TỔNG QUAN
Tổng quan nghiên cứu dự báo phụ tải hiện nay
Dự báo phụ tải là yếu tố quan trọng trong quy hoạch và quản lý hệ thống điện, giúp đảm bảo hiệu quả và tin cậy của lưới điện Việc dự đoán chính xác nhu cầu sử dụng điện cần thiết để đảm bảo đủ công suất cho tương lai, khi nhu cầu điện năng thường xuyên thay đổi do nhiều yếu tố như thời tiết, thời điểm trong ngày, hoạt động kinh tế và sự gia tăng công nghệ Nhờ vào việc dự báo phụ tải, các nhà quản lý điện có thể nắm bắt xu hướng và biến động nhu cầu, từ đó đưa ra quyết định hợp lý về vận hành, lập kế hoạch và đầu tư cho hệ thống điện.
Trong quá trình phát triển, lưới điện đối mặt với nhiều thách thức lớn, có thể gây thiệt hại cho cả nhà cung cấp và khách hàng Dự báo phụ tải không chính xác có thể dẫn đến việc nhà cung cấp không đáp ứng đủ nhu cầu sử dụng điện, gây ra mất điện và sự cố khác Ngược lại, nếu đánh giá quá cao nhu cầu, điều này có thể làm tăng chi phí cho người dùng và tiện ích điện Hơn nữa, sự không ổn định do dự báo sai lệch có thể gây hỏng hóc thiết bị và quá tải, ảnh hưởng nghiêm trọng đến hoạt động của hệ thống điện Do đó, việc dự báo chính xác phụ tải là rất cần thiết để đảm bảo sự ổn định và hiệu quả của lưới điện.
Lưới điện đang trải qua sự tiến bộ vượt bậc nhờ vào công nghệ lưới điện thông minh và Internet vạn vật (IoT) Các tính năng của lưới điện thông minh cho phép tích hợp nguồn năng lượng tái tạo và sử dụng dữ liệu thời gian thực để giám sát và điều khiển lưới điện hiệu quả hơn Đồng thời, sự phát triển của thiết bị IoT mang lại khả năng tự động hóa và quản lý năng lượng tốt hơn cho hộ gia đình và doanh nghiệp Những tiến bộ này đã nâng cao hiệu quả và độ tin cậy trong việc sử dụng năng lượng.
Việc dự báo phụ tải là cần thiết để duy trì tính ổn định và hiệu quả của hệ thống điện, đặc biệt trong bối cảnh lưới điện ngày càng phức tạp và dữ liệu phong phú Tại Việt Nam, quá trình hiện đại hóa lưới điện diễn ra mạnh mẽ nhờ đô thị hóa và tăng trưởng kinh tế, với chính phủ đặt ra mục tiêu thúc đẩy sản xuất và tiêu thụ điện, đồng thời đầu tư vào năng lượng tái tạo như năng lượng mặt trời và gió Tuy nhiên, lưới điện vẫn đối mặt với các thách thức như hạ tầng cũ kỹ và nhu cầu điện ngày càng tăng Do đó, dự báo phụ tải đóng vai trò quan trọng trong việc tối ưu hóa hiệu suất lưới điện, đảm bảo cung cấp điện bền vững và đáng tin cậy.
Trước bối cảnh hiện tại, nghiên cứu về dự báo phụ tải ngắn hạn cho hệ thống điện đã được triển khai nhằm mang lại lợi ích thiết thực cho ngành công nghiệp điện.
Việt Nam, cùng với cộng đồng quốc tế, đang nghiên cứu ứng dụng các phương pháp đánh giá trực quan để phân tích những yếu tố ảnh hưởng đến lưới điện Đề tài này tập trung vào việc sử dụng mô hình máy học nhằm dự báo tiêu thụ điện trong thời gian ngắn Mục tiêu là thiết lập một mô hình dự báo tiêu thụ điện hiệu quả, thông qua việc nghiên cứu và phân tích kỹ lưỡng các tác động từ yếu tố tự nhiên và con người đến nhu cầu điện năng.
Trong bối cảnh công nghệ thông tin và trí tuệ nhân tạo phát triển nhanh chóng, nghiên cứu và phát triển phương pháp dự báo tiêu thụ năng lượng điện trở nên thiết yếu Bài viết này tập trung vào ảnh hưởng của các tác nhân ngoại cảnh và đề xuất các phương pháp dự báo phụ tải điện, nhằm nâng cao hiệu suất quản lý và tối ưu hóa hoạt động của hệ thống năng lượng.
Nghiên cứu này có giá trị nghiên cứu và thực tiễn cao trong việc quản lý và phát triển hệ thống điện toàn cầu, đặc biệt là tại Việt Nam Kết quả và đề xuất từ nghiên cứu hy vọng sẽ được áp dụng rộng rãi.
3 áp dụng và cải tiến để đóng góp vào sự phát triển và an toàn của ngành điện trên toàn cầu.
Các nghiên cứu về dự báo phụ tải
1.2.1 Các nghiên cứu trong nước Đề tài [2] có tiềm năng cao về việc dự báo năng điện sử dụng các mô hình neural, mô hình này đã chứng minh công dụng dự báo phụ tải điện hệ thống trong thời gian ngắn với sai số tương đối Đề tài đã xuất sắc trong việc dự báo tiêu thụ điện trong tháng bằng mô hình neural với sai số chỉ 4% so với thực tế Đề tài [3] áp dụng phương pháp mới kết hợp giải thuật tối ưu trong dự báo phụ tải theo ngày cho Điện lực miền Nam (SPC) Bài báo này đã nêu lên những nhược điểm của giải thuật di truyền (GA) và PSO và giải thích cách kết hợp hai giải thuật này nhằm hạn chế những nhược điểm đó Tác giả tạo ra mô hình dùng để dự báo phụ tải hàng ngày cho SPC Tuy nhiên, tác giả cũng nhận thấy một số kết quả không tốt và trình bày những phương án khác Hạn chế của bài báo này là chỉ tập trung vào dự báo tải cho một công ty duy nhất (SPC), và cần thêm nghiên cứu để khái quát hóa kết quả cho các bối cảnh khác
Bài báo nghiên cứu về dự báo đường cong phụ tải thông qua việc kết hợp Maximal overlap discrete wavelet transform (MODWT) và Fuzzy Tác giả đánh giá mối tương quan giữa tải trọng tại các thời điểm trong ngày và năng lượng tiêu thụ trong quá khứ, đồng thời chia đường cong tải thành hai bộ dữ liệu khác nhau Nghiên cứu xem xét 24 chuỗi thời gian tương ứng với 24 giờ để dự báo đường cong phụ tải, nêu bật công dụng của MODWT và Fuzzy trong việc này Bằng việc áp dụng kiểm định T-test, nghiên cứu đưa ra phương pháp đánh giá mới nhằm tìm mối tương quan giữa tải tại các thời điểm khác nhau, mặc dù chỉ tập trung vào dự đoán đường cong phụ tải cho một vùng cụ thể.
1.2.2 Các nghiên cứu ngoài nước Đề tài [5] khám phá việc dự báo phụ tải hộ gia đình, đặc biệt là thông qua kiến trúc RNN tổng hợp sâu (PD-RNN) mới Đề tài tập trung vào khai phá tiềm năng của PD-RNN trong dự báo năng lượng điện Từ kết quả đạt được, PD-RNN tỏ ra tối ưu hơn, đạt được sai số thấp hơn và giảm lỗi dự báo Mô hình PD-RNN đề xuất có sai số MAPE chỉ là 6.5%, trong khi ARIMA đạt 19.5% và SVR đạt 13.1% Điều này cho thấy rằng sử dụng kiến trúc PD-RNN có tiềm năng để cải thiện dự báo phụ tải Ở đề tài [6], Tian và đồng nghiệp cải tiến mô hình dự báo phụ tải ngắn hạn bằng việc kết hợp mô hình bộ nhớ ngắn – dài hạn (LSTM) và mô hình mạng neural tích chập (CNN) Các tác giả đã cho thấy mô hình kết hợp LSTM và CNN tốt hơn so với các phương pháp trước đây về sự chính xác và giảm lỗi Mô hình kết hợp LSTM và CNN đã được đánh giá để xác nhận tính thực tế và ổn định của nó Thông qua sai số, mô hình đề xuất có hiệu suất tốt và ổn định trong việc dự báo năng lượng
Bài báo của Fahad và các đồng nghiệp tập trung vào các yếu tố ảnh hưởng đến sai số dự báo phụ tải ngắn hạn, dựa trên dữ liệu từ hệ thống điện Pakistan Nghiên cứu chỉ ra rằng sai số có thể được giảm thiểu bằng cách xem xét các yếu tố như điều kiện thời tiết, biểu đồ phụ tải trong quá khứ và thời gian trong ngày Tổng thể, bài báo cung cấp kiến thức quý giá về các yếu tố ảnh hưởng đến độ chính xác của dự báo và đề xuất các phương án nâng cao hiệu suất dự báo trong ngành điện.
Bài báo [8] nghiên cứu dự đoán năng lượng bức xạ mặt trời trong mùa đông bằng mô hình ARMA (Autoregressive Moving Average) Tác giả nhấn mạnh tầm quan trọng của việc dự đoán bức xạ mặt trời trong việc ước lượng công suất điện từ tấm pin và máy nước nóng năng lượng mặt trời Nghiên cứu sử dụng dữ liệu từ Trung tâm Nghiên cứu Năng lượng Mặt trời Quốc gia Tunisia để đánh giá hiệu quả của mô hình ARMA trong việc dự đoán bức xạ mặt trời Kết quả mô phỏng cho thấy mô hình ARMA có sai số dưới 10%, cho thấy hiệu suất tốt trong ứng dụng thực tiễn Tổng quan, nghiên cứu này góp phần vào việc ứng dụng mô hình ARMA trong dự đoán bức xạ mặt trời.
Bài báo [9] dự báo nhu cầu điện ngắn hạn theo mùa bằng các phương pháp như làm mịn vector, ARIMA và mạng neural đệ quy, sử dụng các tập dữ liệu để phân tích xu hướng tiêu thụ.
Nghiên cứu này tập trung vào 5 loại dữ liệu có tính chu kỳ hàng ngày, hàng tuần và hàng năm để dự báo nhu cầu điện Các mô hình được áp dụng bao gồm làm mịn vector, ARIMA và mạng neural đệ quy trong TensorFlow Kết quả mô phỏng cho thấy mạng neural đệ quy có khả năng dự báo nhu cầu điện với sai số thấp hơn so với các mô hình trước đó Tóm lại, đề tài này không chỉ đóng góp vào việc dự báo nhu cầu điện theo mùa mà còn đánh giá hiệu quả của mạng neural đệ quy trong lĩnh vực này.
Mục tiêu nghiên cứu
Đề tài này tập trung vào những mục tiêu sau:
• Phân tích tác nhân ảnh hưởng tiêu dùng điện
• Ứng dụng các mô hình học máy, các giải thuật tối ưu
• Mô phỏng dự báo phụ tải bằng MATLAB
• Đánh giá hiệu suất của các thuật toán huấn luyện như mạng BPNN, các mạng cải tiến bằng thuật toán thông minh như: PSO và CSA.
Ý nghĩa khoa học của đề tài
Bài viết này trình bày phương pháp dự báo phụ tải sử dụng máy học, cải thiện cấu trúc thông qua các giải thuật tối ưu Nội dung sẽ là nguồn tài liệu tham khảo hữu ích cho các điều độ viên và học viên cao học trong lĩnh vực dự báo và xử lý dữ liệu.
Ý nghĩa thực tiễn của đề tài
• Ứng dụng trong phòng Lab nghiên cứu về hệ thống điện
• Ứng dụng trong nhu cầu quản lý tiêu thụ điện của điện lực
• Ứng dụng cho các hộ gia đình nhằm giảm chi tiêu, tối ưu hoá lượng điện sử dụng một cách hợp lý.
Đối tượng nghiên cứu
• Nghiên cứu các yếu tố ảnh hưởng đến tiêu dùng điện
• Các giải thuật tối ưu, mô hình máy học ứng dụng cho dự báo phụ tải.
Phương pháp nghiên cứu
Nhiệm vụ và phạm vi nghiên cứu
• Nghiên cứu các tác nhân ảnh hưởng
• Nghiên cứu phương pháp dự báo phụ tải
• Nghiên cứu các phương pháp cải tiến mô hình dự báo phụ tải
• Mô phỏng bằng phần mềm MATLAB
• Nhận xét hiệu quả giải thuật thông minh đang sử dụng.
Nội dung đề tài
• Chương 2: Cơ sở lý thuyết
• Chương 3: Phương pháp dự báo phụ tải đề xuất
• Chương 4: Dự báo phụ tải ngắn hạn bằng phần mềm MATLAB
• Chương 5: Kết luận và hướng phát triển
CƠ SỞ LÝ THUYẾT
Khái niệm dự báo phụ tải
Dự báo phụ tải là quá trình ước lượng lượng điện mà hệ thống sẽ tiêu thụ trong tương lai, dựa trên các yếu tố như thông tin lịch sử tiêu thụ, dữ liệu khí hậu, và thông tin về ngày lễ Quá trình này thường áp dụng các phương pháp thống kê và mô hình hóa, kết hợp với các thuật toán để xác định xu hướng tiêu thụ điện.
Có nhiều yếu tố để phân loại các dự báo năng lượng trong hệ thống điện, trong đó thời gian cần dự báo là một yếu tố quan trọng Theo Hình 2.1, dự báo năng lượng được chia thành bốn loại chính.
Hình 2.1 Phân loại dự báo phụ tải
Dự báo siêu ngắn hạn là loại dự báo năng lượng trong khoảng thời gian từ 0 đến 3 giờ, giúp ứng phó kịp thời với các sự cố trong sản xuất năng lượng Một nghiên cứu đã sử dụng mạng neural wavelet kết hợp với tiền xử lý dữ liệu để dự báo tải điện siêu ngắn hạn trong vài giờ tới Phương pháp sóng biến đổi (wavelet) được áp dụng để phân tích thông tin về tải điện và xây dựng mạng neural cho dự báo Ngoài ra, một nghiên cứu khác đã áp dụng bộ lọc Kalman kết hợp để dự báo tải điện siêu ngắn hạn trong khoảng thời gian vài phút.
Phương pháp này kết hợp các bộ lọc Kalman để dự báo tải điện thời gian ngắn và ước lượng khoảng dự báo
Dự báo ngắn hạn là quá trình dự đoán năng lượng trong khoảng thời gian ngắn từ vài phút đến vài ngày, có vai trò quan trọng trong vận hành hệ thống năng lượng, bao gồm lập kế hoạch tiêu thụ, đánh giá độ tin cậy và lập kế hoạch giảm tải Trong nghiên cứu [14], tác giả áp dụng mô hình phụ thuộc một phần và cộng hưởng để dự báo tải điện, sử dụng hàm tuyến tính cơ sở và các hàm không tham số để phù hợp với biến đổi dữ liệu Bài báo [15] tập trung vào việc dự báo tải điện thông qua mạng neural wavelet với cấu trúc hợp nhất tăng cường, nhằm hạn chế sai số dự báo bằng cách kết hợp các mô hình dự báo khác nhau.
Dự báo trung hạn là quá trình dự đoán năng lượng trong khoảng thời gian từ vài ngày đến một năm, giúp đánh giá, bảo trì và lập kế hoạch cung cấp năng lượng cho hệ thống sản xuất Nó cũng đóng vai trò quan trọng trong việc quản lý rủi ro thông qua việc dự báo giá mua và tiêu thụ năng lượng Nghiên cứu [16] áp dụng các phương pháp linh hoạt để tối ưu hóa công suất điện gió trên thị trường điện, nhưng việc đưa ra dự báo chính xác vẫn là một thách thức lớn trong quản lý và vận hành hệ thống điện.
Dự báo dài hạn là công cụ quan trọng để dự đoán tiêu thụ điện theo tháng, quý và nhiều năm, nhằm hỗ trợ quy hoạch năng lượng bền vững Nghiên cứu [17] tập trung vào việc dự báo xác suất tải điện dài hạn và chuẩn hóa dữ liệu tiêu thụ theo giờ Trong khi đó, nghiên cứu [18] áp dụng phương pháp dự báo thông minh cho tải điện dài hạn, kết hợp dữ liệu giao dịch thị trường điện và các yếu tố khác để nâng cao độ chính xác trong dự báo.
Chín kỹ thuật thông minh, bao gồm cả học máy, cung cấp dự báo tải điện dài hạn chính xác và tùy chỉnh, hỗ trợ hiệu quả cho hoạt động của thị trường điện.
Các yếu tố ảnh hưởng đến dự báo phụ tải điện ngắn hạn
Trong dự báo tải ngắn hạn, thời gian đóng vai trò quan trọng nhất do ảnh hưởng lớn đến tiêu thụ điện Thói quen sử dụng điện của từng hộ gia đình quyết định thời gian tiêu thụ Mặc dù mức tiêu thụ điện trung bình thay đổi do sự khác biệt về nhiệt độ hàng ngày, nhưng lượng tải vẫn tương đối ổn định Hình 2.2 minh họa giá trị tiêu thụ năng lượng điện theo thời gian trong ngày của hệ thống điện New England, cho thấy đường cong phụ tải có hai đỉnh vào lúc 9 giờ và 18 giờ.
Hình 2.2 Đồ thị phụ tải ngày làm việc
Lúc 9 giờ là thời điểm đỉnh thứ nhất vì tại thời điểm này, hoạt động sản xuất và tiêu thụ điện đều đạt đỉnh cao Đây là thời điểm mà nhiều người bắt đầu sử dụng các thiết bị điện như máy tính, điều hòa không khí, máy giặt, lò nướng, bếp điện, Các cửa hàng, siêu thị, công ty, trường học, cũng bắt đầu mở cửa để tiến hành hoạt động Đồng thời, các ngành công nghiệp, nông nghiệp, chế biến thực phẩm và vận chuyển hàng hóa đều hoạt động đầy đủ Đỉnh tiêu thụ điện thứ hai diễn ra vào lúc 18 giờ, đây là thời điểm có lượng tiêu thụ điện cao nhất trong ngày Vào thời điểm này, đa số người dân đã hoàn thành các hoạt động tại nơi làm việc và trở về nhà, sử dụng các thiết bị điện như đèn chiếu
10 sáng, tivi, máy tính, điều hòa không khí, lò nướng, bếp điện và các thiết bị giải trí khác
Phân tích đồ thị phụ tải điện hàng ngày giúp nhận diện các yếu tố thời gian, từ đó nâng cao hiệu suất dự đoán Bằng cách khảo sát mức độ tăng giảm của phụ tải, các nhà nghiên cứu có thể xác định thời điểm cao nhất và thấp nhất trong ngày Hơn nữa, việc xem xét các sự kiện đặc biệt như thời tiết, ngày lễ và các sự kiện lớn cũng ảnh hưởng đến phụ tải điện Những đánh giá này cho phép thiết lập mô hình tiêu thụ điện, tạo cơ sở cho việc tối ưu hóa quản lý nguồn điện và dự đoán nhu cầu tiêu thụ của hệ thống.
Phân tích yếu tố thời gian từ đồ thị phụ tải điện giúp xây dựng mô hình dự đoán phụ tải điện ngắn hạn, cho phép dự đoán lượng điện tiêu thụ tại các thời điểm cụ thể trong ngày Kết hợp với dữ liệu lịch sử tiêu thụ, điều kiện thời tiết và các sự kiện đặc biệt, những mô hình này mang lại kết quả dự đoán chính xác hơn, hỗ trợ hiệu quả trong việc điều tiết và quản lý hoạt động sản xuất và phân phối điện.
Lượng điện tiêu thụ giữa ngày nghỉ và ngày làm việc có sự khác biệt rõ rệt So sánh đồ thị phụ tải từ thứ hai đến thứ sáu với các ngày nghỉ như thứ bảy, chủ nhật và ngày lễ cho thấy sự khác biệt đáng kể về độ dốc, vị trí đỉnh và mức năng lượng tiêu thụ tại các thời điểm khác nhau.
Trong các ngày nghỉ, đỉnh tải điện không còn chia thành hai đỉnh tiêu thụ gần như nhau như vào các ngày làm việc Thay vào đó, đỉnh tải thường tập trung thành một đỉnh cao hoặc rõ rệt phân chia thành một đỉnh thấp và một đỉnh cao, cho thấy sự thay đổi trong lượng tiêu thụ điện so với các ngày trong tuần.
Hình 2.3 Đồ thị phụ tải Chủ nhật
Hình 2.4 Đồ thị phụ tải ngày lễ
Sự thay đổi trong lịch trình hoạt động của người dân, doanh nghiệp và nhà máy trong các ngày nghỉ dẫn đến biến động nhu cầu sử dụng điện Nhu cầu này thay đổi tương ứng với thói quen sinh hoạt của mọi người, khiến lượng tiêu thụ điện vào thứ bảy, chủ nhật và ngày lễ thường khác biệt rõ rệt so với các ngày làm việc trong tuần.
Trong những ngày cuối tuần và ngày lễ, người dân thường tham gia các hoạt động ngoài trời vào ban ngày, dẫn đến việc tiêu thụ điện giảm Tuy nhiên, vào buổi tối, khi mọi người trở về nhà, lượng tiêu thụ điện tăng cao do sử dụng nhiều thiết bị điện cho các hoạt động sum vầy và giải trí Thời điểm quan trọng nhất là 18 giờ tối, khi mức tiêu thụ điện thường đạt đỉnh.
Phân tích chi tiết khoảng thời gian trong các loại ngày khác nhau là phương pháp quan trọng nhằm nâng cao độ chính xác của mô hình dự báo phụ tải điện ngắn hạn.
Mô hình này hỗ trợ trong việc dự đoán chính xác nhu cầu tiêu thụ điện cho từng loại ngày, bao gồm các ngày trong tuần từ thứ Hai đến thứ Sáu, ngày thứ Bảy, Chủ Nhật và các ngày lễ.
Phân tích các khoảng thời gian trong ngày theo từng loại ngày giúp nâng cao độ chính xác của mô hình dự báo Việc này cho phép mô hình nhận diện sự biến động trong mức tiêu thụ điện ở các thời điểm khác nhau, từ đó cung cấp dự báo chính xác về nhu cầu điện tại những thời điểm cụ thể.
Thời tiết ảnh hưởng mạnh mẽ đến tiêu thụ điện, vì vậy việc nắm bắt mối liên hệ này là thiết yếu để quản lý nguồn năng lượng hiệu quả Các yếu tố thời tiết như nhiệt độ và độ ẩm có tác động rõ rệt đến mức tiêu thụ điện.
Nhiệt độ đóng vai trò quan trọng trong quản lý nhu cầu tiêu thụ điện, đặc biệt trong những ngày nóng, khi con người sử dụng nhiều thiết bị làm mát như máy điều hòa không khí và quạt Sự gia tăng này dẫn đến áp lực lớn lên các nhà cung cấp điện Nghiên cứu tại Tây Ban Nha chỉ ra rằng nhiệt độ và mùa vụ có ảnh hưởng đáng kể đến tải điện, với nhiệt độ cao làm tăng nhu cầu sử dụng điều hòa không khí Nghiên cứu cũng nhấn mạnh mối liên hệ giữa mùa nóng và mùa lạnh trong việc tiêu thụ điện, từ đó đề xuất các phương pháp dự báo tải điện Khi nhiệt độ tăng, nhu cầu làm mát tăng cao, đặc biệt trong giờ cao điểm, có thể gây căng thẳng cho lưới điện nếu hệ thống không được thiết kế và duy trì đúng cách, dẫn đến nguy cơ mất điện.
Nhiệt độ ảnh hưởng đáng kể đến hiệu suất của các thiết bị điện, khiến chúng tiêu thụ nhiều năng lượng hơn khi hoạt động để duy trì hiệu suất Ở những khu vực có mùa đông khắc nghiệt, nhu cầu điện có thể vượt quá nguồn cung, dẫn đến tình trạng mất điện Điều này gây ra tác động tiêu cực đến cuộc sống của người dân, đặc biệt khi cung cấp điện không đáp ứng đủ nhu cầu.
Hiểu cách nhiệt độ tác động đến nhu cầu điện là rất quan trọng để quản lý nguồn điện hiệu quả Phân tích các loại ngày khác nhau sẽ cải thiện độ chính xác của mô hình dự báo nhu cầu điện Cuối cùng, việc phân bổ nguồn lực và lập kế hoạch cho các tiện ích dựa trên thông tin này sẽ giúp giảm chi phí và duy trì sự ổn định năng lượng cho người dân.
Mạng neural nhân tạo
2.3.1 Lịch sử hình thành ANN
Mạng thần kinh nhân tạo (ANN) mô phỏng hoạt động của bộ não con người và có khả năng tự học để xây dựng các liên kết giữa các nút mạng từ dữ liệu huấn luyện Qua quá trình huấn luyện, ANN có thể đưa ra phán đoán và giải quyết các bài toán phức tạp dựa trên thông tin đầu vào Nghiên cứu về ANN bắt nguồn từ khái niệm mô hình mạng lưới thần kinh được Warren McCulloch và Walter Pitts đề xuất, trong đó họ so sánh hoạt động của tế bào thần kinh với các cổng logic nhị phân trong mạch điện tử.
Vào cuối những năm 1950, Frank Rosenblatt đã giới thiệu perceptron, một mạng neural đơn giản có khả năng học các mẫu cơ bản Mô hình này nhanh chóng thu hút sự chú ý vì nó mở ra cơ hội hiểu cách máy móc có thể phân loại thông tin Tuy nhiên, để xử lý các mẫu phức tạp hơn, cần thiết phải sử dụng các mạng nhiều lớp.
Trong những năm 1980, mạng nơ-ron nhân tạo (ANN) đã có sự phát triển mạnh mẽ nhờ vào những đổi mới như thuật toán lan truyền ngược do David Rumelhart, Geoffrey Hinton và Ronald Williams phát triển Sự cải tiến này đã giúp đào tạo các mạng thần kinh nhiều lớp, dẫn đến việc giảm đáng kể sai số trong các dự đoán Kết quả là, ANN mở ra nhiều cơ hội ứng dụng tiềm năng trong các lĩnh vực như nhận dạng giọng nói và xử lý hình ảnh.
Trong những thập kỷ tới, lĩnh vực mạng nơ-ron nhân tạo (ANN) sẽ chứng kiến nhiều phát triển quan trọng, bao gồm Mạng thần kinh chuyển đổi (CNN) chuyên cho xử lý hình ảnh, Mạng thần kinh tái phát (RNN) dành cho mô hình chuỗi thời gian, cùng với bộ nhớ ngắn hạn dài (LSTM) nhằm nâng cao khả năng ghi nhớ ngắn hạn của RNN.
Sự gia tăng sức mạnh máy tính và số hóa dữ liệu, kết hợp với bộ dữ liệu khổng lồ, đã thúc đẩy sự phát triển mạnh mẽ của Mạng Nơ-ron Nhân tạo (ANN) Trong suốt nhiều năm qua, các mô hình ANN đã không ngừng cải tiến và mở rộng ứng dụng trong nhiều lĩnh vực khác nhau.
20 này đã được áp dụng gần như phổ biến trong nhiều lĩnh vực đa dạng như xe tự hành, trợ lý giọng nói, thị giác máy tính,…
2.3.2 Các khái niệm cơ bản của ANN
Neural là thành phần thiết yếu trong hệ thống thần kinh và não người, với hơn 10 triệu neural trong não, mỗi neural kết nối với khoảng 10.000 neural khác Mỗi neural bao gồm phần thân (soma) có nhân, tiếp nhận thông tin qua sợi nhánh (dendrites) và truyền thông tin qua sợi trục (axon) để kết nối với các neural khác.
Các thông số đầu vào được nhân với ma trận trọng số w và cộng với hằng số b (bias) Nếu tổng kết quả lớn hơn ngưỡng, neuron sẽ được kích hoạt và ngõ ra sẽ là +1 Ngược lại, nếu tổng không vượt qua ngưỡng, neuron không được kích hoạt và ngõ ra sẽ là -1.
Trong mạng neural nhân tạo, trọng số đầu vào của mỗi neuron được điều chỉnh trong quá trình huấn luyện để xây dựng mô hình giải quyết các vấn đề khác nhau Quá trình này cho phép mạng neural tìm ra các trọng số tối ưu, giúp tổng hợp thông tin và đưa ra dự đoán chính xác dựa trên giá trị đầu vào.
Hình 2.6 Neural sinh học Hình 2.7 Neural nhân tạo
2.3.2.2 Mô hình toán học của mạng Neural
Mạng neural có mô hình toán được giới thiệu bởi McCulloch và Pitts vào năm
1943 [27] Trong mô hình này, phần tử xử lý thứ j tính kết quả trọng số của các đầu
Các đầu ra 𝑌 𝑗 có hai trạng thái: 1 cho việc bắn (firing) và 0 cho không bắn (not firing), phụ thuộc vào việc giá trị ngõ vào có vượt qua ngưỡng (threshold) 𝜃 𝑗 hay không.
Trong đó, phương trình kích hoạt 𝑓(𝑛𝑒𝑡) là phương trình bước nhảy (unit step):
Trọng số 𝑊 𝑖𝑗 thể hiện mức độ kết nối giữa nơ-ron thứ 𝑖 và nơ-ron đích thứ 𝑗 Trọng số dương cho thấy sự kích thích tại synapse (synapse kích thích), trong khi trọng số âm chỉ ra sự cản trở kích thích (synapse ức chế) Nếu 𝑊 𝑖𝑗 = 0, điều này có nghĩa là không có sự liên kết giữa hai nơ-ron.
Mạng neural nhân tạo có thể được phân loại dựa trên các tính chất của nó [28], bao gồm như sau: a) Phân loại theo số lớp
Mạng neural một lớp: gồm có 3 thành phần: Input, neural và output
• Một cấu trúc mạng với 𝑅 đầu vào và 𝑆 neural trong 1 lớp được mô tả ở Hình 2.8
• Trong đó: o Vecto ngõ vào 𝑝 có 𝑅 phần tử 𝑝 𝑇 = [𝑝 1 𝑝 2 𝑝 𝑅 ] o Vecto ngõ vào 𝑛 có 𝑠 phần tử 𝑛 𝑇 = [𝑛 1 𝑛 2 𝑛 𝑠 ] o Vecto ngõ vào 𝑎 có 𝑠 phần tử 𝑎 𝑇 = [𝑎 1 𝑎 2 𝑎 𝑠 ]
Trong mô hình neural một lớp, mỗi nút của vector đầu vào 𝑝 được kết nối với neural đầu vào thông qua ma trận trọng số 𝑊 Bộ tổng của neural thứ 𝑖 tích lũy giá trị trọng số kết nối đầu vào và độ dốc, từ đó tạo ra một đầu ra vô hướng.
𝑛 Đầu ra 𝑛 được tổng hợp với nhau để tạo thành vector ngõ vào 𝑎 với 𝑠 phần tử Tại lớp neural đầu ra, thu được vector 𝑎 gồm 𝑠 phần tử
Hình 2.8 Mạng Neural một lớp
Ma trận trọng số 𝑊 được trình bày:
Mạng neural nhiều lớp (Multilayer Neural Network) được hình thành bằng cách kết nối nhiều lớp neuron với nhau, trong đó mỗi lớp chứa một số lượng lớn neuron Mỗi neuron trong một lớp sẽ liên kết với tất cả các neuron trong lớp tiếp theo, cho phép truyền giá trị (activation) qua các liên kết.
Mạng neural nhiều lớp đơn giản thường bao gồm ba lớp: lớp đầu vào (Input layer), lớp ẩn (Hidden layer) và lớp đầu ra (Output layer) Lớp ẩn chứa các neural nằm giữa lớp đầu vào, với số lượng neural trong lớp ẩn có thể lớn hơn hoặc bằng số lượng neural trong lớp đầu vào Hình dạng của mạng neural nhiều lớp được minh họa trong Hình 2.9.
Hình 2.9 Cấu trúc mạng neural nhiều lớp
Mạng neural nhiều lớp, tương tự như mạng neural một lớp, có sự kết nối giữa các neuron thông qua ma trận trọng số Trọng số này thể hiện mức độ quan trọng của các liên kết giữa các neuron trong mạng.
Quá trình huấn luyện mạng neural nhiều lớp sử dụng thuật toán lan truyền ngược (Backpropagation) để tính toán gradient của hàm mất mát theo từng trọng số kết nối Mục tiêu là tối ưu hóa các trọng số nhằm giảm thiểu sai số giữa ngõ ra của mạng và ngõ ra mong đợi Huấn luyện diễn ra bằng cách đưa dữ liệu huấn luyện vào mô hình, tính toán ngõ ra, đánh giá với đầu ra mong đợi, và điều chỉnh các trọng số dựa trên gradient.
Cải thiện mạng Neural nhân tạo bằng các giải thuật thông minh
Mạng neural lan truyền ngược (BPNN) gặp phải hai nhược điểm chính là hội tụ chậm và không ổn định, do việc cài đặt trọng số lớn dẫn đến lỗi tối thiểu cục bộ Để cải thiện hiệu suất của BPNN, cần tối ưu cấu trúc và sai lệch khởi tạo của mạng Việc điều chỉnh trọng số và độ lệch có thể nâng cao độ chính xác và hiệu suất của mô hình Các tham số huấn luyện như số chu kỳ tối đa là 1000, hiển thị thông số mỗi 25 chu kỳ, và thiết lập giá trị mục tiêu là 0, trong khi thời gian huấn luyện không giới hạn Độ dốc hiệu suất tối thiểu được cài đặt là 1e-5, với tối đa 6 lỗi xác nhận, tốc độ học là 0.01, và các tham số điều chỉnh trọng số cũng được thiết lập để tối ưu hóa quá trình huấn luyện.
2.4.1 Giải thuật tối ưu bầy đàn (PSO) a) Nguồn gốc ý tưởng của giải thuật
Thuật toán PSO (Particle Swarm Optimization) được phát triển dựa trên hành vi tìm kiếm thức ăn của các quần thể tự nhiên như côn trùng, chim và cá Mỗi cá thể trong đàn được mô tả bằng một giá trị trong không gian tìm kiếm và có khả năng di chuyển ngẫu nhiên Trong quá trình di chuyển, các cá thể lưu trữ thông tin quan trọng như khoảng cách hiện tại đến nguồn thức ăn, vị trí tốt nhất mà chúng từng đạt được và vị trí tốt nhất của toàn bộ quần thể.
Dựa trên thông tin đã lưu trữ, các cá thể sẽ di chuyển tự do nhưng vẫn bị ảnh hưởng bởi những dữ liệu này Nếu không tìm thấy vị trí tốt hơn, chúng sẽ tiếp tục di chuyển theo hướng đã chọn để tìm kiếm thức ăn Tuy nhiên, khi phát hiện một vị trí mới tốt hơn, cá thể sẽ thay đổi hướng di chuyển để đến vị trí đó.
- Di chuyển một số cá thể cụ thể qua không gian cụ thể nhằm nêu ra giải pháp tốt nhất
- Mỗi cá thể trong bầy sẽ cố gắng điều chỉnh quỹ đạo của nó theo kinh nghiệm bản thân và quần thể
- Đánh giá các cá thể di chuyển nhằm tối ưu giải pháp
- Vùng tìm kiếm bao gồm khu vực giới hạn tìm kiếm thức ăn của cả đàn
- Trong suốt quá trình, cá thể di chuyển đến các vùng có xác suất cao nhằm mục tiêu tìm ra giải pháp tối ưu tổng thể
- Mỗi cá thể sẽ lưu trữ các thông số sau đối với quá trình tìm kiếm:
• Giải pháp tốt nhất của bản thân cá thể, pbest (Partical_Best)
• Giải pháp tốt nhất của quần thể, gbest (Global_Best)
- Mỗi cá thể sẽ thay đổi vận tốc của mình dựa trên trải nghiệm của quần thể
- Mỗi cá thể sẽ hiệu chỉnh giải pháp của mình phụ thuộc vào:
• Vị trí hiện tại của cá thể
• Tốc độ hiện tại của cá thể
• Khoảng cách từ vị trí hiện tại đến pbest
• Khoảng cách từ vị trí hiện tại đến gbest c) Tham số và phương trình của giải thuật
Các tham số chính của thuật toán PSO là:
- pop : Số lượng cá thể trong quần thể
- vi : Tốc độ hiện tại của cá thể thứ i
- pi : Vị trí hiện tại của cá thể thứ i
- pbesti : Vị trí tốt nhất của cả thể thứ i
- gbest : Vị trí tốt nhất của cả quần thể
Công thức cập nhật vị trí của từng cá thể:
- rand() : là hàm random các giá trị nằm trong khoảng [0;1]
- c1 : là trọng số thông tin của cá thể (thường bằng 2)
- c2 : là trọng số thông tin của cả quần thể (thường bằng 2) d) Giải thuật
Các bước thực hiện giải thuật:
- Quần thể ban đầu được khởi tạo với N cá thể, mỗi cá thể có giá trị hàm mục tiêu khác nhau dựa trên vị trí ban đầu của chúng
- Khởi tạo các hệ số ban đầu : w, c1, c2
Bước 2: Cung cấp cho mỗi cá thể giá trị vận tốc, cập nhật lại vị trí
Bước 3: Tính toán hàm mục tiêu của từng cá thể
Bước 4: Cập nhật các giá trị gbest và pbest tốt nhất của từng cá thể và của quần thể
Bước 5: Xét số lượng vòng lặp của giải thuật đã thiết lập, nếu đủ thì dừng chương trình, nếu chưa đủ thì quay lại bước 2
Hình 2.14 Lưu đồ giải thuật PSO e) Đặc trưng của giải thuật Ưu điểm:
- Ít bị ảnh hưởng khi thay đổi quy mô của vấn đề
- Không khó để thực hiện hoá
- Linh hoạt và có thể sử dụng cho các vấn đề cần sự đa nhiệm
Đối với các bài toán có nhiều ràng buộc, việc tìm ra điểm tối ưu nhanh chóng sẽ trở nên khó khăn nếu không có các thông số khởi tạo phù hợp.
Có xu hướng tiếp cận điểm trung tâm nhanh chóng, nhưng cần kiểm soát tốt tốc độ di chuyển để tránh bỏ lỡ những điểm tốt nhất.
2.4.2 Giải thuật tìm kiếm cuckoo (CSA) a) Nguồn gốc của giải thuật
Thuật toán CSA, được phát triển bởi Xin-She Yang và Suash Deb, dựa trên hành vi sinh tồn độc đáo của loài chim tu hú Trong tự nhiên, chim tu hú không nuôi con mà đẻ trứng trong tổ của các loài chim khác để chúng nuôi dưỡng Để bảo vệ nòi giống, chim tu hú thường đẻ trứng có hình dạng tương tự như trứng của chim chủ Khi chim tu hú non nở, chúng sẽ loại bỏ các chim non hoặc trứng khác trong tổ để chiếm đoạt nguồn dinh dưỡng từ chim chủ.
Trong thuật toán CSA, giải pháp được mô tả như các "tổ" và biểu diễn bằng vector Quá trình tìm kiếm bắt đầu với việc tạo ra các cá thể (chim tu hú) với giải pháp ngẫu nhiên Các cá thể di chuyển trong không gian tìm kiếm và điều chỉnh giải pháp dựa trên kinh nghiệm của bản thân và các cá thể khác Trong quá trình này, các cá thể sinh ra con cái (giải pháp mới) thông qua việc kết hợp và biến đổi giải pháp hiện tại, tuy nhiên, có khả năng con cái sẽ bị phát hiện và loại bỏ bởi các cá thể khác.
CSA được đơn giản hóa từ quá trình sinh sản của chim tu hú, bao gồm ba quy tắc chính: (1) Mỗi giải pháp được coi như một quả trứng trong tổ; (2) Chim tu hú chỉ đẻ một quả trứng tương ứng với một giải pháp trong mỗi vòng lặp; (3) Chim tu hú chọn tổ phù hợp nhất để đẻ trứng, nhằm tìm ra lời giải tối ưu nhất cho bài toán.
Trong quá trình tìm kiếm giải pháp, chiến lược chọn lọc cá thể mạnh giúp lưu trữ những giải pháp chất lượng cao nhất trong mỗi vòng sinh sản Những giải pháp này tạo ra các thế hệ mới, nhằm xây dựng thế hệ tiếp theo tối ưu hơn, từ đó tối đa hóa tỷ lệ sinh tồn của quần thể.
Một điểm nổi bật của CSA là việc áp dụng Lévy flights để phát triển các giải pháp mới, giúp gia tăng khả năng tạo ra nhiều giải pháp khác nhau và dễ dàng đạt được lời giải tối ưu Trong quá trình tìm kiếm, chim chủ có thể từ bỏ tổ cũ hoặc loại bỏ giải pháp kém để tạo ra giải pháp tốt hơn Giả định này có thể được xấp xỉ bằng tỉ lệ Pα, trong đó n tổ được thay thế bằng tổ mới với các giải pháp ngẫu nhiên.
Các tham số của giải thuật CSA:
- pop : Số lượng cá thể trong quần thể
- Xi : Giải pháp của cá thể thứ i
- Gbest : Giải pháp có giá trị hàm mục tiêu tốt nhất của cả quần thể
- 𝑝 ∝ : Tham số xác suất cho Random Walk
- β : Chỉ số beta của phân phối Lévy
Các công thức cập nhật giải pháp của giải thuật:
𝑋 𝑖 𝑛𝑒𝑤 = round[𝑋𝑏𝑒𝑠𝑡 𝑖 + 𝛼 ∗ 𝑟𝑎𝑛𝑑 ∗ 𝛥𝑋 𝑖 𝑛𝑒𝑤 ] (26) Trong đó, α > 0 là thông số bước di chuyển, rand là giá trị ngẫu nhiên trong khoảng [0, 1] và gia số 𝛥𝑋 𝑖 𝑛𝑒𝑤 được xác định bởi biểu thức:
𝜎 𝑦 (𝛽)∗ (𝑋 𝑖 − 𝐺𝑏𝑒𝑠𝑡) (27) Trong đó randx và randy là hai biến phân phối ngẫu nhiên với độ lệch chuẩn
Trong thuật toán CSA, hai tham số quan trọng nhất là 𝛽 và p 𝛽 là hệ số phân phối với giá trị từ 0 đến 2, trong khi Γ là hàm phân phối gamma Các tổ chim được cập nhật dựa trên độ tốt của hàm thích nghi, và tổ chim có hàm thích nghi tốt nhất trong quần thể được xác định là tổ chim tốt nhất (Gbest).
Quá trình phát hiện và thay thế trứng lạ của chim chủ diễn ra thông qua phương pháp “Random walk” Các trứng mới được thay thế cho trứng cũ bằng cách di chuyển ngẫu nhiên từ vị trí hiện tại, nhằm nâng cao khả năng tìm kiếm và cải thiện chất lượng giải pháp.
Hệ số cập nhật K là xác suất mà chim chủ phát hiện một trứng lạ trong tổ của nó:
Và gia số 𝛥𝑋 𝑖 𝑛𝑒𝑤 được xác định bởi:
Công thức 𝛥𝑋 𝑖 𝑛𝑒𝑤 = 𝑟𝑎𝑛𝑑 ∗ [𝑟𝑎𝑛𝑑𝑝 1 (𝑋 𝑚 ) − 𝑟𝑎𝑛𝑑𝑝 2 (𝑋 𝑛 )] (31) sử dụng số ngẫu nhiên rand trong khoảng [0, 1] Trong đó, 𝑟𝑎𝑛𝑑𝑝 1 (𝑋 𝑚 ) và 𝑟𝑎𝑛𝑑𝑝 2 (𝑋 𝑛 ) thể hiện nhiễu ngẫu nhiên được áp dụng cho các tổ khác trong quần thể, nhằm tối ưu hóa quá trình tính toán trong giải thuật.
- Xây dựng tập hợp các giải pháp ngẫu nhiên
Bước 2: Tính toán chất lượng của các giải pháp bằng hàm mục tiêu
Bước 3: Tính toán vị trí mới sử dụng phân phối Lévy Flight
Bước 4: Xem xét chất lượng của giải pháp tốt hơn giải pháp cũ không, nếu có thì thay thế giải pháp cũ bằng giải pháp mới
- Thông qua tỷ lệ loại bỏ 𝑝 ∝ , tính toán xác suất loại bỏ của mỗi giải pháp
Giải pháp sẽ được loại bỏ và thay thế khi tỷ lệ loại bỏ nhỏ hơn 𝑝 ∝, đồng thời chất lượng của giải pháp mới thông qua phương pháp Random Walk phải tốt hơn giải pháp cũ.
Bước 6: Xét số lượng vòng lặp của giải thuật đã thiết lập:
- Nếu đủ thì dừng chương trình, đưa ra giá trị Gbest là giải pháp tốt nhất trong quần thể
- Nếu chưa đủ thì quay lại bước 3
Hình 2.15 Lưu đồ giải thuật CSA
44 e) Đặc trưng của giải thuật Ưu điểm:
- Hiệu quả: CSA dễ dàng cải thiện hiệu suất tìm kiếm và chất lượng giải pháp
- Độ phức tạp thấp: Giải thuật CSA có độ phức tạp tính toán thấp so với các giải thuật tối ưu khác như thuật toán di truyền
CSA không yêu cầu nhiều thông số đầu vào phức tạp, giúp người dùng dễ dàng áp dụng trong các bài toán đa mục tiêu.
- Hội tụ nhanh: CSA hiệu quả trong việc tìm ra giải pháp nhanh chóng
- Yêu cầu tập dữ liệu lớn và việc số lần lặp nhiều dẫn tới thời gian thực hiện chậm
- Việc sử dụng một số thông số trong giải thuật, do đó việc lựa chọn không tốt dẫn đến hiệu suất không tốt của giải thuật.
Các giá trị sai số đánh giá mô hình dự báo
MSE (Mean Squared Error) là một chỉ số phổ biến trong thống kê và học máy, được sử dụng để đánh giá chất lượng của mô hình dự đoán Công thức tính MSE giúp xác định độ chính xác của dự đoán bằng cách tính trung bình bình phương của sai số giữa giá trị thực và giá trị dự đoán.
Trong công thức, Σ đại diện cho tổng các thành phần, n là số lượng điểm dữ liệu, y'i là giá trị dự đoán cho điểm dữ liệu thứ i, còn yi là giá trị thực tế tương ứng MSE (Mean Squared Error) càng nhỏ cho thấy mô hình dự đoán càng gần với giá trị thực tế, từ đó được đánh giá là mô hình hiệu quả hơn.
RMSE [34] là một biến thể của MSE RMSE được tính như sau:
RMSE là chỉ số quan trọng dùng để đánh giá độ sai số của các mô hình dự đoán, giúp các nhà nghiên cứu so sánh hiệu suất giữa các mô hình khác nhau Mục tiêu chính là giảm thiểu giá trị RMSE nhằm nâng cao độ chính xác của mô hình.
MAE (Mean Absolute Error) là một chỉ số quan trọng trong thống kê và học máy, dùng để đánh giá độ chính xác của các dự đoán bằng cách đo lường sự khác biệt trung bình giữa các giá trị dự đoán và giá trị thực tế Cách tính giá trị MAE được thực hiện bằng cách lấy trung bình của các giá trị tuyệt đối của sai số giữa dự đoán và thực tế.
Giá trị MAE (Mean Absolute Error) được tính bằng cách tổng hợp các sai số giữa giá trị dự đoán và giá trị thực tế, trong đó Σ là tổng các thành phần, n là số lượng điểm dữ liệu, y'i là giá trị dự đoán cho điểm dữ liệu thứ i, và yi là giá trị thực tế tương ứng Một giá trị MAE nhỏ cho thấy mô hình dự đoán có độ chính xác cao hơn.
MAPE (Mean Absolute Percentage Error) là một chỉ số quan trọng trong thống kê và dự báo, được sử dụng để đánh giá độ chính xác của các mô hình dự đoán MAPE được tính bằng cách đo lường phần trăm sai số trung bình, giúp người dùng hiểu rõ hơn về hiệu suất của mô hình dự đoán.
MAPE, hay sai số phần trăm trung bình tuyệt đối, là một chỉ số quan trọng trong phân tích dữ liệu, với Σ biểu thị tổng các thành phần, n là số điểm dữ liệu, y'i là giá trị dự đoán của điểm dữ liệu thứ i, và yi là giá trị thực tế Chỉ số này thường được áp dụng trong các lĩnh vực như dự báo kinh doanh, dự báo chuỗi thời gian và quản lý chuỗi cung ứng.
MÔ HÌNH DỰ BÁO PHỤ TẢI ĐỀ XUẤT
Thu thập dữ liệu
3.1.1 Lưới điện ISO New England
ISO New England được thành lập vào năm 1997 để thay thế New England Power Pool (NEPOOL) tại Holyoke, Massachusetts Tổ chức này giám sát hoạt động của hệ thống điện lưới và các đường truyền điện tại New England, bao gồm cả sự hợp tác với các công ty điện ở tiểu bang New York khi cần thiết Với công suất lên đến 32.000 MW, ISO New England đảm bảo vận hành đáng tin cậy hệ thống phát điện và truyền tải điện trong khu vực Nhiệm vụ chính của tổ chức là cung cấp thông tin về giá cả, điều kiện và các điều khoản liên quan đến nguồn cung cấp năng lượng cho New England.
3.1.2 Thu thập dữ liệu lưới điện ISO New England
Dữ liệu của lưới điện New England là dữ liệu mở, có thể dễ dàng truy cập thông qua trang web ISO New England [35]
Hình 3.1 Trang web lấy dữ liệu lưới điện ISO New England Đồ án sử dụng dữ liệu thu thập được trong khoảng thời gian 3 năm, từ năm
2019 đến năm 2021, để làm dữ liệu ngõ vào cho mô hình dự báo đề xuất Sử dụng dữ
Trong suốt thời gian nghiên cứu kéo dài, việc thu thập 47 liệu đã cung cấp cái nhìn toàn diện về sự biến động và xu hướng của các yếu tố quan trọng như tổng điện năng tiêu thụ, nhiệt độ, độ ẩm và giá cả.
Bằng cách phân tích và đánh giá dữ liệu, mô hình dự báo được xây dựng sẽ chính xác hơn và có khả năng tiên đoán các biến động tương lai Việc sử dụng dữ liệu lâu dài và đa dạng giúp mô hình học hỏi hiệu quả, từ đó cung cấp kết quả dự báo đáng tin cậy cho người sử dụng.
3.1.3 Phân tích dữ liệu thu thập được
Ngoài các dữ liệu giá trị số thực như nhiệt độ và độ ẩm, đồ án còn khai thác dữ liệu thời gian dưới dạng ngày/tháng/năm Tuy nhiên, những dữ liệu này không thể sử dụng trực tiếp làm đầu vào cho mô hình huấn luyện, do đó cần phải chuyển đổi chúng thành dạng số thực hoặc nhị phân.
Việc xác định các ngày làm việc, ngày nghỉ và ngày lễ là yếu tố quan trọng trong dự báo tiêu thụ điện Bài viết này trình bày phương pháp chuẩn hóa dữ liệu ngày/tháng/năm sang dạng nhị phân, trong đó các ngày thứ Bảy, Chủ nhật và các ngày lễ trong năm sẽ được quy ước thành các giá trị cụ thể.
“ngày nghỉ” và được gán số “0”, tương tự cho các ngày còn lại (Từ thứ 2 đến thứ 6) sẽ được cho là “ngày đi làm” và tương ứng với số 1
Hình 3.2 Quy trình thu thập dữ liệu huấn luyện
Xử lý nhiễu trong dữ liệu
Dữ liệu trong thời gian thực thường chứa nhiễu, ảnh hưởng đến phân tích và huấn luyện mô hình Việc loại bỏ dữ liệu nhiễu giúp cải thiện hiệu suất huấn luyện Trong đồ án này, phương pháp lọc nhiễu 3-sigma được đề xuất để loại bỏ dữ liệu không chính xác Để áp dụng phương pháp 3-sigma, dữ liệu cần tuân theo phân phối chuẩn (Phân phối Gauss).
Trong phân tích dữ liệu, μ đại diện cho giá trị trung bình và σ là độ lệch chuẩn Khi các giá trị tuân theo phân phối chuẩn, phương pháp 3-sigma cho phép xác định xác suất phân phối của dữ liệu.
49 trong khoảng (μ-3σ, μ+3σ) Điều này có nghĩa các dữ liệu không thuộc khoảng (μ- 3σ, μ+3σ) có thể bị loại bỏ
Để kiểm tra phân phối chuẩn cho các biến dữ liệu, đồ án sử dụng phương pháp kiểm định thông qua phần mềm thống kê SPSS, bắt đầu với việc kiểm định biến “Giờ”.
Hình 3.4 Biểu đồ đường cong chuẩn biến “Giờ”
Bảng 3.1 Bảng thông số kiểm định phân phối Gauss biến “Giờ”
Kết quả từ Bảng 3.1 cho thấy độ xiên (Statistic) có giá trị 0,000, chứng tỏ đây là phân phối chuẩn Quan sát đường cong chuẩn ở Hình 3.4 cho thấy số liệu phân phối đồng đều với hình dạng giống như quả chuông Bên cạnh đó, cần tiến hành kiểm định biến “Ngày làm việc/ Ngày nghỉ”.
Kết quả từ Bảng 3.2 cho thấy độ xiên (Statistic) có giá trị -0,888, cho thấy đây là một phân phối chuẩn Quan sát đường cong chuẩn ở Hình 3.5 cho thấy số liệu phân phối khá đồng đều với hình dạng đường cong giống quả chuông.
Hình 3.5 Biểu đồ đường cong chuẩn biến “Ngày làm việc/ ngày nghỉ”
Bảng 3.2 Bảng thông số kiểm định phân phối Gauss biến “Ngày làm việc/ ngày nghỉ”
Statistic Statistic Statistic Ngày làm việc/ ngày nghỉ
51 c Kiểm định biến “Nhiệt độ”
Kết quả từ Bảng 3.3 cho thấy độ xiên (Statistic) có giá trị -0.134, thuộc khoảng từ -1 đến +1, cho thấy đây là phân phối chuẩn Hình 3.6 cho thấy đường cong chuẩn với số liệu phân phối đồng đều và có dạng quả chuông.
Kết quả từ Bảng 3.4 cho thấy độ xiên của phân phối là 0.755, nằm trong khoảng từ -1 đến +1, xác nhận đây là phân phối chuẩn Hình 3.7 minh họa đường cong chuẩn với hình dạng quả chuông, cho thấy số liệu phân phối khá đồng đều.
Hình 3.6 Biểu đồ đường cong chuẩn biến “Nhiệt độ”
Bảng 3.3 Bảng thông số kiểm định phân phối Gauss biến “Nhiệt độ”
Hình 3.7 Biểu đồ đường cong chuẩn biến “Độ ẩm”
Bảng 3.4 Bảng thông số kiểm định phân phối Gauss biến “Độ ẩm”
Statistic Statistic Statistic Độ ẩm 26256 755 015
52 e Kiểm định biến “Công suất tiêu thụ trong quá khứ”
Kết quả từ Bảng 3.5 cho thấy độ xiên (Statistic) có giá trị 0.859, thuộc khoảng từ -1 đến +1, xác nhận rằng đây là phân phối chuẩn Hình 3.8 cho thấy đường cong chuẩn với hình dạng quả chuông, cho thấy số liệu phân phối khá đồng đều.
Kết quả từ Bảng 3.6 cho thấy thấy, độ xiên (Statistic) có giá trị bằng 6.108 không thuộc đoạn -1 đến +1), vì vậy đây không phải là phân phối chuẩn Bên cạnh
Hình 3.8 Biểu đồ đường cong chuẩn biến “Công suất tiêu thụ trong quá khứ”
Bảng 3.5 Bảng thông số kiểm định phân phối Gauss biến “Công suất tiêu thụ trong quá khứ”
Statistic Statistic Std Error Công suất tiêu thụ trong quá khứ
Hình 3.9 Biểu đồ đường cong chuẩn biến “Giá điện theo giờ”
Bảng 3.6: Bảng thông số kiểm định phân phối
Gauss biến “Giá điện theo giờ”
Statistic Statistic Std Error Giá điện theo giờ 26256 6.108 015 Valid N (listwise) 26256
53 đó, khi quan sát đường cong chuẩn ở Hình 3.9 mô hình cho thấy số liệu phân phối không đồng đều
Qua kiểm định phân phối chuẩn, chỉ có biến “Giá tiền theo giờ” không thuộc phân phối chuẩn, trong khi các biến còn lại đều đạt yêu cầu Biến “Giá tiền theo giờ” đại diện cho giá bán điện trên thị trường, không bị ảnh hưởng bởi sai số hay nhiễu từ các yếu tố bên ngoài, do đó không cần lọc nhiễu Vì vậy, phương pháp 3-sigma có thể được áp dụng cho các biến còn lại để loại bỏ giá trị nhiễu, từ đó cải thiện độ chính xác của dự báo.
Chuẩn hóa dữ liệu
Để giảm thiểu sai số trong quá trình huấn luyện, đồ án này áp dụng phương pháp chuẩn hóa min-max Phương pháp này cho phép chuyển đổi dữ liệu hiện có thành dữ liệu nằm trong khoảng [0,2, 0,8] Công thức chuyển đổi được sử dụng trong mô hình này sẽ giúp thu hẹp giá trị dữ liệu, từ đó nâng cao độ chính xác của quá trình huấn luyện.
Giá trị chuẩn hóa v’ được tính từ giá trị ban đầu v, với Amax và Amin lần lượt là giá trị lớn nhất và nhỏ nhất trong tập dữ liệu của v.
Hình 3.10 Quy trình chuẩn hoá dữ liệu huấn luyện
Ứng dụng mạng BPNN dự báo phụ tải ngắn hạn
3.4.1 Sử dụng mạng BPNN truyền thống
Sau khi thu thập dữ liệu huấn luyện, chúng được chia thành hai phần: 70% cho tập huấn luyện và 30% cho tập kiểm tra Tập dữ liệu huấn luyện sẽ được sử dụng để đào tạo mô hình Neural lan truyền ngược (BPNN).
Quy trình tính toán của mạng nơ-ron hồi tiếp BPNN được mô tả chi tiết trong Hình 3.11 và Hình 3.12, với thuật toán hoạt động dựa trên độ sai số toàn phương trung bình (MSE).
Bước 1: Xây dựng cấu trúc mạng neural bao gồm:
- Số neural lớp đầu vào, lớp ẩn và lớp đầu ra
Bước 2: Thực hiện quá trình huấn luyện truyền thuận
Bước 3: Lan truyền ngược sai số, cập nhật các trọng số trong cấu trúc mạng
Bước 4: Tính sai số tích luỹ sau mỗi lần huấn luyện
Bước 5: Kiểm tra điều kiện dừng nếu thoả thì dừng quá trình, ngược lại bắt đầu lại quy trình
Hình 3.11 Quy trình huấn luyện mạng BPNN
Theo Hình 3.12, cấu trúc mạng gồm 3 lớp:
- Lớp đầu vào: 6 biến dữ liệu bao gồm : Giờ, Ngày làm việc/ Ngày nghỉ, Nhiệt độ, Độ ẩm, Công suất tiêu thụ trong quá khứ, Giá điện theo giờ
- Lớp ẩn: Lớp ẩn trong cấu trúc mạng xây dựng dùng 1 lớp và sau nhiều lần thử nghiệm, đồ án chọn 10 neural ở lớp ẩn
- Lớp đầu ra: 1 ngõ ra với giá trị công suất phụ tải dự báo
Cấu trúc của một neuron trong mạng nơ-ron bao gồm các tín hiệu đầu vào, một hàm kích hoạt và tín hiệu đầu ra Mỗi tín hiệu đầu vào có thể được điều chỉnh thông qua "weight" và "bias" Sau mỗi quá trình huấn luyện, các "weight" và "bias" sẽ được cập nhật nhằm nâng cao độ chính xác của mạng.
Từ dữ liệu đầu vào là tập dữ liệu được lấy từ quá trình xử lý trình bày ở chương
3 Tập dữ liệu được chia 70% huấn luyện và 30% kiểm tra
Hình 3.12 Mô hình mạng BPNN
3.4.2 Sử dụng mạng BPNN cải tiến Đồ án này đề xuất sử dụng các thuật toán tối ưu hóa bao gồm PSO và CSA để tìm kiếm trọng số khởi tạo ban đầu cho mạng Mục tiêu là cải thiện hiệu quả học của mạng và tránh rơi vào tình trạng cực tiểu cục bộ Mô hình và quy trình mạng BPNN cải tiến được trình bày trong Hình 3.13 và Hình 3.14
Hình 3.13 Mô hình mạng BPNN cải tiến
Hình 3.14 Quy trình huấn luyện mạng BPNN cải tiến
Các thông số và cấu trúc của mạng tương tự như mạng BPNN truyền thống, nhưng trọng số ban đầu được xác định thông qua các thuật toán PSO và CSA thay vì tạo ngẫu nhiên.
DỰ BÁO PHỤ TẢI NGẮN HẠN BẰNG PHẦN MỀM MATLAB
Xây dựng mô hình dự báo phụ tải bằng phần mềm MATLAB
Mô hình dự báo phụ tải được xây dựng trong đồ án sử dụng phần mềm MATLAB 2021a, chạy trên laptop DELL Precision 7511 với cấu hình Intel(R) Xeon(R) CPU E3-1505M v5 @ 2.80GHz (8 CPUs), tốc độ ~2.8GHz và 16Gb RAM.
Hình 4.1 Huấn luyện mạng neural bằng phần mềm MATLAB
So sánh kết quả dự báo phụ tải giữa các thuật toán huấn luyện
Phần này giới thiệu mô hình dự báo phụ tải bằng cách sử dụng mạng BPNN và các thuật toán huấn luyện đã được nêu trong phần cơ sở lý thuyết Các mô hình thuật toán được huấn luyện với cùng một số lượng mẫu và biến, nhằm xác định thuật toán huấn luyện phù hợp nhất cho mô hình dự báo phụ tải trong đồ án.
Bảng 4.1: Sai số dự báo phụ tải giữa các thuật toán huấn luyện
Hình 4.2 Đồ thị dự báo phụ tải sử dụng các thuật toán huấn luyện
According to Table 4.1 and Figure 4.2, the Bayesian training algorithm (Trainbr) exhibits the lowest Mean Absolute Percentage Error (MAPE) at 1.44%, outperforming other algorithms such as the Levenberg-Marquardt training algorithm (Trainlm) with a MAPE of 1.58%, the Resilient Backpropagation training algorithm (Trainrp) at 1.77%, and the Scaled Conjugate Gradient training algorithm (trainscg) with a MAPE of 1.54% This experiment demonstrates the superior performance of the Bayesian training algorithm.
Huấn luyện Bayesian là phương pháp phù hợp với mô hình huấn luyện, vì vậy các mô hình tiếp theo sẽ áp dụng thuật toán này làm nền tảng cho mạng Neural lan truyền ngược.
Đánh giá các yếu tố ảnh hưởng đến dự báo phụ tải
Trong mục 2.2.5, hệ số tương quan Pearson được sử dụng để đánh giá mối quan hệ giữa các yếu tố ngoại cảnh và năng lượng điện tiêu thụ, với hệ số càng lớn cho thấy ảnh hưởng của yếu tố đó càng mạnh Bên cạnh kiểm định Pearson, đồ án còn áp dụng mô hình dự báo để xác định mức độ quan trọng của các yếu tố Cụ thể, khi thiếu dữ liệu của từng yếu tố, mô hình dự báo phụ tải cho 24 giờ tới sẽ có sai số lớn hơn, chỉ ra rằng yếu tố thiếu đó có ảnh hưởng đáng kể đến tiêu thụ điện.
Bảng 4.2 Bảng xếp hạng kiểm định Pearson của các yếu tố đối với tiêu thụ điện
Hệ số Pearson Xếp hạng
Công suất tiêu thụ trong quá khứ 0.89 1
Ngày làm việc/ ngày nghỉ 0.17 6
Bảng 4.3 Bảng xếp hạng sai số dự báo phụ tải của các tập dữ liệu thiếu từng yếu tố
Dữ liệu thiếu "Công suất tiêu thụ trong quá khứ " 4.07 1
Dữ liệu thiếu "Độ ẩm" 2.46 3
Dữ liệu thiếu "Giá tiền theo giờ" 2.08 4
Dữ liệu thiếu "Nhiệt độ" 1.88 5
Dữ liệu thiếu "Ngày làm việc/ ngày nghỉ" 1.57 6
Hình 4.3 Đồ thị dự báo phụ tải với các tập dữ liệu khác nhau
Theo Bảng 4.2 và Bảng 4.3, đánh giá tương quan Pearson cho thấy rằng các yếu tố có chỉ số Pearson cao sẽ ảnh hưởng mạnh mẽ đến tiêu thụ điện Hình 4.3 chỉ ra rằng với dữ liệu thiếu giá trị tải tiêu thụ trong quá khứ, kết quả dự báo có sự sai lệch đáng kể so với thực tế (MAPE 4.07%) Ngược lại, với dữ liệu thiếu giá trị phân loại ngày làm việc/ngày nghỉ, đồ thị dự đoán gần gũi hơn với các đường dự đoán khác (MAPE 1.57%) và chỉ giảm nhẹ so với dữ liệu đầy đủ (MAPE 1.54%) Điều này có thể do sự chênh lệch lớn giữa số lượng ngày làm việc và ngày nghỉ, khiến mô hình không tận dụng được thông tin này Tuy nhiên, yếu tố này cần được xem xét để nâng cao độ chính xác của mô hình Qua kiểm chứng, nghiên cứu nhấn mạnh tầm quan trọng của các yếu tố đã đề cập trong việc cải thiện hiệu suất dự báo phụ tải ngắn hạn.
So sánh hiệu suất giữa các mô hình
Dữ liệu được chuẩn hóa và áp dụng các tập mẫu được lựa chọn ở nhiều mức khác nhau, như mô tả trong Bảng 4.4 Mục đích của việc sử dụng các mức số lượng mẫu khác nhau là để đánh giá khách quan độ chính xác.
Bài viết phân tích 64 mô hình dựa trên số lượng mẫu tối thiểu yêu cầu, với Bảng 4.4 thể hiện lỗi MAPE giữa các giá trị Train và Test của các mô hình đề xuất Hai mô hình BPNN-CSA và BPNN-PSO sẽ được so sánh với nhau cũng như với mô hình BPNN truyền thống, nhằm đánh giá mức độ phù hợp của các mô hình này so với những nghiên cứu trước đây Tất cả các mô hình sẽ được huấn luyện và đưa ra dự báo với số lần tương đương, sau đó, các giá trị sai số sẽ được tính trung bình để có đánh giá khách quan cho từng mô hình.
Hình 4.4 Đặc tuyến hội tụ của giải thuyết CSA và PSO
Giải thuật CSA thể hiện hiệu suất vượt trội so với PSO, với khả năng tìm kiếm hàm mục tiêu cực tiểu tốt hơn và số vòng lặp cần thiết để đạt được cực tiểu bão hòa thấp hơn Ưu điểm này của CSA đến từ việc sử dụng phân phối Lévy, cho phép nó tự do khai thác không gian tìm kiếm và nhanh chóng xác định các giá trị cần tìm.
Bảng 4.4 Bảng so sánh kết quả huấn luyện
Hình 4.5 Biểu đồ so sánh kết quả huấn luyện các phương pháp đề xuất
Hình 4.6 Dự báo phụ tải ngắn hạn 24 giờ với 350 mẫu dữ liệu huấn luyện
BPNN-CSA BPNN-PSO BPNN
BPNN-CSA-Train BPNN-CSA-TestBPNN-PSO-Train BPNN-PSO-Test
Bảng 4.5 Bảng so sánh kết quả dự báo phụ tải ngắn hạn
CSA-BPNN PSO-BPNN BPNN
Mô hình CSA-BPNN đã chứng minh hiệu quả vượt trội trong việc dự báo phụ tải ngắn hạn 24 giờ với sai số MAPE chỉ 0,86%, thấp hơn so với các mô hình khác như PSO-BPNN (1,47%) và BPNN (3,69%) Dữ liệu từ Bảng 4.4, Bảng 4.5 và Hình 4.6 cho thấy rằng ngay cả với số lượng mẫu huấn luyện hạn chế (350 mẫu), CSA-BPNN vẫn có thể tạo ra đồ thị phụ tải dự báo sát với thực tế hơn hẳn.