(Luận văn) ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - Quản Quốc Cường ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN lu an va n Chuyên ngành: Kỹ thuật Điện p ie gh tn to d oa nl w LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT ĐIỆN an lu CHỦ TỊCH HỘI ĐỒNG NGƯỜI HƯỚNG DẪN KHOA HỌC nf va TS NGUYỄN XUÂN TÙNG TS NGUYỄN ĐỨC HUY z at nh oi lm ul z m co l gm @ Hà Nội – Năm 2014 an Lu n va ac th si MỤC LỤC LỜI CAM ĐOAN iii LỜI CẢM ƠN………… iv DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT .v DANH MỤC CÁC BẢNG vi DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ vii MỞ ĐẦU………… .1 TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI CHƯƠNG 1: lu an 1.1 GIỚI THIỆU CHUNG 1.2 CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN 1.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN n va Mơ hình áp dụng ngày tương tự (Similar-day approach) .7 1.3.2 Phương pháp hồi quy (Regression methods) 1.3.3 Các mơ hình chuỗi thời gian ngẫu nhiên (Time series) 1.3.4 Mạng nơron (Neural Network) .8 p ie gh tn to 1.3.1 Máy vectơ hỗ trợ (Support vector machines) 10 oa PHỤ TẢI ĐIỆN THÀNH PHỐ HÀ NỘI 11 d 1.4 nl 1.3.7 Lôgic mờ (Fuzzy logic) 10 w 1.3.6 Phương pháp chuyên gia (Expert systems) 10 1.3.5 lu Ngày tuần 11 1.4.2 Các ngày đặc biệt năm 12 1.4.3 Thời tiết ngày 13 1.4.4 Kế hoạch sửa chữa lớn ngày có cắt điện 13 nf va an 1.4.1 MƠ HÌNH NƠRON SINH HỌC 15 2.1.1 Phần tử xử lý 16 z MƠ HÌNH CẤU TRÚC MẠNG NƠRON 18 Mạng truyền thẳng lớp 19 m co i l gm 2.2.1 @ 2.2 TỔNG QUAN VỀ MẠNG NƠRON .14 z at nh oi 2.1 lm ul CHƯƠNG 2: an Lu n va ac th si 2.2.2 Mạng nơron nhiều lớp 19 2.3 CÁC TÍNH CHẤT CỦA MẠNG NƠRON .20 2.4 CÁC LUẬT HỌC 20 2.4.1 Học có giám sát 21 2.4.2 Học củng cố 22 2.4.3 Học khơng có giám sát 22 2.5 MẠNG NƠRON MLP .23 2.5.1 Cấu trúc mạng MLP 23 2.5.2 Quá trình học mạng MLP .24 2.6 VẤN ĐỀ MẠNG HỌC QUÁ KHỚP VÀ MẠNG HỌC KHÔNG ĐỦ 27 CHƯƠNG 3: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN VỚI SỐ LIỆU THU lu an THẬP TỪ ISO-NEW ENGLAND 30 n va 3.1 XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN 30 tn to 3.2 DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN DÙNG MẠNG NƠRON MLP (24xNx24) 33 KẾT LUẬN NỘI DUNG CHƯƠNG .42 nl w 3.5 SO SÁNH HAI MƠ HÌNH DỰ BÁO PHỤ TẢI 40 3.4 p ie gh 3.3 MƠ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN DÙNG MẠNG NƠRON MLP (6xNx1) 36 oa CHƯƠNG 4: ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO d PHỤ TẢI ĐIỆN NGẮN HẠN CHO THÀNH PHỐ HÀ NỘI 43 an lu nf va 4.1 XÂY DỰNG MƠ HÌNH DỰ BÁO ÁP DỤNG CHO THÀNH PHỐ HÀ NỘI 43 Mơ hình dự báo phụ tải điện dùng mạng nơron (24xNx24) 44 4.1.2 Mô hình dự báo phụ tải điện dùng mạng nơron (27xNx24) 47 4.1.3 Mơ hình dự báo phụ tải điện dùng mạng nơron (31xNx24) 49 4.1.4 Mô hình dự báo phụ tải điện dùng mạng nơron (34xNx24) 51 z at nh oi 4.2 lm ul 4.1.1 KẾT LUẬN NỘI DUNG CHƯƠNG .53 z gm @ TÀI LIỆU THAM KHẢO 56 PHỤ LỤC………… I m co l ii an Lu n va ac th si LỜI CAM ĐOAN Tôi xin cam đoan luận văn thực Các số liệu sử dụng luận văn thu thập thực tế, kết phân tích tính tốn luận văn trung thực tơi tìm hiểu tài liệu Học viên Quản Quốc Cường lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ iii an Lu n va ac th si LỜI CẢM ƠN Luận văn thạc sĩ kỹ thuật chuyên ngành Kỹ thuật điện với tên đề tài “Ứng dụng mạng nơron nhân tạo dự báo phụ tải điện ngắn hạn” hoàn thành vào tháng năm 2014 Em xin gửi lời cảm ơn sâu sắc đến thầy TS.Nguyễn Đức Huy, người giúp đỡ em nhiều trình thực luận văn Xin cảm ơn thầy cô thuộc môn Hệ thống điện – Viện Điện – Trường Đại học Bách Khoa Hà Nội có góp ý quý báu nội dung đề tài Đồng thời, cảm ơn tới bạn bè, đồng nghiệp trao đổi giúp tháo gỡ nhiều vướng mắc trình thực lu an Qua xin gửi tới gia đình người thân gia đình, người ln va quan tâm, động viên, khích lệ suốt trình học tập nghiên cứu n tn to Do thời gian có hạn, chắn luận văn khơng tránh khỏi thiếu sót Em gh kính mong thầy bảo, bạn bè đóng góp ý kiến để em hồn thiện, p ie tiếp tục nghiên cứu phát triển đề tài nl w Xin chân thành cảm ơn! d oa Hà Nội, tháng năm 2014 nf va an lu lm ul Quản Quốc Cường z at nh oi z m co l gm @ iv an Lu n va ac th si DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT lu an Applications Neural Network Mạng nơron nhân tạo MSE Mean Sum of Squares Errors Trung bình tổng bình phương sai số SSE Sum of Squares Errors Tổng bình phương sai số APE Absolute Percent Error Tính sai số phần trăm tuyệt đối MAPE Mean Absolute Percent Error Tính trung bình sai số phần trăm tuyệt đối STLF Short – term Load Forecasting Dự báo phụ tải ngắn hạn MTLF Medium –term Load Forecasting Dự báo phụ tải trung hạn Long –term Load Forecasting Dự báo phụ tải dài hạn Multi- layer Feedforward Mạng truyền nhiều lớp Support Vector Machines Máy vectơ hỗ trợ n va ANN to gh tn LTLF d oa nl w SVM p ie MLP nf va an lu z at nh oi lm ul z m co l gm @ v an Lu n va ac th si DANH MỤC CÁC BẢNG Bảng 3.1 Kết dự báo phụ tải từ 22- 28/06/2014 (ANN 24x20x24) 34 Bảng 3.2 Kết dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) .35 Bảng 3.3 Kết dự báo phụ tải từ ngày 22-28/06/2014 (ANN 6x20x1) 37 Bảng 3.4 Kết dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) 38 Bảng 3.5 Kết so sánh dự báo phụ tải hai mơ hình .40 Bảng 4.1 Kết dự báo phụ tải ngày 08/11/2012 (24xNx24) 46 Bảng 4.2 Kết dự báo phụ tải ngày 08/11/2012 (27xNx24) 48 Bảng 4.3 Kết dự báo phụ tải ngày 08/11/2012 (31xNx24) 50 lu Bảng 4.4 Kết dự báo phụ tải ngày 08/11/2012 (34xNx24) 52 an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ vi an Lu n va ac th si DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Đồ thị phụ tải ngày đặc trưng tuần 12 Hình 1.2 Đồ thị phụ tải thành phố Hà Nội hai ngày 1/1/2012, 6/1/2012 12 Hình 1.3 Đồ thị phụ tải ngày hai ngày có nhiệt độ khác 13 Hình 2.1 Mơ hình dạng nơron sinh học 15 Hình 2.2 Mơ hình phần tử xử lý (mơ hình nơron) thứ i, dạng M-P 16 Hình 2.3 Mạng nơron truyền thẳng lớp .19 Hình 2.4 Mạng nơron truyền thẳng nhiều lớp 20 Hình 2.5 Sơ đồ ba kiểu học mạng nơron 22 lu Hình 2.6 Mơ hình mạng MLP lớp ẩn 23 an n va Hình 3.1 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) 34 to Hình 3.2 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) 37 gh tn Hình 3.3 Đồ thị dự báo phụ tải ngày 22-28/06/2014 (ANN 6x20x1) .39 p ie Hình 3.4 Đồ thị so sánh dự báo phụ tải hai mô hình 41 Hình 4.1 Đồ thị dự báo phụ tải ngày 08/11/2012 (24xNx24) 45 oa nl w Hình 4.2 Đồ thị dự báo phụ tải ngày 08/11/2012 (27xNx24) 47 Hình 4.3 Đồ thị dự báo phụ tải ngày 08/11/2012 (31xNx24) 49 d nf va an lu Hình 4.4 Đồ thị dự báo phụ tải ngày 08/11/2012 (34xNx24) 51 z at nh oi lm ul z m co l gm @ vii an Lu n va ac th si MỞ ĐẦU Lý chọn đề tài Trong giai đoạn thực tiến trình cơng nghiệp hóa, đại hóa đất nước đẩy nhanh phát triển kinh tế, ứng dụng thành tựu khoa học công nghệ dẫn đến nhu cầu sử dụng điện tăng cao Vấn đề đặt cho ngành điện xây dựng công cụ dự báo phụ tải điện, làm sở cho công tác thiết kế quy hoạch hệ thống điện Mục đích dự báo phụ tải tương lai dựa vào quan sát khứ, phục vụ cho công tác quy hoạch nguồn lưới hệ thống điện, phục vụ cho công tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải) Dự báo khoa học non trẻ, có nhiều vấn đề chưa hình thành lu trọn vẹn Đối tượng nghiên cứu khoa học phương pháp dự báo an phạm vi ứng dụng tượng xã hội, kinh tế, kỹ thuật… Dự báo khoa n va học quan trọng, nhằm mục đích nghiên cứu phương pháp luận khoa học, làm tn to sở cho việc đề xuất dự báo cụ thể việc đánh giá mức độ tin cậy, gh mức độ xác phương pháp dự báo – dự báo sai lệch nhiều p ie khả cung cấp nhu cầu lượng dẫn đến hậu không tốt ngành kinh tế Nếu dự báo thừa phụ tải phải huy động nguồn lớn làm nl w tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư không khai thác hết công suất thiết oa bị, ngược lại dự báo thiếu phụ tải dẫn đến cung cấp điện không đủ cho nhu d cầu phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho kinh tế quốc lu nf va an dân Vì tác giả thực đề tài “Ứng dụng mạng nơron nhân tạo dự báo phụ tải điện ngắn hạn” nhằm phát huy tính chất ưu việt mạng nơron nhân tạo z at nh oi Lịch sử nghiên cứu lm ul công tác dự báo phụ tải Hiện có nhiều đề tài khoa học, báo tài liệu nước, nước nghiên cứu phương pháp sử dụng mạng nơron nhân tạo để dự báo ngắn z hạn phụ tải điện m co l gm @ `1 an Lu n va ac th si Tại Việt Nam: Bài toán dự báo phụ tải ngắn hạn giải nhiều phương pháp khác như: Phương pháp ngoại suy, phương pháp san hàm mũ, phương pháp hồi quy đa biến đề xuất dự báo phụ tải ngắn hạn Có thể nhận thấy nhược điểm phương pháp mơ hình dự báo lượng điện tiêu thụ hiệu số ngày bình thường không hiệu tất ngày Phụ tải đại lượng phụ thuộc (phi tuyến) vào nhiều yếu tố, kể tới phụ thuộc lượng điện tiêu thụ vào thông số thời tiết nhiệt độ, độ ẩm Một số đề tài nghiên cứu, ứng dụng mạng nơron vào công tác dự báo phụ tải lu điện ngắn hạn cho hệ thống điện Việt Nam như: an va  TSKH Trần Kỳ Phúc – Viện lượng với đề tài “Nghiên cứu ứng dụng n mạng nơron nhân tạo dự báo phụ tải điện ngắn hạn” Bách Khoa Đà Nẵng với viết “ Ứng dụng mạng nơron nhân tạo để dự báo gh tn to  Phạm Anh Cường, Phạm Văn Hiền – Công ty Điện lực Gia Lai, Đại học p ie phụ tải điện tỉnh Gia Lai”  Trần Thị Hoàng Oanh, Đồng Sĩ Thiên Châu, Trần Hoàng Lĩnh, Nguyễn Kỳ nl w Tài – Viện nghiên cứu phát triển lượng, ĐHBK TP Hồ Chí Minh với Trên giới: nf va an lu điện” d oa viết “Ứng dụng mạng nơron song tuyến toán dự báo phụ tải lm ul Đầu năm 90 mơ hình dự báo mạng nơron nghiên cứu phát z at nh oi triển Bởi mạng nơron thể áp dụng dự báo dài hạn, dự báo trung hạn dự báo ngắn hạn cho kết xác Mơ hình mạng nơron dự báo phụ tải áp dụng nhiều nước có thị trường điện phát triển giới Các z mơ hình mạng nơron thường có cấu trúc tổng thể giống Một số nghiên cứu, `2 m co l gm @ ứng dụng viết mạng nơron như: an Lu n va ac th si KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI Luận văn “Ứng dụng mạng nơron nhân tạo dự báo phụ tải điện ngắn hạn” xây dựng mơ hình mạng nơron cho toán dự báo phụ tải ngắn hạn để sử dụng cho công tác dự báo Luận văn xem xét nhiều mơ hình dự báo khác sử dụng thực tế, nghiên cứu khác, sử dụng đồ thị phụ tải ngày hôm trước, sử dụng yếu tố nhiệt độ/độ ẩm/tốc độ gió, sử dụng đồ thị phụ tải ngày trước, tháng trước… Với mơ hình xây dựng trên, mơ hình 34x20x24 (phụ tải 24h trước, đầu vào nhiệt độ, mã hóa ngày thơng tin thời tiết), dự báo phụ tải ngắn hạn cho thành phố Hà Nội đạt kết tốt lu Đối với mơ hình lưới điện ISO-NewEngland, mơ hình dự báo sử dụng phụ tải an ngày trước/tuần trước tháng trước cho kết dự báo tốt (kết hợp với n va yếu tố nhiệt độ)  Tập liệu dùng để học cần chiếm khoảng 60-70% tập liệu mẫu để đạt kết dự báo tốt Mặt khác, với tỉ lệ mẫu học/mẫu p ie gh tn to Một số nhận xét rút từ nghiên cứu gồm có: kiểm tra, cần thử nghiệm nhiều lần đưa kết luận w oa nl xác hiệu mơ hình d  Các thơng số thời tiết, độ ẩm nhìn chung làm tăng độ xác an lu tốn dự báo phụ tải Tuy nhiên, thông số cần thu thập nf va cẩn thận nhằm đạt hiệu cao Trên thực tế, khu vực địa lý, nhiệt độ đo có biến động định lm ul Việc đánh giá tương quan nhiệt độ điểm với nhu cầu phụ tải z at nh oi khu vực không dễ dàng  Các thông số loại ngày nhìn chung làm tăng độ xác mơ hình dự báo phụ tải z m co l gm @ 54 an Lu n va ac th si Một số hướng phát triển luận văn phân loại phụ tải dự báo nhu cầu phụ tải theo mùa Bên cạnh đó, việc dự báo nhu cầu phụ tải cho số ngày đặc biệt (ngày nghỉ / ngày lễ …) cần có nghiên cứu bổ sung lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ 55 an Lu n va ac th si TÀI LIỆU THAM KHẢO [1] BKDN, Giáo trình vận hành hệ thống điện, 2009 [2] E A Feinberg D Genethliou, “Applied Mathematics for Restructured Electric Power SystemsApplied Mathematics for Restructured Electric Power Systems,” Springer US, 2005, pp 269-285 [3] S Mishra, “Short term load forecasting using computational intelligence methods,” 2008 [4] R Engle, C Mustafa J Rice, “Modeling Peak Electricity Demand,” Journal of Forecasting, 11:241–251, 1992 lu [5] M Peng, N Hubele G Karady, “Advancement in the Application of Neural Networks for Short-Term Load Forecasting,” IEEE Transactions on Power Systems, p 7:250–257, 1992 an n va [6] N Q Nhu, “Nghiên cứu ứng dụng mạng nơron logic mờ cho toán dự báo phụ tải điện ngắn hạn,” 2012 gh tn to [7] M Mohandes, “Support Vector Machines for Short-Term Electrical Load Forecasting,” International Journal of Energy Research, p 26:335–345, 2002 p ie [8] B Chen, M Chang C Lin, “Load Forecasting using Support Vector Machines: A Study on EUNITE Competition 2001,” Department of Computer Science and Information Engineering, National Taiwan University, 2002 w d oa nl [9] Y Li T Fang, “Wavelet and Support Vector Machines forShort-Term Electrical Load Forecasting,” Proceedings of InternationalConference on Wavelet Analysis and its Applications, 1:399-404 2003 an lu nf va [10] C Nghĩa, “Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền Bắc,” 2007 lm ul [11] N L Tráng, Quy hoạch phát triển hệ thống điện, Nhà xuất Khoa học Kỹ thuật, 2006 z at nh oi [12] S.Valero, J.Aparicio, C.Senabre, M.Ortiz, J.Sancho A.Gabaldon, “Comparative Analysis of Self Organizing Maps vs Multilayer Perceptron Neural network for Short - term load forecasting,” Modern Electric power systems 2010, Wroclaw, Poland, 2010 z [13] P H Đ Dục, Mạng nơron ứng dụng điều khiển tự động, Nhà xuất khoa học kỹ thuật, 2009 m co l gm @ 56 an Lu n va ac th si [14] T H Linh, Mạng nơ rơn ứng dụng xử lý tín hiệu, Nhà xuất Bách Khoa - Hà Nội, 2014 [15] D X Trường, “Ứng dụng mạng nơ ron nhân tạo dự báo ngắn hạn phụ tải điện khu vực tỉnh Sóc Trăng,” 2007 [16] K Methaprayoon, W.-J Lee, S Rasmiddatta, J R Liao R J Ross, “Multistage Artificial Neural Network Short-Term Load Forecasting Engine With Front-End Weather Forecast,” IEEE Transactions on Industry IEEE Transactions on Industry Applications, tập 43, pp 1410-1416, 2007 [17] M T.Hagan, H B Demuth M Beale, Neural Network Design, 2002 [18] T K Phúc, “Nghiên cứu ứng dụng mạng nơ ron nhân tạo dự báo ngắn hạn phụ tải điện, giai đoạn 2,” 2008 lu [19] N D P Phan Xuân Minh, Lý thuyết điều khiển mờ, Nhà xuất Khoa học Kỹ thuật, 2006 an n va [20] P Murto, “Neural Network Models For Short-Term Load Forecasting,” 1998 gh tn to [21] L Jian J Z huan, “Using Least Square Support Vector Machines in Short-term Electrical Load Forecasting,” International Conferecence on Management Science \& Engineering, pp 14-16, September 2009 p ie [22] H T Huy, “Ứng dụng mạng nơ ron nhân tạo dự báo đồ thị phụ tải ngắn hạn hệ thống điện,” 2013 d oa nl w [23] H Hippert, C Pedreira R Souza, “Neural Networks forShort-Term Load Forecasting:A Review and Evaluation,” IEEETransactions on Power Systems, p 16:44–55, 2001 an lu [24] I N England, http://www.iso-ne.com nf va [25] B C Cường N D Phước, Hệ mờ, mạng nơ ron ứng dụng, Nhà xuất Khoa học Kỹ thuật, 2006 lm ul z at nh oi [26] A.G.Baklrtzls, V.Petrldls, S.J.Kiartzls, M.C.Alexladls A.H.Malssls, “A Neural Network shor term load forecasting model for the Greek power system,” IEEE Transactions on Power Systems, tập 11, số 2, pp 858-863, May 1996 [27] A.Azadeh, S.F.Ghadrei B Nokhandan, “Short Term Load Forecasting by ANN,” IEEE Trans 2009 z 57 m co l gm @ [28] Neural Network Toolbox™ User’s Guide an Lu n va ac th si PHỤ LỤC Tổng hợp số liệu: Số liệu ta thu dạng *.xls năm Trong luận văn chọn giải pháp dùng Microsoft Access để tổng hợp số liệu năm lại B1: Tạo file từ Microsoft Access “NEData.mdb” lu an n va p ie gh tn to B2: Nhập liệu từ file Excel số liệu phụ tải vào NEData.mdb d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ I an Lu n va ac th si B3: Tiếp tục nhập số liệu năm tiếp theo: lu an n va tn to ie gh Sau nhập liệu ta có file liệu NEData.mdb năm từ 2010 đến p 06/2014 d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ II an Lu n va ac th si Nhập số liệu vào Matlab B1: Start\Tooboxer\Database\Visual Query Builder lu an n va ie gh tn to p B2: Tạo mục chứa liệu Visual Query Builder d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ III an Lu n va ac th si B3: Chọn liệu từ Microsoft Access “NEData.mdb” tổng hợp lu an n va B4: Khai báo số liệu gồm: Date, Hour, DryBuld, DewPnt, SYSLoad từ p ie gh tn to NEData.mdb d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ IV an Lu n va ac th si B5: Chọn số liệu cho dự báo từ 01/01/2010 ÷ 30/06/2014 lu an B6: Tạo file liệu phụ tải thời tiết để dự báo n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ V an Lu n va ac th si Dự báo phụ tải từ Neural Network Tool Chia số liệu thành phần: Phần để học (train) từ 01/01/2010 đến ngày 31/12/2013 phần để kiểm tra (test) ngày 01/01/2014 đến 30/06/2014 Mô mạng nơ ron nhân tạo giao diện đồ họa ANN toolbox lu an n va gh tn to p ie B1: Nhập số liệu huấn luyện d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ VI an Lu n va ac th si Từ tập số liệu mẫu, trình huấn luyện mạng chia số liệu thành tập con: tập mẫu học (Training) chiếm 70% tập liệu 1224 mẫu, tập kiểm tra mẫu validation chiếm 15% tập liệu 2624 mẫu, tập test chiếm 15% tập liệu 2624 mẫu lu an n va p ie gh tn to d oa nl w B2: Khai báo số nơron lớp ẩn nf va an lu z at nh oi lm ul z m co l gm @ VII an Lu n va ac th si B3: Tiến hành trình học (training) lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ VIII an Lu n va ac th si Chu kỳ huấn luyện mạng nơron lu an n va to p ie gh tn B4: Lưu lại mơ hình mạng nơ ron sau trình học d oa nl w nf va an lu z at nh oi lm ul z IX m co l gm @ B5: Tiến hành dự báo với mơ hình mạng nơron tạo an Lu n va ac th si B6: Kết dự báo phụ tải ngày 30/06/2014 lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul Đồ thị dự báo phụ tải ngày (30/06/2014) z m co l gm @ X an Lu n va ac th si lu an n va Phụ tải thực tế Phụ tải dự báo Sai số APE (%) 12330 12005.883 2.629 11649 11223.338 3.654 11245 10938.419 2.726 11093 10743.616 3.150 11299 10693.562 5.358 11889 11175.451 6.002 13393 12566.409 6.172 15150 14470.557 4.485 16395 16288.553 0.649 10 17459 17653.755 1.115 11 18434 18735.723 1.637 12 19225 19546.746 1.674 13 19847 20125.488 1.403 14 20430 20588.432 0.775 20807 20935.306 0.617 21048 21066.859 0.090 21021.461 0.973 20951.909 1.147 20524.818 1.280 20043.013 0.244 oa nl 17 w 16 15 p ie gh tn to Giờ dự báo 21228 d 21195 19 20791 20 20092 21 19710 22 23 18986 17166 18513.311 16921.706 2.490 1.423 24 15352 15741.305 2.536 nf va an lu 18 lm ul 19534.794 0.889 z at nh oi z 2.213 XI m co l gm @ Sai số trung bình MAPE (%) Kết dự báo ngày 30/06/2014 an Lu n va ac th si