Nonlinear coupling

Nonlinear coupling Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 2022 91 Xây dựng mô hình dự báo phụ tải điện trong thị trường điện trong ngày ứng dụng mạng noron hồi tiếp[.]

Nghiên cứu khoa học cơng nghệ Xây dựng mơ hình dự báo phụ tải điện thị trường điện ngày ứng dụng mạng noron hồi tiếp nhớ ngắn – dài hạn Nguyễn Hữu Đức1*, Lê Hải Hà2, Trần Thị Nhung3 Khoa Công nghệ Năng lượng, Trường Đại học Điện lực; Công ty TNHH Giải pháp lưới điện thông minh Việt Nam SES; Khoa Điện-Điện tử, Trường Đại học Sư phạm Kỹ thuật Nam Định * Email: ducnh@epu.edu.vn Nhận bài: 01/12/2021; Hoàn thiện: 05/8/2022; Chấp nhận đăng: 10/10/2022; Xuất bản: 28/10/2022 DOI: https://doi.org/10.54939/1859-1043.j.mst.82.2022.91-97 TÓM TẮT Dự báo tải điện đóng vai trị quan trọng việc tham gia thị trường điện Trong thị trường điện thị trường điện ngày trước (dayahead market) thị trường điện ngày (intraday market) thị trường điện ngày cần dự báo nhu cầu phụ tải trước 15 phút Như vậy, toán dự báo phụ tải điện trước 15 phút đóng vai trị quan trọng việc đơn vị mua điện tham gia vào thị trường điện ngày Do tính khơng tuyến tính, tính khơng ổn định theo điều kiện tự nhiên tải điện hệ thống điện quy mơ nhỏ, việc dự báo xác thách thức Bài báo xây dựng mơ hình dự báo phụ tải điện ngắn hạn việc dùng mạng noron hồi tiếp nhớ ngắn-dài hạn Long-Short-Term-Memory (LSTM) Kết kiểm nghiệm đánh giá mơ hình với sai số khoảng 1% Từ khóa: Dự báo tải điện 15 phút; Thuật toán noron; Bộ nhớ hồi tiếp ngắn – dài hạn; Thị trường điện ngày ĐẶT VẤN ĐỀ Dự báo phụ tải điện có vai trò quan trọng việc giúp người vận hành hệ thống điện lên kế hoạch sản xuất, truyền tải phân phối lượng điện cách hiệu Dự báo phụ tải điện xác cho phép cải thiện tính an tồn hệ thống, tối ưu hóa chi phí hệ thống sản xuất, giảm cố hệ thống truyền tải phân phối lượng Đối với thị trường điện, dự báo phụ tải điện giúp bên bán bên mua xác định giá lượng tối ưu cho giao dịch Bài toán dự báo phụ tải điện chia làm loại tùy thuộc vào thời gian dự báo trước: Dự báo phụ tải điện dài hạn; Dự báo phụ tải trung hạn; Dự báo phụ tải ngắn hạn Dự báo phụ tải điện ngắn hạn toán dự báo trước phụ tải điện thời gian từ 15 phút tới khoảng thời gian theo giờ, ngày trước [1-2] Có nhiều nghiên cứu mơ hình dự báo phụ tải điện năm trở lại vài kỹ thuật sử dụng việc xây dựng mô hình dự báo phụ tải điện Một kỹ thuật sử dụng rộng rãi cho dự báo tải phụ tải điện ngắn hạn phương pháp Hồi quy vector (Support Vector Regression -SVR) [3, 4] Do đặc tính tải điện có tính chu kỳ theo thời gian nên nhiều phương pháp dự báo sử dụng liệu lịch sử để dự báo phụ tải điện phương pháp AR (Autoregressive), MA (Moving Average), ARIMA (Autoregressive Integrated Moving Average) [5-7] Trong đó, phương pháp ARIMA phương pháp thông dụng phổ biến Tuy nhiên, phương pháp giả định liệu tải điện khứ tải điện tương lai có mối quan hệ tuyến tính với Điều dẫn tới sai số lớn trường hợp mối quan hệ phi tuyến Các tác giả [8] cải tiến phương pháp ARIMA để dự báo phụ tải điện phi tuyến theo mơ hình GARCH (Autoregresive Conditional Heteroskedastic) Tuy nhiên, phương pháp cho kết tốt tệp liệu tĩnh [9-10], liệu tải điện liệu động Các tồn giải với việc ứng dụng mạng nơ ron nhân tạo dự báo phụ tải điện Với phát triển khoa học máy tính, kỹ thuật khác sử dụng phổ biến mạng nơ ron nhân tạo [11-13] Các tài liệu [11, 14-16] trình bày cải tiến ứng dụng mạng nơ ron nhân tạo Wavelet Neural Networks (WNN) dự báo phụ tải điện Các nhà nghiên cứu tìm Tạp chí Nghiên cứu KH&CN qn sự, Số 82, 10 - 2022 91 Kỹ thuật điều khiển & Điện tử liệu lịch sử, ngày mà có đặc điểm giống với ngày cần dự báo, sau áp dụng lọc cho phụ tải điện ngày (wavelet decomposition) Các phương pháp có vài tồn số liệu liệu nhiệt độ khơng sẵn có, liệu tải điện tuyến tính cố định Các mơ hình có nhược điểm phức tạp cần phải xây dựng mơ hình cho bước riêng lẻ Một vài mơ hình áp dụng cho tập liệu cụ thể, khơng có khả áp dụng cho liệu khác Sự đánh giá kết dự tập liệu nhỏ, khơng phản ánh độ xác tổng thể Từ phân tích trên, báo xây dựng mơ hình dự báo phụ tải điện ngắn hạn ứng dụng vào thị trường điện ngày (intraday ahead) sử dụng kiến trúc mạng noron nhận tạo hồi tiếp dựa nhớ ngắn – dài hạn giúp khắc phục số tồn trên:  Mơ hình khơng sử dụng liệu nhiệt độ  Mơ hình áp dụng cho ngày tuần, tháng năm với bước dự báo 15 phút  Mơ hình sử dụng cho liệu phụ tải điện khác (tuyến tính khơng tuyến tính, biến thiên)  Sai số mơ hình đánh giá với lượng liệu tất ngày tuần Cấu trúc báo trình bày sau: Mục trình bày tổng quan số phương pháp dự báo phụ tải điện ngắn hạn Mục trình bày phương pháp dự báo phụ tải điện dựa mạng Nơron hồi tiếp nhớ ngắn – dài hạn (LSTM) Phương pháp sử dụng báo để xây dựng mơ hình dự báo phụ tải điện 15 phút trước tham gia thị trường điện ngày Kết mô kiểm chứng trình bày mục Một số kết luận đưa mục THUẬT TOÁN DỰ BÁO PHỤ TẢI VỚI MƠ HÌNH MẠNG NORON HỒI TIẾP BỘ NHỚ NGẮN – DÀI HẠN Xem xét ưu điểm LSTM dự báo chuỗi thời gian, báo sử dụng lược đồ RNN dựa LSTM báo để dự báo chuỗi thời gian tải điện Cho chuỗi thời gian đầu vào x = {x1, x2, …, xT}, LSTM ánh xạ chuỗi thời gian đầu vào thành hai chuỗi thời gian đầu h = {h1, h2, · · ·,hT} y = {y1, y2, · · ·, yT} lặp lại cách cập nhật trạng thái nhớ với quy trình sau Đầu tiên, hình 1, cổng quên áp dụng để giúp LSTM định thông tin cần loại bỏ khỏi trạng thái ô Một hàm sigmoid σ (·) sử dụng để tính tốn kích hoạt cổng quên như: ft   (W fX xt  W fh ht 1  W fcCt 1  b f ) (1) Hình Kiến trúc khối nhớ LSTM Đầu ft (1) giá trị từ đến tương ứng với trạng thái ô cuối C t − Giá trị có nghĩa quên hoàn toàn trạng thái cuối cùng, giá trị viết tắt việc giữ trạng 92 N H Đức, L H Hà, T T Nhung, “Xây dựng mơ hình dự báo phụ tải … nhớ ngắn – dài hạn.” Nghiên cứu khoa học công nghệ thái cuối hoàn toàn Tiếp theo, cần cho LSTM biết thông tin lưu trữ trạng thái ô Để bắt đầu, LSTM sử dụng lớp sigmoid, đặt tên lớp cổng đầu vào, đó: it   (Wix xt  Wih ht 1  WicCt 1  bi ) (2) Phương trình (2) để định thơng tin cần cập nhật Lớp sigmoid g(·) xây dựng vectơ Ut để lưu trữ giá trị ứng viên thêm vào trạng thái ô phương trình sau: Ut  g (Wcx xt  Wch ht 1  bc ) (3) Sau đó, trạng thái cũ Ct-1 cập nhật thành trạng thái ô Ct với ft Ut ước tính Cụ thể, trạng thái ô cũ nhân với ft để quên thông tin từ trạng thái cuối Các giá trị ứng cử viên nhân với lớp cổng đầu vào để định có thơng tin cập nhật lên trạng thái ô mới, điều dẫn tới phương trình sau: Ct  Ut it  Ct 1  f (4) t Một lớp sigmoid khác σ(·) sau sử dụng làm cổng đầu để lọc xuất trạng thái ô dạng ot, ot = σ (Woxxt + Wohht − + WocCt − + bo) (5) Hơn nữa, hàm kích hoạt sigmoid đầu ℓ(·) áp dụng trạng thái ơ, sau nhân với ot đầu để đưa thông tin mong muốn thể hiển phương trình sau: ht   t (Ct ) (6) Đối với đầu khối nhớ, hàm kích hoạt đầu k (·) sử dụng phương trình sau: yt  k (Wyh ht  by ) (7) Trong (1) - (7), ma trận Wix, Wfx, Wox, Wcx ma trận trọng số đầu vào thích hợp, Wih, Wfh, Woh, Wch ma trận trọng số lặp lại, Wyh đại diện cho ma trận trọng số đầu ẩn, Wic, Wfc, Woc biểu thị ma trận trọng số kết nối lỗ nhìn trộm Các vectơ bi, bf, bo, bc, by vectơ thiên vị tương ứng KẾT QUẢ VÀ THẢO LUẬN 3.1 Dữ liệu phân tích kiểm nghiệm Để kiểm chứng mơ hình đề xuất, liệu dùng để chạy mơ hình liệu tải điện Italia từ năm 2020 đến 2021 [17] Dữ liệu lấy mẫu 15 phút Chia liệu thành phần: liệu huấn luyện (tải điện Italia năm 2020), liệu kiểm tra (tải điện Italia tuần từ ngày 22/02/2021 đến ngày 28/02/2021) Thuật toán LSTM áp dụng để dự báo tải điện cho bước thời gian X t+1, cách sử dụng bước thời gian trước {Xt-d, Xt-d+1, , Xt} Sau đó, mơ hình cập nhật giá trị thực bước thời gian Xt+1 để dự đoán cho bước Xt+2 Cứ bước thời gian cuối tập liệu kiểm tra Hai tiêu chí đánh giá sử dụng RMSE (root mean square error) MAPE (mean absolute percentage error) giá trị thực tế giá trị dự báo √ ∑ | Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 | (8) 93 Kỹ thuật điều khiển & Điện tử ∑ | | (9) Trong đó: N số lượng step liệu Test Lpred(i) tải điện dự báo step thứ i Ltrue(i) tải điện thực tế step thứ i 3.2 Kết mơ kiểm chứng Mơ hình xây dựng phần mềm Matlab Các kết mô kiểm chứng mơ hình đề xuất so sánh với liệu tải điện thực tế ngày tuần thể từ hình đến hình 11 Hình cho ta kết dự báo mơ hình tuần từ ngày 22/2/2021 đến ngày 28/2/2021 Đường màu xanh liệu tải thực tế đường màu đỏ kết dự báo mơ hình theo 15 phút Hình thể kết quẳ dự báo mơ hình liệu thực tế vào ngày thứ đầu tuần (ngày 22/02/2021) Ta thấy sai số lớn tập trung vào thời điểm 12h30 đến 13h30 khung từ 17h00 đến 18h00 ngày Kết dự báo ngày chủ nhật thể hình Sai số mơ hình dự báo ngày tuần thể hình 5, hình Hình Biểu đồ so sánh giá trị tải điện dự báo từ mơ hình tải điện thực tế tuần từ 22/2 đến 28/2 năm 2021 Hình Biểu đồ so sánh giá trị tải điện dự báo từ mơ hình tải điện thực tế thứ ngày 22/2/2021 94 N H Đức, L H Hà, T T Nhung, “Xây dựng mơ hình dự báo phụ tải … nhớ ngắn – dài hạn.” Nghiên cứu khoa học công nghệ Hình Biểu đồ so sánh giá trị tải điện dự báo từ mơ hình tải điện thực tế chủ nhật ngày 22/2/2021 Hình Biểu đồ so sánh giá trị tải điện dự báo từ mô hình tải điện thực tế tuần từ 22/2 đến 28/2 năm 2021 Hình Biểu đồ so sánh giá trị tải điện dự báo từ mô hình tải điện thực tế tuần từ 22/2 đến 28/2 năm 2021 Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 95 Kỹ thuật điều khiển & Điện tử Kết chạy mơ hình tóm tắt bảng Bảng cho ta thấy, giá trị sai số kết dự báo mơ hình số liệu tuần kiểm chứng Giá trị sai số RMSE 0,52% giá trị sai số MAPE 1,13% Bảng Sai số tải điện dự báo mơ hình với liệu tuần kiểm chứng Sai số (%) Giá trị RMSE 0.52 MAPE 1.13% Bảng tóm tắt sai số RMSE MAPE ngày tuần Ta thấy, ngày chủ nhật có sai số RMSE thấp ngày thứ có sai số RMSE lớn Đối với sai số MAPE ngày thứ có sai số thấp 1,07% ngày thứ có sai số lớn 1,24% Bảng Sai số tải điện dự báo ngày tuần với liệu kiểm chứng Sai số (%) Thứ Thứ Thứ Thứ Thứ Thứ CN RMSE 0.57 0.56 0.54 0.55 0.52 0.48 0.45 MAPE 1.24 1.12 1.08 1.08 1.07 1.15 1.20 KẾT LUẬN Bài báo đề xuất xây dựng mơ hình dự báo phụ tải điện trước 15 phút thị trường điện ngày Mơ hình sử dụng mạng noron hồi tiếp nhớ ngắn – dài hạn (Long-short-term memory LSTM) Ưu điểm mơ hình đơn giản khơng u cầu liệu nhiệt độ, độ ẩm,… Như vậy, mơ hình ứng dụng trường hợp dự báo phụ tải điện mà liệu nhiệt độ, độ ẩm khơng sẵn có Đặc tính tải điện ngày lịch sử thu thập đưa vào mơ hình để từ dự báo phụ tải điện trước 15 phút Kết kiểm chứng mơ hình với liệu tải điện tuần Italia cho sai số nằm khoảng 1% Ngồi ra, mơ hình dự báo tích hợp vào phần mềm quản lý điện nhà máy, tòa nhà (PMS) để đưa dự báo tiêu thụ điện cho tới TÀI LIỆU THAM KHẢO [1] P Shinde and M Amelin, “A Literature Review of Intraday Electricity Markets and Prices”, 2019 IEEE Milan PowerTech, pp 1-6, (2019), doi: 10.1109/PTC.2019.8810752 [2] A Khan and M Rizwan, "ANN and ANFIS Based Approach for Very Short Term Load Forecasting: A Step Towards Smart Energy Management System," 2021 8th International Conference on Signal Processing and Integrated Networks (SPIN), (2021) [3] H Aoyang, Z Shengqi, J Xuehui and Z Zhisheng, "Short-term Load Forecasting Model Based on RBF Neural Network Optimized by Artificial Bee Colony Algorithm," 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), (2021) [4] M Bashari and A Rahimi-Kian, "Forecasting Electric Load by Aggregating Meteorological and History-based Deep Learning Modules," 2020 IEEE Power & Energy Society General Meeting (PESGM), (2020) [5] M Kumar and R Krishan, "Non-Linear Auto-Regressive Modeling based Day-ahead BESS Dispatch Strategy for Distribution Transformer Overload Management," 2021 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), (2021) [6] M Khashei and M Bijari, “A novel hybridization of artificial neural networks and arima models for time series forecasting,” Applied Soft Computing, vol 11, no 2, pp 2664–2675, (2011) 96 N H Đức, L H Hà, T T Nhung, “Xây dựng mơ hình dự báo phụ tải … nhớ ngắn – dài hạn.” Nghiên cứu khoa học công nghệ [7] K.-Y Chen and C.-H Wang, “A hybrid sarima and support vector machines in forecasting the production values of the machinery industry in taiwan,” Expert Systems with Applications, vol 32, no 1, pp 254–264, (2007) [8] C.-L Hor, S J Watson, and S Majithia, “Daily load forecasting and maximum demand estimation using arima and garch,” in Probabilistic Methods Applied to Power Systems, 2006 PMAPS 2006 IEEE international Conf pp 1–6, (2006) [9] K M Kam, “Stationary and non-stationary time series prediction using state space model and pattern-based approach” The University of Texas at Arlington, (2014) [10] M Lineesh, K Minu, and C J John, “Analysis of nonstationary nonlinear economic time series of gold price: A comparative study,” in International Mathematical Forum, vol 5, no 34 Citeseer, pp 1673–1683, (2010) [11] YanyingLi, JinxingChe, YoulongYang, “Subsampled support vector regression ensemble for short term electric load forecasting”, Energy Volume 164, Pages 160-170, (2018) [12] A Navot, L Shpigelmen, N.Tishby, E.Vaadia, “Nearest Neighbor Based Feature Selection for Regression and its Application to Neural Activity”, Advances in Neural Information Processing Systems 18 [Neural Information Processing Systems, NIPS 2005, December 5-8], (2005) [13] H S Hippert, C E Pedreira and R C Souza, “Neural Networks for ShortTerm Load Forecasting: a Review and Evaluation”, IEEE Transactions on Power Systems, vol 16, no 1, pp 44-55, (2001) [14] Kunjin Chen, Kunlong Chen, Qin Wang, Ziyu He, Jun Hu, Jinliang He, “Short-Term Load Forecasting With Deep Residual Networks”, IEEE Transactions on Smart Grid, Volume: 10, Issue: 4, (2019) [15] P Mandal, T Senjyu, N Urasaki and T Funabashi, “A neural network based saveral-hour-ahead electric load forecasting using similar days approach”, Elec Power and Energy Systems, vol 28, pp 367-373, (2006) [16] Ying Chen, Peter B Luh, Che Guan, Yige Zhao, Laurent D Michel, Matthew A Coolbeth, Peter B Friedland, “Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks”, IEEE Transactions on Power Systems, Volume: 25, Issue: 1, (2010) [17] https://www.terna.it/en/electric-system/transparency-report/total-load ABSTRACT Electrical load forcasting in intraday markets using neural network based on long-short term memory Load forecasting plays an important role for buyers participating into electricity markets Buyers need to be able to forecast load demand 15 minutes in advance for participating in the intraday market Thus, the problem of predicting the electricity load 15 minutes in advance plays a vital role in participating into the intraday market Due to the non-linearity and instability under natural conditions of electrical loads in small-scale power systems, accurate forecasting is still a challenge This paper investigates the use of Long-Short-Term-Memory (LSTM) short-term memory structure based on feedback neural network structure to predict the electricity load 15 minutes in advance Keywords: Time series; Intraday electricity market; Recurrent neural network (RNN); Long-short-term-memory (LSTM) Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 97 ... of Texas at Arlington, (2014) [10] M Lineesh, K Minu, and C J John, “Analysis of nonstationary nonlinear economic time series of gold price: A comparative study,” in International Mathematical