Bộ giáo dục v đo tạo Trờng đại học Bách khoa hμ néi ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ Ngun Qu©n nhu NGHI£N CøU Vμ ứNG DụNG MạNG NƠRON V LÔGíC Mờ CHO BI TOáN Dự BáO PHụ TảI ĐIệN NGắN HạN Chuyên ngnh : §O ll− −êng Mã số: 62.52.62.01 luËn ¸n tiÕn sÜ kü tht Hμ Néi - 2011 Bé gi¸o dơc vμ đo tạo Trờng đại học Bách khoa h nội Nguyễn Quân nhu NGHIÊN CứU V ứNG DụNG MạNG NƠRON V LÔGíC Mờ CHO BI TOáN Dự BáO PHụ TảI ĐIệN NGắN HạN Chuyên ngnh : ĐO ll ờng Mó số: 62.52.62.01 ln ¸n tiÕn sÜ kü tht Ng−êi h−íng dẫn khoa học : PGS TS Phạm thợng hn PGS TSKH TrÇn hoμi linh Hμ Néi - 2011 LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng tơi Các kết đạt đề tài nghiên cứu luận án trung thực chưa công bố cơng trình Người cam đoan Nguyễn Qn Nhu LỜI CẢM ƠN Tôi xin trân trọng cảm ơn Trường Đại học Kỹ thuật công nghiệp, nơi công tác; Khoa Điện, Viện Đào tạo Sau Đại học - Trường Đại học Bách khoa Hà Nội tạo điều kiện thuận lợi để tơi hồn thành luận án Tơi xin bày tỏ lịng biết ơn sâu sắc PGS TS Phạm Thượng Hàn PGS.TSKH Trần Hoài Linh - Những người Thày hướng dẫn tận tình giúp đỡ tơi nhiều q trình nghiên cứu Tôi xin chân thành cảm ơn Thày, Cô Bộ môn Kỹ thuật đo Tin học công nghiệp, đặc biệt PGS TS Phạm Thị Ngọc Yến, TS Nguyễn Quốc Cường, ThS Lê Hải Sâm, TS Nguyễn Thị Lan Hương, TS Nguyễn Cảnh Quang, TS Nguyễn Hồng Nam góp ý cho tơi nhiều ý kiến quý báu, tạo điều kiện, động vi ên tơi q trình nghiên cứu Tơi biết ơn đến Thày Cô, Nhà Khoa học, đồng nghiệp bạn bè thân hữu giúp đỡ trình nghiên cứu Nghiên cứu sinh Nguyễn Quân Nhu MỤC LỤC NỘI DUNG TRANG Lời cam đoan Lời cảm ơn Mục lục Danh mục ký hiệu, chữ viết tắt Danh mục bảng Danh mục hình vẽ đồ thị Mở đầu 12 Chương - TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ĐIỆN 15 1.1 Giới thiệu chung 15 1.2 Một số phương pháp dự báo nhu cầu điện dài hạn 16 1.2.1 Dự báo nhu cầu điện theo ngành kinh tế quốc dân 16 1.2.2 Phương pháp ngoại suy 18 1.2.3 Phương pháp tương quan 18 1.2.4 Phương pháp tính hệ số vượt trước 19 1.2.5 Phương pháp chuyên gia 19 1.2.6 Phương pháp phân tích kinh tế 19 1.2.7 Phương pháp phân tích kinh tế - kỹ thuật 20 1.2.8 Phương pháp dự báo phân tích q trình 20 1.2.9 Phương pháp san hàm mũ 21 1.2.10 Phương pháp đa hồi quy (Simple-E) 22 1.3 Đồ thị phụ tải ngày 23 1.3.1 Đặc trưng đồ thị phụ tải ngày 23 1.3.2 Các yếu tố ảnh hưởng đến đồ thị phụ tải ngày 23 1.4 Dự báo phụ tải điện ngắn hạn 25 1.4.1 Nhóm phương pháp tất định 25 1.4.2 Nhóm phương pháp xác suất, thống kê 26 1.4.3 Nhóm phương pháp bất định 26 1.4.4 Nhóm phương pháp tự hồi quy 26 1.4.5 Nhóm phương pháp sử dụng trí tuệ nhân tạo 28 1.5 Mơ hình dự báo sử dụng luận án 30 1.6 Một số nghiên cứu ứng dụng mạng nơron nhân tạo dự báo phụ tải điện ngắn hạn 33 1.7 Kết luận nội dung chương 36 Chương - ỨNG DỤNG MẠNG NƠ-RON KOHONEN PHỐI HỢP VỚI LƠGÍC MỜ TRONG DỰ BÁO HÌNH DẠNG ĐỒ THỊ PHỤ TẢI NGÀY 38 2.1 Mạng Kohonen 38 2.1.1 Cấu trúc nguyên lý hoạt động mạng Kohonen 38 2.1.2 Các thuật toán học mạng Kohonen 42 2.1.3 Mạng Kohonen toán phân loại 49 2.2 Mạng nơ-ron Kohonen phối hợp với lô-gic mờ 51 2.2.1 Nhược điểm mạng Kohonen 51 2.2.2 Biểu thức giá trị mờ 53 2.2.3 Quy tắc suy luận mờ giá trị quy tắc suy luận mờ 55 2.2.4 Ứng dụng luật suy luận mờ phối hợp với mạng Kohonen 56 2.3 Kết luận nội dung chương Chương - MƠ HÌNH HỖN HỢP VÀ ỨNG DỤNG TRONG ƯỚC LƯỢNG CÁC QUAN HỆ PHI TUYẾN 59 60 3.1 Mơ hình hỗn hợp 60 3.2 Thuật tốn SVD ứng dụng xây dựng mơ hình dự báo 62 tuyến tính 3.2.1 Thuật tốn SVD phân tích ma trận A theo giá trị kỳ dị ma trận 62 3.2.2 Ứng dụng thuật toán SVD tốn tối ưu hóa tuyến tính 64 3.3 Mạng MLP ứng dụng xây dựng mơ hình dự báo phi tuyến 68 3.3.1 Cấu trúc mạng 68 3.3.2 Thuật toán học mạng MLP 70 3.3.3 Thuật toán bước giảm cực đại ứng dụng mạng MLP 71 3.3.4 Phương pháp ước lượng cấu trúc tối ưu mạng MLP cho số liệu cho trước 73 3.4 Ứng dụng phối hợp SVD MLP mơ hình lai 74 3.4.1 Hàm phi tuyến đối tượng 74 3.4.2 Kết cho thành phần tuyến tính 75 3.4.3 Kết cho thành phần phi tuyến 76 3.4.4 Kết tổng hợp 78 3.5 Kết luận nội dung chương 79 Chương - ỨNG DỤNG MÔ HÌNH FUZZY EXTENDED KOHONEN VÀ MƠ HÌNH HỖN HỢP TRONG DỰ BÁO PHỤ TẢI NGẮN HẠN 81 4.1 Số liệu đầu vào chương trình 81 4.2 Xây dựng mơ hình ước lượng hình dạng biểu đồ phụ tải ngày 82 4.2.1 Mơ hình 82 4.2.2 Kiểm tra số liệu 85 4.3 Ứng dụng mơ hình lai ước lượng giá trị đỉnh đáy biểu đồ phụ tải 85 4.4 Kết xây dựng mơ hình cho Pmax 88 4.5 Kết mơ hình tuyến tính cho Pmin 99 4.6 So sánh đánh giá kết 108 4.7 Một số hình ảnh minh họa kết dự báo đồ thị phụ tải ngày 110 4.8 Kết luận nội dung chương 114 KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO 117 Những đóng góp luận án 117 Đề xuất hướng nghiên cứu 117 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ 118 TÀI LIỆU THAM KHẢO 119 DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT SVD (Singular Value Decomposion – phân tích ma trận theo giá trị kỳ dị ma trận) MLP (Multi Layer Perceptron) - Mạng nơ-ron perceptron nhiều lớp MRE (Mean Relative Error) - Trung bình sai số tương đối MAE (Mean Absolute Error) - Trung bình sai số tuyệt đối MaxAE (Maximum Absolute Error) - Giá trị lớn sai số tuyệt đối DANH MỤC CÁC BẢNG TRANG Bảng 4.1 Mẫu số liệu học, sai số trung bình mẫu gốc tín hiệu tái tạo 84 Bảng 4.2 Mẫu số liệu kiểm tra, sai số trung bình mẫu gốc tín hiệu tái tạo 85 Bảng 4.3 Kết xác định sơ hệ số phụ thuộc tuyến tính (có 88 giá trị lớn nhất) P max ngày d vào ngày khứ Bảng 4.4 Sai số mẫu gốc tín hiệu tái tạo mơ hình tuyến tính xác định P max Bảng 4.5 Sai số tổng hợp mẫu gốc tín hiệu tái tạo xác định P max Bảng 4.6 Kết xác định sơ hệ số phụ thuộc tuyến tính (có giá trị lớn nhất) cuả P ngày d vào ngày khứ Bảng 4.7 Sai số mẫu gốc tín hiệu tái tạo mơ hình tuyến tính xác định P Bảng 4.8 Sai số tổng hợp mẫu gốc tín hiệu tái tạo xác định P Bảng 4.9 Một số kết số liệu học toán ước lượng P max Bảng 4.10 Một số kết số liệu kiểm tra toán ước lượng P max Bảng 4.11 Một số kết số liệu học toán ước lượng P Bảng 4.12 Một số kết số liệu kiểm tra toán ước lượng P Bảng 4.13 Một số hình ảnh đồ thị phụ tải gốc đồ thị phụ tải dự báo 94 98 99 104 108 108 109 109 109 110 113 Thứ ba 20/5/2008 Oreginal Day Load 180 2802 160,7 115,6 165,3 121,4 180 170 170 160 160 150 150 140 140 130 130 120 120 110 110 100 100 90 90 10 15 20 25 5 Hour Thứ tư 21/5/2008 Oreginal Day Load 180 2803 172,0 111 164 108 180 170 170 160 160 150 150 140 140 130 130 120 120 110 110 100 90 100 10 15 20 25 90 Hour Thứ năm 22/5/2008 Oreginal Day Load 180 2804 163,5 112,9 165,2 110 180 170 170 160 160 150 150 140 140 130 130 120 120 110 110 100 90 100 10 15 Hour 20 25 90 114 4.8 KẾT LUẬN NỘI DUNG CHƯƠNG 4: Ứng dụng mơ hình Fuzzy Extended Kohonen (khối ước lượng hình dạng chuẩn đồ thị phụ tải) mơ hình hỗn hợp (khối ước lượng giá trị phụ tải đỉnh giá trị phụ tải đáy đồ thị phụ tải ngày) dự báo phụ tải ngắn hạn cho khu vực Thái Nguyên Các số liệu lấy giai đoạn từ 18/9/2000 đến tháng 31/12/2008 (424 tuần) bao gồm phụ tải tiêu thụ Thái Nguyên (do Trung tâm điều độ HTĐ1 cấp), nhiệt độ trung bình khu vực (do Trung tâm khí tượng thủy văn Láng cấp) Các số liệu sử dụng để tạo mẫu tín hiệu: đỉnh phụ tải ngày, đáy phụ tải ngày, hình dạng (chuẩn hóa) đồ thị phụ tải Từ kết thu ta rút số kết luận sau: Khối ước lượng hình dạng chuẩn đồ thị phụ tải: Khối sử dụng mạng Fuzzy-Extended Kohonen, với tập liệu phụ tải khu vực Thái nguyên khối phân loại 25 kiểu ngày (không phụ thuộc thứ tự tuần hình 4.2), với yêu cầu đặt sai số hình dạng ≤ 15%, số lượng kiểu ngày phù hợp tiếp tục tăng số lượng kiểu ngày có nhiều đồ thị phụ tải tương tự thuộc nhóm khác dẫn tới việc phức tạp hóa khơng cần thiết cho mơ hình dự báo Với 25 kiểu ngày, mẫu số liệu học sai số tương đối trung bình mẫu gốc tín hiệu tái tạo dao động khoảng từ 0,088 đến 0,112; mẫu số liệu học kiểm tra sai số tương đối trung bình mẫu kiểm tra tín hiệu tái tạo dao động khoảng từ 0,087 đến 0,120 Như hình dạng đồ thị dự báo so với hình dạng đồ thị thực tế chấp nhận Trong trường hợp sai số cuối tốn dự báo q lớn ta thực phân loại số kiểu ngày nhiều hơn, chi tiết cách giảm sai số hình dạng đồ thị phụ tải Khối ước lượng giá trị phụ tải đỉnh đồ thị phụ tải ngày P max , đáy đồ thị phụ tải ngày P min: Giá trị Pmax P kết tổng hợp phần ước lượng tuyến tính ước lượng phi tuyến: 115 Thành phần ước lượng tuyến tính thực thuật toán SVD với đầu vào gồm 11 số liệu: giá trị Pmax ngày, giá trị P ngày nhiệt độ trung bình Ttb ngày khứ Thành phần ước lượng phi tuyến thực mạng MLP có 11 đầu vào ứng với gồm 11 số liệu giống đầu vào phần ước lượng tuyến tính, đầu (ứng với giá trị đỉnh P max Pmin ngày d cần dự báo) 150 nơ-rôn ẩn với hàm truyền tangsig, q trình học thuật tốn Levenberg – Marquardt với số lần lặp 320 Kết ước lượng giá trị P max: Tổng hợp thành phần ước lượng phi tuyến tuyến tính ta thu sai số trung bình khoảng 2500 ngày, số liệu học toán ước lượng P max 1,91%, với số liệu học sai số trung bình kết dự báo dùng mạng MLP túy 3,5% , mạng tuyến tính túy 6,73% (bảng 4.9) Sai số trung bình khoảng thời gian 467 ngày số liệu kiểm tra 0,88% ; với số liệu kiểm tra sai số trung bình kết dự báo dùng mạng MLP túy 7,18%, mạng tuyến tính túy 5,64% (bảng 4.10) Kết ước lượng giá trị P min: Tổng hợp thành phần ước lượng phi tuyến tuyến tính ta thu sai số trung bình khoảng 2500 ngày, số liệu học toán ước lượng P 2,86%, với số liệu học sai số trung bình kết dự báo dùng mạng MLP túy 4,96%, mạng tuyến tính túy 9,85% (bảng 4.11) Sai số trung bình khoảng thời gian 467 ngày số liệu kiểm tra 4,4% ; với số liệu kiểm tra sai số trung bình kết dự báo dùng mạng MLP túy 7,18%, mạng tuyến tính túy 11,87% (bảng 4.12) Kết hợp giá trị Pmax , P dự báo nhờ khối ước lượng giá trị phụ tải đỉnh đồ thị phụ tải ngày Pmax - đáy đồ thị phụ tải ngày Pmin, với dạng đồ thị phụ tải xác định nhờ khối ước lượng hình dạng chuẩn đồ thị phụ tải, ta có đồ thị phụ tải tổng hợp cho ngày cần dự báo 116 Từ kết ta rút số kết luận sau: - Đối với hai nhiệm vụ ước lượng cho P max P ta có mạng hỗn hợp cho kết tốt so với mô hình túy tuyến tính mơ hình túy phi tuyến - Trong đa số trường hợp (trừ kết tập số liệu kiểm tra P max) mạng MLP có chất lượng tốt so với mơ hình tuyến tính - Mơ hình hỗn hợp khơng giảm giá trị trung bình sai số tương đối, giá trị trung bình sai số tuyệt đối mà giảm sai số cực đại trình dự báo (các bảng 4.9, 4.10, 4.11, 4.12) - Kết hợp giá trị Pmax , P dự báo với dạng đồ thị phụ tải xác định nhờ mạng Fuzzy Extended Kohonen, ta có đồ thị phụ tải tổng hợp cho ngày d cần dự báo với sai số nhỏ chấp nhận được, dự báo điều độ thường có sai số trung bình từ 3% - 5% [4,5,7] - Để minh họa đánh giá kết dự báo đồ thị phụ tải ngày, luận án đưa số hình ảnh đồ thị phụ tải gốc hình ảnh đồ thị phụ tải dự báo bảng 4.13 117 KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO NHỮNG ĐÓNG GÓP CỦA LUẬN ÁN Luận án “Nghiên cứu ứng dụng mạng Nơron lơgíc mờ cho toán dự báo phụ tải điện ngắn hạn” xây dựng mơ hình mạng nơron thích hợp cho toán dự báo phụ tải ngắn hạn Hệ thống điện: Đóng góp thứ nhất: Về mặt lý luận, luận án đề xuất phương án mở rộng mơ hình hoạt động mạng Kohonen cách phối hợp thêm ý tưởng luật suy luận sử dụng lô-gic mờ (mạng Fuzzy Extended Kohonen) để dự báo hình dạng chuẩn đồ thị phụ tải ngày Trước mơ hình thường sử dụng độc lâp giải pháp khác nhau, không sử dụng phối hợp để tiếp tục phát huy ưu điểm mơ hình hạn chế nhược điểm chúng Đóng góp thứ hai: Về mặt lý luận, luận án đề xuất mơ hình hỗn hợp sử dụng hai dạng ước lượng phi tuyến tuyến tính để ước lượng giá trị đỉnh P max, giá trị đáy P đồ thị phụ tải Đóng góp thứ ba: Về mặt lý luận, luận án đề xuất phương pháp xử lý số liệu dùng thuật toán SVD để đánh giá mức độ ảnh hưởng đặc tính đầu vào, từ tạo sở để lựa chọn đặc tính cuối dùng cho mơ hình dự báo Đóng góp thứ tư: Về mặt thực tế, luận án ứng dụng thành cơng mơ hình đề xuất để dự báo phụ tải ngắn hạn cho tỉnh Thái Ngun, với kết có độ xác cao so với giải pháp kinh điển ĐỀ XUẤT HƯỚNG NGHIÊN CỨU TIẾP THEO Luận án đề xuất mơ hình dự báo phụ tải điện mơ hình hỗn hợp áp dụng vào việc dự báo đồ thị phụ tải điện thực tế cho tỉnh Thái Nguyên Tuy nhiên lĩnh vực nghiên cứu số tồn cần tiếp tục nghiên cứu giải quyết: cần đưa thêm vào mơ hình mạng nơron thơng số thời tiết có ảnh hưởng đến phụ tải (độ ẩm, lượng mưa, số nắng ), đặc điểm đặc thù ngày đặc biệt (ngày lễ, tết ) để nâng cao độ xác, mức độ tin cậy dự báo 118 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ Trần Hoài Linh, Nguyễn Quân Nhu, Application of hybrid model in daily peak power load prediction problem (Ứng dụng mơ hình hỗn hợp dự báo phụ tải đỉnh biểu đồ phụ tải ngày) Tạp chí Khoa học công nghệ trường đại học kỹ thuật, số 73, trang 46-49, 2009 Trần Hoài Linh, Nguyễn Quân Nhu,Trần văn Giang, Polit Monique, Ứng dụng phương pháp chuỗi thời gian mạng nơ ron dự báo phụ tải ngày thành phố Hà Nội (Estimation of short - time daily power load for Ha Noi city using time series and neural networks) Tạp chí Khoa học công nghệ Đại học Thái Nguyên, tập 55, số 7, trang 75-80, 2009 Trần Hoài Linh, Nguyễn Quân Nhu, Ứng dụng mạng Nơ - ron Kohonen phối hợp với lơ - gíc mờ dự báo dạng biểu đồ phụ tải ngắn hạn (Combined applications of Kohonen self - organizing network and fuzzy - logic in the prediction of short- term power load profile) Tạp chí Khoa học công nghệ Đại học Thái Nguyên, tập 56, số 8, trang 31-36, 2009 Phạm Thượng Hàn, Trần Hồi Linh, Nguyễn Qn Nhu, Mơ hình hỗn hợp ứng dụng ước lượng quan hệ phi tuyến Tuyển tập báo cáo khoa học Hội nghị khoa học kỹ thuật đo lường toàn quốc lần thứ 5, trang 298-304, 2010 119 TÀI LIỆU THAM KHẢO [1] Trần Anh Dũng, Nguyễn Quang Thi, Nguyễn Hoàng Việt: Mạng Wavelet cho toán dự báo phụ tải điện ngắn hạn ngày đặc biệt Tạp chí Phát triển Khoa học công nghệ, tập 10, số 06 - 2007 [2] Đồng Sĩ Thiện Châu, Trần Hoàng Lĩnh,Trần Thị Hoàng Oanh, Nguyễn Kỳ Tài: Ứng dụng mạng nơron song tuyến tốn dự báo phụ tải điện Tạp chí Phát triển Khoa học công nghệ, tập 10, số 04 2007, tập 10, số 11 - 2007 [3] Lê Thị Thanh Hà, Trần Kỳ Phúc, Nguyễn Tiên Phong, Monique Polit: Mạng nơron - dự báo phụ tải điện ngắn hạn ứng dụng Hà Nội, ảnh hưởng thơng số thời tiết Tạp chí Tự động hóa ngày nay, số 9-2006 [4] Trần Đình Long: Quy hoạch phát triển lượng điện lực NXB Khoa học kỹ thuật, 2001 [5] Nguyễn Lân Tráng: Quy hoạch phát triển hệ thống điện NXB Khoa học kỹ thuật, 2007 [6] Công ty Điện lực 3: Dự báo phát triển phụ tải điện, 2002 [7] Đặng Ngọc Dinh, Nguyễn Hữu Khái, Trần Bách: Hệ thống điện Nh xuất Đại học Trung học chuyên nghiệp, 1981 [8] EVN: Quy hoạch phát triển điện lực Việt Nam (Tổng sơ đồ VI) 1, 2, 2008 [9] S Amari: Mathematical Theory of neural learning, pp 281 - 294, New Generation Computing, 1991 [10] M Cottrell, B Girard, Y Girard, C Muller, P Rousse: Daily electrical power curve, classification and forcasting using a Kohonen map, “From natural to artificial neural computation” IWANN’95, pp 1107 - 1113, Malaga, 1995 [11].I Dobrzanska: The variation of power system load and their analysis and method for prediction Dysertacja 266, Institute of Energy, Poland, 1962 [12] I Dobrzanska: Power system load analysis PWN, Poland, 1979 [13] D Georgiew, B Kostow: Method for power predicition in power systems PAN, Poland, 1960 120 [14] A Germond, N Macabrey, T Baumann: Application of artificial neural networks to load forecasting NATO Conference, Brussels, 1992 [15] S Gora: Prognoza obciazen krajowego systemu lektroenergetycznego na matematycznej maszynie szyfrowej ZAM2 Zeszyty naukowe PG, No 53, 1964 [16] M Hagan, S Behr: The time series approach to short term load forecasting IEEE Trans PWRS-2, pp 785 - 791, 1987 [17] S Haykin: Neural networks - A comprehensive foundation Simon and Schuster, A Viacom Company, 1999 [18] T Koskela, M Lehtokangas, J Saarinen, K Kaski: Time series prediction with multilayer perceptron, FIR and Elman neural networks, pp 491 - 495 [19] J Malko, H Mikolajczyk, W Skorupski:, Artificial neural network based models for short- and long-term load forecasting in the power system Stockhom Power Tech., pp 595 - 600, 1992 [20] F Marin, F Sandoval: Short-term peak load forecasting, statistical methods versus artificial neural networks IWANN’97, pp 1334 1343, 1997 [21] H Mori, T Ogasawara: A recurrent neural network approach to short term load forecasting in electric power systems IEEE ICNN, Portland, 1993 [22] J Nazarko, W Zalewski: The fuzzy regression approach to peak load estimation in power distribution systems IEEE Trans on Power Systems, No 14, pp 809 - 814, 1999 [23] B Novak: Neuro-fuzzy load forecasting NNC, p 342 - 346, Vienna, 1998 [24] T Onoda: Next day peak load forecating using ANN with modified backpropagation learning algorithm IEEE ICNN, Orlando, 1994 [25] S Osowski, K Siwek: Selforganising neural networks for short term load forecasting in power system EANN’98, pp 253 - 256, Gilbraltar, 1998 [26] S Osowski, K Siwek: The selforganising neural networks approach to load forecasting in power system IJCNN’99, vol.1, pp 1032 1036, Washington, 1999 121 [27] D, Srinivasan: Evolving artificial neural networks for short term load forecasting Neurocomputing, vol 23, pp 265 - 276, 1998 [28] Unipede Corech Working Group: Neural networks, fuzzy logic and genetic algorithms in the electricity supply industry models and applications Draft Report, 1996 [29] E Wan: Finite impulse response neural networks for autoregressive time series prediction Proceedings of the NATO Advanced Workshop on Time Series Prediction and Analysis, Santa Fe, 1992 [30] A Wang, B Ramsay: A neural network based estimator for electricity spot-pricing with particular reference to weekend and public holiday Neurocomputing, vol 23, pp 47 - 57, 1998 [31] G.H Golub, CF Van Loan: Matrix computations Third edition 1996 The Johns Hopkins University Press 2715 North Charles Street [32] R Williams, D Zipser: A learning algorithm for continually running fully recurrent neural networks Neural Computers, vol 1, pp 270 280, 1989 [33] J Zielinski, N Hatziargyriou, J Pecas Lopers: AI in power systems selected applications Colloquium in Artificial Intelligence, CAI’96, Poland, 1996 [34] N Amjady: Short-Term Hourly Load Forecasting Using Time-Series Modeling with Peak Load Estimation Capability IEEE Transactions on Power Systems, Vol 16, No 3, pp 498-505, 2001 [35] A.G Baklrtzis, V Petrldis, S J Klartzls, M C Alexladls: A Neural Network Short Term Load Forecasting Model for the Greek Power System IEEE Transactions on Power Systems, Vol 11, No 2, May 1996 pp 858-863 [36] D Benaouda, F Murtagh, J.L Starck and O Renaud: WaveletBased Nonlinear Multi-Scale Decomposition Model for Electricity load Forecasting Neurocomputing, Vol 70, pp 134-154, 2006 [37] Z Boger: Electricity Load Forecast Using Artificial Neural Networks Clustering Available at http://neuron.tuke.sk/competition, 2001 [38] B.L Bowerman, R.T O’Connell and A.B Koehler: Forecasting, Time Series and Regression Thomson Books/Cole, 4th edition, 2005 122 [39] W Brockmann, S Kuthe, Different models to forecast electricity loads, in [77], pp 41–54, 2002 [40] E Castillo, B.Guijarro,andA Alonso, Electricity load forecast using functional networks Pp 75–84, 2002 [41] W Charytoniuk and M.S Chen: Very Short-Term Load Forecasting Using Artificial Neural Networks IEEE Transactions on Power Systems, Vol 15, No 1, pp 263-268, 2000 [42] W Charytoniuk, E.D Box, W.J Lee, M.S Chen, P Kotas and P.V Olinda: Neural-Network-Based Demand Forecasting in a Deregulated Environment IEEE Transactions on Industry Applications, Vol 36, No.3, pp 893-898, 2000 [43] J Contreras, R Espinola, F.J Nogales and A.J Conejo: ARIMA Models to Predict Next-Day Electricity Prices, IEEE Transactions on Power Systems, Vol 18, No 3, pp 1014-1020, 2003 [44] C Cortes, V Vapnik: Support-vector network Mach Learn., vol 20, pp 273–297, 1995 [45] Cottrell, M., Girard, B., Rousset, P.: Forecasting of Curves Using a Kohonen Classification Journal of Forecasting, Vol 17, 429-439, 1998 [46] I Drezga, S Rahman: Short Term Load Forecasting with Local Hours ANN Predictors IEEE Trans Power Systems, vol 14, pp 844-850 [47] A.A El-Desouky and M.M El-Kateb: Hybrid Adaptive Techniques for Electric-Load Forecast Using ANN and ARIMA IEE Proceedings of Generation, Transmission and Distribution, Vol 147, No 4, pp 213-217, 2000 [48] M El-Telbany and F El-Karmi: Short-Term Forecasting of Jordanian Electricity Demand Using Particle Swarm Optimization Electric Power Systems Research, 2007 [49] M Gavrilas: Neural Network Based Forecasting for Electricity Markets Technical University of Iasi, Romania [50] A Gholipour, C Lucas, B N Araabi, M Mirmomeni, M Shafiee: Extracting the main patterns of natural time series for longterm neuro fuzzy prediction Neural Computing and Applications, 2006 123 [51] D Genethliou: Statistical Approaches to Electric Load Forecasting Ph.D Thesis, Stony Brook University, 2005 [52] H S Hippert, C E Pedreira, R C Souza: Neural networks for shortterm load forecasting: A review and evaluation IEEE Trans Power Syst., vol 16, pp 44–55, 2001 [53] S.J Huang, K.R Shih:, Short-Term Load Forecasting Via ARMA Model Identification Including Non-Gaussian Process Considerations IEEE Transactions on Power Systems, Vol 18, No 2, pp 673-679, 2003 [54] Hyan Xu, Wei Ji Chen: Artificial Neural Network Short-term Electrical Load Forecasting Techniques IEEE TENCON, pp.14581461, 1999 [55] G A Ivakhnenko: Inductive self-organizing algorithm for maximum electrical load prediction, in [77], pp 85–92, 2002 [56] K Jabbour, J F V.Riveros, D Landsbergen: W Meyer, Alfa: Automated load forecasting assistant IEEE Trans Power Syst., vol.3, pp 908–914, 1988 [57] Jie Bao: Short-term Load Forecasting based on Neural network and Moving Average Artificial Intelligence lab, Iowa State University [58] Khan M.R.: Short term load forecasting for large distribution systems using artificial neural networks and fuzzy logic PhD Thesis, UVEE, FEI, VUT Brno, Czech Republic, 2001 [59] Khan M.R., Zak L., Ondrusek C.: Fuzzy logic based short-term electric load forecasting 4-th International Scientific Conference "Elektro-2001", Slovak Republic, pp 19-24, 2001 [60] A Khotanzad, E Zhou and Hassan Elragal: A Neuro-Fuzzy Approach to Short-Term Load Forecasting in a Price-Sensitive Environment IEEE Transactions on Power Systems, Vol 17, No 4, pp 1273-1282, 2002 [61] K.H Kim, H.S Youn and Y.C Kang: Short-Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method IEEE Transactions on Power Systems, Vol 15, No 2, pp 559-565, 2000 124 [62] Kinh D Pham: Load Forecasting Using Artificial Neural Network Conference Paper, No 95 B4, 1995 [63] W Kowalczyk: Averaging and data enrichment: Two approaches to electricity load forecasting In [77], pp 209–218, 2002 [64] A Lewandowski, F Sandner, P Protzel: Prediction of electricity load by modeling the temperature dependencies In [77], pp 107–114, 2002 [65] Li Zhang, Peter B Luh: Neural Network-Based Market Clearing Price Prediction and Confidence Interval Estimation With an Improved Extended Kalman Filter Method IEEE Transactions on Power System, Vol 20, No 1, FEBRUARY 2005 [66] S.H Ling, F.H.F Leung, H.K.Lam, Y.S Lee and P.K.S Tam: A Novel Genetic-Algorithm-Based Neural Network for Short-Term Load Forecasting IEEE Transactions on Industrial Electronics, Vol 50, No 4, pp.793-799, 2003 [67] A.Lotfi: Application of learning fuzzy inference systems in electricity load forecast In [77], pp 123–130, 2002 [68] K Methaprayoon: Neural Network-Based Short Term Load Forecasting for Unit Commitment Scheduling M.S thesis, The University of Texas at Arlington, USA, 2003 [69] K.-R Müller, A Smola, G Rätsch, B Schölkopf, J Kohlmorgen, V.Vapnik: Predicting time series with support vector machines, in “Advances in Kernel Methods -Support Vector Learning” B Schölkopf, C J.C.Burges, and A.J.Smola, Eds Cambridge, MA: MITPress, pp 243–254,1999 [70] P Murto: Neural network models for short-term load forecasting Master’s thesis, Dept Eng Phys Math., Helsinki Univ Technology, Helsinki, Finland, 1998 [71] Nelles O.: Nonlinear system identification Springer, Berlin Heidelberg New York, 2001 [72] F.J Nogales, J Contreras, A.J Conejo and R Espinola: Forecasting Next-Day Electricity Prices by Time Series Models IEEE Transactions on Power Systems, Vol 17, No 1, pp 342-348, 2002 125 [73] A Oonsivilai, El-Hawary: Wavelet Neural Network Based Short Term Load Forecasting of Electric Power System Commercial Load Proceedings of the 1999 IEEE Canadian Conference on Electrical and Computer Engineering, Alberta, Canada May 9-12 1999 [74] D.C Park, M.A El-Sharkawi, R.J Marks, L.E Atlas and M.J Damborg: Electric Load Forecasting Using An Artificial Neural Network IEEE Transactions on Power Systems, Vol 6, No 2, pp 442-449, 1991 [75] E Pelikán: Middle-term electrical load forecasting by time series decomposition In [77], 2002, pp 167–176 [76] S Rahman and O Hazim: A generalized knowledge-based short-term load-forecasting technique IEEE Trans Power Syst., vol 8, pp 508– 514, 1993 [77] F Rivieccio: SVM for an electricity load forecast problem, pp 77– 186, 2002 [78] L.M Saini and M.K Soni: Artificial Neural Network-Based Peak Load Forecasting Using Conjugate Gradient Methods IEEE Transactions on Power Systems, Vol 17, No 3, pp 907-912, 2002 [79] T Senjyu, H Takara, K Uezato and T Funabashi: One-Hour-Ahead Load Forecasting Using Neural Network IEEE Transactions on Power Systems, Vol 17, No 1, pp 113-118, 2002 [80] A.Sfetsos, A: Comparison of Various Forecasting Techniques Applied to Mean Hourly Wind Speed Time Series Renewable Energy, Vol 21, pp 23-35, 2000 [81] A.P.Silva, L.S.Moulin: Confidence Intervals for Neural Network Based Short-Term Load Forecasting IEEE Transactions on Power Systems, Vol 15, No 4, pp 1191-1196, 2000 [82] P.Sincák, J.Strackeljan, M.Kolcun, D.Novotný, and P.Szathmáry: Electricity Load Forcast Using Intelligent Technologies EUNITE: Eds., The European Network on Intelligent Technologies for Smart Adaptive Systems, 2002 126 [83] A.K.Sinha: Short Term Load Forecasting Using Artificial Neural Networks In Proc of IEEE Int Conf on Industrial Technology, Goa, India, vol 1, pp 548-553, 2000 [84] N.S.Sisworahardjo, A.A.El-Keib, J.Choi, J.Valenzuela, R.Brooks, I.El-Agtal: A Stochastic Load Model for An Electricity Market Electric Power Systems Research, Vol 76, pp 500-508, 2006 [85] E.G.Swee, Terence, S.Elangovan: Wavelets Based Analysis of NonUniformaly Sampled Data Power Forecasting Department of Electrical engineering, National University of Singapore [86] M.Tarafdar Haque, A.M.Kashtiban: Application of Neural Networks in Power Systems; A Review Transaction on Engineering Computing and Technology, Vol6, June 2005 [87] V.Vapnik: Statistical Learning Theory NewYork: Wiley,1998 [88] R.C.Weizenegger: Maximum electricity load problem Pp 187–208, 2002 [89] J.N.Zagrajek and R.Weron: Modeling Electricity Loads in California: ARMA Models with Hyperbolic Noise Signal Processing, Vol 82, pp 1903-1915, 2002 [90] T.Zheng, A.A.Girgis and E.B.Makram: A Hybrid Wavelet-Kalman Filter Method for Load Forecasting Electric Power Systems Research, Vol 54, pp 11-17, 2000 [91] E.Zhou: Evolutionary Intelligent Systems for Pattern Classification and Price Based Electric Load Forecasting Applications Ph.D Thesis, School of Engineering and Applied Science, Southern Methodist University, 2007 [92] D.Živcák, Electricity load forecasting using ANN Pp 219–231, 2002 [93] W Bartkiewicz: Neuro-Fuzzy Approaches to Short-Term Electrical Load forecasting IEEE-INNS-ENNS Inernational Join Conference on Neural Networks (IJCNN'00) , Vol 6, pp.6229, 2000 [94] Mohamed Tarek Khadir, Damien Fay, Ahmed Boughria: Day Type Identification for Algerian Electricity Load using Kohonen Maps Word Academy of Science, Engineering and Technology, Vol 22, pp.129-133, 2006 127 [95] Dipti Srinivasan, C.S.Chang, Swee Sien Tan: One-Day Ahead Electric Load Forecasting With Hybrid Fuzzy-Neural Networsk Biennial Conference of the North American, pp.160-163,1996 [96] Dipti Srinivasan, Swee Sien Tan, C.S.Chang, Eng Kiat Chan: Paralltel neural network-fuzzy expert system strategy for short-term Load Forecasting: System Implementation And Performance Evaluation IEEE Transactions on Power Systems, Vol 14, pp.1100-1106 [97] Hiroyuki Mori, Tadahiro Itagaki: A fuzzy inference neural network based method for short-term load forecasting International Joint Conference on Neural Networks, 2004 [98] Zhang Xiaoxing, Sun Caixin: Dynamic intelligent cleaning model of dirty electric load data Energy Conversion and Management, Vol 49, pp 564-569, 2008 [99] AR Koushki: Load Forecasting With The Aid of Neuro-Fuzzy Modelling International Conference on Computer Science and Information Technologies, 1999 [100] Xiaoxing Zhang, Haijun Ren, Yuming Liu, Qiyun Cheng, Caixin Sun: The Dynamic Character Curve Adjusting Model of Electric Load Based on Data Mining Theory Advangced Data Mining and Applications, Vol 3584, pp 626-633, 2005 [101] Dejan J.Sobajic: Neural network computing for the electric power industry Proceedings of the 1992 INNS summer workshop [102] Gianfranco Chicco, Roberto Napoli, Federico Piglione: Load pattern clustering for short-term load forecasting of anomalous days Proc IEEE Porto Power Tech 2001 (Porto, Portugal), Vol 2, p.6, 2001 [103] Trần Thị Thu Trà: Ứng dụng thuật toán di truyền phương pháp nơron qui hoạch phát triển nguồn điện ĐHBK Hà Nội, 2005 ... nghiên cứu toán dự báo phụ tải điện Hệ thống điện, cụ thể ứng dụng cho phụ tải Thái Nguyên Ý nghĩa k hoa học thực tiễn đề tài: Bài toán dự báo phụ tải hệ thống điện có nhiều nghiên cứu thực tế... SỐ NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRONG DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN Các cơng trình nghiên cứu lĩnh vực dự báo phụ tải điện tác giả nước thực phong phú Ví dụ [1], tác giả sử dụng mơ hình mạng. .. phụ tải 1.4 DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN Bài toán dự báo phụ tải ngắn hạn đánh giá phức tạp so với toán khác [76,77] Kết dự báo ngắn hạn xác hỗ trợ cơng tác vận hành khai thác hệ thống điện khu