Ứng dụng mạng Nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện Miền Bắc

1 B GIO DC V O TO TRNG I HC BCH KHOA H NI - LUN VN THC S KHOA HC NG DNG MNG NRON NHN TO D BO PH TI NGN HN H THNG IN MIN BC NGNH: CễNG NGH THễNG TIN M S: CHU NGHA Ngi hng dn khoa hc: PGS.TS NGUYN C NGHA H NI 2007 Mục lục Danh mục từ viết tắt Mở đầu CHƯƠNG I PHụ TảI Hệ THốNG ĐIệN MIềN BắC toán dự báo 1.1 Phụ tải Hệ thống điện miền Bắc .7 1.1.1 Giới thiệu chung HTĐ miền Bắc 1.1.2 Tầm quan trọng dự báo phụ tải 10 1.1.3 Những yếu tố ảnh hởng đến phụ tải ngắn hạn .11 1.1.4 Mục tiêu phạm vi nghiên cứu dự báo phụ tải 15 1.2 Bài toán dự báo phụ tải 16 1.2.1 Đặc điểm đồ thị phụ tải HTĐ miền Bắc 16 1.2.2 Dự báo phụ tải ngắn hạn cho 24h 19 CHƯƠNG II 23 Tổng quan Về MạNG NƠRON NHÂN TạO 23 2.1 Lịch sử phát triển mạng nơron nhân tạo 23 2.2 Cơ sở lý thuyết mạng nơron 26 2.3 Bộ não nơron sinh học .27 2.4 Mô hình mạng nơron nhân tạo .30 2.4.1 Mô hình nơron nhân tạo 30 3.4.2 Mô hình mạng nơron nhân tạo .33 Chơng III 40 ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức Kohonen toán phân loại ngày 40 3.1 Sự cần thiết phân loại đồ thị phụ tải 40 3.1.1 Tập hợp kiểu đồ thị phụ tải đặc trng 40 3.1.2 Sự cần thiết phân loại ngày phơng pháp mạng nơron 42 3.2 Mạng nơron ánh xạ đặc trng tự tổ chức Kohonen 43 3.2.1 Cấu trúc mạng 44 3.2.2 Huấn luyện mạng 45 3.2.3 Sử dụng mạng 47 3.3 Xây dựng mạng Kohonen để phân loại ngày 48 3.3.1 Thiết kế cấu trúc mạng 48 3.3.2 Huấn luyện mạng 49 3.3.3 Xây dựng cấu trúc phần mềm mô mạng Kohonen phân loại ngày .52 3.3.4 Kết sử dụng mạng Kohonen phân loại ngày .52 3.3.5 Phân tích kết phân loại ngày tháng 2/2006, tháng 5/2006 .54 CHƯƠNG iV 58 ứNG DụNG MạNG NƠRON NHIềU LớP LAN TRUYềN NGƯợC SAI Số Dự BáO PHụ TảI Ngắn hạn THEO NHIệT Độ MÔI TRƯờNG 58 4.1 Các khái niệm mạng nơron nhiều lớp lan truyền ngợc sai số (Back propagation neural network) 58 4.1.1 Kiến trúc mạng truyền thẳng .59 4.1.2 Huấn luyện mạng 60 4.1.3 Sử dụng mạng 64 4.1.4 Nghiên cứu hội tụ độ phức tạp trình huấn luyện mạng 64 4.1.5 Một số vấn đề mạng nơron nhiều lớp 67 4.2 ứng dụng mạng nơron nhiều lớp lan truyền ngợc sai số xây dựng toán dự báo phụ tải hệ thống điện .68 4.2.1 Các bớc xây dựng toán dự báo phụ tải 68 4.2.2 Xây dựng cấu trúc phần mềm mô mạng nơron lan truyền ngợc sai số ứng dụng toán dự báo đỉnh đáy đồ thị phụ tải 72 4.2.3 Dự báo phụ tải cho 24 ngày .85 CHƯƠNG V 99 Hệ thống phần mềm dự báo phụ tải ngắn hạn cho hệ thống điện miền bắc 99 5.1 Giới thiệu sở liệu 99 5.2 Đặc tả chức 100 5.2.1 Truy vấn liệu 100 5.2.2 Phân loại liệu 101 5.2.3 Chuẩn hoá liệu 101 5.2.4 Huấn luyện mạng 101 5.2.5 Dự báo phụ tải .101 5.3 Hớng dẫn sử dụng 102 5.3.1 Truy vấn liệu 102 5.3.2 Phân loại liệu .103 5.3.3 Chuẩn hoá liệu 103 5.3.4 Huấn luyện mạng 104 5.3.5 Dự báo 104 CHƯƠNG vI 106 so sánh với số kết đ có Đánh giá kết 106 6.1 So sánh với số phơng pháp có .106 6.2 Đánh giá kết 111 KếT LUậN 114 Tài liệu tham khảo 116 Phụ lục i 118 Phụ lục II 120 Tóm tắt luận văn 123 Summary 124 Danh mục từ viết tắt ANN Mạng nơron nhân tạo DBPT Dự báo phụ tải HTĐ Hệ thống điện HTĐ1 Trung tâm Điều độ Hệ thống điện miền Bắc MSE Trung bình tổng bình phơng sai số SSE Tổng bình phơng sai số CNTT Công nghệ thông tin ĐTPT Đồ thị phụ tải Chơng I Phụ tải hệ thống điện miền Bắc toán dự báo: Mở đầu Trong năm gần đây, nhu cầu lợng không ngừng biến Trình bày tổng quan HTĐ miền Bắc Phát biểu toán dự báo phụ tải, nêu đổi tăng lên rõ rệt theo thời gian nên ngành Điện lực xây dựng phạm vi, tầm quan trọng toán, yếu tố ảnh hởng đến phụ tải ngắn nhiều nhà máy điện để đáp ứng nhu cầu tiêu thụ điện hạn nớc Vì vậy, vấn đề quan trọng mà ngành Điện lực cần phải giải tốt toán dự báo phụ tải ngắn hạn dài hạn Chơng II Tổng quan mạng nơron nhân tạo: Trình bày khái niệm mạng nơron nhân tạo: sở lý thuyết mô hình mạng Cho đến có nhiều phơng pháp luận việc giải Chơng III ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức toán dự báo, song toán toán khó Hiện nay, Kohonen toán phân loại ngày: Trình bày khái niệm ngành Điện lực Việt Nam toán dự báo phụ tải đợc giải chủ yếu nhờ mạng nơron ánh xạ đặc trng tự tổ chức Kohonen, đề xuất cấu trúc mạng để sử dụng phơng pháp dự báo truyền thống mang tính kinh nghiệm giải toán, xây dựng cấu trúc phần mềm phân tích đánh giá kết tuý Trong số hớng nghiên cứu nhằm triển khai hệ thống thông minh đạt đợc giai đoạn tới, mạng nơron giữ vai trò quan trọng việc phát triển giải pháp nhận dạng, dự báoMạng nơron nhân tạo kỹ thuật xử lý thông tin có triển vọng ứng dụng việc giải toán dự báo Kết hợp chặt chẽ với logic mờ, mạng nơron nhân tạo giúp giải hiệu toán phức tạp Chơng IV ứng dụng mạng nơron nhiều lớp lan truyền ngợc sai số toán dự báo phụ tải theo nhiệt độ môi trờng: Trình bày khái niệm mạng nơron nhiều lớp lan truyền ngợc sai số, đa bớc xây dựng toán, đề xuất cấu trúc mạng, xây dựng cấu trúc phần mềm, đánh giá kết so sánh với số phơng pháp có Nhờ u điểm nh có cấu trúc xử lý song song, khả học ghi nhớ, khả tự tổ chức tổng quát hoá, mạng nơron nhân tạo ANN (Artificial Newal Networks) đợc nghiên cứu ứng dụng thành công nhiều lĩnh vực nh xấp xỉ hàm nhận dạng mẫu, dự báo Luận văn Chơng V - Hệ thống phần mềm dự báo phụ tải ngắn hạn cho Hệ thống điện miền Bắc: Giới thiệu sở liêụ, đặc tả chức hệ thống hớng dẫn sử dụng phần mềm chủ yếu tập trung tìm hiểu mạng nơron nhân tạo nghiên cứu ứng Chơng VI - So sánh với số kết có đánh giá kết quả: dụng giải toán dự báo phụ tải ngắn hạn cho hệ thống điện miền Bắc So sánh phơng pháp dự báo phụ tải ngắn hạn Hệ thống điện miền Bắc sử Mục đích luận văn phát triển phơng pháp để giải toán dự dụng mạng nơron nhân tạo với số phơng pháp dự báo truyền thống báo phụ tải ngắn hạn Đối tợng cụ thể nghiên cứu dự báo phụ tải cho 24 sau nhằm đa thông số cần thiết cho công tác vận hành lập phơng thức điều hành hệ thống điện Luận văn bao gồm sáu chơng hai phụ lục Đánh giá kết đạt đợc khả ứng dụng phần mềm Phụ lục I Phần mềm mô mạng Kohonen toán phân loại kiểu ngày Phụ lục II Phần mềm mô mạng nơron lan truyền ngợc sai số CHƯƠNG I ứng dụng toán dự báo đỉnh đáy đồ thị phụ tải PHụ TảI Hệ THốNG ĐIệN MIềN BắC toán dự báo Em xin chân thành cảm ơn PGS.TS Nguyễn Đức Nghĩa hớng dẫn cho em ý kiến quý báu, em xin chân thành cảm ơn thầy cô giáo khoa Công nghệ Thông tin Trờng Đại học Bách khoa Hà Nội trang bị kiến thức giúp em hoàn thành luận văn Chơng đề cập đến vấn đề sau: Giới thiệu chung HTĐ miền Bắc Tầm quan trọng dự báo phụ tải Những yếu tố ảnh hởng đến phụ tải ngắn hạn Mục tiêu phạm vi nghiên cứu dự báo phụ tải Đặc điểm đồ thị phụ tải HTĐ miền Bắc Dự báo phụ tải ngắn hạn cho 24h 1.1 Phụ tải Hệ thống điện miền Bắc 1.1.1 Giới thiệu chung HTĐ miền Bắc Ranh giới Hệ thống điện miền Bắc đợc tính từ Hà tĩnh trở ra, vùng có vị trí địa lý tơng đối phức tạp, trải dài nằm sát bờ biển, có nhiều đồi núi, có nhiều vùng khí hậu khác nhau, kinh tế khu vực toàn miền Bắc phát triển không đồng dẫn đến công suất phụ tải khu vực có chênh lệch lớn Phụ tải chủ yếu tập trung vùng đồng bằng, thành phố lớn có công nghiệp phát triển Tại vùng phụ tải cao điểm thấp điểm chênh lệch không lớn Pmin/Pmax khoảng 0.7 phụ tải công nghiệp khu vực phát triển Đối với vùng miền núi sản xuất nông nghiệp, công nghiệp không phát triển Pmin/Pmax khoảng 0.3 phụ tải vào cao điểm chủ yếu phụ tải sinh hoạt, điều gây khó khăn lớn vận hành kinh tế hệ thống điện Vào thấp điểm hệ thống ta không khai thác cao đợc nguồn điện rẻ tiền vào cao điểm hệ thống ta phải chạy nguồn điện đắt tiền để phủ đỉnh, có phải hạn chế phụ tải vào cao điểm nguồn điện không đáp ứng đợc nhu cầu phụ tải Các thành phần cấu thành phụ tải đợc thể biều đồ sau: Quản lý & Tiêu dùng dân c 44.59% Các hoạt động khác 4.32% Nông nghiệp thuỷ sản 1.40% Thơng nghiệp & KSNH 4.49% Công nghiệp xây dựng 45.20% Bảng 1.2: Tốc độ tăng trởng phụ tải 2002 2003 2004 2005 HTĐ Bắc 13,84% 16,02% 12,62% 12,8% Cty I 15,38% 17,81% 13,41% 13,22% Hà Nội 10,89% 13,21% 11,27% 11,6% Hải Phòng 10,6% 10,41% 10,12% 11,28% Hình 1.1 Biểu đồ thành phần cấu thành nên phụ tải Trên biểu đồ ta thấy phụ tải Quản lý & Tiêu dùng dân c, Công nghiệp Do điện Quản lý & Tiêu dùng dân c lớn nên chênh lệch công suất cao điểm thấp điểm lớn (khoảng 2-3 lần) phụ & xây dựng chiếm tỷ trọng lớn, đến 90% tổng công suất phụ tải thuộc nhiều vào thời tiết, gây ảnh hởng lớn đến việc khai thác tối u Theo thống kê, mức độ tăng trởng phụ tải hệ thống điện từ năm 2001 2005 cao Bảng 1.1 bảng 1.2 dới thể tốc độ tăng trởng phụ tải sản lợng năm nguồn điện Phụ tải cao điểm nhân tố định việc huy động nguồn điện phụ tải thấp điểm lại giữ vai trò quan trọng việc định phối hợp điều chỉnh nguồn điện nhằm đảm bảo vận hành kinh tế Do Bảng 1.1: Sản lợng điện tiêu thụ HTĐ miền Bắc từ năm 2001-2005 việc dự báo xác phụ tải có ý nghĩa quan trọng toán vận hành kinh tế hệ thống điện nh cải tạo, thiết kế hệ thống cung cấp điện, 2001 2002 2003 2004 2005 HTĐ miền Bắc 10.765.767,2 12.251.947,5 14.215.228,6 16.008.894,1 18.057.297,9 giảm thiểu đợc tổn thất công suất điện Đặc biệt việc dự báo phụ tải cao điểm xác mang lại lợi ích hiệu suất sử dụng lợng cho khách hàng, tránh trình trạng thiếu công suất cao điểm Cty I 7.042.600,7 8.125.911,1 9.573.472,8 10.857.462,9 12.292.387,7 Hà Nội 2.777.100,4 3.079.711 3.486.549 3.879.340,1 4,329.367,2 Do phụ tải cao điểm thấp điểm hai giá trị đặc biệt đồ thị phụ tải ngày mối quan tâm hàng đầu ngời lập quy hoạch thiết kế hệ thống điện Khi phụ tải thấp tỉ lệ tổn thất tăng tổn hao không tải Hải Phòng 946.066,1 1.046.325,4 1.155.206,9 1.272.091,1 1.415.610,8 10 1.1.2 Tầm quan trọng dự báo phụ tải Nh biết tháng 5/2005 sản lợng điện tiêu thụ đột biến nguồn tài nguyên nớc thời điểm bị thiếu hụt dẫn đến ảnh hởng lớn đến kinh tế Việt Nam Vì dự báo phụ tải điện đóng vai trò quan trọng việc quy hoạch, đầu t, phát triển nguồn điện vận hành hệ thống điện Nhu cầu tiêu thụ điện phụ thuộc vào khả phát triển kinh tế quốc dân dự báo phụ tải thấp so với nhu cầu thực tế dẫn đến kết nguồn dự phòng thấp, không đáp ứng đầy đủ nhu cầu điện cho sản xuất công nghiệp tiêu dùng, dự báo phụ tải cao phải huy động nguồn đắt tiền gây lãng phí cho kinh tế nớc nhà 11 Trong thực tế vận hành HTĐ Việt Nam nói chung HTĐ miền Bắc nói riêng, phụ tải cao điểm (phụ tải cao ngày Pmax) thấp điểm (phụ tải thấp ngày Pmin) hai điểm đặc biệt đồ thị phụ tải ngày đợc quan tâm nhiều vận hành Phụ tải cao điểm định việc huy động nguồn nhiệt điện, tua-bin khí, diesel dự phòng nhằm đảm bảo đủ nguồn phủ đỉnh dự phòng nóng, tăng độ an toàn cung cấp điện Phụ tải thấp điểm định việc phối hợp điều chỉnh nguồn tua-bin khí, nhiệt điện, thủy điện nhằm đảm bảo vận hành kinh tế, tránh nhà máy thuỷ điện Hoà Bình vận hành vùng công suất không cho phép kỹ thuật, dự báo phụ tải lúc cao điểm Pmax quan trọng ngày Dự báo xác phụ tải cao điểm có hiệu lớn kinh tế vào mùa lũ cần Dự báo phụ tải dài hạn (khoảng 10-20 năm) nhằm mục đích cung cấp liệu cho công tác quy hoạch đầu t phát triển HTĐ Còn dự báo phụ tải ngắn hạn (trong vòng 30 ngày) có nhiệm vụ đảm bảo vận hành hệ thống điện an toàn kinh tế Đối với dự báo dài hạn có tính chất chiến lợc nêu lên phơng hớng phát triển chủ yếu mà không yêu cầu xác định tiêu cụ thể Các chức quan trọng kế hoạch vận hành HTĐ nh phân phối nguồn cách kinh tế, hiệu quả, lên kế hoạch bảo dỡng sửa chữa, thờng đợc thực nhờ việc dự báo phụ tải, dự báo phụ tải đóng vai trò đặc biệt quan trọng điều độ viên, ngời hoạch định kế hoạch, lên phơng thức vận hành HTĐ Trong công tác vận hành, việc lập phơng thức ngày, phơng thức tuần Trung tâm Điều độ, hay dự báo phụ tải báo trớc giờ, ngày, khai thác tối đa nguồn thủy điện, nớc hồ chứa xả nguồn điện khác huy động nhằm mục đích an toàn, bù điện áp phủ đỉnh Nếu sai số dự báo phụ tải lúc cao điểm giảm 2%, Điều độ Quốc Gia (ĐĐQG) tiết kiệm đợc khoảng 80 MW nguồn tuabin khí chạy dầu đắt tiền chạy phủ đỉnh lúc cao điểm, góp phần đáng kể vào việc tăng hiệu vận hành HTĐ tiết kiệm đợc hàng trăm triệu đồng cho ngành điện nói riêng cho kinh tế Quốc dân nói chung Hạn chế phụ tải lúc cao điểm thờng xảy mùa lũ thiếu nguồn phủ đỉnh Tính xác đợc lợng công suất thiếu để chủ động cắt phụ tải khu vực không quan trọng, tránh cắt thừa cắt thiếu, tránh sa thải phụ tải bảo vệ tần số thấp tác động có ý nghĩa lớn vận hành, giảm thiệt hại cắt điện 1.1.3 Những yếu tố ảnh hởng đến phụ tải ngắn hạn tuần công việc tối cần thiết Những phơng thức vận hành ngày nh huy động nguồn, phối hợp nguồn, truyền tải công suất Để tìm đợc phơng pháp dự báo tối u toán dự báo phụ miền, giải công tác sửa chữa lới điện đánh giá mức độ tải ngày HTĐ miền Bắc với sai số nhỏ, ta cần xác định đợc yếu tố an toàn HTĐ đòi hỏi phải có dự báo phụ tải tơng đối xác ảnh hởng đến phụ tải ngày, ví dụ: thứ ngày tuần, ngày lễ, 12 13 đặc điểm ngày cần dự báo, nh nhiệt độ ngày Chính để Ngày đặc biệt năm nh ngày lễ tết, 30/4, 1/5, 2/9 phụ tải nâng cao độ xác trình dự báo phụ tải ta cần phải xét đến yếu ngày giảm đáng kể so với ngày thờng Phụ tải ngày sát với ngày tố chủ yếu ảnh hởng đến phụ tải bị ảnh hởng, ta thấy rõ điều đồ thị phụ tải HTĐ miền Qua thực tế vận hành cho thấy phụ tải lới điện Việt Nam nói chung miền Bắc nói riêng phụ thuộc chủ yếu vào yếu tố sau: Bắc ngày lễ 1/5/2006 ngày làm việc bình thờng 3/5/2006 Dự báo phụ tải ngày đặc biệt không đợc áp dụng nh ngày thông thờng mà phải tách biệt phơng pháp riêng dựa vào thay đổi phụ tải ngày Thứ ngày tuần so với ngày dạng năm trớc Có quy luật phụ tải ngày tuần Đồ thị phụ tải - Phụ tải thấp đêm thứ 3500 - Đồ thị phụ tải ngày làm việc thờng có dạng giống 3000 Công suất - Phụ tải ngày nghỉ cuối tuần giảm Đồ thị phụ tải 2000 1500 1000 500 3500 3000 Công suất 2500 Ngy 3/5 2500 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ Ngy 1/5 2000 Hình 1.3 Đồ thị phụ tải HTĐ miền Bắc hai ngày 1/5, 3/5 1500 1000 500 Thời tiết ngày 0 Th 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 ThGiờ CN Bao gồm thông số tự nhiên: nhiệt độ, độ ẩm, tốc độ gió, cờng độ sáng, nhiệt độ có ảnh hởng lớn nhất, nhiệt độ tăng phụ tải tăng ngợc lại nớc ta nớc nhiệt đới Chỉ có trờng hợp đặc biệt miền Hình 1.2 Đồ thị phụ tải ngày đặc trng tuần Các ngày đặc biệt năm Bắc nhiệt độ lạnh, phụ tải tăng sử dụng thiết bị sởi ấm 14 15 Kế hoạch sửa chữa lớn ngày có cắt điện Đồ thị phụ tải Trong trình thực kế hoạch sửa chữa lớn, nh cắt điện đờng 3500 dây vận hành để kéo đờng dây mới, sửa chữa trạm 220Kv, 500Kv phải 3000 Công suất 2500 cắt tải diện rộng dẫn đến điện tiêu thụ vào ngày giảm cách 2000 1500 đáng kể Dự báo phụ tải ngày phải tính toán khấu trừ phụ tải giảm 1000 ngừng cung cấp điện Dạng đồ thị phụ tải ngày có cắt điện diện 500 rộng mang đặc thù riêng, thay đổi tuỳ thuộc vào thời gian, vùng , miền 0 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ 26-33 cắt điện 18 26 Hình 1.4 Đồ thị phụ tải ngày hai ngày có nhiệt độ khác Truyền hình trực tiếp kiện thể thao văn hoá Công suất tiêu thụ vào tuyền hình trực tiếp bóng đá quốc tế, giải bóng đá có đội tuyển Việt Nam tham gia tăng đột ngột từ 150 - 200 MW Các điều độ viên thờng dự báo phụ tải ngày theo kinh nghiệm ngày tơng tự trớc Ví dụ: dự báo đồ thị phụ tải ngày có truyền hình trực tiếp Worldcup 2006, ta dựa vào đồ thị phụ tải ngày có truyền hình trực tiếp Worldcup 2006 trớc để dự báo Qua trình vận hành thực tế liệu thống kê, điều độ viên, chuyên viên chuyên phân tích phụ tải hệ thống điện đến kết luận: Nhiệt độ môi trờng, đặc thù ngày tuần, ngày lễ, ngày tết yếu tố ảnh hởng lớn đến giá trị phụ tải ngày 1.1.4 Mục tiêu phạm vi nghiên cứu dự báo phụ tải Mục tiêu luận văn Nghiên cứu áp dụng kỹ thuật mạng nơron để dự báo phụ tải cao điểm (Pmax), thấp điểm đêm (Pmin) phụ tải ngày (24 giờ) HTĐ miền Bắc theo liệu phụ tải khứ, nhiệt độ môi trờng số yếu tố ảnh hởng Đồ thị phụ tải khác 3500 Phạm vi nghiên cứu Công suất 3000 2500 Dự báo giữ vai trò quan trọng nhiều lĩnh vực, định kế 2000 1500 hoạch sản xuất, hớng đầu t phát triển tơng lai có nhiều 1000 mô hình toán học áp dụng cho dự báo Cũng nh dự báo khác, dự báo phụ 500 0 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 ờm khụng cú WC Giờ ờm cú WC tải ngày phải dựa vào liệu thống kê, phân tích áp dụng thuật toán để xác định mối quan hệ phụ tải yếu tố ảnh hởng, từ dự báo phụ tải dựa yếu tố ảnh hởng Hình 1.5 Đồ thị phụ tải HTĐ miền Bắc có truyền hình trực tiếp Worldcup 2006 ngày bình thờng 16 17 Trớc đây, mô hình toán học truyền thống hay đợc áp dụng cho dự lợng tiêu thụ ngành ba năm 2003 đến 2005 Có thể nhận thấy báo nh: hồi qui tuyến tính (linear regression), san hàm mũ (exponential rằng, tỉ trọng điện tiêu thụ quản lý & tiêu dùng dân c lớn làm chế smoothing), san trung bình (moving averages), hệ số ngẫu nhiên (stochatic) độ tiêu thụ điện xấu đi, hệ số phụ tải giảm, gây nhiều khó khăn cho việc Gần đây, với phát triển việc nghiên cứu số thuật toán dựa trí đảm bảo an toàn cung cấp điện tuệ ngời (artificial intelligence), mạng nơron nhân tạo (artificial Bảng 1.3 Tỉ trọng sản lợng điện tiêu thụ thành phần kinh tế neural networks) đợc áp dụng dự báo đợc đánh giá cao Đây mô hình phi tuyến với nhiều u điểm đợc áp dụng rộng rãi Mạng nơron nhân tạo đợc xây dựng sở mô hoạt động hệ thống Tiêu dùng Công nghiệp Nông lâm Thơng dân c & xây dựng nghiệp nghiệp 2003 45,32% 44,2% 1,41% 4,52% 4,55% 2005 44,59% 45,2% 1,4% 4,49% 4,32% 2006 44,31% 45,91 1,42 4,38 3,98 Năm Khác nơron thần kinh sinh học mạng nơron nhân tạo có số đặc điểm nh não ngời, khả học đợc đợc dạy Quá trình học đợc gọi trình huấn luyện Trong trình mẫu thể quan hệ biến ngẫu nhiên đợc đa vào mạng nơron, mạng nơron nhận biết đợc quan hệ biến ngẫu nhiên sau kết thúc trình huấn luyện Chính đặc điểm mà mạng nơron đợc ứng dụng nhiều lĩnh vực dự báo Đặc biệt toán dự báo phụ tải ngắn hạn mô hình đợc đánh giá cao hẳn mô hình trớc mô hình đợc áp dụng phổ biến số nớc phát triển dự báo phụ tải Đồ thị phụ tải ngày HTĐ miền Bắc đợc xây dựng theo giá trị phụ tải 24h ngày Trên hình 1.6 đồ thị hai ngày làm việc bình thờng vào mùa đông mùa hè Đồ thị phụ tải biến đổi theo giờ, phụ tải cao ngày (Pmax) lớn nhiều so với phụ tải thấp ngày (Pmin) Nghiên cứu phơng pháp dự báo phụ tải ngày nghiên cứu áp dụng Cao điểm tra thờng xảy 10h-11h, cao điểm chiều thờng xảy 18h-19h phơng pháp toán học để tìm quan hệ phụ tải ngày yếu tố chủ Thấp điểm thờng xảy vào ban đêm khoảng 3h-4h vào mùa hè, 2h-3h yếu ảnh hởng đến phụ tải ngày Thuật toán áp dụng cho dự báo phụ tải theo vào mùa đông Đồ thị ngày mùa hè thờng đồng mùa nhiệt độ phải dựa dự báo thời tiết ngày hôm sau gồm thông tin nh: đông, chứng tỏ sản lợng điện sinh hoạt tiêu thụ lớn so với ngành khác nhiệt độ cao thấp ngày, nắng hay ma, giông bão 1.2 Bài toán dự báo phụ tải 1.2.1 Đặc điểm đồ thị phụ tải HTĐ miền Bắc Phụ tải HTĐ miền Bắc có thành phần điện Quản lý & Tiêu dùng dân c Công nghiệp & xây dựng chiếm tỷ trọng lớn Bảng 1.3 thống kê sản 18 19 1.2.2 Dự báo phụ tải ngắn hạn cho 24h Đ th ị p h ụ tải Dự báo phụ tải lới điện cho 24h nhằm đa giá trị phụ 3500 tải dự báo theo ngày sát với thực tế vận hành, Công suất 3000 2500 giảm sai số vấn đề mang tính chiến lợc trình dự báo 2000 1500 Trong trình phân tích, so sánh đồ thị phụ tải miền Bắc 1000 500 miền khác thời gian dài cho thấy kiểu đồ thị phụ tải ngày chủ yếu bị 0 14/12/2005 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 G iờ 11/07/2006 ảnh hởng thói quen tổ chức sinh hoạt, cách phân công xếp công việc khách hàng, từ ta thấy ĐTPT có mối liên quan chặt chẽ với môi trờng Hình 1.6 ĐTPT hai ngày làm việc vào mùa đông mùa hè Trong trình vận hành điều độ, phụ tải cao điểm (Pmax) phụ tải thấp điểm (Pmin) hai điểm quan trọng ngày Phụ tải cao điểm thấp điểm định huy động nguồn điều chỉnh phối hợp nguồn thuỷ điện, nhiệt điện, diesel Vào thời điểm cao điểm Điều độ Quốc Gia phải huy động nguồn điện đắt tiền nh nhà máy diesel, tua bin khí cho việc khởi động nâng công suất, trờng hợp cố thiếu nguồn, điều độ viên cần phải dự báo công suất thiếu để chuẩn bị trớc phơng án cắt tải sau phối hợp với điều độ miền phân bổ công suất cần phải cắt cho Điều độ lới điện phân phối Cắt tải có chuẩn bị trớc gây thiệt hại kinh tế cắt tải rơ le tần số thấp tác động Đặc biệt đảm bảo an toàn nhà máy sản xuất công nghiệp nặng Vào thấp điểm (phụ tải thờng thấp cao điểm 2-3 lần) Cần điều chỉnh cắt giảm nguồn điện đắt tiền nh nguồn tua bin khí chạy dầu, nhiệt điện cho thoả mãn tiêu kinh tế Nếu dự báo xác Pmin, Pmax, huy động điều chỉnh nguồn hợp lý, dẫn đến vận hành hệ thống an toàn, hiệu kinh tế hoạt động, ngày làm việc, ngày nghỉ, lễ, tết, cộng đồng dân c Còn đáy đỉnh phụ tải hàm biến thời tiết nh nhiệt độ, lợng ma, độ ẩm Bài toán dự báo phụ tải HTĐ chia thành hai toán nhỏ: Bài toán dự báo đỉnh đáy ĐTPT ngày cần dự báo Bài toán xác định dạng ĐTPT ngày cần dự báo 1.2.2.1 Các dạng đồ thị phụ tải Xét đồ thị phụ tải HTĐ hình 1.7, đồ thị phụ tải Công ty điện lực I ngày 14/5/2006 (chủ nhật) ngày 15/5/2006 (Thứ hai) đợc xây dựng theo giá trị phụ tải 24h ngày ĐTPT hai ngày điễn hình có dạng tơng tự nh ĐTPT ngày HTĐ miền Bắc, ta thấy giá trị phụ tải phân bố ĐTPT không đồng Đặc biệt độ chênh lệch hai giá trị Pmax Pmin lớn 96 97 1578.3 1573.4 4.86 0.31 1533.5 1534.4 -0.91 0.06 1552.5 1519.7 32.80 2.11 1617.7 1627.5 -9.76 0.60 1796.3 1862.3 -66.05 3.68 1800.1 1905.8 -105.71 5.87 1925.2 2021.5 -96.30 5.01 21 2348.8 2382.1 -33.33 1.42 22 2012.4 2088.3 -75.91 3.77 23 1853.0 1926.0 -73.00 3.94 24 1661.2 1683.8 -22.62 1.36 Đồ thị phụ tải 3500 3000 2059.1 2100.4 -91.28 10 2351.8 2427.7 -75.86 3.23 11 2402.8 2455.9 -53.10 2.21 12 1877.5 1986.6 -109.10 5.81 13 1722.1 1808.8 -86.67 5.03 14 1818.7 1898.6 -79.86 4.40 15 1919.4 2010.2 -90.82 4.73 Công suất 2500 4.43 2000 1500 1000 500 0 Thc t 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ D bỏo Hình 4.7 Đồ thị phụ tải dự báo phụ tải thực tế ngày 14/5/2006 Qua ĐTPT báo phụ tải thực tế từ ngày 9/5 đến ngày 14/5 năm 16 2072.7 2130.6 -57.95 2.80 17 2454.4 2597.9 -143.50 5.85 18 2766.9 2832.7 -65.83 2.38 2006 ta thấy ĐTPT dự báo gần với ĐTPT thực tế Sai số dự báo nguyên nhân sau: Mạng bị ảnh hởng nhiều từ trạng thái khởi đầu tham số học: - Lựa chọn cấu trúc mạng: bao gồm số nơron lớp vào, lớp ẩn, lớp 19 2923.6 2914.6 9.00 0.31 20 2674.4 2665.5 8.94 0.33 hàm truyền f(.) - Chọn giá trị hệ số học hệ số quán tính 98 99 - Hệ số trọng lợng ban đầu cho mạng, số vòng lặp trình huấn luyện CHƯƠNG V Hệ thống phần mềm dự báo phụ tải ngắn hạn cho hệ Sai số liệu đầu vào - Sai số phụ tải đầu vào: Hiện thông số phụ tải HTĐ miền Bắc lấy tay việc ghi thông số không xác, sai lệch thời gian lấy thông số thời điểm xảy cố Mặc dù hệ thống SCADA/EMS đa vào vận hành cho HTĐ miền Bắc, nhng hệ thống thu thập liệu số trạm điện quan trọng yếu tố đợc cải thiện hệt thống SCADA/EMS đợc áp dụng cho toàn trạm điện toàn miền Bắc - Sai số nhiệt độ: Do hệ thống đo lờng nhiệt độ môi trờng không xác Sai số thuật toán: thống điện miền bắc Căn vào sơ đồ trình tự bớc thuật toán tạo lập mạng nơron nhiều lớp lan truyền ngợc sai số đợc giới thiệu phần trớc, ta xây dựng phần mềm dự báo phụ tải đỉnh đáy hệ thống điện Miền Bắc Phần sở liệu đợc thiết kế hệ quản trị CSDL SQL Server liệu ngời dùng nhập vào phần mềm có sẵn (Phần mềm phục vụ báo cáo sản xuất, phòng tin học Trung tâm tâm Điều độ HTĐ miền Bắc thiết kế xây dựng) Hệ thống chơng trình bao gồm hai phần Phần thứ đợc viết ngôn ngữ lập trình VBA đợc tích hợp phần mềm Excel dùng để truy vấn sở liệu từ SQL Server chuẩn hoá liệu Phần thứ hai đợc viết Matlab để huấn luyện mạng đa kết dự báo - Quá trình huấn luyện mạng dừng lại sau kiểm tra E < E0 kết thúc giá trị vòng lặp đạt tới giá trị giới hạn định trớc, trình huấn luyện lâu, số lợng phép toán lớn dẫn đến sai số Dự báo Huấn luyện mạng Chuẩn hoá Phân loại số liệu Truy vấn số liệu SQL S trình tính toán - Phụ tải Pmax, Pmin không phụ thuộc vào nhiệt độ Tmax, Tmin ngày *.txt *.xls mà chịu ảnh hởng yếu tố khác thời tiết nh ma, gió, độ ẩm Các mẫu phụ tải Pmax, Pmin nhiệt độ Tmax, Tmin khứ không *.xls *.xls Hình 5.1 Sơ đồ quan hệ module 5.1 Giới thiệu sở liệu với quan hệ phụ tải nhiệt độ Để tránh sai số cần phải Xuất phát từ sơ đồ thực thể liên kết, thông qua số tool SQL cập nhật phụ tải nhiệt độ ngày gần để huấn luyện mạng, Server, ta kiểm tra đợc tất bảng liệu bắt nguồn từ thực trình dự báo phụ tải cần quan sát liệu đầu vào đầu để huấn luyện thể, cột bắt nguồn từ thuộc tính, primary key từ UIK, foreign key từ lại mạng quan hệ liên kết (Relationship) Tất định nghĩa thuộc tính nh độ dài, kiểu liệuđều đợc định nghĩa từ trớc Tuy nhiên xuất phát 100 101 toán dự báo phụ tải ngắn hạn nên ta quan tâm đến số bảng 5.2.2 Phân loại liệu liệu toàn hệ thống sở liệu đợc thiết kế từ trớc với cấu trúc bảng nh sau: Module thực phân loại số liệu thu thập đợc từ module truy vấn liệu theo nhóm liệu khác Dữ liệu phân loại đợc lu vào file excel Bảng thông tin phụ tải nhiệt độ điện lực 5.2.3 Chuẩn hoá liệu Tên cột Kiểu Len PK FK Null Mô tả Module chuẩn hoá liệu thực việc chuẩn hoá số liệu đợc x Ngày phân loại module phân loại liệu theo công thức định nghĩa chơng 2, Gio x Giờ theo nguyên tắc giá trị đầu vào cho mạng nơ ron phải nằm khoảng [- ND X Nhệt độ 1,1] đợc lu vào file excel Số liệu sau đợc chuẩn hoá số liệu X Hà Nội đầu vào cho module huấn luyện mạng X Hải phòng 5.2.4 Huấn luyện mạng X Lai Châu Ngay B1 Date Float B2 Float B29 Float Module thực việc huấn luyện mạng với trọng số lấy ngẫu nhiên khoảng [-1,1] Trong trình học, mạng điều chỉnh tham số cho tổng bình phơng lỗi nhỏ (Quá trình huấn luyện mạng dừng Trong đó: PK : primary key (Khoá chính) FK : foreign key (khoá liên kết) Len: Độ dài liệu 5.2 Đặc tả chức SSE = nhỏ số vòng lặp qua lớn) Kết thúc trình huấn luyện mạng ta thu đợc trọng số mới, gọi trọng số sau huấn luyện, trọng số đợc lu trữ dới dạng file text Bộ trọng số sau huấn luyện đợc dùng làm phơng tiện cho việc dự báo phụ tải 5.2.5 Dự báo phụ tải 5.2.1 Truy vấn liệu Module dự báo phụ tải thực mạng đợc huấn luyện xong Module truy vấn liệu dùng để truy vấn số liệu từ sở liệu SQL Quá trình làm việc mạng nơron trình tự tái diễn lại, đa Server, số liệu đầu bao gồm phụ tải nhiệt độ tập mẫu, số liệu giá trị đầu vào mẫu vào với trọng số sau huấn luyện cho đáp số liệu đầu vào để huấn luyện mạng Số liệu sau truy vấn đợc lu ứng đầu tơng ứng với đầu vào theo nhận thức mạng đợc hình vào file có đuôi mở rộng xls thành trình huấn luyện Đáp ứng đầu kết dự báo mạng 102 5.3 Hớng dẫn sử dụng 103 5.3.2 Phân loại liệu Trên hình Desktop chọn file dubaophutai.xls, chơng trình chạy Trên hình Desktop nháy đúp vào biểu tợng MATLAB R12 chạy lên hình (hình 5.2) mà ngời sử dụng thực theo dõi lên hình (hình 5.4) Trên cửa sổ lệnh hình 5.4 nhập lệnh dubaophutai, chức chơng trình chơng trình chạy menu chức (hình 5.5) Trên hình 5.5 ta chọn chức phan loai so lieu, sau phần mềm yêu cầu ngời sử dụng nhập tên file liệu, ta nhập tên file số liệu cần phân loại, phần mềm tự động phân loại liệu lu vào file Hình 5.2 Giao diện chơng trình 5.3.1 Truy vấn liệu Trên hình 5.2 ta bấm chuột vào chức truy vấn liệu, Hình 5.4 Giao diện phần mềm matlab chơng trình xuất hình 5.3, lựa chọn thời gian bắt đầu thời gian kết thúc để thực truy vấn liệu Khi truy vấn xong liệu ngời sử dụng phải lu liệu dới dạng file excel, tên file ngời dùng đặt Hình 5.5 Giao diện menu chơng trình 5.3.3 Chuẩn hoá liệu Trên hình 5.2 ta bấm chuột vào chức chuẩn hoá liệu, sau Hình 5.3 Giao diện truy vấn liệu chọn file excel chứa liệu đợc phân loại, phần mềm tự động chuẩn 104 105 hoá liệu lu số liệu vào file excel th mục mặc định C:\matlabR12\work 5.3.4 Huấn luyện mạng Trên menu hình 5.5 chọn chức huan luyen mang,sau chọn file liệu đợc phân loại Thời gian huấn luyện mạng tuỳ thuộc vào liệu đầu vào lớn hay bé, chạy số liệu hệ thống điện miền Bắc thời gian huấn luyện khoảng phút 5.3.5 Dự báo Trên menu hình 5.5 chọn chức Du bao sau chọn file text lu lại trọng số sau huấn luyện, chọn file lu mẫu số liệu đầu vào ngày cần dự báo Phần mềm đa kết dự báo, so sánh vẽ đồ thị liệu dự báo đợc liệu đầu vào Hình 5.6 hình 5.7 kết đồ thị phụ tải đỉnh đợc dự báo (từ ngày 08/05/2006 đến ngày 21/05/2006) Trên đồ thị hình 5.7 điểm đến điểm 14 tơng ứng với ngày 08/05/2006 đến ngày 21/05/2006 Hình 5.5 Kết dự báo phụ tải đỉnh Hình 5.5 Đồ thị phụ tải thực tế dự báo 106 107 CHƯƠNG vI số đợc xác định từ trớc, thay đổi đợc, kết dự báo phơng pháp cũ so sánh với số kết đ có Đánh giá kết - Sử dụng phơng pháp mạng nơron, ta dự báo nhu cầu phụ tải 6.1 So sánh với số phơng pháp có ngày hệ thống điện miền Bắc dựa tập liệu vào mà phụ - Phơng pháp hồi quy tuyến tính (linear regression), phơng pháp san thuộc vào kinh nghiệm chủ quan chuyên gia Mạng nơron tự động hàm số mũ (exponential smoothing), phơng pháp san trung bình xác định dựa tập trọng số sau huấn luyện mạng Việc dự báo dựa (moving averages), phơng pháp hệ số ngẫu nhiên (stochatic) sở mạng nơron tự động xác định mối quan hệ liên quan tập phơng pháp đợc đề xuất sớm Tuy nhiên phơng pháp có liệu vào ra, cho ta thấy kết dự báo đáng tin cậy so với yêu cầu chung phải xây dựng đợc hàm hồi quy tập liệu thống phơng pháp bị hạn chế việc phụ thuộc phiến diện vào kinh nghiệm trớc kê khứ Các liệu có mối tơng quan nhiều chiều có tác động tới kết dự báo khác tuỳ thuộc vào mối tơng quan chúng Vậy nên việc giải toán dự báo khó khăn Trong nhiều hớng nghiên cứu giai đoạn tới nhằm triển khai hệ thống thông minh, mạng nơron lựa chọn phổ biến, sở cho giải pháp nhận dạng, dự báoMạng nơron nhân tạo kỹ thuật xử lý thông tin mẽ đầy hứa hẹn việc ứng dụng vào toán dự báo Kết hợp chặt chẽ với logic mờ, mạng nơron nhân tạo giải toán phức tạp hiệu - So với phơng pháp dự báo truyền thống trớc chủ yếu tập trung vào toán tuyến tính, phơng pháp sử dụng mạng nơron học để xấp xỉ toán mà quan hệ vào phi tuyến nhiều đầu vào nhiều đầu với độ xác dự báo cao, phù hợp với liệu đầu vào phụ tải hệ thống điện - Trong phơng pháp mạng nơron, ta thử nghiệm nhiều lần để điều - Trong trình học, mạng điều chỉnh tham số cho tổng bình phơng lỗi nhỏ nhất, khả hội tụ mạng phụ thuộc vào tham số khởi đầu, ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn đợc tham số ban đầu tốt Một vấn đề thờng xảy mạng nơron dự báo phụ tải trình học lúc hội tụ có khả rơi vào cực tiểu địa phơng Nếu mạng rơi vào trờng hợp ta phải bắt đầu huấn luyện lại thay đổi số nơron lớp ẩn, điều khiến cho mạng nơron không áp dụng đợc toán yêu cầu độ xác cao thời gian tối thiểu - Sau kết thực nghiệm nhằm đánh giá hiệu suất hai cấu trúc mô hình mạng, mô hình thứ đợc đề xuất trên, mô hình thứ hai đợc sử dụng để dự báo phụ tải HTĐ Quốc gia với cấu trúc mạng nh sau: + Lớp vào: nơron đầu vào chỉnh cấu trúc mạng, điều chỉnh tham số học cho phù hợp để có đợc kết dự báo tốt Trong phơng pháp cũ công thức tham + Lớp ẩn: 15 nơron + Lớp ra: Một nơron phụ tải đầu 108 109 Chơng trình đợc viết ngôn ngữ VBA tích hợp phần mềm ứng 12 2739.0 2641.5 2700.1 3.56 1.42 13 2646.1 2518.6 2612.3 4.82 1.28 14 2737.5 2612.9 2601.4 4.55 4.97 15 2669.6 2639.4 2633.4 1.13 1.36 16 2681.4 2671.0 2638.7 0.39 1.59 17 2968.0 2852.2 2805.4 3.90 5.48 dụng Excel Qua trình huấn luyện liệu đầu vào Trung tâm Điều độ HTĐ miền Bắc với 30 mẫu đầu vào, sau 150000 vòng lặp Mô hình thứ khoảng phút, mô hình thứ hai phải tới khoảng 25 phút: Bảng 5.2 hình 5.1 đa kết dự báo ngày 10/5/2006 Bảng 5.2 Bảng đánh giá kết dự báo hai mô hình (ngày 10/5/2006.) P thực tế P dự báo (MW) Sai số % Giờ (MW) Mô hình Mô hình Mô hình Mô hình 18 3032.4 2967.6 2966.7 2.14 2.17 2003.0 1983.5 1937.4 0.97 3.28 19 3226.7 3085.2 3052.3 4.39 5.40 1920.9 1962.1 1985.8 2.14 3.38 20 3061.1 2910.8 2901.7 4.91 5.21 1941.6 1912.6 1920.4 1.49 1.09 21 2847.6 2708.5 2745.2 4.88 3.60 1914.3 1915.9 1935.0 0.09 1.08 22 2625.7 2520.0 2498.5 4.03 4.84 2020.2 2024.8 1980.7 0.23 1.96 23 2471.2 2393.7 2387.4 3.14 3.39 2096.9 2159.2 2185.4 2.97 4.22 24 2132.3 2138.8 2115.2 -0.31 0.80 2166.4 2217.4 2254.6 2.36 4.07 2458.0 2449.1 2430.9 0.36 1.10 2670.1 2650.0 2638.9 0.75 1.17 10 3105.4 2975.4 2926.5 4.19 5.76 11 3211.6 3100.2 3084.5 3.47 3.96 110 111 mô hình hai đợc lập trình ngôn ngữ VBA tích hợp phần Đồ thị phụ tải mềm ứng dụng Excel ta phải viết lại toàn thuật toán 3500 3000 Thc t Mụ hỡnh Mụ hỡnh C ông suất 2500 2000 1500 - Qua số kết chạy thử nghiệm hai mô hình với nhiều số liệu khác vào hai đồ thị hình 5.1 5.2 ta thấy mô hình thứ có kết dự báo xác tốt mô hình thứ hai Điều chứng tỏ mô hình thứ có cấu trúc mạng dự báo tốt phù hợp với tập 1000 toán dự báo so với cấu trúc mạng dự báo mô hình thứ hai 500 0 6.2 Đánh giá kết 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ Độ xác tốc độ xử lý: Phần mềm đợc chạy thử nghiệm 31 liệu vòng năm (5/2001-5/2006) 29 Điện Lực toàn Hình 5.1 Kết dự báo hai mô hình (ngày 10/05/2006) HTĐ miền Bắc, hai lại Công ty điện lực I Trung tâm Điều độ HTĐ miền Bắc Sau trình huấn luyện với 150000 vòng lặp, thời gian Đồ thị đánh giá sai số huấn luyện liệu hết khoảng phút 25 giây đến phút 27 giây mạng đạt đợc kết dự báo tháng năm 2006 (từ 1/5/2006- % S số 31/5/2006) với sai số % lớn điện lực đợc đa bảng 5.1 Mụ hỡnh Mụ hỡnh 0 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Trong đó: - Pmin: Giá trị phụ tải nhỏ tháng 5/2006 (Giá trị phụ tải đợc Giờ Hình 5.2 Sai số dự báo % hai mô hình (ngày 10/05/2006) lấy theo ngày) - Pmax: Giá trị phụ tải lớn tháng 5/2006 - Sai số %(Max): Sai số % lớn nhất, kết dự báo tồi mà Nhận xét: Qua kết thực nghiệm nhằm đánh giá hiệu suất hai cấu trúc mô hình mạng ta thấy - Mô hình thứ có thời gian huấn luyện mạng nhỏ mô hình thứ nhiều lần Nguyên nhân mô hình đợc lập trình phần mềm Matlab đợc hỗ trợ toolbox để xử lý mô hình mạng nơron, phần mềm đa Sai số % =(Pthực tế - Pdự báo)/ Pthực tế*100% Bảng 5.1 Bảng đánh giá kết sai số dự báo tháng 5/2006 31 số liệu 31 Điện lực 112 Điện Lực Sai số 113 Pmin Pmax miền Bắc đạt đợc kết đáng kể nh nên Điều cho %(Max) phép ta hy vọng vào triển vọng tính khả thi việc ứng dụng mô hình Pmax HTĐ1 1412.7 3317.7 6.01 Nghệ An 62.5 196.8 6.02 thay cho mô hình cũ đợc áp dụng Trung tâm Điều độ HTĐ Cty 890.3 2134.4 5.84 Cao Bằng 3.7 19.8 7.16 miền Bắc Đặc biệt chơng trình áp dụng dự báo hiệu Hà Nội %(Max) Điện Lực Sai số Pmin 245.0 818.0 7.12 Sơn La 6.2 35.4 6.92 Công ty Điện lực có tỉ lệ chênh lệch Pmax Pmin nhỏ giá trị phụ tải Hải Phòng 92.5 259.7 4.81 Hà Tĩnh 10.9 60.9 6.10 ngày đồng Nam Định 30.2 143.1 6.74 Hoà Bình 10.0 41.7 5.92 Phú Thọ 45.8 119.6 4.61 Lào Cai 16.0 52.0 5.64 Quảng Ninh 65.2 188.3 4.89 Điện Biên 2.2 14.2 7.82 Thái Nguyên 43.0 168.0 5.41 Hà Giang 3.8 22.5 7.32 Bắc Giang 21.8 115.8 4.31 Ninh Bình 27.0 77.6 4.36 Hải Dơng 87.8 198.3 3.75 Hà Nam 19.2 75.3 4.91 Thanh Hoá 68.0 220.0 4.24 Vĩnh Phúc 35.0 112.8 5.25 Hà Tây 64.3 237.9 5.61 Bắc Cạn 3.2 14.2 6.34 Thái Bình 30.6 115.1 5.78 Bắc Ninh 57.5 196.0 5.47 Yên Bái 8.3 34.1 7.02 Hng Yên 35.4 156.6 6.24 Lạng Sơn 10.0 39.2 6.91 Lai Châu 1.5 6.7 5.97 7.1 39.1 6.89 Tuyên Quang Trên bảng 5.1 ta thấy với 31 liệu đợc dùng để thử nghiệm, liệu có giá trị đa dạng, nhng sai số dự báo nằm khoảng 3,75% đến 7,85% Nguyên nhân có liệu dự báo có sai số lớn tỉ lệ chênh lệch Pmax Pmin lớn, giá trị phụ tải ngày không đồng Trên thực tế, dự báo phụ tải sai số cho phép khoảng từ 10% Vậy kết dự báo đạt đợc yêu cầu đề phù hợp với tình hình vận hành hệ thống điện - Khẳ ứng dụng: Qua khai thác thử nghiệm chơng trình dự báo phụ tải ngắn hạn sử dụng kỹ thuật mạng nơron Trung tâm Điều độ HTĐ 114 KếT LUậN Với mục đích nghiên cứu áp dụng mạng nơron vào dự báo phụ tải hệ thống điện Miền Bắc, luận văn bớc đầu tìm hiểu toán dự báo phụ tải ngắn hạn, tìm hiểu số vấn đề mà chuyên gia vận hành hệ thống điện quan tâm để từ đa vào áp dụng thực tế So với phơng pháp dự báo trớc, phơng pháp sử dụng mạng nơron học để xấp xỉ toán mà quan hệ vào phi tuyến với nhiều đầu vào nhiều đầu đợc chuyên gia giới đánh giá có độ xác cao, đợc ứng dụng nhiều loại toán dự báo 115 đợc sử dụng để dự báo phụ tải đỉnh phụ tải đáy theo nhiệt độ môi trờng, từ xác định đợc giá trị phụ tải 24 ngày Các thí nghiệm cho thấy nh mạng đợc huấn luyện tốt, tham số đầu vào đợc lựa chọn cẩn thận, liệu huận luyện đầy đủ sát ngày cần dự báo khả dự báo đạt độ xác tơng đối cao với sai số nhỏ 8% Ngoài u điểm đặc biệt mạng nơron có nhợc điểm định Khả hội tụ mạng phụ thuộc vào tham số khởi đầu, ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn đợc tham số ban đầu tốt Còn khả tổng quát hoá lại phụ thuộc nhiều vào liệu đầu vào Nếu liệu đầu vào nhiều dẫn đến trình trạng Luận văn xem xét nghiên cứu đợc thuật tính nh xác định tham số đầu vào, kiến trúc mạng, trình huấn luyện mạng ánh xạ đặc trng tự tổ chức kohonen mạng nơron nhiều lớp lan truyền ngợc sai số từ mô xác định đầu vào, đa kiến trúc mạng thực huấn luyện mạng liệu thu thập đợc trung tâm điều độ HTĐ Miền Bắc Đối với ánh xạ tự tổ chức kohonen đợc dùng để phân dạng kiểu ngày, yếu tố quan trọng cho trình dự báo phụ tải Đầu vào mạng liệu phụ tải 24 ngày Qua trình huấn luyện luyện mạng nhiều thời gian khả tổng quát hoá kém, liệu sai số tăng Một vấn đề thờng xảy mạng nơron dự báo phụ tải trình học lúc hội tụ có khả rơi vào cực tiểu địa phơng Nếu mạng rơi vào trờng hợp ta phải bắt đầu huấn luyện lại, điều khiến cho mạng nơron không áp dụng đợc toán yêu cầu độ xác cao thời gian tối thiểu Luận văn đợc thực thời gian ngắn chắn không tránh khỏi thiếu sót Rất mong nhận đợc ý kiến đóng góp quý thầy cô ngời quan tâm để luận văn đợc hoàn thiện tốt mạng nhận đợc kiểu ngày đặc trng hệ thống, u điểm phơng pháp nhận đợc số dạng kiểu ngày loại bỏ số dạng kiểu ngày không xuất mà kỹ s điều Kiến nghị nhứng nghiên cứu Phát triển mở rộng toán dự báo ngắn hạn theo nhiều loại thông hành kinh nghiệm không nhận nhận muộn số khác có ảnh hởng trực tiếp đến phụ tải nh nhiệt độ, độ Vì phân dạng kiểu ngày phơng tiện hỗ trợ cho kỹ s điều ẩm, tốc độ gió hành trình dự báo phụ tải vận hành hệ thống Mạng nơron nhiều lớp lan truyền ngợc sai số qua trình huấn luyện với tập mẫu vào giá trị phụ tải đỉnh phụ tải đáy nhiệt độ cao thấp ngày có kiểu gần với ngày dự báo, Nghiên cứu ứng dụng mạng nơron nhân tạo để dự báo phụ tải dài hạn (khoảng từ 20 năm) dựa vào mức tăng trởng GDP, tốc độ phát triển công nghiệp 116 117 international, inc Tài liệu tham khảo [10] Publishing Company Tài liệu tiếng việt [1] Tổng sơ đồ phát triển Điện lực Việt Nam giai đoạn 2001-2020 có [11] Tài liệu báo cáo tổng kết hàng năm Trung tâm Điều độ HTĐ [12] miền Bắc [3] [4] Vanaja Iyer, Chun Che Fung and Tamas Gedeon (1998), A FuzzyNeural Approach to Electricity Load and Spotprice Forecasting in a Deregulated Electricity Market Nguyễn Đình Thúc (2000), Mạng nơron phơng pháp ứng dụng, Nhà xuất giáo dục Howard Demuth, Mark Beale, Martin Hagan (March 2006), Neural Network Toolbox xét đến triển vọng đến năm 2020 (6/2000), Viện lợng [2] David M Skapura, Building Neural Networks, Addison-Wesley [13] Antti Laukkanen (2004), The use of special day information in a demand forecasting model for Nordic power market, http://www.sal.hut.fi Lơng Mạnh Bá, Nguyễn Thanh Thuỷ (2003), nhập môn xử lý ảnh số, Nhà xuất khoa học kỹ thuật [14] [5] [6] Nguyễn Phùng Quang, Matlab & Simulink, Nhà xuất khoa học Fuzzy neural networks for time-series forecasting of electric kỹ thuật load Quách Tiến Dũng (2000), Dự báo phụ tải hệ thống điện Việt Nam theo nhiệt độ môi trờng, Báo cáo khoa học Tổng công ty điện lực Việt Nam [7] Trịnh Khánh Ly (2004), Luận văn cao học, Trờng ĐHBK-HN [8] Lê Quốc Định, Nguyễn Trọng Đức (2005), áp dụng kỹ thuật mạng nơron tự động điều khiển hệ thống lái tàu Tài liệu tiếng anh [9] P.K Dash, G Ramakrishna, A.C Liew, S Rahman (1995), Robert L Harvey (1996), Neural Network Principles, Prentice hall [15] D.C.Sansom and T K Saha, Neural networks for forecasting electricity pool price in a deregulated electricity supply industry 118 Phụ lục i Phần mềm mô mạng Kohonen toán phân loại ngày 119 nk(k1)=-inf; % k6=find(nk==max(nk)) w=rands (100,24); % k6=k6(1) X = fopen(phanloaingay.xls, w) ptq=pt(q,:); M1=19; for i=-2:2 pt=X'; for j=-2:2 delta =0.01; xi=mod(k1+i+M1-1,M1)+1; Q=size(w,1); yj=mod(k1+j+M1-1,M1)+1; for q=1:Q jj=M1*(yj-1)+xi; nq =w(q,:) ; %kk=w(jj,:) a=sumsqr(nq); w(jj,:)=w(jj,:)+ delta*(ptq - w(jj,:)); m=nq/sqrt(a); end w(q,:) = m; end k=sqrt(sumsqr(m)); fclose(X) end w1=w; %n=negdist (w,X); n=w*X; %n=0 Q1=size(X,2); for q=1:Q1 nk=n(:,q); k1=find(nk==max(nk)); k1=k1(1) end 120 Phụ lục II Phần mềm mô mạng nơron lan truyền ngợc sai số ứng dụng toán dự báo đỉnh đáy đồ thị phụ tải kết huấn luyện 121 Module dự báo phụ tải w1=rands (30,8); P= fopen(dubaophutai.xls, w) Chơng trình alpha=0.4; %He so hoc % menu beta =0.6 ;%He so quan tinh display(' display(' CHUONG TRINH DU BAO PHU TAI'); ====================='); ep=15000; w2=rands(1,30);%Trong so lop an chon=menu('Hay chon chuc nang','1 Phan loai so lieu','2 Huan luyen mang', '3 w11=w1; Du Bao w22=w2; ','4 Thoat ') switch chon case chon == fn=input('Nhap ten file du lieu:' ,'s'); P1=fopen(fn,'w'); phanloaingay case chon==2 for i=1:ep aj=w1*P';% Tong thong tin dau vao lop an Y yj=logsig(aj);% Output lop an bk=w2*yj; % Tong thong tin dau vao lop Z zk=logsig(bk);%Gia tri output Errk=dk-zk; ee=sumsqr(Errk); fn=input('Nhap ten file du lieu:' ,'s'); tetak=(1-zk).*Errk.*zk; %Sai so lop huanluyenmang tetaj=yj.*(1-yj).*(w2'*tetak);% Sai so lop an case chon==3 fn1=input('Nhap ten file so W1:' ,'s'); fn2=input('Nhap ten file so W2' ,'s'); Dubao OTHERWISE exit end dw1=alpha*tetaj*P + beta*(w1-w11); w11=w1; w1=w1+dw1; % Cap nhat so lop vao dw2=alpha*tetak*yj' + beta*(w2-w22); w22=w2; w2=w2+dw2; end 122 123 Z=zk ; Tóm tắt luận văn q=size(Z,2); Trong năm gần đây, với phát triển lớn mạnh D=dk; kinh tế quốc gia, nhu cầu tiêu thụ điện hàng năm tăng lên nhiều, SSTD=abs(dk-zk); đặc biệt HTĐ miền Bắc bình quân hàng năm tăng 12,6% Vì Errk=(dk-zk)./D*100; phải huy động vốn lớn để đầu t xây dựng nhiều nguồn phát điện mua điện nớc khu vực, nhng thực tế không dùng hết w1=w1; w2=w2; công suất đợc huy động, chúng gây nhiều lãng phí Vì việc dự báo display= input([' Ket qua du bao: \n']); phụ tải xác trợ giúp cho nhiều chức quan trọng kế disp (display) display= input([' STT Pchtt hoạch phát triển điện tơng lai, lập kế hoạch hoá vận hành HTĐ Pchdb Ptt Pdb SSTD SS% \n']); disp (display) nh phân phối phụ tải cách kinh tế, hiệu quả, lên kế hoạch bảo dỡng sửa chữa, lập phơng thức vận hànhLuận văn chủ yếu tập trung nghiên cứu giải vấn đề sau for i=1:q display= sprintf(' %2d %2.4f %2.4f %4.1f %4.1f %5.2f %1.2f', trọng toán dự báo phụ tải công tác vận hành hệ thống i,D(i),Z(i), D(i)*5000,Z(i)*5000,SSTD(i)*5000,SSTD(i)/D(i)*100 ); điện disp(display); end Tìm hiểu yếu tố ảnh hởng đến phụ tải HTĐ miền Bắc, tầm quan Tìm hiểu đặc điểm, dạng ĐTPT, giá trị phụ tải đặc biệt ngày mà đợc kỹ s vận hành nh ngời làm phơng Err=ee/2 thức ngày quan tâm nhiều (Pmax, Pmin) display= input(['Trong do: \n\n Pchtt: Phu tai chuan hoa thuc te \n', ' Pchdb: Phu tai chuan hoa du bao \n', ' Ptt : Phu tai thuc te \n', thuyết, mô hình mạng nơron nhân tạo Nghiên cứu, thiết kế cấu trúc mạng nơron, phơng pháp huấn luyện ' Pdb : Phu tai du bao \n', mạng; xây dựng phần mềm mô mạng Kohonen phân loại ngày; ' SSTD : Sai so tuyet doi \n', đa số kết phân tích đánh giá kết đạt đợc ' SS% : Sai so % \n' ' Err : Binh phuong sai so']); disp (display) fclose(P) Tìm hiểu kiến thức mạng nơron nhân tạo, sở lý Nghiên cứu, thiết kế cấu trúc mạng nơron nhiều lớp lan truyền ngợc sai số, từ áp dụng xây dựng phần mềm dự báo phụ tải đỉnh đáy đồ thị phụ tải, dự báo phụ tải cho 24 ngày, đa số kết phân tích đánh giá kết đạt đợc 124 Summary In recent years, with strong development of national economy, annual power consuming demand has been rapidly increased, especially for the Northern Power System, annual average demand has an increase of over 12.6% Therefore, it is necessary to mobilize a huge amount of capital to invest and construct more Power Supply Sources and purchase power from other nations in the region In reality, however, if mobilized capacity is not used up, it is wasteful Therefore, correct load forecast plays an important role in making plan of electricity development in the future, power system operation such as economically load distribution, repairmen, maintenance and operation method as well The thesis mainly focuses on researching and solving the following problems: Study factors affecting to load of the Northern Power System, the importance of load forecast in power system operation Study characteristics, types of additional charge diagrams, daily special load value that operators as well as method-makers are increasingly concerning as the most important thing (Pmax, Pmin) Study basic knowledge of artificial neural network, theory basis, and artificial neural network model Study, design neural network structure, network training method; construct a software imitating Kohonen that distinguish types of days; give out some results, analyze and evaluate the result obtained Study, design back-propagation Neural Network and then apply and set up a load forecast software at top and bottom of load diagram, forecast load for 24 hours in one day, give out some results, analyze and evaluate the result obtained [...]... Miền Bắc (Hình 3.1) Qua đồ thị phụ tải ta thấy các ngày làm việc trong cùng một tháng của hai năm có dạng giống ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức Kohonen trong bài toán phân loại ngày Bài toán phân loại ngày trong dự báo phụ tải ngắn hạn cho hệ thống điện là một bài toán rất quan trọng để phân loại các dữ liệu đầu vào và dự báo các kiểu ngày tiếp theo Trong một số phần mềm dự báo phụ tải ngắn. .. phát triển của mạng nơron nhân tạo tải ngày dựa trên các yếu tố ảnh hởng đã đợc nêu Trí tuệ nhân tạo (Artificial Intelligence) hay tạo cho máy móc khả năng Phần tiếp theo, ta sẽ nghiên cứu phơng pháp giải quyết bài toán dự báo phụ tải thông qua việc sử dụng các loại mạng nơron nhân tạo Việc phân tích đặc điểm riêng, yêu cầu và mục đích từng bài toán sẽ là cơ sở để chọn loại mạng nơron nhân tạo thích hợp... tuệ Mạng nơron nhân tạo là một bộ phận của ngành khoa học trí tuệ nhân tạo, là lĩnh vực tin học nghiên cứu ứng dụng máy tính điện tử thông minh hoạt động theo cơ chế mô phỏng t duy của con ngời Mạng nơron nhân tạo có cấu trúc tơng tự nh bộ não tuy nhiên số nơron trong mạng nơron nhân tạo là hữu hạn tuỳ thuộc vào nhu cầu thực tế của bài toán, còn đối với bộ não con ngời số nơron lên tới xấp xỉ 15 tỉ nơron. .. Cách tiếp cận mạng nơron nhân tạo có ý nghĩa thực tiễn rất lớn Tóm lại cũng nh các dự báo khác, dự báo phụ tải ngày phải dựa vào số cho phép tạo ra các thiết bị có thể kết hợp khả năng song song cao của bộ não liệu thống kê, phân tích và áp dụng các thuật toán để xác định mối quan hệ với tốc độ tính toán cao của máy tính giữa phụ tải và các yếu tố ảnh hởng, từ đó xây dựng phơng pháp dự báo phụ 2.1 Lịch... tâm trở lại bởi công trình nghiên cứu của Rumelhart ứNG DụNG MạNG NƠRON NHIềU LớP LAN TRUYềN NGƯợC SAI Số Dự BáO PHụ TảI Ngắn hạn THEO NHIệT Độ MÔI TRƯờNG năm 1986 Một thống kê cho thấy 90% ứng dụng mạng nơron trong công nghệ hoá học sử dụng mô hình này 4.1.1 Kiến trúc mạng truyền thẳng Chơng này trình bày các khái niệm cơ bản về mạng nơron nhiều lớp Mạng truyền thẳng nhiều lớp bao gồm một lớp vào, một... 3.4.2 Mô hình mạng nơron nhân tạo Mạng nơron là hệ thống bao gồm nhiều phần tử xử lý đơn giản (nơron) hoạt động song song Tính năng của hệ thống này tuỳ thuộc vào cấu trúc của 1 nếu x 0 hệ các trọng số liên kết nơron và quá trình tính toán các nơron đơn lẻ Mạng f(x)= 1 -1 nếu x < 0 -1 hoặc nơron có thể học từ dữ liệu mẫu và tổng quát hoá dựa trên các dữ liệu mẫu học Trong mạng nơron, các nơron đón nhận... diễn logic hay cây quyết định 68 4.2 ứng dụng mạng nơron nhiều lớp lan truyền ngợc sai số xây dựng bài toán dự báo phụ tải hệ thống điện 4.2.1 Các bớc xây dựng bài toán dự báo phụ tải Qua nhiều năm nghiên cứu và thực nghiệm ngời ta đã chứng tỏ rằng cách tiếp cận các bài toán dự báo bằng cách sử dụng mạng nơron huấn luyện bởi thuật toán lan truyền ngợc là hoàn hảo và đảm bảo độ chính xác cao Nhng để... Pmax và Pmin trong ngày ta sẽ tính đợc phụ tải của từng CHƯƠNG II giờ theo công thức 1.1 Tổng quan Về MạNG NƠRON NHÂN TạO 1.2.2.3 Dự báo phụ tải cho 24h Mạng nơron nhân tạo là một lĩnh vực đợc đề xuất và nghiên cứu vào Khi ta đã dự báo đợc Pmax và Pmin trong ngày nếu ta xác định đợc đồ cuối thập kỷ 1800 khi ngời ta cố gắng mô tả hoạt động của trí tuệ con ngời thị phụ tải quy chuẩn tức là xác định đợc các... thông số cấu trúc mạng nơron bao gồm s1 s2 a2 Y2 + Số tín hiệu vào, số tín hiệu ra + Số lớp nơron s3 sm tạp tính toán nói chung sẽ phụ thuộc vào số lớp mạng an Yn wm,n Hình 2.5 Mạng nơron một lớp + Số nơron trên mỗi lớp ẩn + Số lợng liên kết của mỗi nơron (liên kết đầy đủ, liên kết bộ phận và liên kết ngẫu nhiên) 36 37 + Các trọng số liên kết nơron Mạng nơron N Xs Mạng nơron nh một hệ thống thích nghi... riêng, để đạt đợc kết quả dự báo chính xác cao và thời gian huấn luyện Côngsuất 3000 Trong các bài toán dự báo nói chung và dự báo phụ tải hệ thống điện 2500 T 22 n 24/02/2006 2000 1500 1000 500 ngắn, ta cần phải phân loại đợc các loại dữ liệu đầu vào Đặc biệt đối với bài 0 0 1 2 3 4 5 6 7 8 9 10 11 và thực tế vận hành cho thấy tồn tại một vài dạng đồ thị phụ tải đặc trng phụ 14 15 16 17 18 19 20 21