Ứng dụng mô hình Wavelet và Arima dự báo phụ tải điện

Trang1 Mục lục MỤC LỤC Error! Bookmark not defined Chương MỞ ĐẦU Tính cấp thiết đề tài Đơn vị, địa bàn tiến hành nghiên cứu Tác giả tiến hành nghiên cứu dựa tình hình thực tế khoa Điện-điện tử trường Cao đẳng Cơng nghệ Thủ Đức với mục đích đáp ứng nhu cầu giảng dạy học tập giảng viên sinh viên Mục tiêu đề tài Ứng dụng để phục vụ cho q trình giảng dạy mơn cung cấp điện, chuyên đề cung cấp điện, qua đáp ứng nhu cầu tham khảo, nghiên cứu giảng viên 4 Đối tượng phạm vi nghiên cứu đề tài Các phương pháp nghiên cứu sử dụng để nghiên cứu đề tài Nghiên cứu lý thuyết, nghiên cứu thực nghiệm Các chuyên đề nghiên cứu dự kiến đề tài Cấu trúc dự kiến báo cáo kết đề tài Kết ứng dụng Chương : Tổng quan dự báo phụ tải điện 1.1Dự báo phụ tải 1.2 Một số khái niệm toán thống kê Chương : Dự báo phương pháp 10 Box – Jenkin 10 2.1Chuỗi thời gian 10 2.3 Các bước phương pháp Box – Jenkins 12 2.4 Wavelet Box - Jenkins 13 Chương : Nghiên cứu Wavelet toolbox vào ứng dụng 15 3.1 Các phương pháp phân tích Wavelet 15 3.2 Hướng dẫn sử dụng Wavelet toolbox 15 3.3 Tín hiệu điện tiêu dùng thực tế 17 3.4 Dự báo phụ tải phương pháp biến đổi Wavelet 17 CHƯƠNG KẾT QUẢ DỰ BÁO BẰNG MƠ HÌNH ARIMA, MƠ HÌNH WAVELET VÀ ARIMA 19 4.1 Kết dự báo mơ hình ARIMA 19 4.2 Kết dự báo phương pháp biến đổi Wavelet ARIMA 25 CHƯƠNG KẾT LUẬN – HƯỚNG PHÁT TRIỂN 45 Chương MỞ ĐẦU Tính cấp thiết đề tài Dự báo phụ tải đóng vai trị quan trọng việc đảm bảo chế độ làm việc an toàn tiết kiệm hệ thống điện Đồng thời có tính định việc hoạch định chiến lược phát triển hệ thống điện Phụ tải điện sở lý thuyết để làm mô hình giảng dạy cho mơn cung cấp điện hệ thống điện, thiết kế hệ thống điện Hiện tại, đề tài nghiên cứu chuyên ngành môn công nghệ kỹ thuật điện điện tử việc triển khai thực đề tài cần thiết Đơn vị, địa bàn tiến hành nghiên cứu Tác giả tiến hành nghiên cứu dựa tình hình thực tế khoa Điện-điện tử trường Cao đẳng Cơng nghệ Thủ Đức với mục đích đáp ứng nhu cầu giảng dạy học tập giảng viên sinh viên Mục tiêu đề tài Ứng dụng để phục vụ cho q trình giảng dạy mơn cung cấp điện, chuyên đề cung cấp điện, qua đáp ứng nhu cầu tham khảo, nghiên cứu giảng viên Đối tượng phạm vi nghiên cứu đề tài Phụ tải điện Phạm vi nghiên cứu : nghiên cứu mơ hình để giảng dạy kiến thức đồ thị phụ tải Các phương pháp nghiên cứu sử dụng để nghiên cứu đề tài Nghiên cứu lý thuyết, nghiên cứu thực nghiệm Nghiên cứu lý thuyết nghiên cứu thực nghiệm Matlab Wavelet Các chuyên đề nghiên cứu dự kiến đề tài Tổng quan đề tài nghiên cứu khoa học Dự báo phụ tải điện Dự báo phương pháp Box - Jenkins Nghiên cứu Wavelet toolbox vào ứng dụng Kết dự báo mơ hình ARIMA, mơ hình wavelet & ARIMA Kết luận – hướng phát triển Cấu trúc dự kiến báo cáo kết đề tài Chương : Tổng quan đề tài nghiên cứu khoa học Chương : Tổng quan dự báo phụ tải điện 1.1 Dự báo phụ tải 1.2 Một số khái niệm toán thống kê Chương : Dự báo phương pháp Box – Jenkins 2.1Chuỗi thời gian 2.2 Mơ hình ARMA mở rộng: ARIMA, SARIMA 2.3 Các bước phương pháp Box – Jenkins 2.4 Wavelet Box - Jenkins Chương : Nghiên cứu Wavelet toolbox vào ứng dụng 3.1 Các phương pháp phân tích Wavelet 3.2 Hướng dẫn sử dụng Wavelet toolbox 3.3 Tín hiệu điện tiêu dùng thực tế 3.4 Dự báo phụ tải phương pháp biến đổi Wavelet Chương : Kết dự báo mơ hình ARIMA, mơ hình Wavelet & ARIMA 4.1 Kết dự báo mơ hình ARIMA 4.2 Kết dự báo phương pháp biến đổi Wavelet ARIMA Chương : Kết luận – hướng phát triển Kết ứng dụng Mơ hình dự báo phụ tải điện tuần ngày Matlab phục vụ cho giảng dạy Đề tài ứng dụng giảng dạy học tập môn học : Cung cấp điện, chuyên đề cung cấp điện Chương : Tổng quan dự báo phụ tải điện 1.1Dự báo phụ tải Con người quan tâm đến tương lai dự báo vấn đề khoa học quan trọng Mục đích nghiên cứu vấn đề khoa học làm sở cho việc đề xuất dự báo cụ thể, đánh giá mức độ tin cậy, mức độ xác phương pháp dự báo Đặc biệt ngành lượng, tác dụng dự báo có ý nghĩa quan trọng, lượng xương sống kinh tế Nếu dự báo dư thừa so với nhu cầu kinh tế phải huy động nguồn vốn lớn, tăng vốn đầu tư, ảnh hưởng lớn đến cân đối ngân sách Ngược lại, dự báo thấp, ta không đủ lượng đáp ứng tốc độ phát triển kinh tế, gây trì trệ, khó khăn cho tồn công nông nghiệp, buộc phải cắt bỏ số phụ tải khơng có kế hoạch 1.1.1 Phân loại a Dự báo phụ tải ngắn hạn Dự báo ngắn hạn gọi dự báo điều độ, sử dụng kế hoạch sản xuất, điều khiểu trực tuyến, đảm bảo an tồn cơng tác vận hành hệ thống điện Khoảng thời gian dự báo vài hay vài ngày Chúng đóng vai trị quan trọng định đơn vị liên quan, xoay vòng lượng dự trữ, lượng thay cách kinh tế, quản lí tải Tải điện có tính chất biến đổi theo thời gian ảnh hưởng nhiều nhân tố điếu kiện xã hội, thời tiết, kinh tế Khi trục thời gian liên hệ với dự báo ngắn hạn, yếu tố xã hội không ảnh hưởng đến dự báo thời tiết đóng vai trò quang trọng mẩu dự báo b Dự báo phụ tải trung hạn: Tầm dự báo từ đến năm Dự báo phụ tải đỉnh tháng để xác định lịch trình cấp điện, xác lập giá, kế hoạch sản xuất trung hạn Ngoài ra, dự báo lượng cần cho việc xác định nhu cầu điện tới Khác với dự báo ngắn hạn, dự báo trung hạn bị ảnh hưởng nhiều nhân tố khác từ điều kiện thời tiết Các giá trị thay đổi xã hội kinh tế đống vai trò quan trọng việc xây dựng dự báo lượng tải hàng tháng Việc khảo sát liệu củ cho thấy chất đường cong tải nhiều hay tuần hồn đình dịch chuyển tăng lên tương ứng với phát triển Và công việc người dự báo nhận dạng phụ tải xác định xu hướng phát triển c.Dự báo phụ tải dài hạn: Dư báo phụ tải dài hạn (hằng năm) quan trọng cho kế hoạch mở rộng việc sản xuất, đầu tư cơng nghệ, máy móc, xây dựng nhà máy điện ước lượng nhu cầu điện tương lai Dự báo cho loại đến 25 năm 1.2 Một số khái niệm toán thống kê Kỳ vọng toán học : Đối với biến ngẫu nhiên rời rạc : Giả sử biến ngẫu nhiên rời rạc X nhận giá trị x1, x2, xn với xác suất tương ứng p1, p2, …pn Kỳ vọng X Đối với biến ngẫu nhiên liên tục : Nếu X có hàm mật độ phân phối ( ) : ( )= ( ) Phương sai kỳ vọng bình phương độ lệch X E(X) Trường hợp biến ngẫu nhiên rời rạc : Độ lệch chuẩn : Hiệp phương sai biến: Hiệp phương sai biến X Y dùng để đánh giá mức độ tương quan biến xác suất tính: Hệ số tương quan r: r đại lượng dùng để đo lường mức độ tương quan tuyến tính x y Khi r tiến đến ta có tương quan thuận biến tuyến tính hoàn hảo x y Khi r tiến đến -1 tương quan nghịch, r x y độc lập Chương : Dự báo phương pháp Box – Jenkin 2.1Chuỗi thời gian Chuỗi thời gian chuỗi quan sát theo thời gian Ví dụ số lượng người xem tivi theo sau Giờ Người xem 10 0 20 40 50 12 Ký hiệu y1 y2 y3 y4 y5 y6 y7 y8 y9 Trong ví dụ ta có n = quan sát Ta gọi n số quan sát hay chiều dài chuỗi Ký hiệu quan sát thời điểm t yt 2.1.1 Các dạng cấu trúc chuỗi thời gian Dạng cộng: Yt = Ct + St + It Dạng nhân : = ∗ ∗ + Tt thành phần đặc trưng cho khuynh hướng St thành phần đặc trưng cho tính mùa It thành phần đặc trưng cho dao động ngẫu nhiên 2.1.2 Phương pháp biến đổi chuỗi dừng Để mơ hình xác chuỗi đòi hỏi chuỗi phải biến đổi dạng chuỗi dừng Nếu đồ thị chuỗi liệu thấy có yếu tố xu hướng, cần tính sai phân để biến chúng thành chuỗi liệu có tượng dừng Ta thường tính sai phân bậc bậc Z1 =Yt – Yt-1 (bậc 1) hay Zt = (Yt – Yt-1) – ( Yt-1 – Yt-2) (bậc 2) Nếu chuỗi liệu có yếu tố thời vụ yếu tố biến đổi chuỗi dừng cách lấy sai phân theo mùa Phương pháp lấy sai phân theo mùa lấy hiệu số 10 parcorr(dl,99) Ta thấy hàm ACF giảm đột ngột sau độ trễ q, PACF giảm dần nên chuỗi chuỗi dừng, mơ hình có dạng ARMA(0,1) với p=0, q=1 Bươc 3: ước lượng tham số mơ hình xây dựng xấp xỉ : q=l spec=garchset('M',l,'Q',l) [co,er,llf,ino,sig,su]=garchfit(spec,dl(l:2l6)) Ta có mơ hình trung bình trượt Dl là: Yt = 0.1801 – 0.4133εt Biểu đồ ACF chuỗi ino 31 Biểu đồ PACF chuỗi ino Ðồ thị chuỗi xấp xỉ chuỗi thực tế Bước 4: dự báo tính sai số: s6=[] for r=0:l2 s7=dl((2l6-q+l+r*2):2l6+r*2) for i=l:2 s5=(s7(l:q))*h+co.C s6=[s6,s5] end end for t=l:24 mm=s6(t) + dl(r*2+t+2l6-24) vl=[vl,mm] 32 end Dự báo từ thứ 2l7 đến thứ 240 ( 24h) 3.Phân tích chuỗi D2 d2=wrcoef('d',c,l,h,2) % phục hồi chi tiết D2 từ hệ số wavelet [c,l] Đồ thị chi tiết xấp xỉ chuỗi chi tiết thực tế Dự báo: Dự báo từ thứ 217 đến 240(24h) 33 4.Phân tích chuỗi chi tiết D3: d3=wrcoef('d',c,l,h,3) %phnc hoi chi tiet D3 tù h¾ so wavelet [c,l] plot(d3) hàm tự tương quan chuỗi D3 autocorr(d3,99) parcorr(d3,99) 34 Ðồ thị chuỗi xấp xỉ thực tế : Dự báo: Dự báo từ 217 đến thứ 240 (24h) 35 Tổng hợp chuỗi : Bây ta tổng hợp chuỗi dự báo dl’, d2’, d3’, a3’ cho chuỗi dự báo y dự báo: ydubao = dl’ + d2’ + d3’ + a3’ Ta chuỗi y thực tế ydự báo( qua biến đổi wavelet) trục tọa độ để so sánh: Dự báo ngày : từ thứ 207 đến thứ 240(24h): Sai số phần trăm trung bình : tb = 2.l997 So sánh vói phương pháp ARIMA: tb = 6.3468 Với cách dùng phương pháp biến đổi wavelet cho ta kết mơng đợi sai số có 2.l997%, nhỏ phương pháp ARIMA 6.3468% ( với chuỗi liệu ) Nhhư phương pháp dự báo sử dụng biến đổi wavelet cho ta kết tốt Chuỗithực tế tách thành chuỗi trước tiến hành dự báo Mỗi chuỗi có đặc điểm riêng, bên tín hiệu nên có chu kỳ ngắn, bên tín hiệu tần số thấp , chu kỳ dài Do việc xây dựng mơ hình riêng cho chuỗi đễ dàng, kết cho mơ hình xác riêng cho chuỗi., chuỗi dự báo cho ta sát với thực tế Dự báo phụ tải tuần dùng Wavelet & Arima Ðồ thị chuỗi liệu 36 Ta tiến hành dự báo tuần, từ thứ 505 đến thứ 672 (l68h) Như cách làm trên, ta tiến hành phân tích chuỗi liệu làm chuỗi Dl, D2, D3, A3 qua phân tích wavelet Chuỗi xấp xỉ A3 autocorr(a3,99) 37 parcorr(a3,99) Từ ACF PACF ta thấy chuỗi có tính chất mùa, có tính lặp lai sau 24h, 48h,72h… Ta phải loai bỏ tính chất mùa, đưa chuỗi dạng dừng cách lấy sai phân mùa u=[] for w=l:480 n=log(a3(w+24))-log(a3(w)) u=[u,n] end %Kiểm tra tính dừng chuỗi autocorr(u,50) parcorr(u,50) 38 Chuỗi sau lấy sai phân biến thành chuỗi dừng với hàm ACF giảm , PACF giảm đột ngột, ta có mơ hình ARMA(l,0) Ước lượng, kiểm tra tham số mơ hình p=l spec = garchset('r',p) [co,er,llf,ino,sig,su]=garchfit(spec,u(l:480)) autocorr(ino,50) parcorr(ino,50) Ðồ thị chuỗi xấp xỉ xây dựng A3 chuỗi xấp xỉ thực tế A3 39 Dự báo Dự báo tuần từ thứ 505 đến thứ 672 (l68 h) Sai số phần trăm trung bình : tb =11.989 Phân tích chuỗi chi tiết Dl ,Ðồ thị Dl 40 autocorr(dl,99) parcorr(dl,99) Ước lượng , kiểm tra mơ hình xây dựng xấp xỉ: Yt = 0.00l2 – 0.9865ε t 41 Ðồ thị chuỗi thực tế dự báo : Dự báo từ thứ 505 đến 672 ( l68h) Ta thấy chuỗi xấp xỉ Dl không sát với chuỗi thực tế Phân tích chuỗi chi tiết D2, đồ thị chuỗi chi tiết D2 Ước lượng, kiểm tra mơ hình, xây dựng xấp xỉ dự báo: Dự báo Dự báo tuần từ thứ 505 đến thứ 672 (l68 h) 42 • Phân tích chuỗi chi tiết D3 Ðồ thị chuỗi chi tiết D3 43 Bây ta tiến hành tổng hợp chuỗi xấp xỉ chi tiết : Ydb = A3 + Dl + D2+ D3 Về chuỗi dự báo Ydb chuỗi thực tế y trục tọa độ so sánh: Dự báo từ thứ 505 đến thứ 672(l68h) Sai số trung bình Mape: tb = 9.67 Kết dự báo ARIMA: Sai số trung bình Mape = l0.75 Như dự báo tuần ARIMA sai số: l0.75% Dự báo tuần phương pháp Wavelet & ARIMA sai số: 9.67% Dự báo ngày ARIMA: 6.3468% Dự báo ngày Wavelet&ARIMA: 2,1997 44 CHƯƠNG KẾT LUẬN – HƯỚNG PHÁT TRIỂN Phương pháp dự báo dùng ARIMA kết hợp với biến đổi wavelet cho ta kết dự báo với sai số nhỏ Với dự báo (24h) cho ta kết khả quan (2,l%