Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện (giai đoạn 2)

Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện (giai đoạn 2)

BỘ CÔNG THƯƠNG TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM VIỆN NĂNG LƯỢNG __________________________________________________________ BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP BỘ MÃ SỐ: I- 145 NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2) Chủ nhiệm đề tài: Trần Kỳ Phúc 7178 17/3/2009 Hà Nội, 12-2008 BỘ CÔNG THƯƠNG TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM VIỆN NĂNG LƯỢNG __________________________________________________________ MÃ SỐ: I 145 ĐỀ TÀI NGHIÊN CỨU KHOA HỌC NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2) Hà Nội, 12-2008 ii iii MỤC LỤC Trang Mở đầu ii Chương 1 Dự báo đỉnh và đáy biểu đồ phụ tải ngày dùng mạng neuron nhiều lớp MLP 1.1 1.1. Giới thiệu 1.1 1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày 1.1 1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP 1.4 1.4. Tóm lược 1.15 Chương 2. Dự báo biểu đồ phụ tải ngày dùng phương pháp đỉnh-đáy-dạng 2.1 2.1. Giới thiệu 2.1 2.2. Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng 2.1 2.3. Tóm lược chương 2 2.9 Chương 3. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP 24 đầu ra 3.1 3.1. Giới thiệu 3.1 3.2. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP-31xNx24 3.1 3.3. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra MLP- (24L+5W+4D)xNx24 3.4 3.4. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra mã hoá dạng ngày dùng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24 3.6 3.5. Một số giải pháp tăng hiệu quả dự báo biểu đồ phụ tải ngày 3.8 3.6. Tóm lược chương 3 3.11 Chương 4. Phân loại dạng biểu đồ phụ tải ngày 4.1 4.1. Giới thiệu 4.1 4.2. Xây dựng mạng ánh xạ đặc trưng tự tổ chức Kohonen (K-SOFM) phân loại dạng biểu đồ phụ tải ngày 4.2 4.3. Kết quả và phân tích 4.8 4.4. Tóm lược chương 4 4.23 Kết luận a Tài liệu tham khảo b Phụ lục iv M U Dự báo phụ tải điện với độ chính xác cao là một trong những nhiệm vụ vô cùng quan trọng trong quy hoạch và vận hành hệ thống điện. Dự báo phụ tải điện có thể chia làm 3 nhóm: dự báo ngắn hạn (một giờ đến một tuần), dự báo trung hạn (từ hơn một tuần đến một năm) và dự báo dài hạn (trên một năm). Nếu nh dự báo trung hạn và dài hạn đợc quan tâm nghiên cứu khá nhiều ở nớc ta (chủ yếu để phục vụ quy hoạch hệ thống điện) thì dự báo ngắn hạn mặc dù đóng vai trò cực quan trọng trong vận hành kinh tế hệ thống điện, lại cha đợc quan tâm nghiên cứu đúng mức. ở nớc ngoài, dự báo ngắn hạn phụ tải điện là một vấn đề đã, đang và tiếp tục đợc nghiên cứu, chủ yếu dùng các phơng pháp xác suất thống kê nh hồi qui đa biến, san hàm mũ, chuỗi thời gian, . Gần đây, đã có một số công trình chuyển sang sử dụng các công cụ của trí tuệ nhân tạo, đặc biệt là mạng nơ ron nhân tạo để dự báo ngắn hạn. ở nớc ta, đã có một vài nghiên cứu ở một số nơi về mạng nơ ron trong dự báo phụ tải điện nhng nặng về nghiên cứu phơng pháp luận và học thuật, cha đi vào số liệu cụ thể, sai số còn cao và khả năng áp dụng còn giới hạn. Giai on 1 ca ti ó xem xột cỏc vn sau: - Tng quan v d bỏo ph ti in ngn hn - Tng quan v mng n ron nhõn to v Matlab Neuron Toolbox - Mng n ron nhõn to trong d bỏo ph ti in ngn hn - La chn mng n ron nhõn to cho d bỏo ph ti in ngn hn nc ta. Bỏo cỏo ny trỡnh by cỏc kt qu c bn ca giai on 2, bao gm cỏc vn thit k mụ hỡnh, lp phn mm v th nghim d bỏo nh-ỏy-dng biu ph ti ngy dựng mng neuron nhiu lp thut toỏn lan truyn ngc sai s MLP v mng mt lp thut toỏn hc khụng giỏm sỏt Kohonen. Kt qu th nghim mng cho thy hiu qu d bỏo l thp hn cỏc mụ hỡnh dựng phng phỏp thng k v tng ng vi cỏc cụng b dựng mng neuron, neuron-m, . so sỏnh, giai on 2 cng ó xõy d ng phn mm d bỏo biu ph ti ngy trờn c s mng neuron v 24 đầu ra (phụ tải 24 giờ trong ngày). Kết quả cho sai số tương đương với phương pháp đỉnh-đáy-dạng. Hướng nghiên cứu tiếp theo là tổng hợp cả 2 giải pháp này trong phần mềm dự báo sử dụng bộ tổng hợp sai số bình phương tối thiểu dựa vào hiệu quả dự báo của từng giải pháp trong quá khứ. vi CHƯƠNG 1 DỰ BÁO ĐỈNH BIỂU ĐỒ PHỤ TẢI NGÀY DÙNG MẠNG NEURON NHIỀU LỚP MLP 1.1 Giới thiệu Dự báo đỉnh và đáy biểu đồ phụ tải ngày (tức giá trị công suất phụ tải cao nhất và thấp nhất trong ngày) có vai trò đặc biệt quan trọng trong điều độ hệ thống điện. Ngoài ra, dự báo đỉnh và đáy biểu đồ phụ tải còn là giai đoạn đầu của phương pháp dự báo biểu đồ phụ tải ngày dùng phương pháp kết hợp dự báo đỉnh, đáy và dạng biểu đồ phụ tải. Đối với phương pháp này sai số dự báo đỉnh và đáy cùng với sai số dự báo dạng biểu đồ sẽ ảnh hưởng đến sai số cuối cùng khi dự báo cả biểu đồ phụ tải ngày. Chương này giới thiệu phương pháp, dữ li ệu và kết quả dự báo đỉnh và đáy biểu đồ phụ tải ngày khu vực Hà Nội trên cơ sở mạng neuron nhân tạo nhiều lớp huấn luyện bằng thuật toán lan truyền ngược sai số MLP. 1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày Với một số giản ước dựa trên nhu cầu thực tiễn cũng như xem xét lý thuyết, dự báo biểu đồ phụ tải ngày có thể xem là bài toán xác định đường cong phụ tải biểu diễn sự phụ thuộc của công suất phụ tải của hệ thống nào đó vào thời gian trong ngày, đường cong này thường xây dựng cho 24 giờ trong ngày (hoặc có khi từng nửa giờ một). Biểu đồ phụ tả i tuần và ngày đặc trưng cho khu vực Hà Nội được biểu diễn trên hình 1.1 0 100 200 300 400 500 600 1 25 49 73 97 121 145 Giờ, h P, MW Thứ Ba, 06/7/2004 0 100 200 300 400 500 600 700 800 1 7 13 19 Giờ trong ngày, h Phụ tả i, M W vii Hình 1.1 Biểu đồ phụ tải tuần và ngày đặc trưng khu vực Hà Nội Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày: - Kết hợp dự báo đỉnh (phụ tải cao nhất), đáy (phụ tải thấp nhất) và dạng biểu đồ phụ tải ngày (dạng đường cong phụ thuộc phụ tải-giờ) [3] - Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra) [2] - Dự báo 24 lầ n từng giờ của ngày dự báo (dùng MNN 1 đầu ra) [2] Nghiên cứu này sử dụng cách tiếp cận đầu tiên vì tính đơn giản và hiệu quả của mô hình. Toàn bộ thuật toán dự báo sẽ dựa trên đại lượng x d - là vector đặc trưng cho ngày d { } SkdTjdLidd nkCnjTniL ,1;;,1,;,1, ,,, ====x với L d,i , i=1 n L là phụ tải điện tại thời điểm i của ngày d, thông thường n L =24 T d,j , j=1,n T là thông số thời tiết j của ngày d; T có thể là nhiệt độ, độ ẩm, . C d,k , k=1,n S là thông số lịch k của ngày d, C có thể là mã hoá của ngày trong tuần, mùa trong năm, ngày lễ-tết, ngày có sự kiện văn hoá-thể thao đặc biệt, . Gọi vector x n d là vector đặc trưng cho ngày d được chuẩn hoá { } S n T n jdL n id n d nkCnjTniL kd ,1;;,1,;,1, , ,, ==== x Ở đây, L n d,i , i=1,n L chính là biểu đồ phụ tải ngày d chuẩn hoá theo đỉnh và đáy phụ tải (hoặc gọi là dạng đường cong biểu đồ phụ tải) theo công thức L dd did n ni LL LL L id ,1, minmax min , , = − − = (1.1) với maxL d và minL d là giá trị phụ tải lớn nhất và nhỏ nhất của ngày d tương ứng, { } Lidd niLL ,1,maxmax , == { } Lidd niLL ,1,minmin , == viii T n d,j , j=1,n T và C n d,k , k=1,n S cũng được chuẩn hoá tương tự. Biểu đồ phụ tải ngày d dự báo được nếu có giá trị dự báo của đỉnh maxL d , đáy minL d và biểu đồ phụ tải chuẩn hoá nL d,i Lddiddid niLLnLLL ,1),min(max.min ^ , ^^ , =−+= (1.2) Thuật toán này phát triển trên cơ sở đề xuất trong [3] và khác với [3] tại 2 điểm: a) vector đặc trưng ngày x d không chỉ có các thành phần phụ tải như trong [3] mà còn bao gồm cả các thành phần thời tiết và lịch sinh hoạt, sản xuất – là các thành phần ảnh hưởng đến biểu đồ phụ tải; b) phần dự báo dạng biểu đồ phụ tải ngày không dựa đơn thuần trên 4 nhóm ngày phân loại cố định từ trước (Chủ nhật, thứ Bảy, thứ Ba- thứ Năm, thứ Sáu) mà trên cơ sở các nhóm ngày được phân lo ại chi tiết hơn có tính đến yếu tố thời tiết và lịch sinh hoạt-sản xuất, tận dụng thông tin về khoảng cách giữa vector trọng số của neuron đặc trưng cho nhóm và vector đầu vào của mạng Kohonen (xem chương 4). Đỉnh và đáy biểu đồ phụ tải sẽ được dự báo dùng 2 MNN nhiều lớp truyền thẳng một đầu ra. Biểu đồ phụ tải chuẩn hoá sẽ được dự báo dùng mạng ánh xạ tự tổ chức Kohonen (xem sơ đồ trên hình 1.2). Hình 1.2. Sơ đồ cấu trúc mô hình dự báo BĐPT ngày L,T,C MLP dự báo đỉnh MLP dự báo đáy SOM dự báo dạng Bộ tổng hợp L,T,C L,T,C L d,i ix 1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP Cấu hình mạng neuron nhân tạo dự báo đỉnh biểu đồ phụ tải ngày MNN sẽ là mạng perceptron nhiều lớp truyền thẳng liên kết đủ, số lớp ẩn là 1, số neuron đầu ra là 1, theo luật học lan truyền ngược sai số [5]. Lựa chọn các neuron đầu vào. Nhằm chọn số neuron đầu vào phù hợp đã tiến hành phân tích tương quan gi ữa phụ tải đỉnh ngày dự báo maxL d và các thông số thời tiết khu vực Hà Nội, kết quả như trong bảng 1.1. Ở đây ký hiệu maxL d-k - phụ tải đỉnh k ngày trước ngày dự báo, k=1,2, ; maxT d-k , minT d-k - nhiệt độ cao nhất và thấp nhất k ngày trước ngày dự báo; maxT d , minT d - nhiệt độ cao nhất và thấp nhất ngày dự báo; maxT d -maxT d-1 - chênh lệch nhiệt độ cao nhất giữa ngày dự báo và ngày trước đó; H d , RF d , SH d - độ ẩm, lượng mưa và số giờ nắng ngày dự báo. Bảng 1.1. Hệ số tương quan giữa maxL d và các thông số còn lại x Hệ số tương quan R maxL d-1 maxL d-2 maxL d-3 maxL d-7 maxL d-14 H d RF d SH d 0.812 0,693 0,645 0,762 0,705 -0,109 -0,023 0,301 maxT d maxT d-1 maxT d-7 minT d minT d-1 minT d-7 maxT d -maxT d-1 0,456 0,450 0,402 0,434 0,428 0,400 0,026 Liên quan đến đầu vào nhiệt độ, phân tích hàm quan hệ giữa phụ tải điện và nhiệt độ khu vực Hà Nội (xem hình 1.3) cho thấy hiện nay hàm này có dạng bậc thang, khác với dạng chữ U như đối với nhiều nước nêu trong [5]. Hai điểm chuyển đổi (gãy khúc) tương ứng với ngưỡng nhiệt độ sưởi ấm và ngưỡng nhiệt độ làm mát tương ứng là T Cmin = 17,5 0 C và T Cmax = 25 0 C, có khác chút ít với nhiều nước 1 . Các giá trị này cũng thể hiện phần nào tập quán sử dụng điện, mức thu nhập trung bình và trình độ phát triển của từng khu vực trên thế giới. 1 Nhiều nước công bố giá trị T Cmin = 15 0 C và T Cmax = 20 0 C [...]... sai số dự báo phụ tải điện giúp tiết kiệm được hàng chục triệu đô mỗi năm đối với một hệ thống điện trung bình như hệ thống điện nước ta Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày: - Kết hợp dự báo đỉnh, đáy và dạng biểu đồ phụ tải ngày - Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra) - Dự báo 24 lần từng giờ của ngày dự báo (dùng MNN 1 đầu ra) Trong. .. đổi và lưu trữ trong file dạng ".xls" Số liệu 2 năm là tạm đủ để phản ánh tính chu kỳ của phụ tải theo tuần, tháng, mùa và năm Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự báo biểu đồ phụ tải ngày Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự báo biểu đồ phụ tải ngày trình bày trên hình 1.2 (xem chương 1) xxiii Mô hình bao gồm 2 mạng MLP dùng dự báo đỉnh và đáy phụ tải ngày, một mạng ánh xạ tự tổ... biểu đồ phụ tải ngày trong quá khứ - bao gồm cả cơ sở dữ liệu dạng biểu đồ phụ tải ngày đã phân loại và một bộ tổng hợp cuối cùng biểu đồ phụ tải ngày Dự báo đỉnh và đáy biểu đồ phụ tải ngày Như đã xem xét ở chương I, trong chương này sẽ sử dụng 2 loại mạng - mạng "mùa" và mạng "kiểu ngày" để dự báo đỉnh và đáy biểu đồ phụ tải (MLP(5+8DT)xNx1 và mạng MLP-(5+3S)xNx1) Ký hiệu đỉnh và đáy phụ tải của... số dự báo thấp nhất nếu lấy trung bình 4 ngày tương tự trước đó Ở đây cần lưu ý rằng sai số dự báo của đáy phụ tải thiên cao, có thể cần nghiên cứu lại thông số mạng "mùa" đối với tập dữ liệu về đáy phụ tải Chính vì vậy dự báo đáy dùng mạng "kiểu ngày" phù hợp hơn để dự báo đáy biểu đồ phụ tải xxviii Phụ tải, MW Kết quả dự báo đỉnh BĐPT trong 1 tháng 900 800 700 600 500 400 300 200 100 0 Đỉnh BĐPT dự. .. sai số dự báo đỉnh BĐPT ngày trường hợp có và không có nhiệt độ ngày dự báo So sánh hiệu quả dự báo trường hợp có và không có đầu vào nhiệt độ ngày dự báo (hình 8) cho thấy thông tin về nhiệt độ ngày dự báo cho phép giảm sai số dự báo đáng kể Tuy nhiên, các giá trị nhiệt độ ngày dự báo trong nghiên cứu là giá trị thực tế Trên thực tế, tại thời điểm dự báo phụ tải ta chỉ có số liệu nhiệt độ dự báo với... hàng ngày để đạt được sai số dự báo dưới ngưỡng yêu cầu xix 1.4 Tóm lược chương 1 Trong chương này trình bày một số kết quả sau: - Xây dựng mô hình dự báo biểu đồ phụ tải ngày cho khu vực Hà Nội được xây dựng trên cơ sở mạng MLP dự báo đỉnh và đáy phụ tải, mạng Kohonen dự báo dạng BĐPT Phần mềm dự báo đỉnh và đáy phụ tải được viết trên phần mềm MATLAB và NNTools có sử dụng công cụ giao diện đồ hoạ... này sẽ nghiên cứu xây dựng mô hình dự báo biểu đồ phụ tải khu vực Hà Nội theo cách tiếp cận đầu tiên Các mô hình khác sẽ được xem xét ở các chương sau 2.2 Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng Thuật toán dự báo biểu đồ phụ tải ngày Phương pháp này có thể chia thành 3 bước: bước 1 bao gồm các khâu dự báo đỉnh và đáy phụ tải của ngày tới; bước 2 - dự báo dạng biểu đồ phụ tải của... xây dựng biểu đồ phụ tải ngày tới trên cơ sở đỉnh, đáy phụ tải và dạng biểu đồ phụ tải dự báo ở bước trước Bước 1 có thể sử dụng một trong 2 phương án sau: - Dùng 2 MNN riêng cho dự báo đỉnh và dự báo đáy (ví dụ, mạng MLP 1 đầu ra); - Dùng 1 MNN chung cho dự báo đỉnh và dự báo đáy (MLP 2 đầu ra) xxii Xét điều kiện dữ liệu có được khu vực Hà Nội, năng lực tính toán và yêu cầu tính toán của bước dự báo. .. đồ phụ tải đã được dự báo và so sánh hiệu quả dự báo biểu đồ phụ tải ngày Dưới đây ta sẽ tiến hành các thí nghiệm lựa chọn số biểu đồ phụ tải tương tự để lấy trung bình cho 2 trường hợp mạng dự báo đỉnh đáy phụ tải: mạng "kiểu ngày" MLP-(5+8DT)xNx1 và mạng "mùa" MLP(5+3S)xNx1 a) Trường hợp mạng "kiểu ngày" MLP-(5+8DT)xNx1 Điều kiện tính toán như sau: a Cấu trúc mạng MLP dự báo đỉnh và đáy biểu đồ phụ. .. dùng mạng "mùa" xxix 2.3 Tóm lược chương 2 Để dự báo đồng thời phụ tải 24 giờ tới - tức biểu đồ phụ tải ngày, xây dựng mô hình kết hợp bao gồm 2 mạng MLP dùng dự báo đỉnh và đáy phụ tải ngày, một mạng ánh xạ tự tổ chức SOFM hoặc một công cụ khác dùng phân loại các biểu đồ phụ tải ngày trong quá khứ - bao gồm cả cơ sở dữ liệu dạng biểu đồ phụ tải ngày đã phân loại và một bộ tổng hợp biểu đồ phụ tải ngày . MÃ SỐ: I- 145 NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2) Chủ nhiệm đề tài:. NGHIÊN CỨU KHOA HỌC NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2)