Sử dụng thuật toán svm để phân loại phụ tải điện

Bài viết Sử dụng thuật toán svm để phân loại phụ tải điện trình bày kết quả thực hiện phân loại phụ tải dựa vào học sâu đối với các lưới điện, cụ thể là sử dụng phương pháp Support Vector Machine (SVM) để thực hiện việc phân loại phụ tải. Kết quả đạt được cao hơn các phương pháp phân loại truyền thống, tỷ lệ chính xác của phương pháp lớn hơn 0,93. Mời các bạn cùng tham khảo chi tiết bài viết tại đây.

http://doi.org/10.37550/tdmu.VJS/2022.04.326 SỬ DỤNG THUẬT TOÁN SVM ĐỂ PHÂN LOẠI PHỤ TẢI ĐIỆN Nguyễn Văn Bình(1) (1) Trường Đại học Thủ Dầu Một Ngày nhận 24/6/2022; Ngày phản biện 30/6/2022; Chấp nhận đăng 30/7/2022 Liên hệ Email: binhnv@tdmu.edu.vn https://doi.org/10.37550/tdmu.VJS/2022.04.326 Tóm tắt Với phát triển công nghiệp 4.0, hầu hết tất lĩnh vực đời sống nói chung áp dụng thuật tốn thơng minh, hệ thống IoT, trí tuệ nhân tạo với mục đích để tăng hiệu quả, suất công việc quản lý, giám sát, tăng hiệu kinh tế Với ngành điện trọng việc sử dụng truyền tải điện cách thông minh, thơng minh tự phân loại loại tải sử dụng hàng ngày khu vực khác nhà hàng, khách sạn, khu vực vui chơi giải trí,…bên cạnh việc phân loại tải sử dụng điện cịn có thêm thơng tin khách hàng, thông tin người dùng, nhà sản xuất cung cấp điện dựa vào phân loại tải khu vực cụ thể để dự đoán thói quen người sử dụng dịch vụ, từ dự đốn nhà sản xuất có phương án tối ưu cho việc cân pha phù hợp trình cung cấp điện cho khu vực Trong báo này, tác giả trình bày kết thực phân loại phụ tải dựa vào học sâu lưới điện, cụ thể sử dụng phương pháp Support Vector Machine (SVM) để thực việc phân loại phụ tải Kết đạt cao phương pháp phân loại truyền thống, tỷ lệ xác phương pháp lớn 0,93 Từ khóa: học sâu, lưới điện thơng minh, phân loại phụ tải điện năng, support vector machine (svm), tiêu thụ lượng Abstract USING SVM ALGORITHM TO CLASSIFY ELECTRICAL LOADS With the development of Industry 4.0, almost all areas of life in general are applying smart techniques, IoT systems, and artificial intelligence with the goal of increasing efficiency and productivity at work manage, monitor, increase economic efficiency, etc With the electricity industry also focusing on the smart use and transmission of electricity, one of the smart ones is the self-categorization of loads used in daily life In addition to load classification, there are information customers, information users, manufacturers, and suppliers Power supply can rely on load classification of possible areas to predict service users From these projects, manufacturers have more optimal solutions for suitable phase balance in the process power supply for each area In this paper, the author presents the results of performing deep learning dependent classification for electrical categories, specifically using the Support Vector Machine (SVM) method to perform subcategory 60 Tạp chí Khoa học Đại học Thủ Dầu Một Số 4(59)-2022 loading The results obtained are higher than the method distribution system The accuracy ratio of the method is greater than 0.93 Giới thiệu Phân loại nhiệm vụ lĩnh vực học sâu (deep learning) học máy (machine learning) (Nguyen cs., 2019) Khi tiến hành nhiệm vụ phân loại cần thu thập lượng lớn liệu định Cơng việc tìm mơ hình tốn học thích hợp để mơ tả quan hệ liệu thu thập trước gọi phân loại Với mục đích quản lý hiệu cho việc cân người sử dụng nhà cung cấp lượng điện, việc phân lọai tải sử dụng khu vực cần thiết Để tăng hiệu quản lý cơng việc phân loại tải sử dụng kế hoạch lập cách phù hợp từ việc phân loại cần thiết gắn kết với (Nguyen cs., 2018) Năng lượng có tầm quan trọng phát triển tất lĩnh vực giới tại, có lượng điện, dạng lượng sử dụng nhiều lĩnh vực Vì vậy, việc phân loại phụ tải điện hệ thống điện có ý nghĩa quan trọng việc phát triển kinh tế nói chung sinh hoạt người dân nói riêng Do đó, cần có mơ hình tốn phân loại phụ tải điện thật xác để không ảnh hưởng đến việc quản lý chung hạn chế ảnh hưởng đến kinh tế khu vực, đất nước lớn tồn giới Thực tế có nhiều nhu cầu cụ thể khác nên phải có mơ hình phân loại thích hợp, lựa chọn kiểu phân loại phải hợp lý Cụ thể trường hợp cần chiến lược kế hoạch phát triển lâu dài phải chọn kiểu phân loại dạng trung hạn dài hạn, ngược lại với việc sử dụng kiểu phân loại ngắn hạn phù hợp cho mục đích vận hành Một số kiểu dự báo thông thường sử dụng phân loại điều độ, ngắn hạn, trung hạn, dài hạn Với kiểu phân loại điều độ phân loại tải theo vài phút sử dụng, phân loại ngắn hạn thời gian phân loại dài hơn, thường phân loại theo ngày, tháng Thời gian phân loại theo năm (khoảng 5-7 năm) phân loại theo kiểu trung hạn, cuối phân loại theo thời gian dài (từ 10-20 năm) dạng phân loại dài hạn Thuật toán SVM sử dụng nhiều lĩnh vực điện, số cơng trình nghiên cứu trước sử dụng giải thuật SVM để nghiên cứu mơ hình dự báo phụ tải điện (Wei-Chiang Hong, 2009), phân loại hệ thống điện (Amine cs., 2009), phân loại mô hình hóa phụ tải điện hệ thống điện (Vignesh cs., 2017), tối ưu hóa cơng suất phức (Yong cs., 2017) Như trình bày có nhiều dạng phân loại khác nhau, đề tài với mục tiêu nghiên cứu vấn đề phân loại phụ tải cho lưới điện cách sử dụng thuật toán SVM (Cortes cs., 1995; Nijhawan cs., 2020) Hơn nữa, đề tài trình bày chi tiết hoạt động giải thuật SVM sử dụng ngôn ngữ Python để lập trình (Adrian Rosebrock, 2017), với liệu thu được, liệu lấy từ lượng điện tiêu thụ Hoa Kì năm 2004 tác giả trích xuất địa Kết phân loại báo giúp người cung cấp sử dụng chủ động việc vận hành thiết bị, trang bị thiết bị có cơng suất phù hợp 61 http://doi.org/10.37550/tdmu.VJS/2022.04.326 Phương pháp phân loại đề xuất 2.1 Ý tưởng Trong mục thảo luận giải thuật phân loại tiếng Support Vector Machine (SVM) (Cortes cs., 1995), phương pháp học có giám sát mơ hình nhận dạng mẫu SVM khơng hoạt động tốt với liệu phân tách tuyến tính mà cịn tốt với liệu phân tách phi tuyến Ý tưởng thuật toán SVM đơn giản, để hiểu cải thiện hiệu suất cần nắm rõ kiến thức toán đại số tối ưu Đầu tiên, tác giả muốn trình bày khái niệm siêu phẳng phân chia tuyến tính biên độ 2.2 Những khái niệm 2.2.1 Siêu phẳng phân cách Siêu phẳng phân cách hàm số tương tự phương trình đường thẳng: y = ax + b Trong giải thuật SVM, siêu phẳng lúc đường thẳng Hình Siêu phẳng phân chia tập liệu khơng gian n chiều Về ý tưởng SVM sử dụng phương pháp để ánh xạ tập liệu đầu vào sang khơng gian nhiều chiều Khi đó, SVM xem xét định chọn siêu phẳng phù hợp để phân lớp tập liệu đầu vào hình 2.2.2 Biên độ (Margin) Như hiển thị hình 2, biên độ khoảng cách hai siêu phẳng đến hai điểm liệu gần tương ứng với hai phân lớp Trong thực tế, ta tìm vơ số siêu phẳng phân chia tập liệu đầu vào mong muốn tìm đường thẳng phân chia cho tối ưu Nói cách đơn giản hơn, điều có nghĩa có sai số phân loại phải nhỏ liệu đầu vào Do đó, mục tiêu phương pháp phân lớp SVM tìm siêu phẳng phân cách hai lớp cho khoảng cách lề (margin) hai lớp đạt cực đại Theo nghiên cứu trước đây, biên độ gồm có hai loại chủ yếu là: • Biên độ mềm (soft margin) Hình Minh họa biên độ (margin) • Biên độ cứng (hard margin) 62 Tạp chí Khoa học Đại học Thủ Dầu Một Số 4(59)-2022 Để tránh vấn đề khớp (overfitting), cần có margin cao phải chấp nhận vài điểm liệu không phân chia xác Các điểm liệu gọi nhiễu Khi đó, biên độ trường hợp gọi biên độ mềm Ngược lại, biên độ cứng có nghĩa giải thuật SVM tạo biên độ mà khơng có điểm liệu nhiễu hết, mà tất chúng phải thoả mãn phân chia Với toán thực tế, việc tìm biên độ cứng nhiệm vụ vơ khó khăn Vì thế, việc chấp nhận sai lệch mức độ chấp nhận cách hiệu để đạt kết phân loại tối ưu Một điều vô quan trọng lựa chọn tham số cho giải thuật SVM, đặc biệt tham số C, mà giới thiệu với quy tắc sau (Cortes cs., 1995): • C =  có nghĩa khơng cho phép sai lệch, đồng nghĩa với biên độ cứng • C lớn cho phép sai lệch nhỏ, thu biên độ nhỏ • C nhỏ cho phép sai lệch lớn, thu biên độ lớn Thực nghiệm 3.1 Giới thiệu liệu Bộ liệu lấy từ lượng điện tiêu thụ Hoa Kì năm 2004 tác giả trích xuất địa Bộ liệu giúp ích nhiều cho việc mơ bình giải thuật SVM mà đề tài đề xuất Nói cách khác, liệu quý SVM phân loại hiệu phụ tải điện cho lưới điện thông minh Hoa Kì Sơ đồ khối Các phần giải thuật (hình 3): • 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 Sơ đồ khối chung 3.2 Kết thực nghiệm bước 3.2.1 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, 5, 6, 7, 8) 63 http://doi.org/10.37550/tdmu.VJS/2022.04.326 Phân chia liệu để huấn luyện kiểm tra dùng 80% chuỗi liệu để huấn luyện 20% để kiểm tra Hình Đồ thị lượng điện sử dụng phụ tải bệnh viện ngày Hình Đồ thị lượng điện sử dụng phụ tải khách sạn ngày Hình Đồ thị lượng điện tiêu thụ phụ tải nhà hàng ngày 64 Tạp chí Khoa học Đại học Thủ Dầu Một Số 4(59)-2022 Hình Đồ thị nặng lượng điện tiêu thụ phụ tải siêu thị ngày Hình Đồ thị nặng lượng điện tiêu thụ phụ tải văn phòng ngày 3.2.2 Xác định cấu trúc huấn luyện mạng Ngõ vào hệ thống tập hợp chuỗi gồm mảng có phần tử (bảng 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 Bảng Giá trị loại phụ tải tiêu biểu ngày 65 http://doi.org/10.37550/tdmu.VJS/2022.04.326 Sơ đồ huấn luyện thể hình Thời gian huấn luyện SVM 10 phút với số lượng ngõ vào 43800 (Bảng 2) Độ xác đạt 93,6% Hình Sơ đồ huấn luyện cho mơ hình phân loại phụ tải Bảng Thời gian huấn luyện độ xác mơ hình Số lượng ngõ vào Thời gian huấn luyện (s) Độ xác 43800 632 0.93678 3.2.3 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 3.2.4 Kết phân loại phụ tải Mơ hình phân loại phụ tải xác địa điểm bệnh viện, siêu thị văn phòng với tỷ lệ độ xác tương ứng 100%, 97%, 88% tương ứng Còn địa điểm lại khách sạn nhà hàng có độ xác phân loại khơng cao, chiếm khoảng 63% 58% (bảng 3) Nguyên nhân lượng tiêu thụ điện địa điểm tiêu thụ giống khoảng 35-70 kWh khoảng thời gian 5-23h (Hình 10) Hình 10 Lượng điện tiêu thụ phân bố theo khách sạn nhà hàng 66 Tạp chí Khoa học Đại học Thủ Dầu Một Số 4(59)-2022 Bảng Độ xác mơ hình phân loại phụ tải cho địa điểm khảo sát Địa điểm Khu vực bệnh viện Khu vực siêu thị Khu vực khách sạn Khu vực nhà hàng Khu vực văn phịng Độ xác 100% 97% 63% 58% 88% Kết luận 4.1 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, hệ thống điện dựa tập liệu thực cụ thể liệu lấy từ lượng điện tiêu thụ Hoa Kì năm 2004 tác giả trích xuất địa Trong q trình nghiên cứu tác giả phân tích lý thuyết kiểm chứng phần mềm Qua thấy phương pháp để tác giả đề xuất dùng giải thuật SVM để phân loại phụ tải có độ xác cao so với phương pháp truyền thống trước Ngồi ra, nghiên cứu cịn có số trường hợp, mơ hình phân loại chưa xác, nguyên 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 4.2 Hướng phát triển Mặc dù đạt kết khả quan tương lai gần, tác giả tiếp cận số nghiên cứu sau đây: 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 cạnh tranh TÀI LIỆU THAM KHẢO [1] Adrian Rosebrock (2017) Deep Learning for Computer Vision with Python [2] Commercial and residential hourly load profiles for all TMY3 locations in the united states (2016) https://openei.org/datasets/dataset/hourly-load-profiles-for-all-tmy3/locations-inthe-united-states [3] Cortes, C., Vapnik, V (1995) Support-vector networks Mach Learn, 20, 273-297 https://doi.org/10.1007/BF00994018 67 http://doi.org/10.37550/tdmu.VJS/2022.04.326 [4] David De Yong, Sudipto Bhowmik, Fernando Magnago (2017) Optimized Complex Power Quality Classifier Using One vs Rest Support Vector Machines Energy and Power Engineering [5] Ladjici Admed Amine, Dr Boudour Mohamed, Rachedi Nadjib (2009) Power System Applications of Support Vector Machine in Classification and Regression 3rd International Conference on Electrical Engineering [6] Parag Nijhawan, Vinod Kumar Bhalla, Manish Kumar Singla, Jyoti Gupta (2020) Electrical Load Forecasting using SVM Algorithm International Journal of Recent Technology and Engineering, 8(6) [7] T D Nguyen, T D Do, M H Le, N T Le and W Benjapolakul (2019) Appliance Classification Method Based On K-Nearest Neighbors for Home Energy Management System 2019 First International Symposium on Instrumentation, Control, Artificial Intelligence, and Robotics (ICA-SYMP), 53-56, DOI: 10.1109/ICA-SYMP.2019.8646278 [8] T D Nguyen, V K Tran, T D Nguyen, N T Le and M H Le (2018) IoT-Based Smart Plug-In Device for Home Energy Management System 2018 4th International Conference on Green Technology and Sustainable Development (GTSD), 734-738, DOI: 10.1109/GTSD.2018.8595615 [9] Vignesh V, S.Chakrabarti, S.C Srivastava (2015) Classification and modelling of loads in power systems using SVM and optimization approach IEEE power and energy society general meeting [10] Wei-Chiang Hong (2009) Electric load forecasting by support vector model Applied Mathematical Modelling, 33 68 ... thường sử dụng phân loại điều độ, ngắn hạn, trung hạn, dài hạn Với kiểu phân loại điều độ phân loại tải theo vài phút sử dụng, phân loại ngắn hạn thời gian phân loại dài hơn, thường phân loại theo... cứu trước sử dụng giải thuật SVM để nghiên cứu mơ hình dự báo phụ tải điện (Wei-Chiang Hong, 2009), phân loại hệ thống điện (Amine cs., 2009), phân loại mơ hình hóa phụ tải điện hệ thống điện (Vignesh... 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,