ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện khu vực tỉnh sóc trăng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NÔNG NGHIỆP I - - DIỆP XUÂN TRƯỜNG ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN KHU VỰC TỈNH SÓC TRĂNG LUẬN VĂN THẠC SĨ KỸ THUẬT HÀ NỘI - 2007 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NÔNG NGHIỆP I - - DIỆP XUÂN TRƯỜNG ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN KHU VỰC TỈNH SÓC TRĂNG LUẬN VĂN THẠC SĨ KỸ THUẬT Chun ngành: Điện khí hố sản xuất nơng nghiệp nông thôn Mã số: 60 52 54 Người hướng dẫn khoa học: TSKH TRẦN HOÀI LINH HÀ NỘI - 2007 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tơi xin cam đoan thơng tin trích dẫn luận văn rõ nguồn gốc Học viên Diệp Xuân Trường i Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học LỜI CẢM ƠN Sau hai năm học tập nghiên cứu Trường Đại học Nông Nghiệp I với mục đích nâng cao kiến thức thân hồnh thành luận văn cao học, tơi nhận quan tâm giúp đỡ to lớn tận tình thầy giáo bạn bè lớp Cho phép bày tỏ cảm ơn sâu sắc đến thầy giáo hướng dẫn: Tiến sĩ khoa học Trần Hồi Linh, người tận tình hướng dẫn, bảo giúp đỡ tơi hồn thành luận văn Trong thời gian học tập trường xin cảm ơn đến thầy cô giáo trực tiếp giảng dạy bảo Xin chân thành cảm ơn Kỹ sư Nguyễn Văn Nhiệm anh chị vận hành Trạm biến áp 220 kV Công ty Điện lực Sóc Trăng giúp đỡ tạo điều kiện cho làm việc Xin bày tỏ cảm ơn đến cán khoa Sau đại học, Các cán bộ môn Cung cấp Sử dụng điện học viên lớp cao học Cơ Điện 14 quan tâm giúp đỡ, tạo điều kiện cho học tập nghiên cứu Chân thành cảm ơn cán Viện Cơ Điện Nông Nghiệp Công nghệ Sau thu hoạch đơn vị quản lý tạo điều kiện tốt cho tơi hồn thành khố học Tơi vơ biết ơn người thân gia đình quan tâm, động viên chỗ dựa tinh thần vững giúp tơi hồn thành luận văn Hà nội, tháng năm 2007 Học viên Diệp Xuân Trường ii Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học MỤC LỤC Lời cam đoan i Lời cảm ơn ii Mục lục iii Bảng ký hiệu vi Danh mục hình vii Danh mục bảng x Mở đầu Chương Nhu cầu thực tiễn dự báo phụ tải điện số phương pháp dự báo có 1.1 Nhu cầu thực tiễn dự báo phụ tải điện 1.2 Các phương pháp dự báo nghiên cứu ứng dụng 1.2.1 Phân loại phương pháp dự báo phụ tải điện 1.2.2 Một số phương pháp dự báo điển hình 10 1.3 Cơ sở xây dựng phương pháp dự báo phụ tải sử dụng mạng nơ ron nhân tạo 13 Chương Giới thiệu mạng nơ ron nhân tạo 14 2.1 Trí tuệ nhân tạo 14 2.2 Nơ ron sinh học 15 2.3 Mạng nơ ron nhân tạo 16 2.3.1 Lịch sử hình thành phát triển 17 2.3.2 Mơ hình mạng nơ ron nhân tạo 17 2.3.3 Các hàm kích hoạt 19 2.3.4 Phân loại mạng nơ ron 21 2.4 Huấn luyện mạng nơ ron 22 2.5 Hàm mục tiêu 24 2.6 Một số ứng dụng mạng nơ ron 25 iii Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học Chương Đặc điểm biểu đồ phụ tải tỉnh Sóc Trăng 27 3.1 Biểu đồ phụ tải điện 27 3.2 Các yếu tố ảnh hưởng đến phụ tải điện 28 3.3 Dạng biểu đồ phụ tải 35 3.4 Đỉnh đáy biểu đồ phụ tải 36 Chương Ứng dụng mạng nơ ron nhân tạo toán phân loại kiểu ngày 38 4.1 Đối tượng để phân loại 38 4.2 Phương pháp phân loại dạng biểu đồ phụ tải 38 4.3 Mạng Kohonen ứng dụng phân loại kiểu ngày 39 4.3.1 Giới thiệu 39 4.3.2 Thuật giải SOM 40 4.4 Phương pháp trọng tâm mờ ứng dụng phân loại kiểu ngày 41 4.5 Ứng dụng thuật toán chạy thử mạng 43 4.5.1 Xử lý số liệu thu thập 43 4.5.2 Phân nhóm biểu đồ phụ tải 44 4.6 Xây dựng giao diện dự báo hình dạng biểu đồ phụ tải 50 Chương Xác định thông số đầu vào cho mạng MLP thuật toán Levenberg - Martquardt 53 5.1 Lựa chọn thông số đầu vào phục vụ trình huấn luyện mạng nơ ron 53 5.1.1 Phân tích tương quan 54 5.1.2 Tìm hệ số tương quan công suất với công suất khứ 56 5.1.3 Một số kết thu 57 5.2 Lựa chọn mạng nơ ron cho toán dự báo đỉnh đáy BĐPT 62 5.2.1 Mạng Perceptron MLP 62 iv Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học 5.2.2 Thuật toán Levenberg Marquardt 65 5.3 Sơ lược toán dự báo liệu 68 Chương Kết tính tốn mơ 73 6.1 Xây dựng mơ hình dự báo phụ tải cao điểm thấp điểm 73 6.2 Phương thức xây dựng mơ hình 73 6.3 Các bước tiến hành huấn luyện mạng với mơ hình 75 6.3.1 Xây dựng mạng dự báo đỉnh BĐPT 75 6.3.2 Xây dựng mạng dự báo đáy BĐPT 81 6.4 Xây dựng mạng cho mơ hình 83 6.4.1 Các mơ hình dự báo đỉnh BĐPT 83 6.4.2 Các mơ hình dự báo đáy BĐPT 84 6.5 Xây dựng mạng cho mơ hình 85 6.5.1 Các mơ hình dự báo đỉnh BĐPT 85 6.5.2 Các mơ hình dự báo đáy BĐPT 86 6.6 Tiến hành dự báo Pmax Pmin đánh giá sai số 88 6.7 Dự báo phụ tải cho 24 sau 91 6.8 Xây dựng giao diện phần mềm dự báo BĐPT 100 Kết luận kiến nghị 104 Tài liệu tham khảo 108 Phụ lục I: 110 Phụ lục II: 111 v Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học CÁC TỪ VIẾT TẮT HTĐ: Hệ thống điện MNR: Mạng nơ ron FCM: Phương pháp trọng tâm mờ (Fuzzy Clustering Method) SOM: Self-Organizing Maps MBU: Mẫu khớp tốt (Best Matching Unit) Pmax: Phụ tải cao điểm Pmin: Phụ tải thấp điểm Tmax: Nhiệt độ cao Tmin: Nhiệt độ thấp BĐPT: Biểu đồ phụ tải MLP: Mạng nhiều lớp truyền thẳng (Multi Layer Perceptron) LVQ: Mạng lượng tử hóa véc tơ (Learning Vector Quantization network) L-M: Levenberg - Marquardt vi Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học DANH MỤC CÁC HÌNH Số hình Tên hình Trang 2.1 Cấu tạo Nơ ron sinh học 15 2.2 Nơ ron đơn vị xử lý 18 2.3 Hàm tuyến tính 19 2.4 Hàm ngưỡng 19 2.5 Hàm ngưỡng tuyến tính 19 2.6 Hàm dốc 20 2.7 Hàm sigmoid 20 2.8 Hàm Sigmoid lưỡng cực 20 2.9 a) Mạng lớp b) Mạng nhiều lớp 21 2.10 Mạng truyền thẳng 22 2.11 Mạng hồi qui 22 2.12 Mơ hình huấn luyện mạng có giám sát 23 2.13 Mơ hình huấn luyện mạng khơng giám sát 23 2.14 Mơ hình huấn luyện mạng tăng cường 24 3.1 Biểu đồ phụ tải đặc trưng ngày hệ thống điện Sóc Trăng 28 3.2 Biểu đồ phụ tải hai năm 2004 đến 2005 29 3.3 Biểu đồ phụ tải từ 3/1 đến 9/1 năm 2005 30 3.4 Ảnh hưởng nhiệt độ đến thói quen tiêu thụ điện 31 3.5 Đồ thị phụ tải ngày thường ngày quốc khánh 32 3.6 Đồ thị phụ tải ngày thường ngày tết dân tộc 32 3.7 Đồ thị phụ tải ngày thường ngày có lễ hội 33 3.8 Đồ thị phụ tải đêm có chung kết Euro đêm bình thường 34  3.9 Đồ thị phụ tải ngày bình thường ngày có cắt điện 34 vii Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học 3.10 Biểu đồ phụ tải điển hình ngày 35 3.11 Biểu đồ phụ tải ngày sau qui chuNn 36 4.1 Quá trình dịch chuyển trọng tâm từ vị trí ngẫu nhiên ban đầu vùng số liệu 43 4.2 Sơ đồ khối dự báo hình dạng đồ thị phụ tải 50 4.3 Giao diện chương trình dự báo hình dạng đồ thị phụ tải 51 5.1 Đồ thị phụ thuộc Pmax vào Pmax-1 57 5.2 Đồ thị phụ thuộc Pmax vào Pmax-7 57 5.3 Đồ thị phụ thuộc Pmin vào Pmin-1 58 5.4 Đồ thị phụ thuộc Pmin vào Pmin-7 58 5.5 Đồ thị tương quan Pmax Pmax khứ 59 5.6 Đồ thị tương quan Pmax Pmin khứ 60 5.7 Đồ thị tương quan Pmin Pmin khứ 60 5.8 Đồ thị tương quan Pmin Pmax khứ 61 5.9 Cấu trúc mạng MLP với lớp Nn 63 6.1 Cấu trúc mạng dự báo phụ tải cao điểm Pmax 76 6.2 Sai số phần trăm thay đổi phần tử lớp Nn với số lần tính lặp 200 79 6.3 Sai số phần trăm thay đổi số lần tính lặp với 22 phần tử cố định 79 6.4 Quá trình huấn luyện mạng với 22 phần tử lớp Nn 50 lần lặp 80 6.5 Sai số luyện mạng giảm sau chu kỳ tính lặp với thuật tốn L-M 81 6.6 Sai số phần trăm thay đổi số phần tử lớp Nn với số lần tính lặp 200 83 6.7 Sai số phần trăm thay đổi số lần tính lặp với phần tử cố định 83 6.8 Sai số phần trăm Pmax thay đổi số phần tử lớp Nn với số lần tính lặp 200 84 6.9 Sai số phần trăm Pmin thay đổi số phần tử lớp Nn với số lần tính lặp 200 85 6.10 Sai số phần trăm Pmax thay đổi số phần tử lớp Nn với số lần tính lặp 200 86 6.11 Sai số phần trăm Pmin thay đổi số phần tử lớp Nn với số lần tính lặp 200 87 6.12 Sai số phần trăm tốt mơ hình khác viii Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học 88 22,8 22,1799 0,6201 2,719737 23,3 22,4156 0,8844 3,795708 27,1 24,4332 2,6668 9,84059 30 29,889 0,111 0,37 33,1 31,3315 1,7685 5,3429 32,7 31,6387 1,0613 3,245566 35,2 32,2581 2,9419 8,35767 10 35 33,2652 1,7348 4,956571 11 33,3 30,2347 3,0653 9,205105 12 30,1 28,7496 1,3504 4,486379 13 31,8 29,5683 2,2317 7,017925 14 32,7 30,8523 1,8477 5,650459 15 35,7 34,0416 1,6584 4,645378 16 37,9 37,21 0,69 1,82058 17 34,6 34,306 0,294 0,849711 18 30,8 33,0636 -2,2636 7,349351 19 39,7 41,5368 -1,8368 4,6267 20 38,2 38,5755 -0,3755 0,982984 21 34,8 35,0587 -0,2587 0,743391 22 26,9 30,1467 -3,2467 12,06952 23 26,9 29,5683 -2,6683 9,919331 24 23,8 30,8523 -7,0523 29,63151 ™ Bảng 6.12 Kết dự báo phụ tải 24 giờ, ngày 19/2/2006, sai số trung bình 4,95% Giờ Pmax thật MW Pmax dự báo MW Sai số tuyệt đối Sai số % 22,7 23,4849 -0,7849 3,457709 22 22,8516 -0,8516 3,870909 21,8 22,6738 -0,8738 4,008257 22 23,0312 -1,0312 4,687273 97 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học 24,3 24,8744 -0,5744 2,363786 28,4 29,3238 -0,9238 3,252817 31,7 31,792 -0,092 0,290221 32,1 31,4575 0,6425 2,001558 32 32,0789 -0,0789 0,246562 10 32,6 32,4517 0,1483 0,454908 11 30,2 30,0092 0,1908 0,631788 12 27,1 28,9112 -1,8112 6,683395 13 29,6 29,3476 0,2524 0,852703 14 32,5 30,3061 2,1939 6,750462 15 34,6 32,9266 1,6734 4,836416 16 36,7 35,7233 0,9767 2,661308 17 32,3 33,7594 -1,4594 4,518266 18 30,2 33,7322 -3,5322 11,69603 19 38,7 41,3433 -2,6433 6,830233 20 36,2 38,0765 -1,8765 5,183702 21 32,8 35,0356 -2,2356 6,815854 22 29,3 30,7712 -1,4712 5,02116 23 27,3 29,3476 -2,0476 7,500366 24 24,4 30,3061 -5,9061 24,20533 98 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học Hình 6.14 Biểu đồ phụ tải thực tế dự báo ngày từ 19-23 tháng Nhận xét: Qua kết dự báo giá trị thực tế thấy biểu đồ phụ tải tỉnh Sóc Trăng có sai số, thực tế BĐPT tỉnh Sóc Trăng có khó khăn xuất nhiều đỉnh nhọn liên tiếp nhau, có khoảng 3-4 đỉnh nhọn, đỉnh nhọn BĐPT ngày lại xuất không đồng đều, gây trở ngại lớn việc dự báo BĐPT Trong 99 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học đó, so sánh với thành phố lớn Hà Nội biểu đồ phụ tải ngày có 1-2 đỉnh nhọn, biến động hình dạng BĐPT ngày khơng nhiều Ta xem hình 6.10 biểu đồ phụ tải điển hình tháng năm 2004 2005 Hà Nội Hình 6.15 BĐPT Hà Nội ngày làm việc tháng 2/2004, 2005 [6] Tuy nhiên BĐPT tỉnh Sóc Trăng việc dự báo thời điểm (giờ) xảy công suất cực đại, công suất cực tiểu giá trị cụ thể xác 6.8 Xây dựng giao diện phần mềm dự báo BĐPT Trong trình vận hành hệ thống điện việc địi hỏi khả dự báo xác nhanh chóng đóng vai trị quan trọng Giúp cho người vận hành dễ dàng quan sát nắm bắt phụ tải thời điểm trình dự báo Xuất phát từ yêu cầu ta xây dựng giao điện dự báo phụ tải cho ngày Dựa khả đơn giản dễ sử dụng Giao diện xây dựng môi trường Matlab công cụ hổ trợ Guide Các số liệu đầu vào, mạng huấn luyện để dự báo cho Pmax, Pmin hình dạng biểu đồ phụ tải dự báo nạp vào chương trình 100 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học Hình 6.13 Giao diện dự báo biểu đồ phụ tải cho 24 sau Để dự báo biểu đồ phụ tải cho ngày ta cần chọn ngày tháng cần dự báo Chương trình tự động cập nhật thứ Các giá trị hiển thị bao gồm giá trị Pmax thực tế, dự báo đánh giá sai số phần trăm Giá trị Pmin thực tế, dự báo đánh giá sai số Ngồi dự báo hình dạng biểu đồ phụ tải 24 chương trình hiển thị giá trị công suất dự báo theo chi tiết cụ thể Qua trình chạy thử so sánh, kết đạt khả quan, kỹ sư vận hành đánh giá tốt Tuy nhiên q trình nghiên cứu, ta thấy cịn số vấn đề sau gây ảnh hưởng tới kết tính tốn ngun nhân gây sai số dự báo BĐPT cho 24 sau: Sai số thông số phụ tải: Xảy ngày có số ghi thơng số khơng xác Hiện thơng số phụ tải HTĐ Sóc Trăng lấy tay, ghi thơng số lúc có sai số Sai số cải thiện ta áp dụng hệ thống giám sát SCADA/EMS vào vận hành 101 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học Sai số nhiệt độ: Hệ thống đo lường lưu trữ số liệu nhiệt độ mơi trường khơng xác Sai số khách quan, chủ quan: − Phụ tải lúc cao điểm Pmax thấp điểm Pmin không phụ thuộc vào nhiệt độ cao Tmax thấp Tmin ngày mà chịu ảnh hưởng số yếu tố phụ khác thời tiết độ Nm, gió… − Quá trình huấn luyện mạng dừng lại chọn số phần tử lớp Nn kết thúc đạt đến số lần lặp cho trước Do khơng thể kiểm tra tất trường hợp Vì phải chấp nhận giải tốn phi tuyến khơng tìm nghiệm tối ưu toàn cục − Các mẫu phụ tải Pmax, Pmin nhiệt độ khứ có thay đổi so với phụ tải nhiệt độ Thực tế hình dạng BĐPT năm trước thay đổi so với năm sau nguyên nhân gây sai số lớn gặp phải luận văn Nhận xét: Trong trình học, mạng cố gắng điều chỉnh tham số cho trung bình tổng bình phương lỗi nhỏ Khả hội tụ mạng phụ thuộc vào tham số khởi đầu, cịn khả tổng qt hóa phụ thuộc nhiều vào liệu đầu vào Nếu liệu đầu vào nhiều dẫn tới tình trạng luyện mạng tốn nhiều thời gian khả tổng qt hóa kém, q liệu vào sai số tăng Với phương pháp tìm kiếm mơ hình đề xuất kết luận rằng: Để mơ hình dự báo tốt bước thay đổi số nơ ron lớp Nn đánh giá sai số mơ hình, biện pháp xem lựa chọn thơ cho mơ hình Mơ hình sau lựa chọn với số nơ ron thích hợp bước tối ưu hoá sai số việc thay đổi số lần tính lặp, biện pháp xem lựa chọn tinh nhằm giảm sai số thấp 102 Trường Đại học Nơng nghiệp Hà Nội - Luận văn thạc sỹ khoa học Để xem xét, đánh giá khả tổng quát hóa mạng, cần phân chia tập liệu thành tập: huấn luyện (training set) tập kiểm tra (test set) Tập liệu kiểm tra khơng tham gia vào q trình huấn luyện để đảm bảo tính khách quan Một vấn đề mạng nơ ron khả rơi vào điểm cực trị địa phương Như biết, thuật tốn Lan truyền ngược lỗi khơng đảm bảo cho điểm cực trị toàn cục Nếu rơi vào điểm cực trị địa phương, ta phải bắt đầu huấn luyện lại Do đó, giải pháp sử dụng thuật tốn Levenberg - Marquart hướng để vượt qua nhược điểm Để đảm bảo khả đạt đến điểm cực tiểu, số đơn vị lớp Nn cần đủ lớn Tuy nhiên, số đơn vị lớp Nn vượt q ngưỡng khả tổng qt hóa mạng kém, sau huấn luyện mạng có xu hướng ghi nhớ tất mẫu học Khi đó, việc lựa chọn số đơn vị cho lớp Nn sau huấn luyện kiểm tra sai số tập kiểm tra có vai trị quan trọng việc tìm kiếm mơ hình tối ưu cho mạng 103 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học KẾT LUẬN VÀ KIẾN NGHN I Kết luận: Trong luận văn này, phương pháp dự báo phụ tải dựa mơ hình phối hợp hai mạng nơ ron kinh điển SOM MLP giới thiệu áp dụng cho số liệu thực tế tỉnh Sóc Trăng Phương pháp cho kết xác 3,57% chưa tối ưu hoá, sai số giảm xuống cịn 3,53% tối ưu hố Các ý tưởng giải pháp đề xuất luận văn triển khai chương trình tính tốn (viết công cụ Matlab), thuận tiện cho việc sử dụng Mục đích tìm kiếm phương pháp dự báo phương pháp dự báo phụ tải trước chủ yếu dựa vào kinh nghiệm nhân viên vận hành (các quy tắc suy luận chủ yếu tuyến tính), bên cạnh với khoảng thời gian dài chuyên gia dự báo giải hết trường hợp vận hành đặc tính bất định phụ tải gây sai số lớn cơng tác dự báo Ngồi ra, q trình thực hiện, số vấn đề sau phát nghiên cứu giải quyết: Nghiên cứu dự báo phụ tải điện sử dụng mạng nơ ron nhân tạo trước chủ yếu tập trung cho thành phố lớn với đặc tính phụ tải biến động Cịn đặc tính phụ tải vùng nơng nghiệp Sóc Trăng chưa quan tâm mức Đặc điểm phụ tải tỉnh Sóc Trăng vùng nơng nghiệp khác so với đặc tính phụ tải thành phố lớn biểu đồ phụ tải không thay đổi nhiều ngày suốt tuần, ta khơng thể áp dụng mơ hình có vào mơ hình tỉnh Sóc Trăng Do khơng thể áp dụng mơ hình thành cơng trước mơ hình ngày tuần Để phân dạng kiểu ngày luận văn đề xuất mơ hình thứ tháng linh hoạt, kết phân nhóm cho kết tốt đặc điểm HTĐ Sóc Trăng 104 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học Mạng ánh xạ đặc trưng tự tổ chức SOM - Kohonen với luật học Fuzzy Clustering Method xem kỹ thuật cải tiến cho mạng Kohonen, liệu không phụ thuộc vào trọng tâm nhóm mà cịn phụ thuộc vào trọng tâm nhóm khác Mạng SOM dùng việc phân dạng kiểu ngày khứ mà nhiều chuyên gia vận hành nhận hết kiểu ngày Mạng Kohonen cịn có ưu điểm trội nhận dạng loại biểu đồ phụ tải trước người vận hành nhận kiểu ngày Vì mạng SOM - Kohonen trở thành phương tiện hỗ trợ đắc lực cho kỹ sư điều hành q trình dự báo Sau có biểu đồ phụ tải ngày cần dự báo, ta cần thực bước quan trọng dự báo giá trị phụ tải đỉnh phụ tải đáy biểu đồ phụ tải liệu phụ tải nhiệt độ khứ Việc lựa chọn thông số đầu vào phục vụ trình luyện mạng đóng vai trị quan trọng nhằm loại bỏ đầu vào có khả gây nhiễu cho mơ hình đồng thời giảm kích thước đầu vào cho mơ hình, luận văn đề xuất mơ hình tương quan để xét mối tương quan hai yếu tố Kết xem xét tương quan thấy thời gian xét tương quan phụ tải ngày với ngày trước xa hệ số tương quan thấp Sau chọn đầu vào tiến hành huấn luyện mạng với tập mẫu học kỹ thuật lan truyền ngược sai số luật học Levenberg - Marquardt với luật học xem bước cải tiến so với phương pháp trước rút ngắn nhiều thời gian huấn luyện mạng rút ngắn thời gian hội tụ mạng điều mở khả huấn luyện với tập số liệu lớn, khoảng thời gian dài từ đến 10 năm Với số lần tính lặp thấp mạng cho khả tổng quát hóa tốt với sai số thấp 105 Trường Đại học Nơng nghiệp Hà Nội - Luận văn thạc sỹ khoa học Mạng sau huấn luyện kiểm tra sai số tập khác để đánh tìm sai số đánh chất lượng mơ hình kết đánh giá sai số cho Pmax 3.77% Pmin 3,29% điều cho thấy hệ số tương quan Pmax thấp Pmin phản ánh mơ hình mạng Khi có mơ hình dự báo cho Pmax Pmin tiến hành xây mơ hình dự báo biểu đồ phụ tải cho ngày kết dự báo cho sai số chấp nhận Tuy có số sai số hình dạng kéo theo sai số số định Sai số gây hình dạng phụ tải của Sóc Trăng xuất nhiều đỉnh nhọn xuất không gây khó khăn lớn việc dự báo hình dạng Điều khắc phục cách cập nhật biểu đồ phụ tải thường xuyên Việc xây dựng giao diện dự báo cách trực quan cụ thể giúp cho người vận hành mà kỹ sư vào nghề nhanh chóng nắm bắt dễ dàng làm việc độc lập trình dự báo II Kiến nghị Trong luận văn này, phương pháp đề xuất đạt số kết bước đầu khả quan Tuy nhiên nhiều vấn đề nghiên cứu mở để tiếp tục nâng cao chất lượng giải pháp hiệu quả, đặc biệt ứng dụng thực tế Các hướng phát triển đề tài bao gồm: Xây dựng mơ hình dự báo dài 24 Xem xét yếu tố khác có khả ảnh hưởng tới kết dự báo (môi trường, thời tiết, ) Tiếp tục thu thập số liệu để tăng tập hợp số liệu học/kiểm tra nhằm tăng độ tin cậy mơ hình Hồn thiện phần mềm tích hợp vào hệ thống hỗ trợ cho điều độ viên 106 Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học Ngồi ta phát triển mơ hình cách xây dựng mơ hình với thuật tốn khác, chạy song song nhiều mơ hình lúc tổng hợp kết theo mô hình “hệ chun gia” 107 Trường Đại học Nơng nghiệp Hà Nội - Luận văn thạc sỹ khoa học TÀI LIỆU THAM KHẢO I Phần Tiếng Việt Lê Thị Thanh Hà (2000), Luận văn tốt nghiệp cao học, Trường ĐHBK-HN LM Markovits, Trần Đình Long, Bùi Ngọc Thư, Bùi Thiên Dụ, Hà Học Trạc (dịch), Các chế độ hệ thống lượng, NXB KH-KT Nguyễn Hồng Phương, Bùi Cơng Cường, Nguyễn Dỗn Phước, Phan Xuân Minh, Chu Văn Hỷ, Hệ mờ ứng dụng, NXB Khoa học kỹ thuật Trần Đình Long (1998), Quy hoạch phát triển lượng điện lực, Trường ĐH Bách khoa Hà nội Trần Kỳ Phúc (12/2006), Nghiên cứu ứng dụng mạng Nơ ron nhân tạo dự báo ngắn hạn phụ tải điện (giai đoạn I), Viện lượng Trần Kỳ Phúc, Monique Polit, Nguyễn Tiên Phong, Lê Thị Thanh Hà (9/2006), Mạng Nơ ron – dự báo phụ tải điện ngắn hạn ứng dụng Hà Nội, ảnh hưởng thông số thời tiết, tạp chí Tự động hố ngày II Tiếng nước Alireza Khotanzad, Reza Afkhami Rohani, Dominic Maratukulam (1998), ANNSTLF – Artificial network short-term load forecaster – generation three, IEEE transactions on power systerms, Vol 13, No Frank Hoeppner, Frank Klawonn, Rudolf Kruse, Thomas Runkler, Fuzzy Cluster Analysis, John Wiley & Sons, LTD 9. L.-W Chan, I King and K S Leung, Levenberg Marquardt Learning and Regularization, Computer Science and Engineering Department, The Chinese University of Hong Kong 108   Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học 10 Mohsen Hayati, Yazdan Shirvany (2007), Artificial Neural Network Approach for Short Term Load Forecasting for Illam Region, Inter national journal of electrical, Computer, and systems engineering volume number ISSN 1307-5179 11 Pauli Murto (1998), Neural network models for short-term load forecasting, Helsinki university of technology 12 S Haykin (1994), Neural networks, a comprehensive approach, Macmillan, , N.Y 13 Stanislaw Osowski, Tran Hoai Linh, Selforganizing Neural and Neurofuzzy Networks – A Comparative Study, Institute of Theory of Electrical Engineering and Electrical Measurements, Warsaw University of Technology 14 Stanislaw Osowski, Krzysztof Siwek, Tran Hoai Linh, Peak Load Prediction in The Power System Using Neural Networks, Institute of Theory of Electrical Engineering and Electrical Measurements, Warsaw University of Technology 15 Teuvo Kohonen (2000), Self-Organizing Maps, Third editor, Springer Verlag, Berlin 16 W.Charytoniuk, M.S Chen, Neural Network design for short- term load forecasting , the University of Texas at Arlington 109   Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học PHỤ LỤC I CHƯƠNG TRÌNH PHÂN NHÓM BIỂU ĐỒ PHỤ TẢI clear clc load t4sun.txt %dau vao data = t4sun'; center,U = fcm(data,2) % thuật tốn FCM tìm trọng tâm maxU = max(U); % Xác định trọng tâm gần for i=1:2 % so tam % thông qua giá trị hàm phụ thuộc indexi = find(U(i,:) == maxU); indexi end center=center'; 110   Trường Đại học Nông nghiệp Hà Nội - Luận văn thạc sỹ khoa học PHỤ LỤC II CHƯƠNG TRÌNH HUẤN LUYỆN MẠNG NƠ RON clear clc load pp.txt; % Các đầu vào để kiểm tra 2006 load tt.txt; % Các giá trị dùng để so sánh đầu mạng 2006 load mau.txt; % Mẫu huấn luyện 2004, 2005 load mongmuon.txt; % Mẫu dung để kiểm tra thuật toán lan truyền ngược P=mau'; mongmuon=mongmuon'; T=mongmuon/max(mongmuon); tt=tt'; pp=pp'; tt=tt/max(tt); pp=pp/max(pp); timkiem=1:50 % Thay đổi số phần tử lớp ẩn for i=timkiem Emin=inf; for j=1:5 % Các hướng tìm kiếm ngẫu nhiên net = newff(minmax(P),i 1,{'logsig' 'logsig'}); % Khởi tạo mạng net.trainParam.epochs = 200; % Số lần lặp net = train(net,P,T); Y = sim(net,P); Ehoc(i)=sum((Y-T).^2)/2/length(P); if (Ehoc(i)