(Luận văn thạc sĩ) dự báo phụ tải tỉnh tiền giang

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRƯƠNG MINH TÀI DỰ BÁO PHỤ TẢI TỈNH TIỀN GIANG NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520202 S K C0 9 Tp Hồ Chí Minh, tháng 10/2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRƯƠNG MINH TÀI DỰ BÁO PHỤ TẢI TỈNH TIỀN GIANG NGÀNH: KỸ THUẬT ĐIỆN- 60520202 Tp Hồ Chí Minh, tháng 10 năm 2018 Tp Hồ Chí Minh, tháng 01 năm 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRƯƠNG MINH TÀI DỰ BÁO PHỤ TẢI TỈNH TIỀN GIANG NGÀNH: KỸ THUẬT ĐIỆN-60520202 Hướng dẫn khoa học: PGS.TS HUỲNH CHÂU DUY Tp Hồ Chí Minh, tháng 10 năm 2018 Tp Hồ Chí Minh, tháng 01 năm 2018 %Ӝ*,È2'Ө&9¬ĈҤ27Ҥ2 75ѬӠ1*ĈҤ,+Ӑ&6Ѭ3+Ҥ0.Ӻ7+8Ұ7 7+¬1+3+Ӕ+Ӗ&+Ë0,1+ 3+,ӂ81+Ұ1;e7/8Ұ19Ă17+Ҥ&6Ӻ 'jQKFKRJLҧQJYLrQSKҧQELӋQ 7rQÿӅWjLOXұQYăQWKҥFVӻ 'ӵEiRSKөWҧLWӍQK7LӅQ*LDQJ 7rQWiFJLҧ 75ѬѪ1*0,1+7¬, MSHV: 1780675 Ngành: ӻWKXұWÿLӋQ Khóa: 2017 Ĉӏnh Kѭӟng: ӬQJGөQJ +ӑYjWrQQJѭӡLSKҧQELӋQ 76/r0ӻ+j &ѫTXDQF{QJWiF KRDĈLӋQĈLӋQWӱ ĈLӋQWKRҥLOLrQKӋ 0938 811 201 ,é.,ӂ11+Ұ1;e7 9ӅKuQKWKӭF NӃWFҩXOXұQYăQ +uQKWKӭFYjNӃWFҩXOXұQYăQKӧSOê/XұQYăQÿѭӧFWUuQKEj\WKjQKFKѭѫQJEDRJӗPWәQJTXDQFѫVӣOê WKX\ӃWNӃWTXҧWtQKWRiQWUrQWұSGӳOLӋXWKӵFYjÿiQKJLiNӃWTXҧ 9ӅQӝLGXQJ 2.1 Nh̵n xét v͉–ÀŠŠ‘ƒŠб…ǡ”Ù”‰ǡЛ…ŠŽЛ…ǡŠï……Š‹Ъ––”‘‰OX̵QYăQ &iFêWURQJOXұQYăQÿѭӧFWUuQKEj\U}UjQJPҥFKOҥF 2.2 Nh̵š±–¯žŠ‰‹ž˜‹Ю…•у†о‰Š‘Ц…–”À…Š†РЪ–“—М…пƒ‰рк‹Šž……ׯ“—‹¯аŠ Š‹ЮŠŠ…пƒ’Šž’Ž—С–•лŠф—–”À–—Ю /XұQYăQWUtFKGүQQKѭQJFiFWjLOLӋXWKDPNKҧROLrQTXDQQKѭQJFҫQWKDPFKLӃXFөWKӇWӯQJSKҫQWURQJEjL YLӃW 2.3 Nh̵š±–˜Ыͭc tiêu nghiên cͱu, ph˱˯ng pháp nghiên cͱu s͵ dͭng LVTN 0өFWLrXQJKLrQFӭXU}UjQJSKѭѫQJSKiSQJKLrQFӭXWUrQOêWKX\ӃWNLӇPFKӭQJEҵQJWtQKWRiQWKӵF QJKLӋPÿӝFұ\FӫDSKѭѫQJSKiSQJKLrQFӭXFDR 2.4 Nh̵n xét T͝ng quan cͯƒ¯͉ tài 7әQJTXDQFySKkQWtFKQKӳQJQJKLrQFӭXOLrQTXDQQKѭQJFKѭDFұSQKұWQKӳQJQJKLrQFӭXPӟLQKҩWYӅ OƭQKYӵFQj\ 2.5 ŠСš±–¯žŠ‰‹ž˜͉ n͡‹†—‰Ƭ…ŠН–Žрн‰…пƒ 1ӝLGXQJYjFKҩWOѭӧQJOXұQYăQÿҥW\rXFҫXÿӫKjPOѭӧQJFӫDPӝWOXұQYăQWKҥFVӻ 2.6 ŠСš±–¯žŠ‰‹ž˜͉ kh̫£‰ͱng dͭ‰ǡ‰‹ž–”а–Šх…–‹Э…ͯƒ¯͉ tài ĈӅWjLFyWtQKWKӵFWLӉQFyWKӇiSGөQJGӵEiRSKөWҧLÿLӋQWURQJWKӵFWӃYjFyWKӇiSGөQJYjRFiFEjLWRiQ GӵEiRNKiF 2.7 Lu̵˜£…О…ŠЯŠ•уƒǡ„е•—‰Šф‰з‹†—‰‰¿ȋ–Š‹͇t sót t͛n t̩i): &ҫQWKӵFKLӋQWUrQFiFWұSGӳOLӋXÿDGҥQJKѫQYjVRViQKYӟLFiFSKѭѫQJSKiSGӵEiRNKiF II CÁC VҨ0ӄ CҪN LÀM RÕ &iFFkXK͗LFͯDJL̫QJYLrQSK̫QEL͏Q 1*LҧLWKtFKQJX\rQOêFKXQJFӫDP{KuQK)X]]\:DYHOHW" 27iFJLҧJLҧLWKtFKWҥLVDRWURQJNӃWTXҧWKӵFQJKLӋPPӝWVӕWKӡLÿLӇPVDLVӕGӵEiRWăQJFDRVRYӟLWKӵFWӃ (trên 10% "/jPWKӃQjRÿӇFҧLWKLӋQYҩQÿӅQj\" Hay T zT    1 y 1   c y T G1T  T  h1  c   GcT  T  hc         (3.17) T Trong z y T vector cột Cho tập hợp n điểm ngõ vào  y1, y2 , , yn  Kết tập hợp đầu [Z] :  z1T   1,1 y1T         zT   1,n ynT  n  1,1  c ,1 y1T 1,n   c ,n ynT G1T    c ,1   h1T       c ,n  GcT   hT   c  (3.18) Để ý ma trận vế phải phương trình ma trận số, ma trận thứ hai chứa tất tham số mơ hình tối ưu Để giảm sai số bình phương mơ hình đầu mơ hình huấn luyện nó, ta giải vấn đề tối ưu tuyến tính bình phương cực tiểu theo phương trình (3.18), thay ma trận bên vế trái phương trình (3.18) số liệu đầu thực tế mơ hình huấn luyện Dĩ nhiên ta giả thuyết số lượng liệu đưa vào mơ hình huyến luyện lớn số lượng tham số mơ hình cần tối ưu Việc ước lượng bình phương cực tiểu phương trình (3.18) viết dạng AX  B Trong đó: B ma trận giá trị đầu ra, A ma trận số X ma trận tham số tối ưu Cách giải phổ biến phương trình trên: X  ( AT A)1 AT B Riêng việc tính tốn (AT A)1 phức tạp tốn ma trận (AT A)1 ma trận lớn (số chiều c( N  1)  c( N  1) ) Khi số lượng cơng việc tính tốn tăng lên với số chiều dẫn đến nghiệm dễ bị suy biến Ở ta sử 46 dụng cách giải khác phổ biến để tìm X đề xuất Astrom Wittenmark (1984) tính X thơng qua phép lặp sau: X i 1  X i  Si 1ai 1 (biT1  aiT1 X i ) (3.19) Si 1aiT1Si Si 1  Si  , i  0,1, , n  1  aiT1Si 1 (3.20) Trong đó: Xi giá trị ước lượng X vòng lặp thứ i, Si ma trận có số T T chiều c( N  1)  c( N  1) ma vector hàng thứ i ma trận A bi vector cột thứ i ma trận B Giá trị ước lượng bình phương cực tiểu X liên qua đến giá trị Xn Điều kiện đầu phép lặp X0 = S0=  I , I ma trận đơn vị  số dương đủ lớn Sau tìm giá trị ước lượng X xem kết thúc trình huấn luyện liệu Mơ hình huyến luyện giữ lại để thực dự báo bước phía trước (one-step ahead forecash) 3.4.Mơ hình dự báo mạng Fuzzy-Wavelet Hình 3.2.Sơ đồ khối mơ hình dự báo Fuzzy-Wavelet 47 Hình 3.2 mơ tả sơ đồ khối đề xướng tổ hợp Fuzzy-Wavelet để dự báo chuỗi thời gian Cho chuỗi thời gian X(n) với n=1,2, ,N, mục tiêu dự báo mẫu thứ l, X(N+l) chuỗi thời gian Nếu l=1 mơ hình dự báo dự báo đơn Sơ đồ bản, chia làm ba bước Bước thứ nhất, chuỗi thời gian phân tích khoảng tỉ lệ khác sử dụng MODWT Sơ đồ lọc MODWT trình bày hình 3.1 thể xu hướng theo thời gian tạo điều kiện cho dự báo chuỗi liệu Khi cấp phân tích tăng lên hệ số tương ứng trở nên “mịn” Bước thứ hai, tỉ lệ dự báo cách riêng rẽ mô hình Fuzzy logic (được trình bày trên) Mơ hình Fuzzy có khả mơ tả biến hành vi chuỗi liệu dựa vào hệ số phân tích Wavelet Các hệ số MODWT đưa vào tập hợp huấn luyện thử nghiệm, mơ hình Fuzzy xây dựng cho tập hợp huấn luyện Vì phân tích Wavelet mức J cho kết J+1 mơ hình mờ Và bước thứ ba, dự báo riêng tỉ lệ kết hợp với để tạo dự báo tổng thể: f1 : D1t  n  D1t  n 1   D1t f2 : D2t  n  D2t  n 1   D2t  D1,t 1  D2,t 1 (3.21)  : DJ t  n  DJ t  n 1   DJ t  DJ ,t 1 f J 1 : S J t  n  S J t  n 1   S J t  S J ,t 1 fJ Sử dụng phương pháp phân nhóm trình bày phần để xây dựng sở luật mờ riêng rẽ cho phân tích Wavelet (với bán kính ra=0.5 sử dụng cho tất dự báo) Hệ thống suy diễn Fuzzy (FIS – Fuzzy Inference System) cấp thu thập liệu huấn luyện, sử dụng hàm dự báo bước không lặp Hệ thống suy diễn fuzzy sau sử dụng việc “thử” liệu (testing data) cho dự báo bước đơn Mỗi dự báo bước đơn phân tích Wavelet kết hợp với để tạo dự báo cho chuỗi thời gian X: 48 J X t 1   D jt 1  S Jt 1  D1t 1  D2t 1   DJt 1  S Jt 1 (3.22) j 1 3.5.Các sơ đồ dự báo 3.5.1.Mơ hình dự báo Fuzzy-Wavelet Chuỗi liệu đồ thị phụ tải 200 ngày Phân tích MODWT D1 D2 D3 D4 D5 S5 Xây dựng Xây dựng Xây dựng Xây dựng Xây dựng Xây dựng luật mờ luật mờ luật mờ luật mờ luật mờ luật mờ Dự báo D1 Dự báo D2 Dự báo D3 Dự báo D4 Dự báo D5 Dự báo S5 Tổ hợp dự báo  D j  S5 j 1 Đồ thị phụ tải dự báo 24h Hình 3.3.Sơ đồ khối dự báo phụ tải 24h 49 3.5.2.Mơ hình nhận dạng mờ Hệ số MODWT Xây dựng mơ hình Input-Output B= [Y Z] Tìm tâm theo Mountain Clustering Tìm  i Ma trận A Ma trận hệ số Mô hình Fuzzy X Hình 3.4 Sơ đồ khối mơ hình luyện mạng 50 3.5.3.Giải thuật tìm tâm nhóm theo Mountain Clustering Ma trận IO B=[Y Z] Thế P*1=max{Pi} tâm nhóm Pi P*k=max{Pi} IF Dừng chương P P * k * trình IF Pk*   P1* IF d Pk*  * 1 P1 Max{Pi} = Tâm nhóm [C] = [Y* Z*] Hình 3.5.Sơ đồ khối giải thuật nhóm tâm theo Mountain Clustering 51 3.5.4.Mơ hình dự báo Hệ số MODWT Hàng thứ n+1 ma trận input Tâm nhóm [Yn+1] Tìm  i ,n1 C=[Y*Z*]  i ,n1 Ma trận [An+1] Ma trận hệ số mơ Kết dự báo hình Fuzzy [X] Zn+1=An+1*X Hình 3.6.Sơ đồ khối mơ hình dự báo 52 Chương DỰ BÁO PHỤ TẢI ĐIỆN TỈNH TIỀN GIANG 4.1.Đặc điểm đồ thị phụ tải tỉnh Tiền Giang Hình 4.1 biểu diễn đồ thị loại đồ thị phụ tải đặc trưng đồ thị phụ tải ngày thường (23/02/2016), ngày chủ nhật (14/02/2016) ngày lễ (mùng tết nguyên đán 08/02/2016) Hình 4.1.Đồ thị phụ tải ngày thường, ngày chủ nhật ngày tết Các đồ thị phụ tải ngày thường có hình dạng tương tự không cách xa Đồ thị phụ tải ngày chủ nhật có hình dạng tương tự ngày thường thấp xuống phía dưới, điều lý giải nhu cầu sử dụng lượng điện tỉnh Tiền Giang vào ngày chủ nhật có giảm so với ngày khác tuần, nhiên sụt giảm đồ thị phụ tải nhỏ so với ngày lễ Và đồ thị biểu diễn cho phụ tải tỉnh Tiền Giang vào dịp lễ mà cụ thể mùng Tết nguyên đán, ta thấy đồ thị phụ tải ngày lễ giảm nhiều so với ngày thường Điều dễ lý giải vào ngày lễ, tất quan, xí nghiệp sản xuất ngưng hoạt động nên mức tiêu thụ điện vào ngày 53 giảm mạnh so với ngày thường Thứ chủ nhật khơng phải tất nhà máy xí nghiệp nghỉ nên mức tiêu thụ điện vào ngày cao ngày lễ Điều ảnh hưởng lớn đến kết dự báo chuỗi liệu luyện mạng có chứa ngày lễ Về mặt tổng quát, đồ thị phụ tải tỉnh Tiền Giang năm 365 ngày (từ ngày 01/01/2016 đến ngày 31/12/2016) biểu diễn hình 4.2 Hình 4.2.Đồ thị phụ tải 365 ngày năm 2016 Ta nhận thấy rằng, khơng kể ngày lễ đồ thị phụ tải tỉnh Tiền Giang mang tính chu kì theo ngày, theo tuần theo mùa Do phân tích Wavelet mà cụ thể phân tích MODWT nắm bắt tốt hành vi mang tính chu kì hệ thống ta đề xuất phương án dự báo đồ thị phụ tải ngày tỉnh Tiền Giang Wavelet - Fuzzy Logic trình bày mục sau 4.2.Dự báo đồ thị phụ tải ngày tỉnh Tiền Giang 4.2.1.Mẫu liệu đưa vào luyện mạng Việc lựa chọn kiểu mẫu liệu để đưa vào luyện mạng cơng tác dự báo đóng vai trị quan trọng Nó ảnh hưởng nhiều đến sai số kết dự báo Dựa vào liệu đồ thị phụ tải 365 ngày (1năm) ta đề xuất số phương pháp thống kê mẫu liệu trình bày sau đây: 4.2.1.1.Thống kê mẫu dự báo theo ngày 54 Đối với phương pháp thống kê mẫu chuỗi liệu lựa chọn công suất vào định ngày 365 ngày (ví dụ công suất vào lúc 1h ngày 365 ngày) Như ta có 24 chuỗi liệu (chiều dài chuỗi 365 liệu) chuỗi liệu dùng để dự báo cho định ngày Tổ hợp 24 liệu dự báo ta có đồ thị phụ tải ngày cần dự báo Ưu điểm phương pháp thống kê tránh sai số cộng dồn cần dự báo thời điểm phía trước, cụ thể dự báo định (thực dự báo bước đơn 24 lần cho 24 chuỗi tổ hợp lại ta có dự báo đồ thị phụ tải ngày) Và đồ thị phụ tải 365 ngày tách thành 24 chuỗi vấn đề giới hạn vật lý (dung lượng nhớ, khả tính tốn CPU …) việc tính tốn máy tính PC loại bỏ Tuy nhiên khuyết điểm phương pháp thống kê việc thống kê cơng suất theo định ngày để đưa vào phân tích dự báo đưa kết dự báo độc lập theo làm ảnh hưởng công suất trước khơng xét đến tính biến động chu kì theo ngày theo tuần chuỗi liệu công suất 4.2.1.2 Thống kê mẫu 24 liên tục nhiều ngày Phương pháp thống kê phương pháp thống kê mẫu liệu sử dụng luận văn Theo phương pháp thống kê chuỗi liệu 24 nhiều ngày liên tục thống kê đưa vào dự báo Như cần dự báo 24 thời điểm liên tiếp tương lai (tức dự báo từ 1h đến 24h) để đưa kết dự báo đồ thị phụ tải ngày Khuyết điểm phương pháp chuỗi liệu thống kê có chiều dài lớn (ví dụ mẫu 200 ngày có 200 x 24=4800 liệu) Do ta cần cân nhắc đến chiều dài mẫu liệu (số ngày) với khả tính tốn máy tính PC Ngồi việc thống kê mẫu theo cách sai số kết dự báo mang tính chồng chất sai số, để dự báo đồ thị phụ tải ngày ta phải dự báo 24 thời 55 điểm (tương ứng cho từ 0h đến 24h ngày) sai số kết dự báo thời điểm phía trước ảnh hưởng đến sai số kết dự báo thời điểm phía sau Ưu điểm phương pháp đưa mơ hình biến động đầy đủ công suất điện khoản thời gian nhiều ngày liên tục, dẫn đến kết dự báo xác Ngồi phương pháp dự báo dựa vào phân tích MODWT, vốn hiệu việc nắm bắt biến động mang tính chu kì, đồ thị phụ tải dự báo có hình dạng khơng khác biệt nhiều so với đồ thị phụ tải thực tế Điều lợi lớn cơng tác dự báo ta đề xuất phương án thống kê mẫu 24 liên tục n ngày 4.2.2 Sử dụng mạng Wavelet-Fuzzy Logic cơng tác dự báo 4.2.2.1.Phân tích Wavelet tiền xử lý Trong luận văn sử dụng toolbox “WMTSA version 0.2.6” Matlab để thực phân tích MODWT cho chuỗi liệu thời gian Chuỗi liệu sau thống kê đưa vào phân tích MODWT theo sơ đồ cho hình 3.1 Ở giới hạn vật lý (dung lượng nhớ, khả xử lý CPU….)và thời gian q trình tính tốn máy tính PC nên luận văn này, lựa chọn mẫu 200 ngày (từ ngày 16/02/2016 đến ngày 02/09/2016) để đưa vào trình luyện mạng dự báo cho ngày 03/09/2016 Như chuỗi liệu điện 200 ngày có 200x24=4800 liệu, (X(n),n=1,2, ,4800) Việc phân tích MODWT k = 1536 mẫu thử tương ứng với 64 ngày Việc lựa chọn mốc liệu để bắt đầu thu thập hệ số MODWT k = 1536 nguyên nhân sau đây: thứ để ma trận phát sinh q trình tính tốn dự báo có kích thước khơng q lớn, thứ hai ta xem kết dự báo ngày thứ 201 bị ảnh hưởng lớn 136 ngày trước nó, cịn 64 ngày chuỗi liệu 200 ngày ta xem xét đến xu hướng phát triển Điều chấp nhận liệu xa thời điểm dự báo có giá trị công tác dự báo 56 Thực phân tích MODWT cấp giá trị từ X(1) đến X(1536) Giá trị cuối hệ số MODWT mốc thời gian t=1536 giữ lại có ích cho dự báo Tiếp tục thực phân tích MODWT chuỗi X(1) đến X(1537) giá trị hệ số phân tích MODWT thời điểm t=1537 giữ lại Chúng ta tiếp tục lặp lại trình k = 4800 (toàn mẫu liệu đưa vào luyện mạng) Kết trình vector chiều chứa hệ số phân tích MODWT y = (D1 D2 D3 D4 D5 S5) Y1 = (D1,1 , D2,1 , D3,1 , D4,1 , D5,1 , S5,1) Y2 = (D1,2 , D2,2 , D3,2 , D4,2 , D5,2 , S5,2) … Y3265 = (D1,3265 , D2,3265 , D3,3265 , D4,3265 , D5,3265 , S5,3265) Ở ta trình bày tóm lượt kết phân tích MODWT cho mẫu 200 ngày từ ngày 16/2 đến ngày 02/09 năm 2016 Bảng 4.1.Các hệ số phân tích MODWT Dj S5 TT D1 D2 D3 D4 D5 S5 -2.4894 -4.6413 -3.1227 -14.1420 -1.4409 121.3362 4.3427 -0.2594 -2.5420 -15.4709 -2.6859 120.7155 1.4803 3.2114 -0.2575 -16.0274 -3.9181 120.1113 0.5739 2.4804 2.5882 -15.9055 -5.1311 119.4940 1.1614 0.2429 4.8865 -15.1721 -6.2871 118.8683 1.1739 -0.8478 5.9524 -13.9534 -7.3577 118.2326 2.7767 -0.0324 6.3308 -12.1801 -8.1988 117.7038 6.8270 3.1225 7.2397 -9.6154 -8.5723 117.4986 8.7429 6.2685 8.7619 -6.5098 -8.4743 117.6109 … … … … … … … 3262 5.2507 4.0694 5.5300 -5.5725 -0.5100 123.6325 3263 3.4436 -1.2705 3.5824 -7.1541 -0.7525 123.5512 3264 1.7986 -3.7300 0.6591 -9.1500 -1.4140 123.1364 3265 -0.3684 -3.6778 -2.1688 -11.3804 -2.4329 122.4283 4.2.2.2.Mơ hình Fuzzy cho hệ số MODWT {Dj S5} Q trình phân tích MODWT cho ta kết ma trận chiều với chiều hệ số Dj chiều thứ S5 Ta xây dựng 57 mơ hình Fuzzy cho hệ số Dj S5 Sơ đồ khối q trình xây dựng mơ hình nhận dạng Fuzzy mục 3.5.2 chương Cụ thể trình xây dựng mơ hình Fuzzy Identification cho dự báo lúc 1h ngày 03/09/2016 hệ số D1 trình bày mục đây:  Ma trận input-output từ chuỗi chiều Ta có nhận xét đồ thị phụ tải ngày tỉnh Tiền Giang ( không kể ngày lễ, tết ) cơng suất định đồ thị ngày gần nhau, đồ thị phụ tải ngày định tuần có tính chất, hình dạng tương tự điện tiêu thụ trước có ảnh hưởng đến điện tiêu thụ phía sau nó.Từ nhận xét ta đề xuất phương án thiết lập ma trận input cho thời điểm t sau: Ma trận input liệu lùi h so với thời điểm t Với phương pháp liệu output thời điểm t : Xt tương ứng với input : Xt-h , Xt-h-+1 , …, Xt-1 Điều có nghĩa ma trận input-output sau: X1 X2 X nh X2 X3 X nh1 input X h1 X h X n (4.1a) output Với phương pháp ta bỏ qua mối tương quan công suất định ngày ngày định tuần với ngày tuần khác Ma trận input liệu lùi d ngày so với thời điểm t Với phương pháp liệu output thời điểm t : Xt tương ứng với tổ hợp input : Xt-24d , Xt-24(d-1) ,…, Xt-24 Ma trận input-output có dạng sau : 58 X1 X2 X 25 X 26 X n24d X n24( d 1) X 24d 1 X 24d  Xn input (4.1b) output Với phương pháp ta đánh giá mối tương quan công suất gần kề mối tương quan công suất ngày định tuần Ma trận input liệu lùi w tuần so với thời điểm t Với giá trị output thời điểm t : Xt tương ứng với tổ hợp input : Xt168w , Xt-168(w-1) ,…, Xt-168 Ma trận input-output sau: X1 X2 X 167 X 168 X n 168 w X n 168 w1 input X 168 w1 X 168 w Xn (4.1c) output Trong giá trị 168 tích 24x7 tương ứng với chiều dài liệu tương ứng tuần Dĩ nhiên phương pháp đánh giá mối tương quan công suất gần kề công suất định ngày Phương án xây dựng ma trận input Với phương án trình bày trên, ta thấy phương án mang khuyết điểm ảnh hưởng lớn đến mơ hình Fuzzy Identification Để mơ hình Fuzzy Identification mang tính khái qt cao mơ tả hệ thống cách xác, luận văn sử dụng phương án tổng hợp từ phương án Đó ứng với giá trị output thời điểm t: Xt tương ứng với tập hợp giá trị input hình thành dựa nguyên tắc trình bày mục a, b,c Vấn đề đặt với tổ hợp giá trị {h,d,w} ma trận input-ouput đại diện tốt cho chuỗi liệu dự báo Sau nhiều thử nghiệm với tổ hợp giá trị {h,d,w} khác (cho chuỗi liệu tương ứng 200 ngày) nhận thấy tổ hợp {2,2,4} cho kết dự báo xác nhất, nghĩa với giá trị output Xt có tổ hợp input tương ứng sau: 59 {Xt-672, Xt-504, Xt-336, Xt-168, Xt-48, Xt-24, Xt-2, Xt-1} (4.2) Mỗi chuỗi Dj S5 đưa vào chương trình “build_input-output” để xây dựng ma trận input-output tương ứng với hệ số phân tích MODWT Kết xây dựng ma trận input-output dự báo lúc 1h ngày 03/09/2016 cho chuỗi D1 ma trận 961x9 chiều Trong chiều giá trị đầu vào “input” (ma trận Y) chiều thứ ma trận giá trị đầu output (ma trận Z) Kết ma trận input-output D1 trình bày bảng sau: Bảng 4.2.Ma trận input-output chuỗi D1 STT D1,t-672 D1,t-504 D1,t-336 D1,t-168 D1,t-48 D1,t-24 D1,t-2 D1,t-1 D1,t -36.02 -31.75 -12.10 -21.57 -22.84 -28.40 18.47 -12.03 -59.19 -27.78 -23.40 -6.81 -25.44 -28.01 -41.31 -12.03 -59.19 -22.91 -45.77 -39.31 -12.28 -30.81 -29.01 -29.40 -59.19 -22.91 -41.30 -38.17 -34.49 -23.90 -32.57 -37.26 -39.15 -22.91 -41.30 -44.52 … … … … … … … … … … 958 87.18 64.86 99.24 65.69 82.40 112.52 111.01 79.31 55.43 959 63.90 45.45 69.84 39.85 55.05 32.31 79.31 55.43 33.50 960 33.09 7.21 38.74 24.81 25.38 27.61 55.43 33.50 9.98 961 1.72 -15.78 13.32 -20.06 -68.39 -1.11 33.50 9.98 -25.92 Input [Y] output [Z]  Tìm tâm theo giải thuật Moutain Clustering Mỗi ma trận input-output tìm thấy mục đưa vào chương trình Mountain Clustering để tìm tâm C Giải thuật sơ đồ khối chương trình Mountain Clustering Kết trình tìm tâm ma trận input-output D1 tâm nhóm,được trình bày bảng 4.3 Bảng 4.3.Kết tâm nhóm ma trận input-output D1 0.3315 0.3139 0.3584 0.3400 0.3446 [Y*] 4.2.2.3.Ma trận hệ số mơ hình Fuzzy X 60 0.3631 0.3679 0.3696 0.3641 [Z*] ... hình dự báo 52 Chƣơng 53 DỰ BÁO PHỤ TẢI ĐIỆN TỈNH TIỀN GIANG 53 4.1.Đặc điểm đồ thị phụ tải tỉnh Tiền Giang 53 4.2 .Dự báo đồ thị phụ tải ngày tỉnh Tiền Giang. .. gian dự báo theo năm dự báo khoảng thời gian 5÷7năm Sai số cho phép cơng tác dự báo trung hạn 5÷10% Dự báo dài hạn: thời gian dự báo theo năm dự báo khoảng thời gian 10÷20 năm Tính đắn dự báo phụ. .. dự báo tốt so với mạng lưới Neural lan truyền ngược, dự báo 24 với sai số trung bình 1.18% Chương CƠ SỞ LÝ THUYẾT DỰ BÁO PHỤ TẢI 2.1.Giới thiệu dự báo phụ tải hệ thống điện 2.1.1.Giới thiệu dự