(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 SKC006140 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 THƠNG 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 Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa công bố cơng 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 làm việc suốt q trình thực đề tài Tơi 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 tơi thực đề tài Tôi xin chân thành cảm ơn! ii TÓM TẮT Phân loại phụ tải điện nhiệm vụ quan trọng lưới điện truyền tải thơng minh loại người tiêu dùng khác đối xử với điều kiện khác Hơn nữa, nhà cung cấp điện sử dụng thông 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 LỤ LỜI CAM ĐOAN LỜI CẢM ƠN TÓM TẮT ABSTRACT MỤC LỤC DANH MỤC CÁC CHỮ VIẾT TẮT DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ Chương 1: TỔNG QUA 1.1.Giới thiệu 1.1.1 Khái niệm c 1.1.2 Đặt vấn đề 1.1.3 Đặc điểm c 1.1.4 Tính cấp th 1.2.Mục tiêu đề tài 1.2.1 Mục tiêu 1.3.Giới hạn đề tài 1.4.Phương pháp nghiên cứu 1.5.Bố cục luận văn bao gồm chương cụ Chương 2: CƠ SỞ LÝ THUYẾT CỦA PHƯƠNG PHÁP PHÂN LOẠI 2.1.Khái niệm phụ tải, tính chất phân loại p 2.1.1 Khái niệm p 2.1.2 Tính chất c 2.1.3 Phân loại p 2.2.Các phương pháp phân loại 2.3.Áp dụng phương pháp phân loại vào b 2.3.1 Phương phá 2.3.2 Phương ph 2.4.Các phương pháp huấn luyện 2.4.1 Học có giám 2.4.2 Học củng c v 2.4.3 Học không Chương 3: GIẢI THUẬT PHÂN LOẠI ĐỀ XUẤT 3.1.Giới thiệu 3.2.Các khái niệm 3.2.1 Siêu phẳng 3.2.2 Support vec 3.2.3 Biên độ (M 3.3.Phân lớp liệu 3.3.1 Khoảng 3.3.2 Bài toán ph 3.3.3 Trường hợp 3.3.4 Trường hợp Chương 4: CHƯƠNG TRÌNH MƠ PHỎNG 4.1.Giới thiệu liệu 4.2.Lưu đồ chung 4.3.Kết thực nghiệm bước 4.3.1 Đọc chuỗi 4.3.2 Xử lý li 4.3.3 Xác định th 4.3.4 Huấn luyện 4.3.5 Kết ph Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1.Kết luận: 5.2.Hướng phát triển: TÀI LIỆU THAM KHẢO 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 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: ( )=∑ =1 Trong đó:  yi nhãn lớp support vector Xi  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 , gắn vào phương trình trên, sau kiểm tra dấu kết Từ ta biết test rơi vào mặt siêu phẳng Nếu dấu dương, rơi vào phía MMH, SVM đoán thuộc lớp +1 Nếu dấu âm, nằm MMH nhãn lớp đoán -1 3.3.4 Trường hợp liệu khơng thể 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 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 ln 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) ≥1 (39) Khi phép thêm biến lùi (Slack Variables)  cho có ràng i ≥ buộc yi (wT x + b) ≥ −ξi (40) Giờ, hàm mục tiêu tối ưu viết lại sau: (w, b, ξ ) = arg (41) w ,b C đ â y l h ệ s ố c â n b ằ n g g i ữ a n h iễu không nhiễu Nếu C lớn nhiễu nhiều điểm coi nhiễu tức nhiễu coi trọng Giải toán này, nghiệm tương tự cách tính khác điều tập điểm support vectors S mở rộng thêm tới điểm ( xi , yi ) thoả mãn điều kiện: < λi < C (42) Tức là: (43) λ = arg max λ Khi đó, tham số ước lượng sau: w = ∑ λ i yi xi (44) (45) i = m C x vớ h i i o 0