(Luận văn thạc sĩ) phân loại phụ tải điện cho lưới điện thông minh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN XUÂN HẢI PHÂN LOẠI PHỤ TẢI ĐIỆN CHO LƯỚI ĐIỆN THÔNG MINH NGÀNH: KỸ THUẬT ĐIỆN - 6052020 SKC 0 Tp Hồ Chí Minh, tháng 5/2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN XUÂN HẢI PHÂN LOẠI PHỤ TẢI ĐIỆN CHO LƯỚI ĐIỆN THÔNG MINH NGÀNH: KỸ THUẬT ĐIỆN Tp Hồ Chí Minh, tháng 05/2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN XUÂN HẢI PHÂN LOẠI PHỤ TẢI ĐIỆN CHO LƯỚI ĐIỆN THÔNG MINH NGÀNH: KỸ THUẬT ĐIỆN Hướng dẫn khoa học: TS LÊ MỸ HÀ Tp Hồ Chí Minh, tháng 05/2019 ii LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu tơi Các số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Tp Hồ Chí Minh, ngày 31 tháng năm 2019 Nguyễn Xuân Hải i LỜI CẢM ƠN Trong suốt trình thực đề tài, với giúp đỡ nhiệt tình quý thầy hướng dẫn mặt từ lý thuyết đến phần mềm mô yếu tố định đến thành công đề tài ngày hôm Tôi xin chân thành gửi lời cảm ơn đến: Giảng viên hướng dẫn TS Lê Mỹ Hà định hướng, nhiệt tình giúp đỡ, bảo tận tình tạo điều kiện tốt cho tơi làm việc suốt q trình thực đề tài Tôi xin gửi lời cảm ơn đến tập thể lớp cao học KDD17B, trình làm đề tài anh chị có ý kiến thiết thực giúp đỡ thực đề tài Tơi xin chân thành cảm ơn! ii TĨM TẮT Phân loại phụ tải điện nhiệm vụ quan trọng lưới điện truyền tải thông minh loại người tiêu dùng khác đối xử với điều kiện khác Hơn nữa, nhà cung cấp điện sử dụng thơng tin danh mục người tiêu dùng để dự báo hành vi họ tốt hơn, nhiệm vụ liên quan để cân tải Trong nghiên cứu tơi trình bày kết thực phân loại phụ tải điện dùng cách sử dụng sơ đồ phân loại dựa học tập sâu hệ thống lưới điện thông minh Các kết so sánh với phương pháp phân loại có cách sử dụng liệu tiêu thụ lượng thực, đo Tôi chứng minh phân loại phụ tải điện thực phương pháp Support Vector Machine (SVM) vượt trội cơng cụ truyền thống có số trường hợp, tỷ lệ phân loại lớp xác lớn 0,93 iii ABSTRACT Classification of electrical load is a very important task in the intelligent transmission grid because different types of consumers can be treated with different conditions Moreover, electricity providers can use consumer information to better predict their behavior, which is a related task for load balancing In this study, I present the results of the implementation of power load classification using a classification scheme based on deep learning in smart grid systems The results are compared with the existing classification methods using real energy consumption data, measured I demonstrate that the power load classification performed by the Support Vector Machine (SVM) method can outperform existing traditional tools in some cases, the classification rate is accuracy with 0.93 iv MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii TÓM TẮT iii ABSTRACT iv MỤC LỤC v DANH MỤC CÁC CHỮ VIẾT TẮT vii DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ viii Chương 1: TỔNG QUAN 1.1 Giới thiệu .1 1.1.1 Khái niệm chung .1 1.1.2 Đặt vấn đề .1 1.1.3 Đặc điểm phân loại 1.1.4 Tính cấp thiết đề tài 1.2 Mục tiêu đề tài .3 1.2.1 Mục tiêu nhiệm vụ đề tài 1.3 Giới hạn đề tài .4 1.4 Phương pháp nghiên cứu .4 1.5 Bố cục luận văn bao gồm chương cụ thể sau: Chương 2: CƠ SỞ LÝ THUYẾT CỦA PHƯƠNG PHÁP PHÂN LOẠI 2.1 Khái niệm phụ tải, tính chất phân loại phụ tải 2.1.1 Khái niệm phụ tải gì? 2.1.2 Tính chất phụ tải gì? .5 2.1.3 Phân loại phụ tải .5 2.2 Các phương pháp phân loại 2.3 Áp dụng phương pháp phân loại vào toán phân loại phụ tải điện .8 2.3.1 Phương pháp phân loại truyền thống 2.3.2 Phương pháp phân loại phụ tải đại .16 2.4 Các phương pháp huấn luyện 19 2.4.1 Học có giám sát 20 2.4.2 Học củng cố 21 v 2.4.3 Học không giám sát 21 Chương 3: GIẢI THUẬT PHÂN LOẠI ĐỀ XUẤT 22 3.1 Giới thiệu .22 3.2 Các khái niệm 22 3.2.1 Siêu phẳng phân cách 22 3.2.2 Support vectors .26 3.2.3 Biên độ (Margin) 28 3.3 Phân lớp liệu 28 3.3.1 Khoảng cách từ điểm đến siêu mặt phẳng 28 3.3.2 Bài toán phân chia lớp liệu 29 3.3.3 Trường hợp liệu phân chia tuyến tính 31 3.3.4 Trường hợp liệu phân chia tuyến tính 31 Chương 4: CHƯƠNG TRÌNH MÔ PHỎNG 34 4.1 Giới thiệu liệu 34 4.2 Lưu đồ chung .34 4.3 Kết thực nghiệm bước 35 4.3.1 Đọc chuỗi liệu 35 4.3.2 Xử lý liệu 37 4.3.3 Xác định thơng số thuật tốn SVM .39 4.3.4 Huấn luyện mạng SVM độ xác 39 4.3.5 Kết phân loại phụ tải 40 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 42 5.1 Kết luận: 42 5.2 Hướng phát triển: 42 TÀI LIỆU THAM KHẢO 43 vi DANH MỤC CÁC CHỮ VIẾT TẮT AI: Artificial Intelligence ANN: Artificial Neural Network MMH: Maximum Marginal Hyperlane SVM: Support Vector Machine FL: Fuzzy Logic vii Hình 3.6: Hai lớp liệu đỏ xanh linearly separable Có vơ số đường thẳng phân tách xác hai lớp liệu Hình 3.7: Ý tưởng SVM Margin lớp định nghĩa khoảng cách từ điểm gần lớp tới mặt phân chia Margin hai lớp phải lớn Việc margin rộng mang lại hiệu ứng phân lớp tốt phân chia hai lớp rạch rịi Bài tốn tối ưu SVM tìm đường phân chia cho margin hai lớp lớn Đây lý SVM cịn gọi maximum margin classifier 30 3.3.3 Trường hợp liệu phân chia tuyến tính Việc huấn luyện SVM với mục đích để tìm support vectors MMH MMH ranh giới phân chia tuyến tính lớp SVM tương ứng sử dụng để phân lớp liệu mà liệu phân chia tuyến tính Chúng ta xem SVM huấn luyện SVM tuyến tính Sau huấn luyện SVM, phân loại Theo Jiawei Han and Micheline Kamber, ta dựa công thức Lagrangian sau: 𝑑 (𝑋 𝑇 ) = ∑𝑙𝑖=1 𝑦𝑖 𝛼𝑖 𝑋 𝑇 + 𝑏0 (38) Trong đó:  yi nhãn lớp support vector Xi  𝑋 𝑇 test  α (nhân tử Lagrangian)  b0 biến số xác định tối ưu hóa hay thuật tốn SVM  l số lượng support vectors MMH xem “ranh giới định” việc định xem test thuộc vào lớp Cho test 𝑋 𝑇 , gắn vào phương trình trên, sau kiểm tra dấu kết Từ ta biết test rơi vào mặt siêu phẳng Nếu dấu dương, 𝑋 𝑇 rơi vào phía MMH, SVM đoán 𝑋 𝑇 thuộc lớp +1 Nếu dấu âm, 𝑋 𝑇 nằm MMH nhãn lớp đoán -1 3.3.4 Trường hợp liệu phân chia tuyến tính Trong phần đề cập đến trường hợp SVM phân lớp liệu phân chia tuyến tính, liệu khơng thể phân chia tuyến tính sao? Trong trường hợp khơng có đường thẳng vẽ để phân chia lớp SVM tuyến tính mà học khơng đem lại lời giải khả thi trường hợp 31 Như hình 3.8, nhận thấy chia liệu cho trước thành tập khác SVM tuyến tính phần Tuy nhiên hướng tiếp cận SVM tuyến tính mở rộng để tạo SVM khơng tuyến tính cho việc phân lớp liệu khơng thể phân chia tuyến tính (hay gọi tắt liệu khơng tuyến tính) Những SVM có khả tìm ranh giới định khơng tuyến tính (những mặt khơng tuyến tính) khơng gian đầu vào Hình 3.8: Một trường hợp khơng khả phân tuyến tính Với dạng liệu mặt phân tách tìm khó mà tối ưu được, chí khơng tìm mặt phân tách Giờ vấn đề đặt triệt nhiễu Tức tính tốn bỏ qua nhiễu huấn luyện.[4] Một cách hình thức, điểm nhiễu điểm mà không đảm bảo điều kiện: yi( wT x  b)  (39) Khi phép thêm biến lùi (Slack Variables) i  cho có ràng buộc yi (wT x  b)   i (40) Giờ, hàm mục tiêu tối ưu viết lại sau: 32 (w, b,  )  arg w,b m w  C  i i 1 (41) C hệ số cân nhiễu không nhiễu Nếu C lớn nhiễu nhiều điểm coi nhiễu tức nhiễu coi trọng Giải tốn này, nghiệm tương tự cách tính khác điều tập điểm support vectors S mở rộng thêm tới điểm ( xi, yi ) thoả mãn điều kiện:  i  C (42) Tức là: m   arg max  i   i 1 m i  j yi y j xiT x j  i , j 1 (43) Khi đó, tham số ước lượng sau: m w   i yi xi i 1 b S m   T y   y x x    i j j j i iS  j 1  (44) (45) Cho xi với  i  C Với tập S mở rộng người ta gọi phương pháp phương pháp biên mềm (Soft-Margin SVM) Còn phương pháp truyền thống biên cứng (Hard-Margin SVM) Tóm lại, giống phương pháp máy học khác, để phương pháp SVM hoạt động tốt phải huấn luyện liệu lớn, bao quát đầy đủ trường hợp Ưu điểm phương pháp có độ xác cao Tuy nhiên gặp phải khuyết điểm tốn thời gian chi phí cho việc huấn luyện 33 Chương 4: CHƯƠNG TRÌNH MƠ PHỎNG 4.1 Giới thiệu liệu Bộ liệu lấy từ lượng điện tiêu thụ Hoa Kì năm 2004 tác giả trích xuất địa [1], từ liệu phân loại phụ tải điện cho lưới điện thông minh Hoa Kì 4.2 Lưu đồ chung Các phần giải thuật: - Đọc chuỗi liệu - Xử lý liệu ngõ tạo nhãn - Xác định thơng số thuật tốn SVM - Huấn luyện mạng SVM - Phân loại phụ tải Hình 4.1: Sơ đồ khối 34 4.3 Kết thực nghiệm bước 4.3.1 Đọc chuỗi liệu Nhập chuỗi liệu lượng điện tiêu thụ phân bố theo năm 2004 Hoa Kì, bước thời gian đơn vị giá trị tương ứng với tổng lượng điện tiêu thụ (Hình 4.2, 4.4, 4.6, 4.8, 4.10) Phân chia liệu để huấn luyện kiểm tra dùng 80% chuỗi liệu để huấn luyện 20% để kiểm tra Hình 4.2: Đồ thị phụ tải bệnh viện ngày Hình 4.3: Đồ thị phụ tải khách sạn ngày 35 Hình 4.4: Đồ thị phụ tải nhà hàng ngày Hình 4.5: Đồ thị phụ tải siêu thị ngày 36 Hình 4.6: Đồ thị phụ tải văn phòng ngày 4.3.2 Xử lý liệu Ngõ vào hệ thống tập hợp chuỗi gồm mảng có phần tử (Bảng 4.1) Phần tử thời điểm (giờ) mà sở tiêu thụ điện Phần tử thứ hai lượng điện tiêu thụ (kW) tương ứng với thời điểm (Hình 4.7 - 4.11) Bảng 4.1: Giá Trị Của Loại Phụ Tải Tiêu Biểu Trong Ngày 37 Hình 4.7: Dữ liệu đầu vào mơ hình nhận dạng phụ tải nhà hàng Hình 4.8: Dữ liệu đầu vào mơ hình nhận dạng phụ tải nhà hàng Hình 4.9: Dữ liệu đầu vào mơ hình nhận dạng phụ tải siêu thị Hình 4.10: Dữ liệu đầu vào mơ hình nhận dạng phụ tải khách sạn 38 Hình 4.11:Dữ liệu đầu vào mơ hình nhận dạng phụ tải văn phịng 4.3.3 Xác định thơng số thuật tốn SVM Xác định loại kernel sử dụng thuật tốn Nó phải ‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ Ở tác giả thử nghiệm chọn kernel linear cho kết tốt C hệ số cân nhiễu không nhiễu Nếu C lớn nhiễu nhiều điểm coi nhiễu tức nhiễu coi trọng Trong đề tài tác giả chọn C = 1e5 4.3.4 Huấn luyện mạng SVM độ xác Sơ đồ huấn luyện thể hình 4.12 Thời gian huấn luyện SVM khoảng 10 phút với số lượng ngõ vào 43800 (Bảng 4.2) Độ xác đạt 93,6% Hình 4.12: Sơ đồ huấn luyện cho mơ hình phân loại phụ tải 39 Bảng 4.2: Thời gian huấn luyện độ xác mơ hình Số lượng ngõ vào 43800 Thời gian huấn 632 luyện (s) Độ xác 0.93678 4.3.5 Kết phân loại phụ tải Mơ hình phân loại phụ tải xác địa điểm bệnh viện, siêu thị văn phịng với tỷ lệ độ xác 100%, 97%, 88% tương ứng Còn địa điểm lại khách sạn nhà hàng có độ xác phân loại không cao, chiếm khoảng 63% 58% (bảng 4.3) Nguyên nhân lượng tiêu thụ điện địa điểm tiêu thụ giống khoảng 35-70 kWh khoảng thời gian 5-23h (Hình 4.13) 40 Hình 4.13: Lượng điện tiêu thụ phân bố theo Khách Sạn Nhà Hàng Bảng 4.3: Độ xác phân loại phụ tải cho địa điểm khảo sát Địa điểm Độ xác Bệnh viện 100% Siêu thị 97% Khách sạn 63% Nhà hàng 58% Văn phòng 88% 41 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận: Phương pháp support vector machine (SVM) giải nhược điểm mà mạng truyền thống chưa làm Trong đề tài tác giả phân loại phụ tải cho lưới điện thông minh dựa tập liệu thực cụ thể liệu lấy từ lượng điện tiêu thụ Hoa Kì năm 2004 tác giả trích xuất địa [1] Trong trình nghiên cứu tác giả phân tích lý thuyết kiểm chứng phần mềm Qua thấy phương pháp đề mà tác giả đề suất dùng giải thuật SVM để phân loại phụ tải có độ xác cao so với phương pháp truyền thống trước Ngoài ra, nghiên cứu cịn có số trường hợp, mơ hình phân loại chưa xác, ngun nhân liệu phụ tải đa dạng ln thay đổi liên tục Vì phương pháp sử dụng SVM chưa phương pháp phân loại tối ưu cho toán phân loại phụ tải điện Tuy nhiên, sở quản lý vận hành lưới điện thông minh 5.2 Hướng phát triển:  Tìm kiếm liệu lượng điện tiêu thụ công nghiệp, dân dụng, thương mại Việt Nam để dự báo phụ tải điện để góp phần phát triển hệ thống lưới điện thông minh Quốc gia  Chạy nhiều tập liệu khác nhau, số lượng liệu nhiều kết xác  So sánh với nhiều phương pháp khác [5] 42 TÀI LIỆU THAM KHẢO [1] Commercial and residential hourly load profiles for all TMY3 locations in the united states: https://openei.org/datasets/dataset/hourly-load-profiles-for-alltmy3/locations-in-the-united-states Accessed 30 Aug 2016 [2] Cortes, Corinna, and Vladimir Vapnik "Support-vector networks." Machine learning 20.3 (1995): 273-297 [3] Boser, Bernhard E.; Guyon, Isabelle M.; Vapnik, Vladimir N (1992) "A training algorithm for optimal margin classifiers" Proceedings of the fifth annual workshop on Computational learning theory – COLT '92 p 144 [4] Aizerman, Mark A.; Braverman, Emmanuel M & Rozonoer, Lev I (1964) "Theoretical foundations of the potential function method in pattern recognition learning" Automation and Remote Control 25: 821–837 [5] Meyer, David; Leisch, Friedrich; Hornik, Kurt (2003) "The support vector machine under test" Neurocomputing 55 (1–2): 169–186 43 S K L 0 ... điện lưới điện thông minh nơi mà người dùng cuối điện (nhà, thương mại công nghiệp) kết nối với mạng lưới phân phối điện thông qua việc thiết bị đo thông minh Hệ thống phân loại phụ tải cho lưới. .. áp gọi phụ tải 2.1.2 Tính chất phụ tải gì?  Phụ tải có tính tương đối: nguồn – tải  Tính chất phụ tải thay đổi theo thời gian tập quán 2.1.3 Phân loại phụ tải 2.1.3.1 Phân loại phụ tải theo... chất phụ tải gì? .5 2.1.3 Phân loại phụ tải .5 2.2 Các phương pháp phân loại 2.3 Áp dụng phương pháp phân loại vào toán phân loại phụ tải điện .8 2.3.1 Phương pháp phân