Ứng dụng mạng nơron nhân tạo dự báo đồ thị phụ tải ngắn hạn hệ thống điện

50 2.3.3 Công c Matlab ANN Toolbox Neural Network Toolbox.. Phƣơng trình dạng luỹ thừa:.. ợ2 .1 CÁC KHÁI NIỆM CƠ BẢN VỀ MẠNG NƠRON NHIỀU LỚP LAN TRUYỀN NGƢỢC SAI SỐ BACK PROPAGATION NEU

Hà Nội – Năm 2013

1708094064540b0842b98-5bae-45ea-8b4e-bf2ec8b1faec

17080940645409b5c5508-53c7-404a-941b-258c17744983

1708094064540fcc97b91-a750-4e7e-bff2-e2dd692e9506

- - 2

    n thuy t minh lu      c hi n Các s li u s    

Tác gi 

Hà Ti n Huy 

- - 3

M C L C Ụ Ụ Trang ph bìa 

L

Danh m c ký hi u và ch    vit tt

Danh mc các bng bi u 

Danh m c các hình v   th

M uở đầ 10

Chương 1: Tổng quan v d báo ph t i và mề ự ụ ả ạng nơron nhân tạo 12

1.1 D báo ph t i    12

1.1.1 Gii thi u chung  12

1.1.2 Các loi d báo ph t i 14

1.1.3 Các y u t  n ph t i 16

1.1.4  n 19

1.1.4.1 i suy 19

1.1.4.2  20

1.1.4.3  s i thu nh p  21

1.1.4.4  23

1.1.4.5 o 24

1.2 M   25 t o 1.2.1 L ch s phát tri n c    a m 25 o 1.2.2 Lý thuy t m 27

1.2.2.1 Gii thi u ANN  27

1.2.2 Mô hình m2  30

1.2.2 Quá trình h c 3  34

1.2.2.4 M ng lan truy  33 c Kt lu 35

- - 4

Chương 2: Ứng d ng mụ ạng nơ ron nhiề ớu l p lan truyền ngược sai s trong d ố ự báo đồ th ph t i ngày 36 ị ụ ả 2.1 Các khái nin v m  u l p lan truyc sai s (back propagation neural network) 36

2.1.1 C u trúc m ng truy n th ng     36

2.1.2 Hu n luy n m ng 37  

2.1.2.1 Thu t toán lan truy  c (backpropagation) 37

2.1.2.2 Hu n luy n nhanh 39 

2.1.2.3 So sánh b  nh và t 45 

2.2 Xây d ng mô hình m ng cho bài toán d báo ph t i ngày    45

2.2.1 L a chn thông s  u ra cho mô hình 45

2.1.1 L2 a chu ra cho mô hình mng 45

2.2.1.2 L a chu vào cho mô hình mng 46

2.2.2 L a chn s l p n và s  p n 48

2.3 S d ng Matlab, Guide và ANN toolbox mô ph ng m   ng 49

2.3.1 Khái ni m v Matlab   49

2.3.2 c v Matlab GUIDE 50

2.3.3 Công c Matlab ANN Toolbox (Neural Network Toolbox)  53

3.3.12 Các l nh mô ph ng m  o 54

3.3.22 Mô ph ng m hân to b ng giao di   h a ANN toolbox 55

Kt lu 59

Chương 3: Xây d ng ph n m m mô ph ng mự ầ ề ỏ ạng nơ ron nhân tạo d báo ph ự ụ t i áp d ng cho Thành ph Hả ụ ố à N i ộ 60

3.1 Xây d ng ph n m m    60

3.1.1   li 60 d u 3.1.2  thu t toán  60

3.1.3 Ph n m m d báo ph t i ngày Thành ph    Hà N i 61 

- - 5

3.1.4 Các mã l nh kh  i to m 66

3.2 Xây d ng các mô hình d báo áp d ng cho Thành ph H N     à i 68

3.2.1 Mô hình m ng v i thông s u vào là thông s      ph  t i 24h c a ngày

c ngày d báo(24xNx24) 69 

3.2.2.1 Thi t lp các thông s  u c a m ng 69  

3.2.2.2 K t qu d báo    69

3.2.2 Mô hình m ng v i thông s    ph  t i 24h c c ngày d báo,  nhi  Tmax Tmin Ttrung bình c  c và Tmax Tmin c a ngày d   báo(29xNx24) 72

3.2.2 Mô hình m ng v i thông s    ph  t i 24h c c ngày d báo,  nhi Tmax Tmin Ttrung bình cc và Tmax Tmin , ki u ngày c a ngày d báo(ngày làm vi c, ngày ngh ) (33xNx24)    74

3.3 Mt s bin pháp nâng cao hi u qu các mô hình d báo    77

3.3.1 Chia t p d u thành hai t p ngày làm vi  li  c và ngày ngh  77

3.3.2 Mt s bin pháp khác 80

Kt lu 80

Kt lun và ki n ngh   81

Tài li u tham kh o   82

Ph  l c 83

- 10 -

3 Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu

Luận văn gồm 3 chương:

Chương 1 - Tổng quan về dự báo phụ tải và mạng nơron nhân tạo

 



 

Chương 2 - Ứng dụng mạng nơron nhiều lớp lan truyền ngược sai số trong

dự báo đồ thị phụ tải ngày

Trình bày 





Chương 3 - Xây dựng phần mềm mô phỏng mạng nơ ron nhân tạo dự báo

phụ tải áp dụng cho TP Hà Nội

Trình bày 

Hà Tiến Huy

- 12 -

NHÂN TẠO Nội dung chương 1:

- Sơ lược lịch sử phát triển mạng nơ ron nhân tạo

- Lý thuyết tổng quan mạng nơ ron nhân tạo

1.1 DỰ BÁO PHỤ TẢI

1.1.1 Giới thiệu chung

thuc vào kh  n c a n n kinh t    quc dân N u d báo ph t i quá th    p

vc

t i v i d báo dài h n có tính ch t chi     c thì ch nêu lên nh  

- 13 -



- 14 -

n

1.1.2 Các loại dự o ph t i bá ụ ả

- D báo dài h n: Ph  m vi d báo bao g m m    n t 10-2  

- D báo ph t  i ng n h c l p cho 1  gi  n 168 gi t i K  t qu d báo  

- 15 -

ti nh, ph  t i là mt hàm c a th i ti  t và c l p v i th i gian D  ng  i n hình ca

lp vi thi gian ca nó

Trong mô hình d báo   th ph  t i, ph t i là m t hàm c a th i gian D báo      

chui th i gian ti t ng th  im l y m u r i r c c a th     i k d    i m ca

Mô hình không gian trng thái có dng chung là:

- 16 -

z(t) = cTx(t)

x(t+1) =A x(t) + B u(t) + w(t)

 :

ng u  nhiên

1.1.3 Các y u tế ố ảnh hưởng đến phụ tả i ng n h n ắ ạ

- 18 -

d Truy n hình tr c ti p các s ề ự ế ự kiệ n th ể thao văn hoá

- 19 -

e K ế hoạ ch s a ch a l n trong ngày có c ử ữ ớ ắt điện.

Trong quá trình th c hi n k    hoch s a ch a l      ng dây

Qua quá trình v n hành th c t và d     liu th   u  viên, các

c thù c a các ngày trong tu n, ngày l , ngày t t là các y u t nh       

ng l n nh  n giá tr   ph t i ngày  

1.1.4 Các phương pháp dự báo cơ bản

1.4.1.1 Phương pháp ngoại suy

a Nội dung phương pháp

nghiên 



 

  tiêu iên 

tiêu gian

Ðiều kiện chuỗi thời gian:

1.1.4.3 Phương pháp hệ số đàn hồi thu nhập

a Nội dung phương pháp

- 25 -

1.2 MẠNG NƠRON NHÂN TẠO

1.2.1 L ch sị ử phát tri n cể ủa mạng nơron nhân tạo

th i k   u ca vic t o ti m l c dài h   n

- 26 -

các mô hình phi tuy

s t kích ho  t và mng s  d ng t i môt tr ng thái k t thúc   

nht, thut gi i h c c a m ng nhi     u l p có th không hiu qu , ho c không h i t     

- 27 -

sigmoid Hu n luy  c th c hi n theo ki u xu ng d c ng u nhiên Vi c s      

ngun g c c a thut ng truy   c Tuy nhiên, v b n ch     là m t 

 truyn tín hing nh

1.2.2 Lý thuy t mế ạng ơ n ron

1.2.2.1 Gi i thi u ANN ớ ệ

nng  c a não ng i Não  ng m ngi g h tri u t bào n i v i nhau g i l n r     à  on

Hình 1 5: M h ho m t n ron si h c in ạ ộ ơ nh ọ

 i n th ho t ng qua m   t tr c th n k h Tr  in c th n ki s nh  ân phph   i i n th 

ho t ng nà y n các r on khác Sau khi át ph ra i n th ho t ng, thân s      

gi i tr i n th v i n th          ngh và nó ph, i ch m t ít   thi g n c n khi ia ho 

nó có th phát ra m t i n th khác h i gian ch u ng)      (t   

bên ngoài Vect ng  tr s mô t các  khp th n kinh  t trng  s vào t ng hô

tin  B c ng (adde là m t s mô t c a thân ron sr)        c ng t t c các thô tin   ng

u o.và Hàm chuy n  i th hi n m  t giá tr nào ó mà i u khi n ron     

phát ra, cu i cùng tr c th n kivà    nh có th  c mô t nh l m t vect u ra   à   

Hình 1 6: Mô hì toán h c c a n r nh ọ ủ ơ on

Các n r này ho t  on  ng nh các thi t b x lý s  ong on s g M t 

n ro n nhân t o là m t thi t b th c hi n     các thao c toán h c n gi n i v i tá     

trng  w1, w2, , w s ( n), so sánh   v i n ng b N u t ng nà v t qua th hà  y  ì m

- 3 - 0

dùng   ína t h ch t phi t uyn vào ch c n ng   ho ng t c a n ron K t qu   sau khi chuy n  i là u c a n ron Tí ch t phi t ra   nh  uyn này bi u th tí   nh

ch t v t   lý c a n ron. 

Hình 1.8: Hàm chuyển i đổ

1.2.2.2 Mô hình m ng n r ạ ơ on

Nói chun c u trúc c a Ag,   NN  g m có 3 ph n: l p u vào, l p n và     

lp  rau nh ch trên Hì 1.9 L p   nh  u vào là l p có k t n  i v i th  

gi i bê n ngoài L p u vào s nh n t ng     hô tin t th gi i bên ngoài L p n    không có k n i v i th gi i bên ngoài, nó ch k t n i v i l p u vào l p t           và 

- 31 -

u ra L p u s  ra  cung c p u ra c a m ng ANN cho th gi i bên       ngoài

`

Hình 1.9: Mô hì ANN t nh ổng quát

Có 4 lo i c u trúc A  NN  c dùng ph bi n, c th   là, m ng mt 

a/ M ng m t l p ạ ộ ớ : là m t c u trúc   ANN hô k ng có l p n,    ch trê n Hình 1.10 Vì   l p u vào ôi khi không  tínhc là m t l p, nên c u trúc 

u ra

L P  N

- 32 -

b/ P ceptr er on nhi u l p ề ớ : là m t c u trúc ph bi n nh t Khô nh m ng    ng  

p eptron m t lec  p, peceptr nhion u l p lu ôn có l p n,  ôn lu    ch trên Hìn 1.10 D ng h   gi n  nht c a pe ptron nhi u l p s có 3 l ce    p, m t l p  

u vào m,   t l p n, và m t l p   u ra V n không có p hung pháp nào t t 

nh t xác nh s l p n s n r    và   on c a t ng   l p n S này th ng   c tìm

th y b ng   phng pháp s nghi m e ist ) uy  (h ur ic

c/ M ng Hopfield: ạ có th  c phân lo i là m t m ng ANN ph   n

thông tin t l p tr c ó mà c     òn nhn t u tr c và b s T  ra   ia ng ro n n

n i v i nhau s có 2 giá tr u ra, -1    (OFF) ho c  +1 (O )  ra N u c a m i 

r on ph thu c vào  ho t ng c a n ron tr c ó    

Lu

ra

L p n  

Hình 1.11: M ạng Hop eld fi

- 33 -

d/ M ng ạ Ko honen: g m có các     v u vào truy n th ng   và mt

lp ph (bên) (lateral laye n ch trên Hì 1.12 L p ph có mr),   nh   t vài

th c hi n thà cô i m v nh ng nh   c yêu cu H c là  c tr ng chí c a  nh 

các quy tr h kháìn c nh u, a h c có th  c chia thà 2 lo i: nh 

a H c có giám sát ọ

so sánh gi a k t   qu nh tí toán d a trên các u vào ã cho, và áp s d ki n        

u ra Vì th mng s thay  i cho n  khi nó m tì  c u ra ng, t c là 

có th  nói  ra     u d ki n ng v i m t u vào cho    

b H c không có giám s ọ át

- 34 -

Trong lo i này, q trình h c  uá  c da trên các xác su t M ng s   

c thay i tr ng thái th ng kê   u n thi t l p các m và   c lo i, b ng  

c h quác y nh và làm  t i u hóa giá tr ch t l ng, các m   c lo i  c ch p 

nh n Cá c phng pháp h c có g m sát  iá c s d ng  r ng rãi T nh n, uy iêcác lo i kh c a  ác  các mng n ron có th có   c b ng c k cá  thu t h c  

d li u, m t tr   ong  s các mng kh ng giá sát có th ô m  c dùng Có nhiu c u trúc kh c á nhau ca m ng n r mà hi u qu c a m on    ng nhi u hay í tùy thu c  t 

b k) c ng c ac  òn c g i l các m à  ng i h quy Trong m hình này, trong m t  ô 

c th c hi n b i vi c hu n luy n         c i u kh n b ng mt c ân n ài i  tá nh go

lan truyn ngc có kh n ng  t làm thích ng  cá v i c tr ng s c a     onr

t ng các lro p rut ng gian n m b t các m i an h gi a t p h p     qu     các thô tin ng

quen thu c c a u vào (patrons of entry) s truy n và    t ng cng  a nó

mãn các u vào m h thà  ng  ng nh t n th y tr ong ia   g i o n hu n y n)  lu 

M t c u trúc   n gin c a k t c u m  ng i u lnh  p lan truy n n c   c trình

- 35 -

Hình 1 : 13 C u tr c a m ng l truy n n ấ úc ủ ạ an ề gượ c

K t luế ận chương 1: Qua nh1 ta có th  th m c tquan tr ng c a vi c d báo ph t i, các lo i d báo ph t i và các y u t             ng

- 36 -

Nội dung chương 2:

- Các khái niệm cơ bản v m ề ạng nơron nhiều lớp lan truy n sai s ề ố ngược

- Xây d ựng mô hình m ng cho bài toán dạ ự báo đồ th phụ tải ngày ị

- S d ng các công c trong phử ụ ụ ần mềm Matlab mô ph ng mỏ ạng nơron nhiều

lớp lan truy n sai sề ố ngư c ợ

TRUYỀN NGƯỢC SAI SỐ (BACK PROPAGATION NEURAL NETWORK)

không h i t v i m c c tr t ng th          ng s M t khác, các  

2.1.1 Cấu trúc m ng truy n th ng ạ ề ẳ

- 37 -

nhau

2.1.2 Huấn luyện mạng



2.1.2.1 Thu t toán lan truy ậ ền ngược ( Backpropagation)

nht là c p nh t tr ng s      ng tr c ti p sao cho hàm hi u su t gi m nhanh     

xk+1 = xk - kgk

- 38 -

gk: gradient hi n t  i

k : t hc

khi c p nh t trng s 

a Huấ n luy n incremental (ADAPT) ệ

nhiu thông s ph c thi t l   ng d n hu n luy   n  ch incremental  

net.inputWeight{I,j}.learnFcn và net.layerweights{i,j}.learnFcn Cu i cùng là 

b Hàm gradient descent (LEARNGD)

learngd Hàm learngd có m t thông s h c là t    c lr T h   h c càng l n, 

c nh y càng l n N u t     h c quá l n, thu t toán s ông   kh nh N u 

t h c quá nh , thu t toán s h    i t lâu

c Hàm gradient descent có quán tính (LEARNGD)

hin nh trên m t ph ng sai s    

i tr ng s b ng t ng m t ph n s        i tr ng s cu i cùng   

- 39 -

b ng 1, tr ng s     i d a trên s  i tr ng s    qua giá tr gradient 

d Huấ n luy n batch (TRAIN) ệ

e Chế độ hu n luy n Batch gradient descent (TRAINGD) ấ ệ

hun luy n gi m d c nh t chu n Tr ng s         c c p nh t theo chi  u

time, min_grad, max_fail và lr

f Chế độ hu n luy n Batch gradient descent v i momentum ấ ệ ớ

tích hi u su t c a thu t toán gi m d c nh t chu n K thu t này g m gi           i

- 40 -

 Loi th hai s d ng k thu t t      chu n Lo i này có ba k thu t t i     

(traincgf, traincgb, traincgp, trainscg), quasi _ Newton (trainbfg, trainoss) và Levenberg _ Marquardt (trainlm)

a Gi i thuả ật tốc độ học thay đổi (TRAINDA,TRAINDX)

Trong gi i thu t gi m d   c nht chu n, t  hc gi   c nh trong su t thi gian hu n luy n Hi u su t gi i thu t này r t nh y v i s             i c a t c 

h c N u t    h c quá l n gi i thu t s b      ng và không nh N u t c

  h c quá nh gi i thu t s t n nhi u th         h i t Trong th c t khó xác  

luy n, khi gi i thu t di chuy n trên m    t ph ng hi u su t   

h  i trong su t quá trình x lý hu n luy n T      h c thích ng s c   



