1. Trang chủ
  2. » Kỹ Thuật - Công Nghệ

Ứng dụng phương pháp phân tích thành phần chính cho bài toán dự báo phụ tải điện ngắn hạn

4 7 0
Tài liệu đã được kiểm tra trùng lặp

Đang tải... (xem toàn văn)

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 4
Dung lượng 518,33 KB

Nội dung

Bài viết Ứng dụng phương pháp phân tích thành phần chính cho bài toán dự báo phụ tải điện ngắn hạn trình bày việc tính toán phụ tải điện ngắn hạn cho 24 giờ trong ngày và một tuần bằng phương pháp ứng dụng mạng nơ ron. Phương pháp phân tích thành phần chính (PCA) dùng cho việc phân tích bộ số liệu thu thập được. Quá trình xây dựng mô hình, khi xét được sự tương quan giữa ngày dự báo phụ thuộc vào những ngày nào trong quá khứ.

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(90).2015 15 ỨNG DỤNG PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH CHO BÀI TỐN DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN APPLYING THE METHOD OF PRINCIPAL COMPONENT ANALYSIS TO SHORT-TERM LOAD FORECASTING IN ELECTRICAL POWER SYSTEM Quản Quốc Cường1, Nguyễn Xuân Vinh3, Nguyễn Đức Thành3, Nguyễn Đức Huy2 Học viên cao học K2012B Trường Đại học Bách khoa Hà Nội; quoccuong2089@gmail.com Trường Đại học Bách khoa Hà Nội; vinhnx@vlute.edu.vn, ngduchuy@gmail.com Trường Đại học Sư phạm Kỹ thuật Vĩnh Long; thanhnd@vlute.edu.vn Tóm tắt - Dự báo phụ tải điện vấn đề quan trọng hệ thống điện Mục đích dự báo phụ tải tương lai dựa vào quan sát khứ, phục vụ cho công tác điều độ quy hoạch nguồn lưới hệ thống điện Hiện có nhiều phương pháp dự báo phụ tải khác nhau, chưa có phương pháp để chọn số liệu quan trọng thu thập khứ dùng cho toán dự báo phụ tải Trong báo tính tốn phụ tải điện ngắn hạn cho 24 ngày tuần phương pháp ứng dụng mạng nơ ron Phương pháp phân tích thành phần (PCA) dùng cho việc phân tích số liệu thu thập Quá trình xây dựng mơ hình, xét tương quan ngày dự báo phụ thuộc vào ngày khứ Áp dụng thuật toán PCA giảm số liệu không quan trọng số liệu mẫu, để phục vụ cho công tác dự báo Độ xác giải thuật kiểm chứng thông qua mô phần mềm MATLAB Abstract - Electricity load forecasting is important in power systems The purpose of load forecasting in the future based on past observations is to serve the regulation and planning of electric power system At present there are many methods using load forecasting, but no method to choose the critical data collected in the past for load forecasting problem is available In this paper the short-term power load for 24 hours and a week ahead is calculated by using artificial neural network (ANN) The principal component analysis (PCA) method is applied to analyse the data collected The process of building the model, considering the correlation between the predicting date depends on the day of the past By applying PCA algorithm the number of non-critical data in the data sample will be reduced The accuracy of the algorithm is verified through simulation in MATLAB software Từ khóa - thành phần chính; mạng nơ ron; phụ tải điện ngắn hạn; mạng truyền thẳng nhiều lớp; sai số trung bình phần trăm tuyệt đối Key words - Principal component analysis; Neural network; Shortterm Load Forecasting; Multi-layer perceptron; Mean Absolute Percent Error Đặt vấn đề Bài toán dự báo phụ tải ngắn hạn cho khoảng thời gian đến tuần để phục vụ cho công tác điều độ vận hành hệ thống điện đánh giá phức tạp so với tốn khác Vấn đề có nhiều mơ hình, giải pháp đề xuất ứng dụng Tuy nhiên, thời điểm chưa có mơ hình chuẩn để áp dụng hiệu cho đối tượng Do đặc thù vùng, khu vực phụ tải điện phụ thuộc khác vào số liệu khứ phụ tải, thời tiết Sự khác đòi hỏi phải điều chỉnh lại thơng số mơ hình lựa chọn phải xây dựng mơ hình hồn tồn Các phương pháp thơng thường để dự báo phụ tải mơ hình áp dụng ngày tương tự (Similar-day approach), phương pháp hồi quy (Regression methods), mơ hình chuỗi thời gian (Time series) [1], [2] Tuy nhiên, phương pháp rõ mối quan hệ phi tuyến phức tạp phụ tải yếu tố đầu vào Để khắc phục nhược điểm đó, mạng nơ ron sử dụng toán dự báo phụ tải điện từ năm 1990 Mạng nơ ron dùng ước lượng hàm phi tuyến phù hợp với đường cong phụ tải [3] Mơ hình có nhiều ứng dụng mạng truyền thẳng nhiều lớp (MLP) với hai lớp ẩn Số lớp ẩn số nơ ron lớp, hàm truyền đạt nơ ron mơ hình, khác xây dựng cho đối tượng khác đối tượng, số liệu thời điểm lấy số liệu khác Các số liệu quan sát khứ đưa vào toán dự báo phụ tải phụ tải khứ, thời tiết, ngày nghỉ lễ, ngày đặc biệt năm Với số liệu mẫu thu thập lớn, có nhiều số liệu khơng quan trọng có số liệu tương tự Khi sử dụng số liệu mẫu đưa vào mạng nơ ron dự báo, dẫn đến trình học kéo dài khả tổng quát mạng giảm Phương pháp phân tích thành phần viết năm 1901 Karl Pearson sử dụng công cụ để phục vụ cho việc tính tốn phân tích đặc trưng tập số liệu mẫu PCA phương pháp giảm kích thước số liệu mẫu ban đầu Chỉ chọn số liệu ảnh hưởng đến phụ tải dẫn đến kết dự báo tốt [4], [5] Mơ hình dự báo kết hợp PCA ANN Hình Mơ hình dự báo kết hợp PCA ANN Bộ số liệu thông số thời tiết (nhiệt độ cao, nhiệt độ thấp, số nắng, mưa …), ngày tuần (ngày làm việc, ngày nghỉ, ngày lễ, tết …) phụ tải khứ sử dụng mơ hình [6] Số liệu mẫu thu thập từ 01/01/2010 đến 30/09/2014 Quản Quốc Cường, Nguyễn Xuân Vinh, Nguyễn Đức Thành, Nguyễn Đức Huy 16 Thuật tốn trình bày báo sử dụng số liệu thu thập từ lưới điện ISO New England có kích thước [41616 x 17] để kiểm tra tính xác hiệu thuật tốn Áp dụng phương pháp PCA để loại bỏ thành phần liệu không đặc trưng khỏi liệu ban đầu, thu số liệu có kích thước [41616 x 6] Bộ liệu ngõ phương pháp PCA tách thành hai phần 70% dùng để huấn luyện mạng nơ ron 30% dùng để kiểm tra 2.1 Phương pháp phân tích thành phần Sử dụng mơ hình tốn học thuật tốn PCA [4] Hình Mạng truyền thẳng nhiều lớp MLP Cho ma trận 𝑋 = {𝑥𝑖𝑗 } ∈ 𝑅𝑛 × 𝑝 Bước 1: Chuẩn hóa liệu 𝑋̂ = {𝑥̂𝑖𝑗 } 𝑥̂ = 𝑥𝑖𝑗 −𝑥̅𝑗 𝜎𝑗 𝑣ớ𝑖 𝑖 = 1,2, … , 𝑁 ; 𝑗 = 1,2, … , 𝑚 (1) Trong đó: 𝜎𝑗 độ lệch chuẩn cột thứ j X 𝑥̅ = 𝑁 𝑁 ∑𝑁 𝑖=1 𝑥𝑖𝑗 , 𝜎𝑗 = √ ∑𝑖=1(𝑥𝑖𝑗 − 𝑥̅𝑗 ) 𝑅= 𝑁 𝑁−1 𝑋̂ 𝑇 𝑋̂ (2) Bước 2: Xây dựng khơng gian Tính ma trận hiệp phương sai đặc trưng 𝑋̂ Trong đó: 𝑋̂ ma trận chuẩn hóa từ ma trận số liệu ban đầu 𝑋 Các trị riêng, vector riêng tương ứng R xếp theo thứ tự giảm dần trị riêng Giả sử trị riêng R là: 1 ≥ 2 ≥ ⋯ ≥ 𝑚 Vector riêng tương ứng là: 𝑢1 , 𝑢2 , … , 𝑢𝑚 Bước 3: Tính tốn số lượng thành phần 𝑝 Σ (𝑝) = ∑𝑖=1 i (3)  Trong đó: i = ∑𝑚 𝑖 𝑖=1 𝑖 × 100% Bước 4: Tính thành phần ma trận ban đầu Chuyển ma trận ban đầu nhiều chiều sang ma trận 𝑍𝑁×𝑝 = 𝑋̂ 𝑁×𝑚 × 𝑈𝑚×𝑝 (4) Trong đó: 𝑈𝑚×𝑝 = [𝑢1 , 𝑢2 , … , 𝑢𝑝 ] 𝑍𝑁×𝑝 ma trận có mang tất đặc trưng từ ma trận X ban đầu; với số chiều ma trận Z giảm so với ma trận X 2.2 Mơ hình dự báo phụ tải điện ngắn hạn 2.2.1 Mạng nơ ron Đối với tốn có hàm truyền đạt với mức độ phi tuyến cao, cấu trúc phức tạp Cách đơn giản tăng số lớp xử lý tín hiệu đầu vào đầu tăng khối lượng tính tốn lớp Các lớp tính tốn nằm hai lớp vào lớp gọi chung lớp ẩn (hidden layer) Mạng truyền thẳng nhiều lớp (MLP) đáp ứng yêu cầu toán đặt [7] 2.2.2 Xây dựng mơ hình Trong việc xây dựng mơ hình dự báo phụ tải, để mơ hình tốt cần thực nhiều bước với thơng số đầu vào thay đổi Mơ hình tốt sai số đánh giá tập kiểm tra thấp Các bước xây dựng mơ hình dự báo phụ tải sau: Bước 1: Thay đổi số liệu mẫu đầu vào mạng nơ ron Mơ hình xây dựng số liệu khứ phụ tải, thời tiết, ngày nghỉ, ngày làm việc Khi lựa chọn số liệu đầu vào mạng, cần số liệu quan trọng để đưa vào huấn luyện Do giảm thời gian huấn luyện đem lại kết tốt Bước 2: Lựa chọn mô hình tốt Trong tài liệu mạng nơ ron chưa đưa thuật toán lựa chọn cấu trúc mạng nơ ron tối ưu cho toán cụ thể Cách chọn cấu trúc mạng dựa phương pháp thử sai, báo áp dụng phương pháp thử sai để xây dựng cấu trúc mạng nơ ron Bước 3: Tối ưu hóa mơ hình Khi chọn mơ hình mạng thích hợp, cố định số nơron lớp ẩn thay đổi số lần lặp để tối ưu hố sai số Mơ hình với số lần lặp có sai số thấp chọn làm mơ hình dự báo cuối 2.2.3 Mơ hình dự báo Mơ hình 6xNx1 + Số nơ ron lớp vào: - Giờ ngày; - Nhiệt độ cao; - Nhiệt độ thấp; - Phụ tải ngày trước; - Phụ tải tuần trước; - Phụ tải trung bình 24 trước; + Số nơ ron lớp ẩn: N=20; + Số nơ ron lớp ra: 1; + Số nơ ron lớp ẩn: N=20; + Số nơ ron lớp ra: 1; Hình Mơ hình ANN 6×20×1 dự báo phụ tải điện ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(90).2015 17 Kết Kết dự báo phụ tải điện cho 24 ngày thể kết dự báo tuần từ ngày 01/09/2014 đến ngày 07/09/2014 (Hình 4, 5, 6, 7) Đồ thị dự báo biểu diễn giá trị phụ tải thực tế phụ tải dự báo, đơn vị dự báo phụ tải MW thời gian tương ứng ngày Bảng kết dự báo thể thông số phụ tải thực tế, phụ tải dự báo (Bảng 2) Tiêu chuẩn đánh giá sử dụng hàm APE (Absolute Percent Error): Tính sai số phần trăm tuyệt đối toàn mẫu kiểm tra hàm MAPE (Mean Absolute Percent Error) : Tính sai số trung bình phần trăm tuyệt đối 𝐴𝑃𝐸 = 𝑃𝑡ℎ𝑢𝑐𝑡𝑒 −𝑃𝑑𝑢𝑏𝑎𝑜 𝑀𝐴𝑃𝐸 = 𝑃𝑡ℎ𝑢𝑐𝑡𝑒 𝑁ℎ × 100 ∑1𝑁ℎ 𝐴𝑃𝐸 (5) Sai số MAPE = 2,02% (6) Hình Đồ thị dự báo phụ tải ngày 01/09/2014 Trong Nh: số thời gian dự báo 3.1 Đồ thị dự báo 3.1.1 Đồ thị dự báo mô hình ANN Ngày dự báo 01/09/2014 Dự báo cho tuần từ (01/09/2014 – 07/09/2014) Sai số MAPE = 2,22% Hình Đồ thị dự báo phụ tải ngày 01- 07/09/2014 Sai số MAPE = 4,26% Hình Đồ thị dự báo phụ tải ngày 01/09/2014 3.2 Bảng kết dự báo Bảng kết dự báo ngày 01/9/2014: Dự báo cho tuần (01/09/2014 – 07/09/2014) Bảng Kết dự báo ngày 01/09/2014 Giờ dự Phụ tải báo thực tế Sai số MAPE = 2,43% Hình Đồ thị dự báo phụ tải ngày 01- 07/09/2014 3.1.2 Đồ thị dự báo mơ hình PCA+ANN Ngày dự báo 01/09/2014 Sai số Sai số Phụ tải dự APE(%) Phụ tải dự báo(PCA + APE (%) báo (ANN) PCA + ANN) ANN ANN 13527 13057,72 13244,96 3,47 2,09 12856 12536,72 12823,86 2,48 0,25 12446 12063,55 12333,47 3,07 0,90 12238 11950,12 12156,78 2,35 0,66 12225 12025,44 11959,12 1,63 2,17 12509 12678,48 12121,68 1,35 3,10 12959 13864,50 12575,77 6,99 2,96 13675 15501,06 13605,13 13,35 0,51 15043 17087,24 15363,49 13,59 2,13 10 16594 18400,12 16865,62 10,88 1,64 11 17947 19371,71 17767,85 7,94 1,00 12 18968 20101,29 18508,54 5,97 2,42 13 19612 20628,74 19161,86 5,18 2,30 Quản Quốc Cường, Nguyễn Xuân Vinh, Nguyễn Đức Thành, Nguyễn Đức Huy 18 14 19972 20903,91 19495,74 4,67 2,38 15 20130 21148,53 19905,75 5,06 1,11 16 20414 21096,79 20039,44 3,34 1,83 17 20781 21119,96 20358,47 1,63 2,03 18 21029 20991,18 20476,83 0,18 2,63 19 20717 20701,32 20414,65 0,08 1,46 20 20643 20281,28 20221,54 1,75 2,04 21 20421 19929,72 19822,91 2,41 2,93 22 18959 19009,68 19091,37 0,27 0,70 23 17083 17515,44 17814,75 2,53 4,28 24 15435 15738,45 16210,31 1,97 5,02 4,26 2,02 Sai số MAPE (%) Bảng kết dự báo cho tuần (từ ngày 01 – 07 /09/2014): Bảng Kết dự báo tuần từ ngày 01 – 07 /09/2014 Thứ tuần Ngày dự báo Thứ ANN PCA+ANN MAPE (%) MAPE (%) 01/09/2014 4,26 2,02 Thứ 02/09/2014 1,71 1,87 Thứ 03/09/2014 3,72 3,76 Thứ 04/09/2014 2,71 2,44 Thứ 05/09/2014 1,84 1,43 Thứ 06/09/2014 1,70 1,53 Chủ nhật 07/09/2014 5,31 2,52 2,43 2,22 Sai số trung bình Kết luận Bài báo đưa phương pháp cải tiến áp dụng dự báo phụ tải điện ngắn hạn: - Ứng dụng thuật tốn PCA giảm kích thước liệu đầu vào rút ngắn thời gian huấn luyện mạng nơ ron - Thuật toán sử dụng để dự báo phụ tải cho lưới điện ISO New England kết dự báo có sai số dự báo 3% - Kết dự báo khả quan phương pháp trình bày áp dụng dự báo phụ tải ngắn hạn cho lưới điện phụ tải khơng biến động thời gian khảo sát thu thập số liệu thời gian dự báo TÀI LIỆU THAM KHẢO [1] S Mishra, “Short term load forecasting using computational intelligence methods”, Master Thesis of Technology, National Institute of Technology Rourkela, 2008 [2] R Engle, C Mustafa and J Rice, “Modeling Peak Electricity Demand”, Journal of Forecasting, p 11:241–251, 1992 [3] M Peng, N Hubele and G Karady, “Advancement in the Application of Neural Networks for Short-Term Load Forecasting”, IEEE Transactions on Power Systems, p 7:250–257, 1992 [4] B L B Liu and R Y R Yang, “A Novel Method based on PCA and LS-SVM for Power Load Forecasting”, 2008 Third Int Conf Electr Util Deregul Restruct Power Technol., no 978, pp 759–763, 2008 [5] M Afshin and a Sadeghian, “PCA-based Least Squares Support Vector Machines in Week-Ahead Load Forecasting”, 2007 IEEE/IAS Ind Commer Power Syst Tech Conf., pp 1–6, May 2007 [6] http://iso-ne.com/ [7] Q Q Cuong, “Ứng dụng mạng nơron nhân tạo dự báo phụ tải điện ngắn hạn”, Luận văn cao học ngành hệ thống điện, Trường ĐHBKHN, 2014 (BBT nhận bài: 16/03/2015, phản biện xong: 17/05/2015) ... sử dụng để dự báo phụ tải cho lưới điện ISO New England kết dự báo có sai số dự báo 3% - Kết dự báo khả quan phương pháp trình bày áp dụng dự báo phụ tải ngắn hạn cho lưới điện phụ tải khơng biến... 6, 7) Đồ thị dự báo biểu diễn giá trị phụ tải thực tế phụ tải dự báo, đơn vị dự báo phụ tải MW thời gian tương ứng ngày Bảng kết dự báo thể thông số phụ tải thực tế, phụ tải dự báo (Bảng 2) Tiêu... luận Bài báo đưa phương pháp cải tiến áp dụng dự báo phụ tải điện ngắn hạn: - Ứng dụng thuật tốn PCA giảm kích thước liệu đầu vào rút ngắn thời gian huấn luyện mạng nơ ron - Thuật toán sử dụng

Ngày đăng: 25/11/2022, 22:07

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN