Báo cáo khoa học : Phân loại đồ thị phụ tải và phân tích phản ứng tiêu thụ điện lên biểu giá điện cho khu vực tp.hcm

- Chủ nhiệm đề tài: PGS.TS Phan Thị Thanh Bình - Cơ quan chủ trì: Đại học Bách khoa TP.HCM - Thời gian thực hiện: 12/2010 đến 4/2014 - Thu thập số liệu và xử lý thô; - Nghiên cứu phâ

ỦY BAN NHÂN DÂN THÀNH PHỐ HỒ CHÍ MINH

SỞ KHOA HỌC VÀ CÔNG NGHỆ

BÁO CÁO NGHIỆM THU ĐỀ TÀI

(Đã chỉnh sửa theo góp ý của Hội đồng nghiệm thu)

PHÂN LOẠI ĐỒ THỊ PHỤ TẢI VÀ PHÂN TÍCH PHẢN ỨNG TIÊU THỤ ĐIỆN LÊN BIỂU GIÁ ĐIỆN CHO KHU VỰC TP.HCM

CHỦ NHIỆM ĐỀ TÀI: PGS.TS PHAN THỊ THANH BÌNH

CƠ QUAN QUẢN LÝ CƠ QUAN CHỦ TRÌ

(Ký tên/đóng dấu xác nhận) (Ký tên/đóng dấu xác nhận)

THÀNH PHỐ HỒ CHÍ MINH

Phụ lục 4 - Phân tích tiêu thụ điện các trạm 2010+2011 200

DANH SÁCH CÁC CHỮ VIẾT TẮT

TOU Giá điện theo thời gian sử dụng

TPHCM Thành phố Hồ Chí Minh

DANH SÁCH BẢNG

2.4 Hàm thành viên mờ cho mục tiêu giảm tải đỉnh 47

2.5 Hàm thành viên mờ cho việc giảm sự sai biệt giữa tải giờ cao điểm và

thấp điểm

47

3.34 ụ điện của ngày trong tháng 1 năm 2011+2012 90 3.35 ụ điện của ngày trong tháng 2 năm 2011+2012 90 3.36 ụ điện của ngày trong tháng 3 năm 2011+2012 91 3.37 ụ điện của ngày trong tháng 4 năm 2011+2012 92

3.38 ụ điện của ngày trong tháng 5 năm 2011+2012 93 3.39 ụ điện của ngày trong tháng 6 năm 2011+2012 94 3.40 ụ điện của ngày trong tháng 7 năm 2011+2012 95 3.41 êu thụ điện của ngày trong tháng 8 năm 2011+2012 96

3.42 ụ điện của ngày trong tháng 9 năm 2011+2012 97 3.43 ụ điện của ngày trong tháng 10 năm 2011+2012 98 3.44 ụ điện của ngày trong tháng 11 năm 2011+2012 98

3.46 Biểu đồ điện năng ngày điển hình của các tháng trạm Bến Thành 2010 102 3.47 Biểu đồ điện năng ngày điển hình trong tuần trạm Bến Thành 2011 104 3.48 Biểu đồ điện năng ngày điển hình của các tháng trạm Bến Thành 2011 105

3.49 Đồ thị phụ tải giữa hai lần thay đổi giá điện (cho 4 lần đầu) trạm Linh

3.59 Đồ thị phụ tải của trạm trạm Bình Triệu qua 4 lần thay đổi giá 133 3.60 Đồ thị phụ tải của trạm trạm Hỏa Xa qua 4 lần thay đổi giá 134

3.61 Đồ thị phụ tải của trạm trạm Khu Chế Xuất Linh Trung 1 qua 4 lần

thay đổi giá

135

3.62 Đồ thị phụ tải của trạm trạm Khu Chế Xuất Linh Trung 2 qua 4 lần

thay đổi giá

136

3.63 Đồ thị phụ tải của trạm trạm Tân Bình 1 qua 4 lần thay đổi giá 137 3.64 Đồ thị phụ tải của trạm trạm Vikimco qua 4 lần thay đổi giá 138

BÁO CÁO NGHIỆM THU

1 Tên đề tài: Phân loại đồ thị phụ tải và phân tích phản ứng tiêu thụ điện lên biểu giá

điện cho khu vực TP.HCM

- Chủ nhiệm đề tài: PGS.TS Phan Thị Thanh Bình

- Cơ quan chủ trì: Đại học Bách khoa TP.HCM

- Thời gian thực hiện: 12/2010 đến 4/2014

- Thu thập số liệu và xử lý thô;

- Nghiên cứu phân tích số liệu;

- Phân loại đồ thị và xây dựng đồ thị điển hình;

- Nghiên cứu xây dựng cách tiếp cận thích hợp phân tích chế độ dùng điện của các đối tượng khảo sát;

- Nghiên cứu xây dựng cách tiếp cận thích hợp phân tích phản ứng tiêu thụ điện lên biểu giá điện mới (TOU);

- Nghiên cứu đề xuất về cải tiến giá điện theo hướng sử dụng điện hiệu quả

3.2 Sản phẩm của đề tài

- Phương pháp phân loại đồ thị phụ tải cho một đối tượng;

- Các đồ thị đại diệ (theo mùa, ngày thường, ngày lễ…);

- Đồ thị đại diện cho đối tượng (một dạng khách hàng, trạm phân phối, thành phố);

- ớc và sau khi có biểu giá 3 giá mới của một số trạm phân phối, một dạng khách hàng;

- Các kiến nghị, đề xuất về biểu giá điện;

- Một bài báo trên tạp chí trong nước hoặc hội nghị quốc tế;

- Báo cáo tổng kết

TÓM TẮT ĐỀ TÀI

Việc xây các đồ thị đại diện là rất cần thiết cho công tác thiết kế, vận hành lưới điện cũng như quản lý nhu cầu dùng điện Do đồ thị phụ tải không phải lúc nào cũng tuân theo luật phân bố chuẩn nên không thể lấy đồ thị trung bình làm đồ thị đại diện Nếu tập đồ thị không tuân theo một phân bố nhất định thì việc tìm kiếm đồ thị đại diện được đề tài triển khai dựa trên nghiên cứu các phương pháp phân loại đồ thị phụ tải Các giải thuật phân nhóm cũng được áp dụng cho bài toán phân tích tiêu thụ điện năng để đánh giá hiệu quả dùng điện Đề tài cũng tiến hành phân tích hiệu quả của các giá điện theo thời gian lên sử dụng điện của khách hàng Từ đây có thể rút ra các đề xuất về biểu giá điện theo thời gian Đối tượng khảo sát là phụ tải điện thành phố Hồ Chí Minh

SUMMARY

Building the representative load curve is necessary not only for designing, exploit ting the power network but also for the demand side management Because the load curves are not belonged to the normal distribution, so the mean load curve will not be a representative load curve If the load curve set is not belonged to any distribution law, this project proposes the load curve clustering method for determining the representative load curve The clustering methods also were applied for electrical consumption analysis This helps to estimate the effectiveness of electrical consumption The influence of the time of use tariff on the power demand is also carried out The proposals to enhance the time of use tariff will be drawn The object for examining is the load of Ho Chi Minh City

và từ đây có được các sự hiệu chỉnh cần thiết

- Cơ sở để cải tiến biểu giá điện: Với các nước trên thế giới, các dạng phụ tải khác

nhau với các đồ thị khác nhau sẽ được định giá điện khác

(điện lực Pháp) Dựa trên đồ thị điển hình (đại diện) của hệ thống, ví dụ như sau khi áp dụng biểu giá vàng (yellow tariff) một thời gian đồ thị họ nhận thấy dạng đồ thị

không dự báo trước được Sau đó đề xuất biểu giá “da trời” có giờ cao điểm động 22 n

- Công tác thiết kế lưới điện

cấp cơ sở dữ liệu cho việc chọn trạm và các khí cụ điện

- Công tác vận hành lưới điện của các điện lực: trong bài toán đánh giá trạng thái

lưới điện phân phối (DSE) nằm trong tổng thể bài toán hệ thống quản lý lưới phân phối DMS, việc sử dụng các RLC là cơ sở cho bài toán ước lượng và đánh giá tải (load estimation) [24]

- Tạo cơ sở dữ liệu cho việc quản lý và vận hành lưới điện: một ví dụ là với bài toán

đánh gi

đo hữu hạn, khi đó cần sử dụng các số đo giả Các số đo giả này thường được lấy từ các

cơ sở dữ liệu của các điện lực về tải (đồ thị đại diện của nút, của khách hàng…) [7][32]

- Tạo tiền đề cho việc lý sử dụng điện tiết kiệm và hiệu quả

-ự tham gia cấu tạo nên tải của hệ thống, từ đó có thể có các biện pháp điều khiển tải, thực

trong 2 năm liên tục, Điện lực Đài Loan đã lắp đặt các công tơ thông minh t

từng nhóm

: Một trong các bài toán quan trọng của chương trình tiết kiệm điện năng là phân tích các chế độ dùng điện (tiêu thụ điện) để tìm cách thúc đẩy tiêu thụ điện hợp lý Phân tích chế độ dùng điện sẽ chỉ ra các mặt mạnh, yếu, tìm ra các nguyên nhân khắc phục[26]

- Hướng tới thị trường điện: Trong một thị trường năng lượng điện cạnh tranh, điều

rất mong muốn của các nhà cung cấp điện năng là biết được đặc điểm về hành vi tiêu thụ điện của các hộ tiêu thụ, để cung cấp các dịch vụ làm hài lòng họ với một chi phí thấp nhất Các nhà cung cấp thường được cho phép thay đổi bảng giá nhưng dưới sự giám sát

về sự điều chỉnh bởi những người có thẩm quyền trong ngành năng lượng Vì mục đích

đó, các nhà cung cấp tiến hành phân nhóm các hộ tiêu thụ vào những nhóm đại diện [19][20] [27][34]và sau đó sử dụng RLC của nhóm đó để nghiên cứu về đặc điểm về hành vi tiêu thụ điện của các hộ tiêu thụ và áp dụng bảng giá mới Ngoài ra, kỹ thuật phân nhóm cũng có thể được sử dụng cho các dự báo phụ tải

Xác định đặc điểm về hành vi tiêu thụ điện của các khách hàng dùng điện là chìa khoá cho việc thiết lập mới mức bảng giá đề nghị, dẫn đến cấu trúc bảng giá trở nên liên quan chặt chẽ hơn đến các giá trị thực của việc cung cấp điện trong những khoảng thời gian khác nhau Trong viễn cảnh thị trường trên, bên cung cấp điện đã đạt được một mức độ mới về sự tự do trong việc thiết lập cấu trúc bảng giá và mức giá dưới sự gia tăng điều tiết mức lợi nhuận Điều này đòi hỏi phải phân nhóm các hộ tiêu thụ điện vào những nhóm khách hàng khác nhau một cách hợp lý

Các giả thiết trước đây thường chấp nhận sự phân bố phụ tải của một nhóm các thiết

bị, xí nghiệp, hệ thống đều tuân theo quy luật phân bố chuẩn Vì vậy, để xây dựng đồ thị phụ tải ngày điển hình của các hộ tiêu thụ này, người ta sẽ sử dụng phương pháp trung bình cộng độ lệch chuẩn Tuy nhiên nếu không tuân theo luật phân bố nào, các công trình công bố đi tìm xem liệu tập đồ thị có thiên về một nhóm nào đó không Nếu có thì từ đó

sẽ xây đồ thị đồ thị đại diện

Hiện nay rất nhiều phương pháp mới được ứng dụng:

- Kỹ thuật thống kê và phân nhóm (clustering and statistical techniques)

- Mạng nơron (neural network) [18][30][31]

- Logic mờ (fuzzy logic)

Kết quả việc phân nhóm sẽ tạo ra những mẫu đồ thị đại diện cho từng nhóm, đặc trưng cho hành vi sử dụng điện trong cùng một điều kiện Mỗi RLC trên được xây dựng

dựa trên việc tập hợp những mẫu dữ liệu tải cơ bản trong quá khứ của một nhóm hộ tiêu thụ và sẽ đại diện cho nhóm đó

Một ví dụ là Điện lực Brazil cũng đã ứng dụng các thuật toán thuật toán phân nhóm tự động trong việc phân loại phụ tải và xác định các đồ thị đại diện với chương trình ANATIPO

Hình 1.1 Chương trình ANATIPO

Kế thừa ý tưởng về đồ thị đại diện cũng chính là đồ thị có phổ phân bố nhiều nhất, đề tài sẽ tiến hành tìm luật phân bố của đồ thị Việc phân tích tiêu thụ điện, như trên đã đề cập cũng dựa trên ý tưởng tìm miền (tập hay nhóm) tiêu thụ điện

- Phân tích phản ứng lên biểu giá điện:

Tất cả các công ty điện sau khi có biểu giá điện mới ra đời đều tiến hành phân tích đáp ứng của khách hàng lên biểu giá điện mới Để làm điều này, hầu hết các công trình công bố đều tập trung đi tìm kiếm mô hình toán thể hiện sự thay đổ giá điện lên sự thay

đổ dùng điện Các công trình đều dựa trên ý tưởng về hệ số đàn hồi Với các nước đã thực thi biểu giá theo thời gian (TOU) nhiều năm, thường các khách hàng đều có phản ứng tương đối hợp lý lên giá điện Các công trình ở đây đều dựa trên mô hình do Aigner

đề xuất [37,38,39]

1.2 Trong nước

Liên quan tới đồ thị phụ tải, các công trình trong nước tập trung vào công tác dự báo Ngay tại thành phố Hồ chí Minh có đề tài về dự báo đồ thị của nhóm tác giả Nguyễn Thúc Loan, Trần Hoàng Lĩnh, của Ths Nguyễn Ngọc Hồ Những phác thảo đầu tiên về phân nhóm mờ cho xây đồ thị RLC đã được nhóm nghiên cứu của chủ trì đề tài trình bày tại hội nghị IPEC 2003 tại Singapore

Trên một số diễn đàn và website của trường Đại học Dân lập Kỹ thuật Công nghệ có bài báo về phân loại đồ thị phụ tải dựa trên thuật toán Pulsa của Nguyễn Văn Sơn trích từ luận văn cao học do chủ nhiệm đề tài hướng dẫn

Điều này được lý giải một phần vì hệ thống đo đếm và truyền thông tin của ta Ngay cả trong

nghiên cứu trọn vẹn và hệ thống về xây dựng đồ thị điển hình

)

CHƯƠNG II - NỘI DUNG NGHIÊN CỨU

1 Đo và thu thập số liệu và nghiên cứu xử lý thô

- Thu thập số liệu là công suất theo giờ từ các trạm của thành phố và của thành phố:

o Năm 2010, 2011 và 2012 của các trạm 110/22 kV

o Năm 2011 và 2012 của thành phố

o Năm 2010 của 24 khách hàng dệt may

- Lọc số liệu theo các mục tiêu khảo sát ở các nội dung sau: như muốn dùng cho khảo sát ngày thứ hai, phải lọc toàn bộ số liệu ngày thứ hai của các trạm Tương tự muốn dùng cho tháng, mùa, ngày thường, ngày nghỉ cũng phải tiến hành lọc số liệu tương ứng Khi khảo sát phản ứng theo biểu giá điện, phải lọc các số liệu tương ứng cho mỗi lần thay đổi giá điện

1.2 Phương pháp nghiên cứu

Sau khi thu thập số liệu đã tiến hành xử lý thô do một số số liệu bị lỗi (hiện toàn số

0 cho một số giờ hay nguyên ngày)

1.3 Sản phẩm nội dung cần đạt: tập số liệu đã xử lý

2 Nghiên cứu phân tích số liệu

- Mục đích: nếu đồ thị phụ tải có tuân theo một luật phân bố nào đó thì từ đây có thể xác định được đồ thị đại diện

- Ý nghĩa: Việc tìm kiếm luật phân bố của tập đồ thị rất có ý nghĩa Nếu nó tuân theo một phân bố nào đó thì tại điểm hàm phân bố này đạt cực trị, điểm này (đồ thị này)

sẽ là đại diện cho tập đã cho nếu phổ phân bố của nó bao trùm trên 66% tập đồ thị Ví dụ,

với phân bố chuẩn, người ta đã chứng minh

được rằng nếu X có phân bố chuẩn N (μ,

ζ2) thì có đến 95,44% giá trị của X nằm

trong khoảng (μ -2ζ, μ +2ζ) và hầu như

toàn bộ giá trị X đều thuộc (μ -3ζ, μ +3ζ)

Đây cũng chính là cơ sở của quy tắc 2 xích

ma và 3 xích ma thường được ứng dụng

trong việc xây dựng đồ thị điển hình

Hình 2.1 Phân bố chuẩn

Do đó, đối với một tập dữ liệu tuân theo phân bố chuẩn, thì giá trị trung bình cũng chính là kỳ vọng và là giá trị làm cực đại hàm mật độ phân bố xác suất Điều này cũng có nghĩa là giá trị trung bình chính là giá trị được mong đợi nhất và có tính đại diện nhất của toàn tập dữ liệu khi và chỉ khi tập dữ liệu có phân bố chuẩn

Rất nhiều tài liệu cho rằng đồ thị trung bình là đồ thị đại diện là xuất phát từ giả thiết coi tập đồ thị có phân bô chuẩn Trong khi các nghiên cứu cho thấy điềnu này không đúng Các tác giả Nam Phi cho thấy đồ thị có phân bố Beta, còn nghiên cứu của Brazil cho thấy chúng không tuân theo một luật phân bố nào cả

Để tìm kiếm hàm phân bố, đề tài sử dụng lý thuyết kiểm định giả thiết thống kê Việc kiểm định này được dựa trên tiêu chuẩn Pearson (phương pháp khi bình phương 2) [42] Nếu giả thiết H0 đúng thì số quan sát rơi vào khoảng thứ i sẽ cỡ chừng npi So sánh các tần số quan sát được ni và tần số giả thuyết npi và lập thống kê:

pi-xác suất rơi vào đoạn thứ I nếu nó tuân theo phân bố kiểm định

Nếu như H0 đúng thì 2 sẽ có phân bố tiệm cận là 2(k 1)với k 1 bậc tự do, và được dùng làm tiêu chuẩn để kiểm định

Như vậy, để chấp nhận giả thiết H0 ở mức ý nghĩa α thì:

Cα là hằng số tra ở bảng phân phối 2 với k 1 bậc tự do và mức ý nghĩa α

- Các hàm phân bố đã được đề xuất để kiểm định: phân bố hàm mũ, phân bố chuẩn, phân bố ß, phân bố gamma

2.2 Phương pháp nghiên cứu

Dựa trên lý thuyết kinh điển của xác suất thống kê là kiểm định giả thiết phi tham số

2.3 Sản phẩm cần đạt

Chương trình tìm kiếm luật phân bố cho một tập đồ thị, một tập số liệu bất kỳ

3.1 Mô tả nội dung

- Phân loại đồ thị và xây dựng đồ thị đại diện là cần thiết cho bài toán thiết kế, vận hành lưới điện, cải thiện biểu giá điện, điều khiển sự dùng điện của khách hàng

- Ý nghĩa của nội dung nghiên cứu: tìm kiếm cách xây dựng đồ thị đại diện khi tập

đồ thị không tuân theo phân bố nào cả

- Nếu tập đồ thị không tuân theo luật phân bố nào cả, khi ấy ta sẽ tiến hành tìm kiếm các nhóm đồ thị dựa trên thuật toán phân loại Đề tài tiến hành nghiên cứu các thuật toán phân nhóm rõ và thấy rằng nếu sử dụng thuật toán phân nhóm rõ, tâm của mỗi nhóm chỉ phản ánh đặc thù các đồ thị của nhóm đó mà thôi

Sử dụng thuật toán phân nhóm mờ, dữ liệu các đồ thị ngày của hộ tiêu thụ sẽ được gom thành nhiều nhóm (cluster) đồ thị tương tự nhau và được đại diện bởi giá trị tâm của các nhóm (cluster center) Tâm của mỗi nhóm đều chịu sự ảnh hưởng của đồ thị các nhóm khác ở các mức độ khác nhau (thể hiện qua giá trị hàm liên thuộc mờ) Như vậy ở một chừng mực nào đó, mỗi tâm này đều phản ánh đồ thị của toàn bộ tập dữ liệu, song thiên

về phía các đồ thị của nhóm chứa tâm này Nếu một nhóm chứa số đông các đồ thị với tỷ

lệ áp đảo, thì tâm của nhóm này có “cơ hội” trở thành đại diện cho toàn bộ tập đồ thị Vì rằng, đồ thị đại diện không những chỉ phản ánh các đặc thù của những đồ thị thuộc nhóm

đó mà còn phản ánh cho toàn bộ các đồ thị khác (ở mức độ yếu hơn) nên cách tiếp cận này hợp lý hơn

Cùng ý tưởng như vậy, điện lực Brazil cũng áp dụng phân nhóm mờ

Thuật toán Fuzzy K-means (FKM) rất được ưa chuộng trong bài toán phân nhóm Nó được đề xuất bởi Dunn, sau đó phát triển lên bởi Bezdek[41] Khi so sánh với các giải thuật khác như giải thuật gom cụm phân tầng (Hierarchical Clustering) nhận thấy khi số lượng các vectơ phần từ trong dữ liệu gia tăng thì lúc này độ phức tạp của FKM là nhỏ hơn Kết quả là việc tính toán trên dữ liệu có số lượng phần tử lớn là nhanh hơn Ưu điểm này phù hợp cho dữ liệu phụ tải, vì sự đồ sộ về số lượng đồ thị phụ tải trong một năm hay nhiều năm gộp lại Như vậy bài toán phân loại đồ thị phụ tải theo FKM là bài toán phân loại trong không gian 24 chiều (tương ứng với 24 giờ)

Giải thuật FKM có giá trị hàm mục tiêu sau cho mỗi số nhóm cho trước:

1

1 1

Trong đó:

2

1

),(

m

l

l l j

X

(fuzziness index ); X-tập các số liệu cần được phân nhóm (tập đồ thị), Zi-tâm của nhóm

i; n-số phần tử cần phân nhóm; k-số nhóm; m-số chiều của phần tử phân nhóm (với đồ thị

phụ tải sẽ là 24)

Để giá trị F đạt min, w và vector tâm Z được cho bởi:

2 1 1

ij j

w x Z

Các tiêu chuẩn phân nhóm (xem phụ lục-PL1):

Để xác định số nhóm cuối cùng, các tiêu chuẩn sau phải được xem xét là:

- Bezdek‟s Partition Coefficient (PC)

- Bezdek‟s Partition Entropy (PE)

- Modified Partition Coefficient (MPC)

- Xie-Beni (XB)

- Fuzzy version of PBM-index (PBMF)

- VW (W)

- Phương pháp Mark Girolami

Một số đề xuất về việc xác định số nhóm k tối ưu:

Trả lời cho câu hỏi số nhóm tối ưu bằng bao nhiêu luôn là một vấn đề lớn và quan trọng trong bài toán phân nhóm Như phần trên đã trình bày, có rất nhiều chỉ số cũng như các phương pháp khác nhau được đề xuất nhằm cố gắng xác định chính xác số nhóm tối

ưu bằng bao nhiêu Tuy nhiên, thực nghiệm cho thấy chưa có một tiêu chuẩn hoặc một phương pháp nào cho kết quả phù hợp với hầu hết các kiểu dữ liệu Và cho đến hiện tại, bài toán này vẫn được nhiều người trên thế giới quan tâm và tiếp tục nghiên cứu nhằm tìm kiếm các lời giải tối ưu

Thực tế cho thấy, đối với cùng một tập dữ liệu, các tiêu chuẩn khác nhau của một thuật toán có thể cho các kết quả khác nhau về số nhóm Để giải quyết vấn đề này, đề xuất sử dụng phương pháp dung hòa các chỉ số thường dùng trong bài toán tối ưu đa mục tiêu, nhằm tìm kiếm số nhóm trong điều kiện các tiêu chuẩn chọn nhóm không cho một kết quả thống nhất

Cách tiếp cận bài toán đa mục tiêu:

Như đã trình bày ở trên, ngoài phương pháp Mark Girolami, có 6 tiêu chuẩn thường được sử dụng cho thuật toán FKM để xác định số phân nhóm Nếu xem mỗi tiêu chuẩn là một mục tiêu thì việc xác định số phân nhóm sẽ trở thành bài toán đa mục tiêu

Với l( )x là các hàm liên thuộc mờ (fuzzy membership) của mục tiêu l thỏa điều

kiện 0 l( ) 1x ; q-số tiêu chuẩn

Nếu coi mỗi tiêu chuẩn phân nhóm nêu trên là một mục tiêu (min hoặc max), có thể áp dụng công thức phổ biến sau cho việc xây dựng hàm liên thuộc:

q l

v

k v k

l

l l

l( ) exp ( ( ))2 1 , 2 , , (7)

)

(k

v l -giá trị của tiêu chuẩn l khi có số nhóm k; v l trị tối ưu của tiêu chuẩn l

Hàm liên thuộc mờ đạt giá trị cực đại bằng 1 khi v k l( )đạt cực trị và bằng v l

b Phương pháp mục tiêu toàn cục (GC)

v

k F

1

min)

Ảnh hưởng của chỉ số mờ alpha đối với kết quả của thuật toán FKM:

Chỉ số mờ alpha hay trọng số alpha ( the weighting exponent- >1 ) có vai trò quan trọng và có ảnh hưởng lớn đến kết quả thu được của thuật toán cũng như kết quả chọn số phân nhóm k Chỉ số này giúp điều khiển các hình dạng của các nhóm và tạo ra sự cân bằng giữa các giá trị liên thuộc gần tới 1 hoặc 0 Chọn quá lớn hoặc quá nhỏ đều cho những kết quả không đáng tin cậy (kết quả không thay đổi khi k thay đổi) Khi chọn =

1, trở thành thuật toán phân nhóm rõ, khi chọn quá lớn (ví dụ: > 100), các giá trị hàm liên thuộc mờ sẽ không thay đổi Bezdek sau khi thử nghiệm trên một số tập dữ liệu đã

đề xuất chọn trong khoảng [1.1- 2.5], và giá trị = 2 thường được lựa chọn để sử dụng Tuy nhiên, để tìm được một giá trị phù hợp cho mỗi kiểu dữ liệu cần có nhiều sự khảo sát và thử nghiệm trên cơ sở hiểu biết nhất định về đặc trưng của tập dữ liệu đó và các giới hạn của giá trị

Một số giới hạn quan trọng của :

- Khi  ∞, tiêu chuẩn PC đạt giá trị lớn nhất là ½ tại k = 2 với mọi k ≥ 2 và khi

1, tiêu chuẩn PC đạt giá trị là 1 Dựa vào các giới hạn của tiêu chuẩn PC, đề tài sẽ đề xuất một phương án chọn phù hợp với việc xây dựng đồ thị phụ tải đại diện

Đối với mỗi dữ liệu cụ thể sẽ có một giá trị và k(số nhóm) hợp lý Chọn sao cho giá trị này không quá gần 1 và không quá lớn bằng cách:

- Chọn một giá trị gần 1 (ví dụ = 1.1) quan sát các giá trị PC (ứng với k = 2:12) nếu các giá trị PC đồng loạt lớn hơn 0.95 ( mức tương đối ) thì coi như đã có khuynh hướng tiến gần đến 1: không nhận này Tiếp tục tăng cho đến khi PC có ít nhất một giá trị nhỏ hơn 0.95 Chọn giá trị này làm giới hạn dưới min

- Tương tự tìm giới hạn trên max: chọn một giá trị lớn (ví dụ = 3 ), quan sát giá trị PC, nếu các giá trị này lần lượt xấp xỉ bằng 1/k thì dừng lại Chọn giá trị này làm giới hạn trên max

Vậy: [ min , max ) Qui tắc chọn được đề xuất như trên vì:

- Như phân tích ở trên về các giới hạn của : khi  1, giá trị PC  1 và khi ∞

giá trị PC  1/k Đây cũng chính là các dấu hiệu đặc trưng dễ nhận biết để có thể tìm

khoảng an toàn theo tiêu chuẩn PC như trên

Từ khoảng an toàn trên, tiến hành chọn ra một tập * thỏa điều kiện: khi giá trị thay đổi trong tập này, các tiêu chuẩn GC và BZ đều cho cùng một kết quả về số phân nhóm

k Độ thay đổi của có thể chọn bằng 0.2 (Vd: = 1.11.31.5…)

Vậy: [ *min , *max ] Tiến hành phân tập dữ liệu thành k nhóm ứng với 02 giá trị: *min và *max và xây dựng

đồ thị đại diện của các nhóm bằng thuật toán FKM Đồ thị đại diện của các nhóm chính

là giá trị tâm Z của nhóm

Đồ thị đại diện của toàn tập dữ liệu được xây dựng dựa trên đồ thị đại diện của các nhóm:

- Ứng với giá trị *min , nếu một nhóm có số lượng các đồ thị chiếm tỷ lệ áp đảo so với các nhóm còn lại sẽ được xem nhóm đại diện cho toàn tập dữ liệu và tâm của nhóm này cũng chính là đồ thị điển hình của toàn tập dữ liệu Ở đây tỷ lệ áp đảo được hiểu là tỷ lệ

mà hiệu giữa tỷ lệ này với tổng tỷ lệ của các nhóm còn lại phải lớn hơn tổng tỷ lệ của các nhóm còn lại Cụ thể:

Tỷ lệ của nhóm thứ i: μi=ni/n; ni-số phần tử rơi vào nhóm thứ i / tổng số phần tử toàn tập

dữ liệu

Một nhóm được coi là áp đảo khi có μi >=0.67 và sẽ được xem là nhóm nhóm đại diện

và tâm của nhóm đại diện chính là đồ thị đại diện của toàn tập dữ liệu cần xây dựng

- Nếu không tồn tại nhóm chiếm tỷ lệ áp đảo ứng với giá trị *min, phương án đề xuất: ứng với giá trị *max , đồ thị đại diện của toàn tập dữ liệu được chọn là đồ thị trung gian

có xét đến sự ảnh hưởng của tất cả các nhóm ( theo lý thuyết về kỳ vọng toán ) và đồ thị

Zdh này sẽ đại diện cho toàn tập dữ liệu Cụ thể:

Zi: tâm nhóm nhóm thứ i ứng với *max

Khi đồ thị đại diện được tính theo cách trên nhận thấy 1và ∞: ZdhXtb (đồ thị trung bình của toàn tập dữ liệu), vì rằng:

* Khi 1, Zi  Ztbi (đồ thị trung bình của nhóm thứ i)

i

X Z

n

và

1

k i i

Đề tài đề xuất phương án xây dựng đồ thị đại diện như trên vì:

- Khi * tăng dần, các giá trị hàm liên thuộc mờ wij dần tiến tới giá trị 1/k đồng nghĩa với tỷ lệ của nhóm áp đảo sẽ giảm dần, còn khi * nhỏ nhất cho tỷ lệ lớn nhất Ứng với giá trị * nhỏ nhất, tỷ lệ xuất hiện nhóm áp đảo là cao nhất, lúc này tâm của nhóm áp đảo

sẽ được chọn làm đồ thị điển hình cho toàn tập dữ liệu

- Tương tự, khi không xuất hiện nhóm áp đảo (số lượng không đủ 66.67%), chọn * lớn nhất sẽ đạt được tỷ lệ của các nhóm gần nhau nhất (chẳng hạn 0.6 0.4 hoặc 0.3 0.3 0.4 ) Như vậy sự ảnh hưởng của các nhóm lên Zdd là như nhau, không có nhóm nào thật

sự vượt trội hơn nhóm nào

Phương pháp luận (Trình tự của bài toán):

Cách thức tiến hành cụ thể theo sơ đồ sau:

Áp dụng của giải thuật này để tìm: đồ thị đại diện ngày trong năm, ngày làm việc và

ngày lễ, ngày của các thứ trong tuần, tháng

2.3.2 Phương pháp nghiên cứu:

Áp dụng FKM để phân nhóm một số tập mẫu

Để khẳng định tính chính xác của giải thuật đề nghị, đề tài đã khảo sát trên các tập mẫu nổi tiếng IRIS, WBCD và 2 tập mẫu được tạo ra Kết quả cho thấy giải thuật đề nghị có kết quả phù hợp:

Tập WBCD (Wisconsin breast cancer diagnosis): là tập tập dữ liệu về xét nghiệm

ung thư vú của bệnh viện thuộc trường đại học Wisconsin Dữ liệu có 10 thuộc tính và gồm 683 xét nghiệm (hay vectơ) Tập phân làm hai nhóm Có 65.5% là mẫu lành tính,

CÁC TIÊU CHUẨN PHÂN

NHÓM:

PC, PE, MPC, XB, PBMF,

W

PHÂN NHÓM FKM

ĐỒ THỊ ĐẠI DIỆN = TÂM

CỦA NHÓM ÁP ĐẢO

KHÔNG TỒN TẠI NHÓM

CÓ TỶ LỆ ÁP ĐẢO

ĐỒ THỊ ĐẠI DIỆN = (TÂM CỦA CÁC NHÓM)*(CÁC TỶ LỆ)

Tập IRIS: là tập dữ liệu về ba loại hoa Iris: Iris Setosa, Iris Versicolour, Iris Virginica do

R.A Fisher thu thập Đây là tập dữ liệu thực và nổi tiếng nhất, được dùng ở hầu hết các nghiên cứu về phân loại Dữ liệu có 150 mẫu hoa, mỗi loại hoa có 50 mẫu Mỗi mẫu có 4 thuộc tính đó là: chiều dài lá đài, chiều rộng lá đài, chiều dài cánh hoa, và chiều rộng cánh hoa Về mặt vật lý thì dữ liệu phân làm ba nhóm Nhưng về mặt con số, thì có thể xem là ba nhóm hoặc hai nhóm cũng đúng Bởi hai trong ba nhóm dữ liều nằm rất sát nhau, và xen kẽ vào nhau nên hai nhóm đó có thể xem là một nhóm hoặc hai nhóm

Mauthu 7_3: là một tập chia làm 7 phân nhóm rõ ràng Mỗi nhóm gồm 100 phần tử, mỗi

phần tử gồm 3 thuộc tính, có hình dáng gần giống nhau Đây là một mẫu thử dễ, chỉ

để kiểm chứng lại các chỉ số độ chính xác

Hình 2-2: Mẫu kiểm chứng 7-3

Mauthu 3_2: là tập dữ liệu gồm 150 phần tử, mỗi phần tử có 2 thuộc tính đó là toạ độ x

và toạ độ y Nhìn vào hình dưới đây dễ dàng nhận ra tập chia làm ba nhóm rõ ràng Tuy nhiên để tăng thêm độ khó cho việc phân nhóm thì có 13 điểm nhiễu (noise) được tạo ra, nằm ở vùng giữa các nhóm Phải xét thêm khả năng chống nhiễu của các tiêu chuẩn vì dữ liệu phụ tải của ta đưa vào chắc chắn sẽ có rất nhiều phần tử nhiễu

Hình 2-3-Mẫu kiểm chứng 3-2

Sau khi tính toán các tiêu chuẩn phân nhóm, để xác định số nhóm, đề tài đề xuất 2

tiêu-mỗi mục tiêu là 1 tiêu chuẩn xác định số nhóm) So sánh kết quả của 2 cách tiếp cận: Belman-Zadhed và tiêu chuẩn toàn cục Kết quả của 2 cách tiếp cận là nhƣ nhau Tiến hành khảo sát cho 15 giá trị  khác nhau (từ 1.1 tới 2.5) cho đƣợc kết quả sau:

Bảng 2-Tóm tắt kết quả phân nhóm trên các tập mẫu

Để thể tính hiện tính “phổ biến” của tập đồ thị, từ đồ thị đại diện quét một phạm vi dao động , ví dụ ± 10%, xem có bao nhiêu phần tử nằm gần nó Làm tương tự với đồ thị trung bình và so sánh với đồ thị đại diện để thấy rõ tính „đại diện” của đồ thị được xây

2.3.3 Sản phẩm nội dung cần đạt:

- Phương pháp phân loại đồ thị phụ tải cho xây dựng đồ thị đại diện –Chương trình tính toán “xây đồ thị đại diện”:

- Đồ thị đại diện theo các yếu tố đặc trưng của TP HCM: mùa, ngày thường, ngày

lễ, ngày trong tuần, tháng

- Đồ thị đại diện cho đối tượng (một dạng khách hàng, trạm phân phối, thành phố)

2.4.

Mục đích, ý nghĩa: tìm kiếm sự phụ thuộc của điện năng tiêu thụ ngày theo yếu tố nhiệt

độ, sự diễn biến tiêu thụ điện theo ngày trong tuần, tháng; phân nhóm phổ (qui luật) tiêu thụ điện năng ngày trong năm

2.4.1-Nội dung

2.4.1.1-Chương trình tìm mối tương quan tuyến tính giữa điện năng tiêu thụ

a Phương pháp luận:

Việc chứng minh mối quan hệ tuyến tính giữa điện năng A (hoặc lnA) và nhiệt độ (hoặc lnT0) được dựa trên hệ số tương quan r và đánh giá tương quan theo phân bố Student:

- Tính toán hệ số tương quan r giữa điện năng cần khảo sát (Y) và nhiệt độ (nhiệt độ lớn nhất, trung bình…) trong ngày (X):

Y Y X X r

1

2 2

1

)()(

))(

(

Với n- số lần quan sát

- Nếu r>0.6 thì tiếp tục tính toán đại lượng ngẫu nhiên t của phân bố Student để khẳng định mối quan hệ tuyến tính

Tra bảng phân bố Student ứng với mức ý nghĩa =0.95 để tìm t và so sánh với trị

t tính toán ở trên để rút ra kết luận về tiếp nhận mối quan hệ tuyến tính [43]:

- Mối quan hệ giữa điện năng tiêu thụ ngày và nhiệt độ Max hay nhiệt độ trung bình trong ngày

- Mối quan hệ giữa điện năng tiêu thụ giờ tải đỉnh với nhiệt độ trung bình ngày

- Mối quan hệ giữa logarithm điện năng tiêu thụ ngày và logarithm nhiệt độ Max hay nhiệt độ trung bình trong ngày

- Mối quan hệ giữa logarithm điện năng tiêu thụ giờ tải đỉnh với nhiệt độ trung bình ngày

2.4.1.2- Phân nhóm theo điện năng và theo nhiệt độ:

Nếu không có mối quan hệ tuyến tính để tìm kiếm mối quan hệ giữa điện năng tiêu thụ và nhiệt độ ngày khi không có mối quan hệ như ở mục 2.4.1.1: ở đây cần lưu ý vấn đề về hai thứ nguyên khác nhau cho vào bài toán phân nhóm (MWh và độ).Giá trị điện năng rất lớn

và giá trị nhiệt độ nhỏ, cũng như sự sai biệt điện năng lớn hơn nhiều giữa các ngày so với

sự sai biệt tương đối nhỏ của nhiệt độ Nếu không lưu ý tới vấn đề này kết quả sẽ không chính xác Đó là vì bán kính r của thuật toán Pulsa tính trong không gian 2 chiều được tính theo khoảng cách Ơclit Đề tài đã xử lý được vấn đề này để đảm bảo tính hợp lý số phần tử được quét trong bán kính r

2.4.1.3-Phân nhóm điện năng tiêu thụ

Phương pháp luận:

Phân nhóm điện năng tiêu thụ cho một đối tượng cho phép phân tích qui luật sử dụng

điện, phân tích mặt mạnh và yếu trong dùng điện hiệu quả Sau khi phân nhóm có thể sẽ xuất hiện nhóm có số ngày nhiều hơn các nhóm khác Nếu tồn tại nhóm này với số phần

tử nhóm >2/3 số ngày khảo sát- ta gọi là nhóm cơ bản, đó chính là những ngày có mức tiêu thụ điện năng bình thường của tập đã cho Các nhóm với các giá trị điện năng thấp hơn hay cao hơn so với nhóm cơ bản sẽ bao chứa các ngày “không bình thường” của chu

kỳ khảo sát Từ đây có thể tìm kiếm nguyên nhân của sự tiêu thụ điện bất thường hay tìm kiếm khả năng điều chỉnh tiêu thụ điện về phía thấp hơn

Các ngày bất thường của các nhóm có điện năng tiêu thụ nhỏ hơn của nhóm cơ bản cho phép xác định cận dưới của điện năng tiêu thụ của lưới

2.4.1.4-Phân tích điện năng theo ngày trong tuần

Phương pháp luận:

- Tiến hành khảo sát nhịp độ tăng trưởng của hai ngày thứ 2 liên tiếp trong khoảng thời gian khảo sát Từ các nhịp độ tăng trưởng này (Ví dụ trong 1 năm là 52 số cho ngày thứ 2), kết nối vào chương trình phân nhóm có thể cho biết con số nhịp độ tăng trưởng phổ biến của ngày thứ hai của các tuần trong năm

- Lượng điện năng tiêu thụ phổ biến của các ngày thứ trong tuần, từ đó cho thấy ngày nào trong tuần đối tượng dùng điện tiêu thụ nhiều hơn cả, từ đó có thể phân tích tại sao?

2.4.1.5-Phân tích tiêu thụ điện theo tháng trong năm

Phương pháp luận:

Số liệu điện năng của các ngày trong tháng được đưa vào chương trình phân nhóm trên

và cho thấy điện năng tiêu thụ của ngày cơ bản trong mỗi tháng Từ đây cho ta thấy:

- Khuynh hướng cơ bản của lượng điện năng tiêu thụ ngày trong tháng đó Các ngày

có mức tiêu thụ điện năng bất thường trong tháng? Nguyên nhân

- Tính được tỉ lệ tăng trưởng giữa 2 tháng liên tiếp trong thời gian khảo sát và tháng

2.4.1.7-Chương trình phân nhóm tiêu thụ điện:

Phân nhóm điện năng ngày là bài toán phân nhóm với không gian một chiều, phân nhóm điện năng ngày và nhiệt độ là bài toán phân nhóm trong không gian 2 chiều Thuật toán hữu hiệu cho phân nhóm trong không gian ít chiều là Pulsa và Forel Để khảo sát các nội dung 4.1.2-4.1.5, đề tài đã xây dựng chương trình phân nhóm tiêu thụ điện dựa trên thuật toán Pulsa sau khi đã khảo sát và so sánh với thuật toán Forel Dưới đây là hai giải thuật nêu trên:

a Áp dụng thuật toán Pulsa [42]

Thuật toán Pulsa (Pulsa algorithm) là thuật toán tự động phân loại thuộc dạng quá trình học không biết trước Thuật toán này bao gồm nhiều giai đoạn liên tiếp nhau, trên mỗi giai đoạn sẽ tách ra một nhóm Bán kính quả cầu sẽ không cố định mà thay đổi trong

quá trình phân loại Để có được điều này, trong thuật toán sẽ đưa vào các tham số điều khiển cho phép tìm bán kính cuối cùng

Pulsa là thuật toán tự động gom nhóm dữ liệu mà không cần phải biết trước số nhóm Quá trình học của thuật toán là không biết trước Thuật toán này bao gồm nhiều giai đoạn liên tiếp nhau, trên mỗi giai đoạn sẽ tách ra một nhóm Việc tách nhóm của giải thuật được thực hiện theo một điểm là tâm của nhóm và một bán kính tạo nên một quả cầu quét tất cả các điểm nằm trong và nằm trên quả cầu Đặc biệt, trong một giai đoạn, tâm quả cầu thay đổi và bán kính quả cầu cũng thay đổi giúp quả cầu có thể nở ra hoặc co vào tuỳ theo sự so sánh giữa số lượng phần tử đã gom được với số lượng phần tử cực đại hoặc cực tiểu do sự quyết định của người sử dụng

Mô tả một giai đoạn tách nhóm : tập số liệu đầu vào là số liệu điện năng tiêu thụ của các ngày trong năm

rmax, rmin : Bán kính cực đại và cực tiểu ban đầu (là khoảng cách Ơclid cực đại và cực tiểu giữa hai điểm (đối tượng) bất kỳ trong tập dữ liệu ban đầu):

 nmax, nmin : Là số phần tử cực đại và cực tiểu của một nhóm (tham số được đưa vào)

 cp: Số lần dao động cho phép của bán kính (tham số) thường bằng 2

 r m r m r m1: Sự biến thiên của bán kính quả cầu tại bước thứ m, với rm là bán kính quả cầu tại bước m

 : Ngưỡng điều chỉnh tốc độ thay đổi bán kính

r r

 Tìm nhóm S0 = {x X : 0 0

r e

x }, tính số phần tử n0 trong nhóm S0 và 0 0(4) Giả sử trên bước thứ m, với tâm em

và bán kính rm:

 Tìm nhóm Sm

= {x X : x e0 r m}, với X X \ (S0 S1 S m 1), tính số phần tử nhóm nm và m

 Đặt

)

( 0

m

X n



) e e

or (

&

n n ) , - max(

n

n ) , min(

m 1 m m

m ax m

m in

m in m

m ax 1

m

cp m

m

m

r

r r

r r

r

 Đặt 1 = 0 = 0, với m 1:

0rrkhi 1

0rrkhi

1 m m

1 m m 1

m

m m

b Áp dụng thuật toán Forel:

Thuật toán Forel là thuật toán tự động phân loại thuộc dạng quá trình học không biết trước [42] Thuật toán này bao gồm nhiều giai đoạn liên tiếp nhau

r : là ngưỡng bán kính của quả cầu bao phủ tập X

Ở giai đoạn hai, quy trình này tiếp tục được áp dụng cho X = X \ X1

Trình tự tiến hành thuật toán tự động phân loại Forel như sau:

1 Chọn sự phân chia đầu tiên:

S0 = ( S10 , S20 )

2 Giả sử đã xây dựng được lần phân chia thứ m

Sm = ( S1m , S2m ) Tính vectơ trung bình em của tập S1m ( Xác định toạ độ trọng tâm của tập S1m )

3 Xây dựng phân lớp Sm+1

= ( S1m+1 , S2m+1 )

S1m+1 = { X X : d ( X , em ) ≤ r}

S2m+1 = X \ S1m+1

Với d ( X , em ) là khoảng cách O7clit giữa X và em r sẽ tiếp nhận giá trị rv

4 Nếu S1m+1 “khác” S1m thì chuyển đến bước hai

Nếu S1m+1 = S1m thì đặt S1m = X1 và kết thúc giai đoạn một của thuật toán

Sự phân chia tập X ban đầu liên tục thành những tập con : S0, S1 S2, ,Sm được xây dựng trong giai đoạn một sẽ ổn định hóa Thuật toán sẽ đi qua một số lượng các bước nhất định

Việc áp dụng thuật toán Forent với một chuỗi các giá trị :

rv = r0 - v.delta với v =1 , 2 , 3 , …, N – 1

delta =

N ro

sẽ cho phép đánh giá số các nhóm hợp lý với tập X đã cho Khi đó, cơ sở để lựa chọn các nhóm chính là sự lặp lại nhiều lần của số nhóm sau một vài giá trị liên tục của rv và sự tăng đột ngột của nó ở bước kế tiếp theo giá trị của v

c So sánh giữa hai phương pháp cho thấy: thuật toán Pulsa cho kết quả ổn định

hơn Điển hình là khi có số liệu điện năng của ngày chủ nhật tương đối thấp thì thuật toán Forel không phân loại được, trong khi Pulsa lại nhạy hơn

2.4.2 Phương pháp nghiên cứu:

- Sử dụng phương pháp phân nhóm cho số liệu không gian ít chiều

- Xử lý số liệu 2 chiều với thứ nguyên của mỗi chiều khác nhau và biên độ khác nhau nhiều cho bài toán phân nhóm

- So sánh 2 phương pháp Pulsa và Forel

- Áp dụng xác suất thống kê để kiểm tra mối quan hệ tuyến tính giữa điện năng tiêu thụ và nhiệt độ

2.4.3 Sản phẩm cần đạt:

- -Chương trình phân tích tiêu thụ điện cho phép tìm mối quan hệ nhiệt độ trong ngày và điện năng tiêu thụ

- -Chương trình phân nhóm tiêu thụ điện

- -Mối quan hệ mối quan hệ nhiệt độ trong ngày và điện năng tiêu thụ của thành phố

- -Phân nhóm điện năng tiêu thụ ngày trong năm, tháng, sự tăng trưởng điện năng tiêu thụ của các ngày trong tuần và tháng trong năm cho thành phố Hồ chí Minh, các trạm

2.5. Nghiên cứu, xây dựng cách tiếp cận thích hợp phân tích phản ứng tiêu thụ điện

lên biểu gía điện mới hiện đang áp dụng (TOU)

Mục đích, ý nghĩa: tìm kiếm các phản ứng ngắn hạn, dài hạn lên biểu giá điện để có thể

thấy rõ ảnh hưởng của giá điện lên hiệu quả sử dụng điện (vì thường thì người ta coi biểu giá điện như là bộ điều chỉnh tiêu thụ điện)

2.5.1-Nội dung nghiên cứu

2.5.1.1-Phân tích qua hình dáng đồ thị phụ tả (tìm kiếm phản ứng trong dài hạn)i:

Trong nghiên cứu đáp ứng lâu dài, cần xây dựng đồ thị đại diện trước và sau khi áp dụng giá mới và sau đó tiến hành phân tích phản ứng lên một biểu giá điện mới qua:

- So sánh về mặt trị công suất đỉnh: -nếu giá điện hiệu quả nó sẽ làm không tăng trị công suất đỉnh (vào nhựng giờ được coi là tải đỉnh của hệ thống)

- So sánh sự thay đổi của các hệ số đặc trưng cho đồ thị phụ tải:

K 1 ,K 2 ,K 3 ,K 4 với K 1 -tỉ số giữa tải min và max; K2-tỉ số giữa tải trung bình bình

ngày và tải min; K 3- tỉ số giữa tải trung bình ngày và tải min;

1

) (

1

- So sánh quan hệ giữa công suất đỉnh và công suất ở giờ thấp điểm:-Tải đỉnh (vào những giờ được coi là tải đỉnh của toàn bộ hệ thống) và công suất ở giờ thấp điểm; và tải đỉnh thực sự của thành phố và công suất ở giờ thấp điểm

- Nếu một giá điện được coi là hiệu quả với một địa phương thì không được phép xuất hiện thêm đỉnh mới: nếu giá điện mới mà lại xuất hiện đỉnh mới (ngoài giờ cao điểm được qui định bởi điện lực) thì giá điện đó được coi là không hiệu quả với vùng đó Thực

tế một số điện lực thế giới sau khi giảm tải đỉnh được những giờ được coi là đỉnh thì lại xuất hiện đỉnh mới Khi đó cần xem lại cách qui định vùng cao và thấp điểm đối với giá điện đối với vùng đó

Nếu đứng trên bình diện quốc gia, việc xuất hiện tải đỉnh mới tại một địa phương có thể không ảnh hưởng tới hay đổi hình dáng đồ thị tổng toàn quốc (không xuất hiện tải đỉnh mới)

2.5.1.2-Giải thuật phân tích phản ứng chế độ dùng điện lên biểu giá điện dựa trên phân tích qua hệ số đàn hồi (tìm kiếm phản ứng ngắn hạn)

a Phân tích sự thay đổi tiêu thụ điện năng ngày theo phần trăm tăng giá điện bình quân

Gọi p (peak) là thời gian sử dụng cao điểm, m (mid peak) là thời gian sử dụng ở giờ bình thường, o (off peak) là thời gian sử dụng thấp điểm, ta có các giá điện tại từng thời điểm

tương ứng Pi với i= p,m,o

Gọi phần trăm tăng giá điện bình quân là ∆∆Pmean và được tính như sự chênh lệch phần trăm bình quân giữa giá mới (ký hiệu là T) và giá cũ (ký hiệu là R):

3 3

R o R m R p

o m p o m p

mean

P P P

P P P P P P

P

Sự thay đổi 1% giá bình quân lên sự thay đổi (%) điện năng tiêu thụ ngày là:

∆∆E/∆∆Pmean

với ∆∆E=(ET-ER)/ER

Khảo sát hệ số trên cho biết ảnh hưởng mỗi phần trăm thay đổi giá lên sự thay đổi điện năng ngày

b Phân tích sự thay đổi tiêu thụ điện năng theo các thời điểm trong ngày theo phần trăm tăng giá điện bình quân

Gọi điện năng dùng mỗi thời điểm là qi Hệ số sau thể hiện ảnh hưởng của mỗi % thay đổi giá bình quân lên phần trăm thay đổi điện năng ở mỗi thời điểm:

ηi =

mean i mean

i i

P

q P

+ ηpp>0 –sự tăng giá điện giờ cao điểm làm tăng công suất tại các giờ cao điểm Điều này nói lên việc tăng giá điện giờ cao điểm không hiệu quả

+ ηpp<0- sự tăng giá điện giờ cao điểm làm giảm công suất tại các giờ cao điểm Điều này nói lên việc tăng giá điện giờ cao điểm có hiệu quả

+ ηoo<0- sự tăng giá điện giờ thấp điểm làm giảm công suất tại các giờ thấp điểm Hoặc

sự giảm giá điện giờ thấp điểm làm tăng công suất tại các giờ thấp điểm

+ηoo>0- sự tăng giá điện giờ thấp điểm làm tăng công suất tại các giờ thấp điểm

Nếu sự tăng công suất thấp điểm trùng với sự giảm công suất giờ cao điểm thì việc thay đổi giá điện là có hiệu quả

+ ηmm<0- sự tăng giá điện giờ bình thường làm giảm công suất tại các giờ bình thường

- ηmm>0- sự tăng giá điện giờ bình thường làm tăng công suất tại các giờ bình thường + ηop<0- sự tăng giá điện giờ cao điểm làm giảm công suất tại các giờ thấp điểm

Hoặc sự giảm giá điện giờ cao điểm làm tăng công suất tại các giờ thấp điểm

+ ηop>0- sự tăng giá điện giờ cao điểm làm tăng công suất tại các giờ thấp điểm

Hoặc sự giảm giá điện giờ cao điểm làm giảm công suất tại các giờ thấp điểm

-Nếu ηmP >ηOP: sự dùng điện ở thời kỳ thấp điểm đáp ứng với giá giờ cao điểm tốt hơn giá giờ bình thường

+Tương tự cho ηpo, ηmp, ηpm, ηmo

-Mô hình kinh tế-nhu cầu do Hisberg-Aigener [37][38][39] dùng để xác định hệ số đàn

hồi đã được đề tài khảo sát như sau:

Chi phí tiền điện là một hàm số của lượng công suất tiêu thụ,giá điện và phản ứng của khách hàng trong ngày:

C = Ø(E,P,R)

Trong đó:

C:Chi phí tiền điện tổng cộng

P:Vecto giá điện Pi β:Vecto hệ số phản ứng

E: Điện năng tiêu thụ ngày

Hàm C có thể được biểu diễn dưới dạng hàm siêu việt:

Ln(C) = a + ∑i αi ln(Pi) + ½ ∑i∑j βij ln(Pi) ln(Pj) + ∑i γi ln (Pi) ln(E)+ Ø ln(E) (10) Nếu khách hàng dùng điện có phản ứng lên biểu giá điện thì theo Schephard lượng điện năng tiêu thụ tại thời điểm thứ i là :

Qi = (11) Thành phần cost share tại các thời điểm như sau:

Si = =αi + ∑j βij ln(Pj) + γi ln(E) i,j=p,m,o (12) Các ràng buộc: Với các ràng buộc:

∑i αi = 1

∑i γi = 0

∑i βij = 0

βij = βji i,j = p,m,o (13) Với các điều kiện ràng buộc về tham số α, β,γ như trong (11), các giá trị Si có thể tính toán được từ việc quan sát đồ thị phụ tải của điện lực

Hệ số đàn hồi của hàm phản ứng khách hàng được xác định:

ηii = + Si-1 (14)

ηij = + Sj i#j i,j=p,m,o (15) Nếu kết quả cho các hệ số đàn hồi âm ηii thì mô hình này có thể áp dụng được vì điều đó

có nghĩa là khách hàng tiến hành giảm tiền điện theo giá điện Ngược lại nếu các hệ số đàn hồi ηii thu được có trị dương, có nghĩa là đáp ứng khách hàng theo hiệu ứng ngược

Có hai cách lý giải:

-Thời gian giữa 2 lần thay đổi giá liên tiếp quá dài làm cho E trong biểu thức (12) tăng nhiều (do sự phát triển sản suất kinh doanh của khách hàng)

-Biểu giá TOU chưa hẳn dựa trên quan điểm điều phối dùng điện mà tập trung vào bù lỗ (kể cả do yếu tố lạm phát)

Khi đó có thể coi là mô hình dựa trên hàm kinh tế là không phù hợp

-Trong trường hợp mô hình kinh tế không phù hợp, để có thể đánh giá xấp xỉ hệ số ηij , nếu ta coi như thời gian ngắn trước và sau khi thay đổi giá [37] điện năng tiêu thụ ngày được coi xấp xỉ không thay đổi (điều này tương ứng với giả thiết sản xuất trung bình của các ngày này không thay đổi), khi đó biểu diễn sự thay đổi điện năng ở thời điểm thứ i chỉ theo giá điện trong ngày là:

- là lượng điện năng tiêu thụ hiện tại của khách hàng (kWh)

- là sự phản ứng của khách hàng sau khi có giá mới TOU (kWh)

- là vecto giá trung bình trong khoảng thời gian quan sát hiện tại

- giá TOU cần xác định cho thời gian tiếp theo

- Biểu thức trên trở thành:

i,j = p,m,o (17)

Với các ký hiệu PT, PR -thể hiện giá điện mới và cũ Giải (17) cho ta các hệ số đàn hồi Tuy nhiên cần lưu tâm là các trị điện năng Qi được lấy như thế nào? Trên thực tế nếu lấy một ngày trước và một ngày sau khi biểu giá điện mới được áp dụng sẽ đáp ứng xấp xỉ điều kiện điện năng trong ngày không thay đổi với giả thiết trung bình sản xuất ngày không đổi nghĩa là tổng sản xuất trong giai đoạn trước và sau khi thay đổi giá điện không đổi

Nhìn vào biểu đồ tiêu thụ điện năng của các thứ trong tuần trong năm (mục 2.3) và do đồ thị tải có tính lặp chu kỳ nên lấy của ngày của cùng thứ tuần trước đó VD: nếu thời điểm thay đổi giá là ngày thứ ba, sẽ lấy 2 ngày sau đó là thứ năm làm QT, còn ngày thứ năm của tuần trước đó làm QR Nếu như rơi đúng vào thứ 7 hay chủ nhật thì cần lấy ngày thường vì đặc thù của TOU là nhằm vào khách hàng công nghiệp

Từ số lần thay đổi giá điện, một hệ biểu thức (17) sẽ được xây Với các trạm thành phố,

từ 2010 đến nay có 5 lần thay đổi giá Có tổng cộng 15 biểu thức (17) với 9 ẩn

Việc đánh giá ß hay η theo (17) hay (13) được thực hiện theo phương pháp bình phương cực tiểu

Như vậy cách phân tích theo hệ số đàn hồi thích hợp với nghiên cứu đáp ứng ngắn hạn lên biểu giá điện

2.5.1.3-Phân tích qua mức tiêu thụ điện ngày:

Xây dựng đồ thị biểu diễn mức tiêu thụ điện ngày để theo dõi mức tăng tiêu thụ sau khi thay đổi giá

2.5.2-Phương pháp:

-Sử dụng mô hình H-A(Hirschberg-Aigner) cho việc tìm kiếm mối quan hệ giá-điện năng

tiêu thụ với việc thể hiện sự thay đổi lượng điện tiêu thụ ở mỗi thời điểm chịu ảnh hưởng của nhiều thời điểm khác Nếu hệ số đàn hồi tìm được theo đúng qui luật: ηii<0 thì chấp nhận mô hình này

Nếu không sẽ áp dụng mô hình (17) để giải quyết

- Các chỉ số của đồ thị để nói lên phản ứng khách hàng lên sự thay đổi giá điện

2.6. Nghiên cứu đề xuất về cải tiến giá điện theo hướng sử dụng điện hiệu quả

2.6.1-Nội dung:

2.6.1.1-Dựa trên hệ số đàn hồi và các chỉ số của đồ thị phụ tải

Trên khía cạnh nhắm tới việc quản lý nhu cầu dùng điện, việc phân tích các hệ số đàn hồi rất có ý nghĩa cho việc điều chỉnh giá điện:

- Nếu ηPP=<0: VD=-0.4 nghĩa là nếu giá cao điểm tăng thêm so với hiện tại 10% (∆P/Phiện tại) sẽ làm cho tải cao điểm giảm khoảng 4% so với hiện tại (nếu giá ở các giờ khác không đổi)

- Nếu ηPO>0 VD=0.3 nghĩa là nếu giảm 10% giá thấp điểm (∆P/Phiện tại) sẽ làm cho tải cao điểm giảm khoảng 3% so với hiện tại (nếu giá ở các giờ khác không đổi)

- Nếu trị tuyệt đối của ηPP >ηPO, áp đảo hơn là tập trung vào tăng giá cao điểm Lập luận tương tự cho việc thay đổi 1% giá giờ bình thường

Như vậy việc thay đổi đều (tăng đều tiền điện theo các vùng trong ngày như hiện nay) là không hợp lý về mặt điều phối dùng điện hợp lý nếu như giá trị của các hệ số đàn hồi không giống nhau

Nếu hình dáng đồ thị có xuất hiện thêm đỉnh mới cần xem lại cấu trúc biểu giá: thay đổi thời điểm được coi là đỉnh, bình thường hay thấp điểm

2.6.1.2- Phân tích theo cấu trúc tăng giá của biểu giá điện hiện tại:

Từ việc phân tích cấu trúc thay đổi giá có thể rút được nhận xét về:

- Hiệu quả thay đổi phần trăm giá điện ở các thời điểm

- Tỉ lệ giá giữa các thời điểm

a Sự thay đổi (%) giá ở các thời điểm trong ngày:

+ Định nghĩa ∆∆PP -sự thay đổi giá (tương đối) ở vùng cao điểm như sau:

R

p

R p T

p

p

P

P P

p po

o oo

Q Q

Q

Q Q

Q Q

Q

Q

R p R

pp pm po

oo om op R

p

R o

P R

p

o R

)]

( 01 0 1 [

-Nếu M dương và N âm thì A<1 và cũng có kết quả tương tự

+-Để giảm tải giờ cao điểm và lấp thấp điểm, phần trăm tăng giá điện cần thỏa mối quan

hệ nào đó:

η op ∆∆P p +η om ∆∆P m + η oo ∆∆P o >0

η pp ∆∆P p + η pm ∆∆P m + η po ∆∆P o <=0 (18)

Từ đây sẽ suy ra mối quan hệ giữa các % tăng giá điện

b Lưu tâm tới tỉ lệ giá điện giữa các vùng trong ngày

+Tỉ lệ biểu giá điện giữa cao điểm-bình thường-thấp điểm giữa các lần thay đổi giá cần thay đổi vì nếu tỉ lệ này không thay đổi có nghĩa là số % tăng giá điện ở các vùng xấp xỉ giống nhau:

B P

P P

o R

o

m R

m

) 1

(

) 1

(

P P

P P

m R

m

p p

) 1

(

) 1

(Gọi tỉ lệ giá cũ là:

R p

Khi đó:

(1+∆∆P p )=(1+∆∆P o )]B/b và nếu hai lần tăng giá đều có chung tỉ lệ thì B/b=1 nên

∆∆P p =∆∆P o

(1+∆∆P m )=(1+∆∆P o )]C/c do C/c=1 nên ∆∆P m =∆∆P o

Điều này có nghĩa là hình dáng đồ thị sẽ không cải thiện đi so với trước đó

+Khi tỉ lệ này thu hẹp so với trước đó có nghĩa là:

(B<b; C<c; d<D):

Để hình dáng đồ thị không xấu đi thì :

∆∆P p <∆∆P m <∆∆P o (19)

+ Tỉ lệ giá giữa các vùng co lại chưa hẳn đã xấu:

Để không xấu đi hình dáng đồ thị so với trước đó cần tồn tại mối quan hệ giữa các phần

trăm tăng giá điện:

Ký hiệu: m 1 =∆∆P m /∆∆P p ; m 2 =∆∆P O /∆∆P p

Tỉ lệ giữa giá điện mới ở các vùng là:

) 2

1

(

) 1

(

P R

o

P R

P P

P

P

)1

(

)1

P P

1

][

1

o po m pm p pp

o oo m om p op R

p

R

o

P P

P

P P

P Q

Q

E Q

Q m m

P

m m

P Q

Q

R p

R o po

pm pp p

oo om

op p R

p

R o

] [

1

] [

1

2 1

2 1

Để không xấu đi hình dáng đồ thị thì E>=1

│η op + η om m 1 + η oo m 2 │≥│η pp + η pm m 1 + η po m 2│ (20a)

và để tránh tình huống công suất thấp điểm cao hơn cao điểm thì E<= R

o

R p

Để thực thi, các điện lực sẽ thực hiện qua việc đề xuất các biểu giá hay các hợp đồng: +Với hoạt động 1 hoặc 6 là giảm bớt tải đỉnh có thể nâng cao giá điện vào các giờ cao điểm hoặc thực thi các biểu giá cắt điện

+Với hoạt động 4, 6 có thể thực hiện việc giảm giá giờ thấp điểm

Như vậy điều chỉnh giá trong ngày có thể làm giảm tải đỉnh, điều chỉnh hình dáng đồ thị phụ tải

-Việc tìm kiếm sự thay đổi giá điện hợp lý thường được tìm kiếm trong bài toán tối ưu: trên quan điểm san phẳng đồ thị, mục tiêu là giảm sự chênh lệch công suất cao và thấp điểm Các ràng buộc là tổng tiền điện điện trong ngày thay đổi rất ít Với hộ tiêu thụ, để đảm bảo sản xuất hay kinh doanh hoạt động bình thường, sự giảm chênh lệch cao và thấp điểm đồng nghĩa với không thay đổi điện năng tiêu thụ

-Nếu công ty điện vừa muốn giảm công suất đỉnh vừa giảm sự chênh lệch công suất cao

và thấp điểm, có thể áp dụng bài toán đa mục tiêu

a- Mô hình bài toán:

+Mô hình: Từ công thức trong (17) cho ra mối quan hệ công suất trung bình tại các thời điểm trước và sau khi có giá mới là:

o m p j i QQR P

P P

R j

R j T j ij

Trong đó QQTi, QQRi là công suất trung bình sau khi và trước khi có giá mới ở thời điểm

i

Việc tìm kiếm giá điện cần thỏa các (một) mục tiêu và ràng buộc sau:

-Giảm công suất giờ cao điểm

- Hoặc (và) giảm sự chênh lệch công suất cao và thấp điểm

-Giá điện nằm trong phạm vi cho phép

-Không có sự đảo chiều công suất: không tạo ra đỉnh mới vào giờ thấp điểm

-Lượng điện tiêu thụ trong mỗi thời điểm nằm trong phạm vi nào đó

Nếu chỉ đặt mục tiêu là giảm chênh lệch công suất cao điểm và thấp điểm, có thể xuất hiện tình trạng giá giờ thấp điểm quá thấp, giá giờ bình thường tương đối cao hơn, giá giờ cao điểm không cao quá Hệ lụy là khách hàng sẽ giảm tiêu thụ công suất giờ tải bình

thường xuống (chuyển vào giờ thấp điểm), trong khi đó thì tải giờ cao điểm không giảm Như vậy không giảm áp lực lên hệ thống do công suất giờ cao điểm

Khi đó mô hình bài toán là:

)) min(

) min(max(

)) min(max(

2

1

i i

i

QQT QQT

f

QQT f

(21)

i R

j

R j T j ij

P

P P

Trong đó:

max(QQTi) : là công suất lớn nhất trong ngày sau khi có giá mới

max(QTi) - min(QTi) : sự chênh lệch công suất lớn nhất và nhỏ nhất trong ngày sau khi có giá mới

+Có thể đề xuất thêm các ràng buộc sau :

- Do trong quá trình sản xuất thì khách hàng vẫn phải duy trì một lượng công suất trong các ngày là gần như nhau Vậy cần đưa thêm một ràng buộc nữa đó là lượng điện năng tiêu thụ được xem như là thay đổi ít giữa trước và sau khi ra giá mới

1

3 1 3

1

.

.

t QQR

t QQR t

QQT

(25)

Trong đó ε1 : số vô cùng bé nào đó

-Ngoài ra, xét tới lợi ích của 2 bên thì cần xét đến chi phí tiền điện sau khi ra giá mới