm địa hình:

Đặc điểm địa hình này cùng với chế độ thủy triều biển Tây chi phối rất lớn khả năng tiêu úng về mùa mưa và bị ảnh hưởng lớn của mặn vào các tháng mùa khô Vùng biển có hai huyện đảo với hơn 100 hòn đảo lớn nhỏ, trong đó đảo Phú Quốc lớn nhất với diện tích 573km2 Từ những đặc điếm trên đã gây trở ngại tới sản xuất và đời sống của nhân dân trong tỉnh

Trang 5

mở cửa, hướng ngoại do có cảng biển, sân bay và có khoảng cách tới các nước ASEAN như Cam Pu Chia, Thái Lan, Singapor tương đối ngắn - là khu vực đang có nhịp độ

tăng trưởng kinh tế vào loại cao nhất thế giới

2.1.4 Dân số:

Dân số vào năm 2004 là 1.646.202 người, bằng 1,99% dân số cả nước và 9,55% dân số ĐBSCL Mật độ dân số trung bình là 263 người/km2 , cao hơn mật độ trung bình của cả nước (khoảng 249 người/km2) và thấp hơn mật độ dân số trung bình của toàn vùng ĐBSCL (khoảng 430 người/ km2)

2.1.7 Tài nguyên đất và nước:

- Đến năm 2001 tổng diện tích đất tự nhiên 629.905 ha, trong đó đất nông nghiệp 411.974 ha chiếm 65,72% đất tự nhiên, riêng đất lúa 317.019 ha chiếm 76,95% đất nông nghiệp, bình quân một hộ hơn 1 ha đất trồng lúa Đất lâm nghiệp có 120.027

ha chiếm 19,15% diện tích đất tự nhiên Đồng thời toàn tỉnh còn quĩ đất chưa sử dụng gần 50.000 ha Nhìn chung đất đai ở Kiên Giang phù hợp cho việc phát triển nông lâm nghiệp và nuôi trồng thủy sản

Trang 6

- Nguồn nước mặt khá dồi dào, nhưng đến mùa mưa (từ tháng 5 đến tháng 7) phần lớn nước mặt của tỉnh đều bị nhiễm phèn mặn, do là một tỉnh ở cuối nguồn nước ngọt của nhánh sông Hậu, nhưng lại là tỉnh ở đầu nguồn nước mặn của vịnh Rạch Giá Toàn tỉnh có 3 con sông chảy qua: Sông Cái Lớn (60 km), sông Cái Bé (70 km) và sông Giang Thành (27,5 km) chủ yếu để tiêu nước về mùa lũ và giao thông đi lại, đồng thời có tác dụng tưới nước vào mùa khô ở một số vùng như huyện Tân Hiệp, Giồng Riềng, Châu Thành, một phần Hà Tiên, Kiên Lương, Hòn Đất, Gò Quao… Ngoài ra tỉnh có hệ thống kênh rạch, những kênh rạch này có nhiệm vụ tiêu úng, sổ phèn, giao thông đi lại, bố trí dân cư đồng thời có tác dụng dẫn nước ngọt từ sông Hậu về vào mùa khô phục vụ cho sản xuất và sinh hoạt của nhân dân

- Nguồn nước ngầm: Theo điều tra của Liên đoàn địa chất 8, tỉnh Kiên Giang

có 7 phức hệ chứa nước, trong đó chỉ có phức hệ chứa nước pleiston xen (QI- III) là đối tượng trực tiếp cung cấp nước cho sinh hoạt và ăn uống gồm các huyện An Biên, Vĩnh Thuận, Gò Quao, một phần huyện An Minh giáp với An Biên, một phần huyện Giồng Riềng giáp với Châu Thành và một phần của huyện Tân Hiệp

2.1.8 Tài nguyên thủy sản:

Kiên Giang là tỉnh có nguồn lợi thủy sản đa dạng, phong phú bao gồm: tôm, cá các loại và có nhiều đặc sản quí như: Đồi mồi, hải sâm, sò huyết, nghêu lụa, rau câu, ngọc trai, mực, bào ngư…

Nguồn lợi biển: Kiên Giang có 200 km bờ biển với ngư trường khai thác thủy sản rộng 63.000km2 Theo điều tra của Viện nghiên cứu biển Việt Nam thì trữ lượng tôm cá ở đây khoảng 464.660 tấn trong đó vùng ven bờ có độ sâu 20-50 m có trữ lượng chiếm 56% và trữ lượng cá tôm ở tầng nổi chiếm 51,5%, khả năng khai thác cho phép bằng 44% trữ lượng, tức là hàng năm có thể khai thác trên 200.000 tấn Ngoài ra tỉnh

đã và đang thực hiện dự án đánh bắt xa bờ tại vùng biển Đông Nam bộ có trữ lượng trên 611.000 tấn với sản lượng cho phép khai thác 243.660 tấn chiếm 40% trữ lượng

Trang 7

2.1.9 Tài nguyên khoáng sản:

Có thể nói Kiên Giang là tỉnh có nguồn khoáng sản dồi dào bậc nhất ở vùng đồng bằng sông Cửu Long Qua thăm dò điều tra địa chất tuy chưa đầy đủ nhưng đã xác định được 152 điểm quặng và mỏ của 23 loại khoáng sản thuộc các nhóm như: Nhóm nhiên liệu (than bùn), nhóm không kim loại (đá vôi, đá xây dựng, đất sét…), nhóm kim loại (sắt, Laterit sắt…), nhóm đá bán quý (huyền thạch anh - opal…),trong

đó chiếm chủ yếu là khoáng sản không kim loại dùng sản xuất vật liệu xây dựng, xi măng Riêng về đá vôi có hơn 20 ngọn núi với trữ lượng khoảng hơn 440 triệu tấn, có một số núi đá vôi cần giữ lại di tích lịch sử, thắng cảnh và yêu cầu quân sự, nên trữ lượng để dùng cho sản xuất vật liệu xây dựng là hơn 245 triệu tấn, với nguyên liệu này

đủ để sản xuất 2,8-3 triệu tấn Clinker/năm trong thời gian trên 50 năm nguồn lợi khoáng sản trên sẽ sản xuất các loại sản phNm như: xi măng, gạch ngói, gốm sứ, đá ốp lát, đá xây dựng, vôi; đá huyền, thạch anh làm đồ trang sức mỹ nghệ; cát làm thủy tinh; than bùn làm chất đốt, phân bón…

2.1.10 Thương mại - dịch vụ:

N gành du lịch bước đầu phát triển khá, hạ tầng các khu du lịch trong tỉnh từng bước đầu tư xây dựng N hiều dự án quy hoạch tổng thể và chi tiết các khu du lịch được quan tâm chỉ đạo và đang triển khai thực hiện đầu tư Lượng khách du lịch đến Kiên Giang, đặc biệt Phú Quốc tăng khá nhanh, năm 2005 đạt 451.500 lượt khách

Dịch dụ vận tải hành khách và hành hoá tiếp tục phát triển, chất lượng dịch vụ từng bước được nâng lên, đáp ứng ngày càng tốt hơn nhu cầu của xã hội

Bưu chính viễn thông phát triển khá nhanh, với các loại hình đa dịch vụ, intenet băng rộng ADSL cũng đạ được đưa vào khai thác rộng rãi, tỷ lệ máy điện thoại

sử dụng đạt 12,8 máy/100 dân

2.1.11 Các vấn đề xã hội khác:

Trang 8

- Giáo dục, đào tạo: Sự nghiệp giáo dục và đào tạo tiếp tục phát triển cả về quy

mô và chất lượng, hệ thống trường học các cấp phát triển nhanh cơ bản đáp ứng yêu cầu học tập của học sinh, tỷ lệ huy động học sinh bậc mầm non và phổ thông đều tăng

N hiều nhà trường đạt chuNn quốc gia

- Y tế: Chăm sóc sức khoẻ ban đầu cho nhân dân, phòng chống dịch bệnh khác

và điều trị bệnh có nhiều tiến bộ, mạng lưới y tế các cấp được củng cố, nâng cấp, xây dựng mới, tuyến y tế cơ sở phần lớn các xã phường đều có trạm xá Các bệnh viện tuyến tỉnh, trung tâm y tế các huyện được đầu tư xây dựng mới hoặc nâng cấp, đội ngũ thầy thuốc được tăng cường về số lượng lẫn chất lượng, đáp ứng yê cầu chăm sóc sức khoẻ cho nhân dân

2.2 CÁC CHỈ TIÊU KINH TẾ XÃ HỘI MÀ TỈNH KIÊN GIANG PHẤN ĐẤU ĐẠT ĐƯỢC TRONG GIAI ĐOẠN 2006 – 2010:

- Tốc độ tăng trưởng kinh tế phấn đấu đạt 13% trở lên GDP bình quân đầu người đến năm 2010 đạt 1000 -1100USD

- GDP ngành nông lâm thuỷ sản tăng bình quân hàng năm 8 – 9%; công nghiệp – xây dựng 18 - 19%; dịch vụ 15-16%

- Chuyển dịch cơ cấu kinh tế theo hướng công nghiệp và dịch vụ, đến năm

2010 tỷ trọng nông lâm thuỷ sản đạt 35,3%, công nghiệp – xây dựng 34,5%, dịch vụ 30,2%

- Sản lượng lúa năm 2010 là 3 triệu tấn Sản lượng khai thác và nuôi trồng thuỷ năm 2010 là 465.850 tấn Tổng kim ngạch xuất khNu đạt 500 triệu USD năm

2010 Tổng mức hàng hoá bán ra tăng bình quân 13 -14%

- Tỷ lệ huy động ngân sách so với GDP đạt 6 -7% GDP

- Tăng dân số trung bình 1,2%/năm, quy mô dân số vào năm 2010 là 1,774 triệu người Hàng năm giải quyết việc làm cho 24.000 – 25.000 lao động

- Tỷ lệ hộ nghèo dưới 2% (theo tiêu chí cũ)

- 80% đường liên xã, trục xã được bê tông hoá hoặc nhựa hoá

Trang 9

- 90% dân số được sử dụng nước sạch, 95% số hộ được sử dụng điện

2.3 HỆ THỐNG LƯỚI ĐIỆN TỈNH KIÊN GIANG

- N guồn điện cung cấp cho các huyện trong đất liền của tỉnh Kiên Giang chủ yếu từ nguồn điện lưới quốc gia N goài ra, có 1 số phụ tải chuyên dùng có máy phát điện riêng như nhà máy xi măng Hòn Chông – Kiên Lương (thuộc Công ty Xi măng Holcim), Công ty Xi măng Hà Tiên 2 Cả 2 nhà máy này đều được đặt tại xã Bình An, huyện Kiên Lương

- N hà máy Xi măng Hòn Chông không sử dụng lưới điện quốc gia, hiên được cấp điện từ nguồn điện riêng tư có gồm 6 tổ máy diesel, mỗi tổ công suất 5.5

MW, trong đó thường xuyên đưa vào sử dụng từ 4 tổ máy (trước năm 2004) đến 5 tổ máy (từ năm 2004 đến nay), còn lại 1 -2 tổ để dự phòng Sản lượng điện tiêu thụ để sản xuất xi măng (bao gồm cả quá trình nung clinker và sản xuất xi măng) tăng từ 121,3 GWh năm 2000 lên 172,7 GWh năm 2005 Do chi phí nhiên liệu tăng cao nên từ năm

2007, sau khi trạm 110kV Xi măng Holcim đưa vào vận hành, nhà máy dự kiến sẽ sử dụng điện lưới quốc gia, 6 tổ máy trên chỉ để dự phòng

- Công ty Xi măng Hà Tiên 2 có trạm máy phát diesel gồm 3 tổ máy, công suất mỗi tổ máy là 2,5 MW dùng để chạy dự phòng cho trường hợp sự cố lưới điện và 1 tổ máy nhiệt điện hơi nước 3 MW đưa vào sử dụng từ tháng 3/2002 (Pmax phát khoảng 2 MW), sử dụng nhiệt thu hồi khí thải nung clinker, tự cung cấp điện cho nhà máy Sản lượng điện do các tổ máy diesel sản xuất hàng năm từ 1,1 đến 3,9 triệu kWh và do tổ máy hơi nước 10 triệu kWh Dự kiến trong những năm tới nhà máy sẽ thay đổi công nghệ nung luyện clinker nên lượng khí thải không còn như hiện nay Các

tổ máy diesel tuổi thọ cao (trên 40 năm), mức tiêu hao nhiên liệu cao, không có phụ tùng thay thế nên sẽ ngừng hoạt động Vì vậy toàn bộ nhu cầu điện của Công ty trong các năm tới sẽ do ngành điện cung cấp, phía Công ty Xi măng Hà Tiên 2 không tự phát điện nữa

Trang 10

- Hải huyện đảo và các xã đảo khác được cấp điện bằng nguồn điện tại chổ là các tổ máy diesel quy mô công suất loại từ vừa và nhỏ N guồn cấp điện chính cho đảo Phú Quốc là nhà máy diesel mới được đưa vào vận hành từ tháng 7/2004 N hà máy được xây dựng tại xã Cửa Dương, cách thị trấn Dương Đông khoảng 5 km, gồm 5

tổ máy phát điện, trong đó có 2 tổ mới công suất là 1.536kW, 3 tổ máy cũ dời từ nhà máy điện cũ sang công suất 580kW, 800kW, và 1.025kW N hà máy cũ còn 2 tổ máy

DG 800kW (suất hao dầu khoảng 380g/kWh) Tổng công suất lắp đặt của các nhà máy điện trên đảo là 7.077kW và tổng công suất khả dụng là 5.940kW Suất tiêu hao nhiên liệu của các tổ máy từ 208 đến 270g/kWh Đầu năm 2006 tiếp tục đưa vào vận hành 2

tổ máy mới, công suất mỗi tổ 2,5MW N hà máy điện này do Điện lực Kiên Giang quản

lý

- Các xã đảo nhỏ còn lại được cấp điện bằng các am1y diesel loại nhỏ, do ngân sách tỉnh đầu tư ở trung tâm xã đảo Về quản lý: các nhà máy thuộc huyện đảo Kiên Hải do Ban Điều hành nhà máy điện Kiên Hải quản lý, các đảo nhỏ thuộc huyện Phú Quốc do UBN D xã trực tiếp quản lý Các nhà máy nhỏ do tư nhân quản lý còn rất

Lưới 110 kV:

Tỉnh Kiên Giang được cấp điện từ hệ thống điện Miền N am qua 6 trạm biến

áp 110kV, trong đó có 2 trạm mới được đưa vào vận hành trong khoảng từ cuối năm

2004 đến nay còn lại 4 trạm đều được xây dựng từ trước năm 2000

Trang 11

2.3.1.2 Lưới phân phối:

Đường dây 35kV: Toàn tỉnh có 3 tuyến đường dây 35kV với tổng chiều dài 121,1km

Đường dây trung thế: Toàn bộ lưới điện trung thế tỉnh Kiên Giang hiện đều đang vận hành ở cấp điện áp duy nhất là 22kV Tổng chiều dài của các đường dây trung thế trên địa bàn tỉnh là 3.097km, trong đó có 1.687km đường dây 3 pha và 1.410 km đường dây 1 pha N hư vậy khối lượng đường dây 1 pha vẫn còn chiếm tỷ trọng khá lớn, chỉ đảm bảo cấp điện cho nhu cầu điện ánh sáng sinh hoạt, chưa đáp ứng nhu cầu điện 3 pha

2.3.2 Hiện trạng lưới điện

- Kiên Giang là một tỉnh lớn thuộc ĐBSCL Tuy lưới điện 220kV cấp điện cho tỉnh từ năm 2002 đã có kết cấu mạch vòng sau khi đường dây 220kV Cai Lậy - Rạch Giá 2 được xây dựng xong nhưng do cả tỉnh chỉ được cấp điện từ 1 trạm biến áp 220kV nên độ an toàn cấp điện cho tỉnh không được đảm bảo Lưới điện 110kV về cơ bản đã đảm bảo cấp đủ điện cho các nhu cầu phụ tải của tỉnh N goại trừ trạm 110kV

An Biên, Chung Sư (trạm này nằm gần trạm 220kV Rạch Giá 2) tất cả các trạm biến áp 110kV còn lại đều được cấp điện từ 2 nguồn đến Các trạm 110kV chưa bị quá tải, trạm 110kV An Biên hiện có mức mang tải khá thấp

Trang 12

- Hầu hết các đường trung thế từ các trạm 110kV đã được liên kết với nhau, làm tăng độ an toàn cấp điện cho các huyện, thị, thành phố của tỉnh Tuy nhiên còn nhiều tuyến trục trung thế có tiết diện dây dẫn nhỏ, chiều dài lớn, khối lượng đường dây 1 pha vẫn còn chiếm tỷ trọng lớn nên gây mất cân bằng phu tải giữa các pha, làm tăng tổn thất điện năng

Điện năng sản xuất và tiêu thụ của tỉnh Kiên Giang bao gồm:

- Điện thương phNm do Điện lực Kiên Giang bán cho các khách hàng ở đất liền từ nguồn lưới điện quốc gia và cho các khách hàng trên đảo Phú Quốc từ nhà máy điện diesel xây dựng tại đảo

- Điện cung cấp cho các xã đảo từ các tổ máy diesel loại nhỏ (chỉ có số liệu thống kê năm 2005)

- Điện do nhà máy điện diesel (4x5,5MW) thuộc công ty Holcim tự sản xuất để cấp cho nhà máy xi măng Hòn Chông, nhà máy không sử dụng điện lưới quốc gia

- Điện do các tổ máy diesel (3x2,5MW) và 1 tổ máy nhiệt điện hơi nước (3MW) tự sản xuất để cấp cho Công ty Xi măng Hà Tiên 2, trong đó các tổ máy diesel chỉ phát hiện khi có sự cố lưới còn tổ máy nhiệt điện hơi nước chỉ vận hành khi dây chuyền nung clinker hoạt động và cấp điện cho dây chuyền này

- Điện bán cho Campuchia

Trang 13

DỰ BÁO PHỤ TẢI TỈNH KIÊN GIANG TRANG 13

CHƯƠNG 3: GIỚI THIỆU MỘT SỐ PHƯƠNG PHÁP

DỰ BÁO PHỤ TẢI ĐIỆN 3.1 GIỚI THIỆU:

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

Dự báo là đi tìm một mô hình tóan 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 mọõt 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 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 tiếp 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

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

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

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

Trang 14

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 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 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 cho 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 và phương pháp tương quan

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

Mô hình toán học:

( 1) ( 2) ( 3) ( )

))(), ,2(),1(,,

,,()(

3 2

1 0

2 1 0

n t Y a t

Y a t

Y a a

n t Y t

Y t Y a a a a f t Y

n

−

−+

Trang 15

Y (t)

∧

là 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

1

a , a2, a n thông số mô hình dự báo cần tìm

Dự báo theo phương pháp tương quan là tìm quy luật thay đổi của đại lượng cần dự báo phụ thuộc vào các đại lượng liên quan

Mô hình toán học:

n n n

a a a f

Y∧ = ( 1, 2, , , 0, 1, 2, , ) = 0 + 1 1 + 2 2 + 3 3 + + (3.2) Trong đó:

Y∧ là giá trị cần dự báo

A1, A2… A n- giá trị của các đại lượng liên quan

1

a , a2, a n 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 đều dựa trên nguyên tắc bình phương cực tiểu:

1 0 2

n n

Trong đó Y i- 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

0 ))]

(), ,2(),1(,,

,,([

2 1

n i

da

f n t Y t

Y t Y a a a a f Y

0 ))]

(), ,2(),1(,,

,,([

Y t Y a a a a f

0 ))]

(), ,2(),1(,,

,,([

1

2 1

da

f n t Y t

Y t Y a a a a f Y

Trang 16

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

3.2 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN:

3.2.1 Phương pháp hệ chuyên gia:

Về thực chất, phương pháp chuyên gia là phương pháp dự báo mà kết quả là các thông số do các chuyên gia đưa ra, hay nói đúng hơn là sự công não để khai thác và lợi dụng trình độ uyên bác và lý luận thành thạo về chuyên môn, phong phú về khả năng thực tiễn và khả năng mẫn cảm, nhạy bén và thiên hướng sâu sắc về tương lai đối với đối tượng dự báo của một tập thể các nhà khoa học, các nhà quản lý cùng đội ngũ cán bộ thuộc các chuyên môn bao hàm hay nằm trong miền lân cận của đối tượng dự báo

Nhiệm vụ của phương pháp chuyên gia là đưa ra những dự đoán khách quan về tương lai phát triển của một lĩnh vực hẹp của khoa học hoặc dựa trên việc xử lý có hệ thống các đánh giá dự đoán của chuyên gia

Sau khi đã thu thập ý kiến của các chuyên gia, cần xử lý các thông tin theo phương pháp xác suất thống kê Thực tế phương pháp chuyên gia hoàn toàn mang tính chủ quan, phụ thuộc vào nhận thức của từng cá nhân, nhưng khi đã được xử lý theo phương pháp xác suất thống kê thì tính chủ quan sẽ được khách quan hoá bởi các mô hình toán học và vì vậy có thể nâng cao độ tin cậy của dự báo

3.2.2 Phương pháp ngoại suy theo thời gian:

Theo nghĩa rộng nhất thì ngoại suy dự báo là nghiên cứu lịch sử phát triển của đối tượng năng lượng và chuyển tính quy luật đã được phát hiện trong quá khứ và hiện tại sang tương lai bằng phương pháp xử lý chuỗi thời gian kinh tế

Thực chất của việc nghiên cứu lịch sử và nghiên cứu quá trình thay đổi và phát triển của đối tượng tiêu thụ điện theo thời gian Kết quả thu thập thông tin một cách liên tục về sự vận động của đối tượng tiêu thụ điện theo một đặc trưng nào đó hình thành một chuỗi thời gian

Trang 17

Ðiều kiện chuỗi thời gian:

Khoảng cách giữa các thời điểm của chuỗi phải bằng nhau, có nghĩa là phải đảm bảo tính liên tục nhằm phục vụ cho việc xử lý Ðơn vị đo giá trị chuỗi thời gian phải đồng nhất Theo ý nghĩa toán học thì phương pháp ngoại suy chính là việc phát hiện xu hướng vận động của đối tượng năng lượng, có khả năng tuân theo quy luật hàm số f(t) nào để từ đó tiên liệu giá trị đối tượng năng lượng ở ngoài khoảng giá trị đã biết (y1, yn) định dạng:

1 ( 1)

t+ = f t+ +ε

DB y

Trong đó: - thành phần phụ tải có xét đến nhiễu của các thông tin

Ðiều kiện của phương pháp:

- Ðối tượng năng lượng phát triển tương đối ổn định theo thời gian

- Những nhân tố ảnh hưởng chung nhất cho sự phát triển đối tượng năng lượng vẫn được duy trì trong khoảng thời gian nào đấy trong tương lai

- Sẽ không có tác động mạnh từ bên ngoài dẫn tới những đột biến trong quá trình phát triển đối tượng năng lượng Quá trình dự báo theo phương pháp ngoại suy được thể hiện qua sơ đồ sau:

Phương pháp ngoại suy thường có sai số dự báo khá lớn Nguyên nhân chính dẫn đến sai số dự báo là do sự biến động của một số nhân tố liên quan đến quá trình tiêu thụ điện Giá điện là một biến quan trọng tác động đến nhu cầu phụ tải Cuộc khủng hoảng năng lượng đầu tiên năm 1973 đã làm giá điện tăng 4,1% hằng năm cho giai đoạn

dự báo 1974-1983 Giá điện tăng tạo ra các thay đổi về mô hình nhu cầu phụ tải cho giai đoạn dự báo Có giả thiết cho rằng sự thay đổi cấu trúc trong mô hình cũng có thể là nguyên nhân khác gây ra sai số dự báo

Ở Việt Nam, từ trước đến nay phương pháp ngoại suy được áp dụng không nhiều do thiếu lượng thông tin cần thiết về tiêu thụ điện trong quá khứ Tuy nhiên, trong những năm gần đây với việc áp dụng các phần mềm dự báo như SIMPLE-E, phương pháp ngoại suy đã bắt đầu được sử dụng để tính toán dự báo cho Tổng sơ đồ VI Ðể có

Trang 18

thể áp dụng thuận tiện phương pháp ngoại suy, cần ý thức được tầm quan trọng của thông tin để thu thập và lưu giữ, đồng thời cần phải trang bị các cơ cấu đo cần thiết

3.2.3 Phương pháp hồi quy tương quan:

Phương pháp này nghiên cứu mối tương quan giữa các thành phần kinh tế, xã hội nhằm phát hiện những quan hệ về mặt định lượng của các tham số dựa vào thống

kê toán học Các mối tương quan đó giúp chúng ta xác định được lượng điện năng tiêu thụ Có hai loại phương trình hồi quy được ứng dụng nhiều trong hệ thống điện: phương trình tuyến tính và phương trình luỹ thừa

Phương trình dạng tuyến tính:

Ðây là dạng phương trình thông dụng nhất, nó cho phép phân tích đánh giá sự ảnh hưởng của các nhân tố đối với tham số cơ bản cần xét Dạng của phương trình này biểu diễn như sau:

đó

Khi các biến ngẫu nhiên ảnh hưởng đến quá trình tiêu thụ điện Y tăng lên sẽ làm tăng số Nn Xi và tăng kích thước bài toán nhưng thuật toán để tìm nghiệm là như nhau

Trang 19

N gày nay với sự trợ giúp của máy tính thì các phép toán đó sẽ trở nên đơn giản, vấn đề đặt ra là chúng ta phải có một bộ dữ liệu quá khứ đủ mức tin cậy để xây dựng hàm hồi quy, dựa trên cơ sở xác định phụ tải bằng các phương pháp: dùng phiếu điều tra, phương pháp trực tiếp Kết quả của phương pháp nêu trên xác định được các

hệ số hồi quy Việc xác định mức tiêu thụ điện được xác định dựa trên cơ sở nào và các yếu tố ảnh hưởng khác

3.2.4 Phương pháp hệ số đàn hồi thu nhập:

N hu cầu điện năng được dự báo theo như phương pháp “mô phỏng kịch bản” hiện đang được áp dụng rộng rãi trong khu vực và trên thế giới Phương pháp luận dự báo là: trên cơ sở phát triển kinh tế – xã hội trung – dài hạn, nhu cầu điện năng cũng như nhu cầu tiêu thụ các dạng năng lượng khác mô phỏng theo quan hệ đàn hồi với tốc độ tăng trưởng kinh tế Phương pháp này thích hợp với các dự báo trung và dài hạn Ðàn hồi thu nhập được xác định như sau:

Trong đó: αET - Hệ số đàn hồi thu nhập; A% và Y% - Suất tăng tương đối điện năng và GDP; A - Ðiện năng sử dụng; Y - Giá trị thu nhập GDP; A và Y - Tăng trưởng trung bình điện năng và thu nhập trong giai đoạn xét

Các hệ số đàn hồi được xác định theo từng ngành và từng miền lãnh thổ Việc xác định chúng được tiến hành theo chuỗi phân tích quá khứ và có sự tham khảo kinh nghiệm từ các nước trên thế giới và trong khu vực N goài ra, các yếu tố quan trọng khác tác động đến nhu cầu điện được xét đến là:

- Hệ số đàn hồi giá điện: Khi giá điện tăng lên, một số hộ tiêu thụ sẽ có xu

hướng chuyển sang sử dụng các nhiên liệu năng lượng khác hoặc ngược lại N hư vậy về

Trang 20

mặt thị trường, giá cả mỗi loại năng lượng dẫn đến tính cạnh tranh của loại đó Hệ số phản ánh sự thay đổi nhu cầu điện của một ngành hay khu vực nào đó khi giá điện thay đổi được gọi là hệ số đàn hồi giá

- Hệ số tiết kiệm năng lượng: tính tới việc áp dụng tiến bộ khoa học kỹ thuật,

thực hiện tiết kiệm năng lượng, đặc biệt là triển khai các chương trình quản lý phía nhu cầu DSM

Hàm số dự báo là hàm tổng hợp, dự báo nhu cầu điện năng toàn quốc được tổ hợp từ nhu cầu điện năng cho các ngành kinh tế, khu vực dân dụng và từ các vùng lãnh thổ Ðàn hồi thu nhập và giá biểu thị nhu cầu năng lượng thay đổi do sự thay đổi giá năng lượng và thu nhập trong mô hình kinh tế lượng

Thông thường, các hệ số đàn hồi được xác định bằng các phân tích kinh tế lượng của các chuỗi dữ liệu theo thời gian trong quá khứ Ðiều này không thể làm được ở Việt

N am vì các chuỗi dữ liệu theo thời gian này không đủ và ngay cả khi có đủ thì một số sự phân bổ sai lệch tác động đến nền kinh tế Việt N am sẽ làm mất tác dụng của cách tiếp cận này

Vì thế các hệ số đàn hồi dùng trong việc phân tích dự báo nhu cầu năng lượng thường được lựa chọn bằng cách mô phỏng kinh nghiệm của các quốc gia lân cận ở thời điểm mà họ có các điều kiện và hoàn cảnh tương tự Cách tiếp cận này không phải là dễ dàng vì một số lý do Các ước tính kinh trắc thường là không tin cậy và dễ bị thay đổi tuỳ thuộc vào việc hình thành các quan hệ giữa sử dụng năng lượng và nhu cầu năng lượng cũng như các tập hợp dữ liệu nhất định đang được nghiên cứu Phương pháp này ứng dụng tại Việt N am mang nặng tính chuyên gia hơn là các tính toán thông thường

3.2.5 Phương pháp san bằng hàm mũ (san bằng hàm mũ với xu thế tuyến tính):

Mỗi toán tử dự báo được đặc trưng bởi một hàm hồi quy (còn gọi là hàm xu thế tuyến tính) 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

Trang 21

không đổi của mô hình dự báo trên cơ sở những số liệu có sẵn 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 N ếu tầm dự báo càng xa thì sai số dự

báo càng lớn

N goài ra, khi quan sát thì những số liệu gần hiện tại có ảnh hưởng đến giá trị

dự báo nhiều hơn những số liệu ở xa quá khứ N ói 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

∑

=

+

= + +

+ +

+

i

l i i t

p p

i

a t

p

a t

a t a a y

0

2 2 1 0

t t

p

l y

l ly y y

!

! 2

2

2 1 0

+

Trong đó yt(k) là đạo hàm bậc k tại thời điểm t và bất kỳ một đạo hàm bậc k nào (với k= 0, 1, 2, …, p) của phương trình trên đều có thể biểu diễn 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:

S

0

1 αα

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 N ếu α tiến tới 1, nghĩa là chỉ xét đến quan sát sau cùng N ếu

α tiến tới 0, nghĩa là xét đến ảnh hưởng của mọi quan sát trong quá khứ

Trang 22

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

S

0

1 αα

3.2.6 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 và nhịp độ phát triển của tòan bộ nền kinh tế quốc dân

3.2.7 Phương pháp tính trực tiếp:

N ội 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 phNm 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

3.2.8 Phương pháp so sánh đối chiếu:

N ội 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 Tuiy 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 một cách hiệu quả

3.2.9 Mô hình Brown

Hàm dự báo tuyến tính có dạng:

Y = a + b.t (9.1) Các hệ số của mô hình được tính toán như sau:

( ) ( ) ( )t a t 1 b t 1 (1 ).e( )t 1

a = − + − + −β2 − (9.2)

Trang 23

( ) ( )t b t 1 (1 ).e( )t 1

b = − + −β2 − (9.3) Trong đó: β là hệ số

yfh

ω

= N

1 i

tb i

i i

)t(gTrong đó:

Gtb là trung bình cộng của biến đầu vào

Ưu điểm nổi bật của phân tích wavelet là khả năng phân tích cục bộ, tức là

phân tích một vùng nhỏ trong một tín hiệu lớn Khả năng này đã khắc phục được nhược điểm của biến đổi Fourier và biến đổi Fourier thời gian ngắn

Biến đổi wavelet còn có thể xác định được những đặc trưng quan trọng của

dữ liệu như khuynh hướng diễn biến, điểm gãy, điểm gián đoạn ở đạo hàm bậc cao…biến đổi wavelet có rất nhiều ứng dụng

Trang 24

3.2.12 Phương pháp mạng neural nhân tạo

Có ba nguồn trí thông minh nhân tạo bắt chước các quá trình của bộ óc và hệ thống thần kinh của con người là quá trình xử lý ngôn ngữ, robot và các hệ neural nhân tạo

Hệ neural nhân tạo có ứng dụng hầu hết ở các lĩnh vực thương mại, trong đó có

dự báo Mạng neural có khả năng chiết xuất thông tin từ những dữ liệu không chắc chắn hay những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan sát được bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác

Trong hệ thống neural, nhiều thí dụ được lập chương trình trong máy vi tính

N hững thí dụ này bao gồm toàn bộ các mối quan hệ trong quá khứ giữa các biến có thể ảnh hưởng đến các biến phụ thuộc

Chương trình hệ thống neural sau đó bắt chước ví dụ này và cố gắng bắt chước mối quan hệ cơ sở đó bằng cách học hỏi khi xử lý Quá trình học hỏi này cũng được gọi

là đào tạo giống như việc đào tạo con người trong công việc Một trong những ưu điểm nổi bật của hệ thống neural trong dự báo là phương pháp này không cần phải xác định những mối quan hệ giữa các biến số trước

Phương pháp này có thể xác định nhờ vào quá trình học hỏi về các mối quan hệ qua những thí dụ đã được đưa vào máy Bên cạnh đó, hệ thống neural không đòi hỏi bất

kỳ giả định nào về các phân phối tổng thể và không giống những phương pháp dự báo truyền thống, nó có thể sử dụng mà không cần có đầy đủ số lượng các số liệu cần thiết

Chương trình hệ thống neural có thể thay thế nhanh chóng mô hình hiện có, ví

dụ như phân tích hồi quy, để đưa ra những dự báo chính xác mà không cần ngưng trệ các hoạt động đang diễn ra Hệ thống neural đặc biệt hữu ích khi số liệu đầu vào có tương quan cao hay có số lượng không đủ, hoặc khi hệ thống mang tính phi tuyến cao Phương pháp này cho kết quả dự báo có độ chính xác cao, dự báo được các sự kiện theo thời gian

Trang 25

CHƯƠNG 4: GIỚI THIỆU SƠ LƯỢC VỀ MẠNG NEURAL

4.1 GIỚI THIỆU:

Bộ não con người là hệ thống xử lý thông tin phức hợp, phi tuyến và song song

có khả năng học, ghi nhớ, tổng quát hoá và xử lý lỗi Bộ não con ngừơi gồm khoảng

1010 đến 1012 tế bào thần kinh liên kết với nhau thành mạng Mỗi tế bào thần kinh gồm

ba thành phần chính là thân tế bào (soma), một hệ thống hình cây các đầu dây thần kinh vào (dendrite) và một trục (axon) dẫn đến đầu dây thần kinh ra Tại đầu của các dây thần kinh có các khớp thần kinh (synapse) để kết nối với các tế bào thần kinh khác Mỗi tế bào thần kinh trong bộ não con người có khoảng 104 khớp thần kinh Có hai loại khớp nối là khớp nối kích thích (excitatory) hoặc khớp nối ức chế (inhibitory)

Tín hiệu truyền trong các dây thần kinh vào và dây thần kinh ra của các tế bào thần kinh là tín hiệu điện Khi điện thế đạt đến một ngưỡng nào đó, sẽ tạo ra một xung điện dẫn đến trục dây thần kinh ra Xung này được truyền theo trục tới các nhánh rẽ khi chạm đến các khớp nối với các tế bào thần kinh khác và sẽ giải phóng các chất truyền điện Quá trình truyền tín hiệu cứ tiếp tục cho đến khi đến đầu ra cuối cùng Mạng thần kinh nhân tạo là mô hình toán học đơn giản của bộ não con người Trái với các mô hình tính toán thông thường, hầu hết các mạng thần kinh phải được huấn luyện trước khi sử dụng

Các nghiên cứu về mạng thần kinh nhân tạo đã bắt đầu từ thập niên 1940 Năm

1944, McCulloch và Pitts công bố công trình nghiên cứu về liên kết của các tế bào thần kinh Năm 1949, Hebb công bố về tính thích nghi của mạng thần kinh Cuối những năm 1950, Rosenblatt đưa ra mang Perceptron Năm 1985 mang Hopfield ra đời và sau

đó là mạng lan truyền ngược

4.2 MẠNG NEURAL NHÂN TẠO

4.2.1 Phần tử xử lý:

Mạng neural nhân tao (còn gọi là mạng thần kinh nhân tạo) có thể xem là mô hình toán học của bộ não người Mạng gồm các tế bào thần kinh (đơn vị xử lý) kết nối

Trang 26

với nhau bởi các liên kết Mổi liên kết kèm theo một trọng số, đặc trưng cho đặc tính thích nghi hay ức chế của các tế bào thấn kinh

• xj: là đầu ra của neural thứ j hoặc đầu vào từ môi trường bên ngoài

• wi,j: là trọng số kết nối giữa neural thứ i và neural thứ j và được cập nhật trong quá trình huấn luyện

• b(bias): là trong ngưỡng được đưa trực tiếp vào từng phần tử xử lý,

và sẽ được cập nhật trong quá trình huấn luyện

• η: tốc độ học là thông số khá quan trọng, giá trị của nó có thể quyết định đến kết quả huấn luyện Nếu η lớn thì quá trình tính toán nhanh nhưng giá trị cực trị sẽ không tìm được, ngược lại η lớn có thể tìm được giá trị cực đại toàn cục nhưng số bước tính toán rất nhiều để quá trình tính toán hiệu quả ta thường lấy η trong khoảng 0.1 < η < 1

• Hàm truyền (Transfer function): có nhiệm vụ nén các giá trị vào một

miền giá trị nào đó, làm cho các giá trị nhập gần với các giá trị xuất chuNn

Trang 27

1 e

=+

4.2.2 Mô hình kết nối và phân loại:

Thành phần quan trọng thứ hai của mang neuron nhân tạo là mô hình kết nối Dựa theo cấu trúc có thể chia ra làm hai loại đó là mạng nuôi tiến và mạng nuôi lùi

• Mạng nuôi tiến (feedforward network): Là mạng được xây dựng bằng cách đầu ra của neuron ở lớp đứng trước chính là đầu vào của neuron lớp sau nó

1F(x)

– 1

⎧

= ⎨

⎩

Trang 28

• Mạng nuôi lùi (feedback network): Là mạng được xây dựng khi các đầu

ra được định hướng lùi về làm đầu vào cho các neuron ở cùng lớp hoặc ở lớp đứng trước nó N ếu mạng nuôi lùi mà các đầu ra của của lớp neuron đầu ra là các đầu vào của lớp neuron đầu vào, thì được gọi là mạng recurrent hay còn gọi là mạng neuron hồi tiếp vòng kín

Phân loại: có bốn loại chính

• Mạng nuôi tiến một lớp: là mạng chỉ có một lớp neural

Trang 29

4.2.3.1 Các phương pháp huấn luyện

Mạng neural nhận tạo phải được huấn luyện trước khi sử dụng Quá trình huấn luyện (hay học) là thay đổi trọng số và trọng ngưỡng để mạng thực hiện một nhiệm vụ nào đó

• Học có giám sát (Supervised learning):

Trang 30

Ban đầu các trọng số của mạng được khởi động với giá trị bất kỳ Lần lược các

dữ liệu x được đưa vào mạng và sẽ cho ra giá trị y ở ngõ ra Dữ liệu ra được so sánh với dữ liệu ra mong muốn d Sai số e = d – y được dùng để cập nhật trọng số của mạng

e=d-y

d e

w

hình 2.10

• Học không có giám sát (Unsupervised learning):

Trong phương pháp học không có giám sát, không có thông tin phản hồi cho biết ngõ ra của mạng là đúng hay sai Mạng phải tự phát hiện các đặc điểm, các mối tương quan, hay các nhóm của tập mẫu dữ liệu vào và mã hoá chúng thành dữ liệu ra của mạng Trong khi phát hiện ra các đặc điểm này, mạng phải thay đổi thông số của

nó, quá trình này gọi là tự tổ chức

Trang 31

dựa trên thông tin như vậy gọi là học củng cố thông tin đánh giá chỉ biết mức độ

“đúng” hay “sai” của ma trận trọng số mà không chỉ dẫn phải thay đổi ma trận trọng

số thế nào để đi đến kết quả đúng

• Trọng số khởi động

Trọng số ban đầu của mạng truyền thẳng nhiều lớp ảnh hưởng nhiều đến lời giải của thuật toán lan truyền ngược Thường trọng số ban đầu được khởi động là giá trị ngẫu nhiên nhỏ N ếu khởi động trọng số ban đầu bằng nhau thì không thể huấn luyện được mạng trong trường hợp lời giải đúng là các trọng số khác nhau Trọng số ban đầu phải nhỏ vì nếu trọng số lớn sẽ làm cho hàm tác động dạng ‘S’ bảo hoà ngay

từ đầu và thuật toán sẽ rơi vào cực trị cục bộ Thường trọng số ban đầu được chọn ngẫu

Hệ số học

Không có cách trọn η thích hợp cho các trường hợp khác nhau, thường η được trọn dựa vào kinh nghiệm cho mỗi bài toán Giá trị η lớn làm tăng tốc độ học, nhưng nếu lớn quá có thể làm cho thuật toán không hội tụ, ngược lại η nhỏ đảm bảo cho thuật toán luôn hội tụ nhưng tốc độ học rất chậm thực nghiệm cho thấy η nằm trong khoảng 0.001-10 là thích hợp trong nhiều trường hợp huấn luyện mạng

• Dữ liệu huấn luyện mạng

Dữ liệu huấn luyện mạng cần đủ và đúng Không có quy tắc chung chỉ rõ cách chọn dữ liệu huấn luyện thích hợp cho mọi trường hợp Thực nghiệm cho thấy dữ liệu

Trang 32

huấn luyện mạng cần chọn ngẫu nhiên và bao hàm toàn bộ không gian của tín hiệu vào Gọi K là số mẫu dữ liệu, M là số nhóm dữ liệu cần phân loại, để huấn luyện mạng cần chọn K>>M

• Số nút Nn (số neural)

Số lượng neural ở lớp Nn ảnh hưởng lớn đến tính hội tụ của thuật toán lan truyền ngược và chất lượng của mạng Thường số lượng neural ở lớp Nn được chọn dựa vào kinh nghiệm N ên bắt đầu với ít neural ở lớp Nn, nếu thuật toán không hội tụ thi tăng dần số neural đến khi hội tụ Mạng có thể xấp xỉ bất cứ hàm đích phức tạp nào nếu

nó có đủ số nút Nn

• Số lớp Nn

Mạng có thể có nhiều lớp Nn thay vì chỉ 1 Có nhiều nghiên cứu nhằm tìm hiểu xem việc thêm số lớp Nn có làm tăng năng lực học hoặc tốc độ học không Tuy nhiên chưa có lập luận lý thuyết nào ủng hộ cho việc thêm các lớp Nn có tính thuyết phục

N gược lại mạng một lớp Nn có thể xấp xỉ bất cứ ánh xạ nào Các lớp Nn gây ra nhiều bất lợi, vì làm cho các công thức toán học của mạng phức tạp hơn và chương trình máy tính cũng trở nên phức tạp và chậm hơn Vì thế, việc sử dụng nhiều hơn một lớp Nn không được khuyến khích

4.3 MỘT SỐ LUẬT HỌC VÀ GIẢI THUẬT CƠ BẢN 4.3.1 Luật học sửa lỗi (Error correction learning)

Gọi dk - là giá trị đầu ra mong muốn của N eural thứ k

Trang 33

x - là giá trị đầu vào (input)

4.3.2 Luật Hebbian (Hebbian learning)

Định luật Hebbian:

Gia tăng trọng số của kích thích nếu muốn dầu ra của neural tác động đối với

kích thích N gược lại, giảm trọng số của kích thích nếu không muốn đầu ra của neural

tác động với kích thích đó

Mỗi khi một neural được kích hoạt lặp đi lặp lại bởi một neural khác, ngưỡng

kích hoạt của neural khác giảm đi, do đó sự truyền đạt giữa hai neural này được dễ

dàng bởi sự kích hoạt lặp lại Ý tưởng này có thể mở rộng cho các hệ thống nhân tạo,

có nhiều công thức toán học khác nhau để diễn tả quy tắc Hebbian Công thức sau đây

được sử dụng phổ biến nhất

Khi có sự hoạt động chạy từ neural thứ j đến neural thứ i, trọng số sẽ tự tăng

Hebbian cho rằng thông tin có thể được lưu trữ trong kết nối Kỹ thuật huấn luyện của

ông đã có những đóng góp nền tản cho lý thuyết mạng neural

N ếu biểu thị hoạt động của neural thứ j là xj và đầu ra của neural thứ I là yi thì

trọng số kết nối được cho bởi:

wij = ηxjyj

Ở đây η là tham số để điều chỉnh sự thay đổi trọng số

Viết lại phương trình trên ta có:

Trang 34

Ở đây [x(t) – y(t)wi(t)] là sự hoạt động tiêu chuNn hoá, nó là một hệ số “quên” tỉ

lệ với bình phương của ngõ ra

Quy tắc Sanger:

Sanger đã sữa đổi quy tắc Oja, tóm tắt quy tắc như sau:

Giả sử mạng có M đầu ra cho bởi:

yi(t) = ∑wij(t)xj(t) i=1,M

Theo quy tắc Sanger thì các trọng số được cập nhật như sau:

wij(t) = ηyj(t)[xj(t) – wkj(t)yk(t)]

Chú ý rằng các trọng số được cập nhật không có tính cục bộ Tất cả các ngõ vào trước đó được yêu cầu để cập nhật cho trọng số wij

4.3.3 Luật học cạnh tranh (Competivive learning)

Mạng học luật cạnh tranh đơn giản chỉ có một lớp ngõ ra, ký hiệu là yi, mỗi ngõ ra này được nối với tất cả ngõ vào xi thông qua trọng số wij Phương pháp này

Trang 35

được mô tả như sau:

Δwi*j = η(xj – wi*j) Với wi* được truyền theo x, i* là phần của trọng số ứng với nút thắng được cập nhật N út thắng là ngõ ra lớn nhất

Có thể viết:

Δwij = ηyj(xi- wij)

Với yi=

4.3.4 Giải thuật học Delta tổng quát

Luật học delta dựa trên tính chất của đạo hàm mà nền tản là phương thức giảm dốc nhất nên có thể dùng cho hàm truyền bất kỳ Đây là nguyên tắc học nguyên thuỷ nhất của lan truyền ngược Phương pháp này được Rumelhart, Hinton và Williams giới thiệu năm 1986

Khi hoàn thành một bước lặp qua toàn bộ tập mẫu, tất cả các trọng số của mạng sẽ được cập nhật dựa vào thông tin đạo hàm riêng theo từng trọng số tích luỹ được Đúng như tên gọi, trọng số sẽ được cập nhật theo hướng mà hàm lỗi E tụt xuống dốc nhất

4.3.5 Mạng nuôi tiến và giải thuật lan truyền ngược

Giải thuật lan truyền ngược (back propagation) là một trong các giải thuật quan trọng nhất trong lịch sử phát triển của mạng neural nhân tạo Giải thuật được sử dụng

để huấn luyện các mạng nuôi tiến nhiều lớp với các phần tử xử lý trong mạng có hàm tác động là hàm phi tuyến

Mạng nuôi tiến nhiều lớp với giải thuật lan truyền ngược còn được gọi là mạng truyền ngược

N ếu cho tập hợp các mẫu huấn luyện vào-ra (x(k),d(k)) với k=1,2,…p Giải thuật sẽ cung cấp một thủ tục cho việc cập nhật các trọng số kết nối trong mạng truyền ngược từ lớp neural đầu ra đến lớp neural đầu vào

Trang 36

Giải thuật vận hành theo hai luồn dữ liệu, đầu tiên các mẫu dữ liệu được truyền

từ lớp neural đầu vào đến lớp neural đầu ra và cho kết quả thực y(k) của lớp neural đầu

ra Sau đó các tín hiệu sai lệch giữa đầu ra mong muốn và đầu ra thực được truyền ngược từ đầu ra đến các lớp đứng trước để cập nhật các trọng số kết nối trong mang

4.4 MỘT SỐ MẠNG NEURAL NHÂN TẠO:

4.4.1 Mạng Perceptron

Luật học Perceptron được Frank Rosenblatt đưa ra vào những năm 1950, là một tiêu biểu cho nguyên lý sửa sai theo giải thuật lan truyền ngược sai lệch Hàm truyền trong luật học này là hàm ngưỡng tuyến tính (hardlim)

Vào năm 1943 Maccalox và học trò của ông là Pet đã đưa ra những học thuyết

cơ bản của bộ não con người Kết quả là họ đã đưa ra được mô hình neural như một phần tử xử lý đơn giản có thể tính giá trị đầu ra qua giá trị đầu vào, hàm truyền và bộ trọng số

Trang 37

w1w2wr

Tương tự như mạng Hopfild nhưng mạng có hai lớp

Trang 38

FLN là một mô hình rất mạnh trong việc biểu diễn hàm phi tuyến quan hệ giữa biến đầu ra và biến đầu vào FLN không đòi hỏi lớp Nn, có hai dạng cấu trúc cơ bản:

x1.2.3

.

y

hình 4.5 4.5 ỨNG DỤNG CỦA MẠNG NEURAL NHÂN TẠO

4.5.1 Lĩnh vực 1

Phân lớp (classification), tách cụm (clustering), dự đoán (diagnoisis) và liên kết đây là lĩnh vực tìm thấy nhiều ứng dụng nhất và cũng được nghiên cứu nhiều nhất N hóm này nhận những tín hiệu vào tĩnh hoặc tín hiệu theo thời gian và cần nhận dạng hoặc phân lớp chúng Thuật toán phân lớp cần huấn luyện mạng sao cho khi tín hiệu vào bị biến dạng ít nhiều thì mạng vẫn nhận đúng dạng thực của chúng

4.5.2 Lĩnh cực 2

Trang 39

Các bài toán tối ưu Vấn đề chính ở đây là tìm ra các thuật toán huấn luyện mạng sao cho góp phần tìm nghiệm cho nhiều lớp bài toán tối ưu toàn cục trong nhóm các thuật toán ứng dụng mạng neural, người ta quan tâm tới sự kết hợp mạng neural với các thuật toán lan truyền

4.5.3 Lĩnh vực 3

Hoàn chỉnh dạng (Pattern completion) Bài toán là hoàn chỉnh “đủ” dữ liệu ban đầu sau khi đã bị mất đi một phần (hay ta chỉ thu được một phần) người ta quan tâm tới hai lớp mô hình là mô hình Markov và mô hình mạng neural nhiều lớp có độ trễ

4.5.4 Lĩnh vực 4

Hồi quy và tổng quát hoá (Regression and Generalization) Qua hồi quy tuyến tính và hồi quy phi tuyến người ta gắng tìm các đường thẳng hoặc các đường hồi quy phi tuyến trơn sao cho khớp với mẫu Trong các bài toán hồi quy người ta thường dùng các thuật học có giám sát

Trang 40

CHƯƠNG 5: TỔNG QUAN NEURAL NETWORKS 5.1 GIỚI THIỆU NEURAL NETWORKS

Toolbox Neural Networks trong matlab hỗ trợ rất mạnh trong mô phỏng và tính toán liên quan đến mạng neural do neural networks có thể mô phỏng các mô hình phi tuyến tương đối dễ dàng mà không biết nhiều hàm truyền đối tượng đó Vì trến thế giới người ta bắt đầu chú trọng nghiên cứu mang neural và có những thành công đáng

kể Neural networks có tính học theo, ví dụ: người huấn luyện mạng có thể thu thập đầy đủ các dữ liệu đặc trưng cho các ngõ vào của mạng và các mối quan hệ giữa các ngõ vào đó với các ngõ ra của mạng thông qua các lớp Nn, các trọng số cập nhật, ngưỡng Kết quả của mạng neural phụ thuộc rất nhiều vào kinh nhiệm của chuyên gia trong việc chọn mạng gì, số neural trong mỗi lớp Nn như thế nào trong nội dung đề tài

em chỉ giới thiệu mạng lan truyền ngược trong Toolbox N eural N etworks

5.2 GIỚI THIỆU MẠNG LAN TRUYỀN NGƯỢC

Lan truyền ngược thực hiện dựa trên quy luận học Widrow Hoff Tổng quát cho mạng đa lớp và các hàm truyền phi tuyến khác Các vector ngõ vào và các vector ngõ ra tương ứng sẽ được huấn luyện cho tới khi mạng xỉ một hàm liên kết các ngõ vào với các vector ngõ ra

Mạng lan truyền ngược chuNn sử dụng thuật toán giảm độ dốc tương tự như trong quy luận sử lý Widrow Hoff Trong đó, các trọng số của mạng được dịch chuyển theo chiều ngược lại độ dốc của hàm biểu diễn Mạng đã huấn luyện riêng cho phép đưa ra các kết quả khi dùng các ngõ vào mà nó chưa từng được học Thông thường một ngõ vào mới sẽ có ngõ ra tương tự với ngõ ra chính xác của ngõ vào trước đó đã được huấn luyện giống với ngõ vào mới này Do tính chất tổng quát hóa này, ta có thể huấn luyện mạng dựa trên các cặp vào-ra đại diện mà vẫn cho kết quả tốt đối với các ngõ vào khác nhau của mạng chưa được huấn luyện Đây chính là tính nổi bật nhất của mạng neural so với các phương pháp khác

Định dạng
Số trang	88
Dung lượng	1,53 MB