Đồ án tốt nghiệp dự báo phụ tải ngắn hạn viết bằng LAtex. Dự báo 24h trong ngày có xây dựng giao diện phần mềm Matlab. So sánh thuật toán lan truyền ngược (BP) với thuật toán di truyền (GA) về sai số dự báo, tốc độ thực hiện
Lời mở đầu Trong năm gần đây, nhu cầu lượng không ngừng biến đổi tăng nhanh theo thời gian nên ngành Điện xây dựng nhiều nhà máy điện để đáp ứng nhu cầu tiêu thụ điện nước Vì nhiệm vụ quan trọng mà ngành điện cần phải giải tốt toán dự báo phụ tải ngắn hạn dài hạn Cho đến có nhiều phương pháp giải toán dự báo toán toán khó Hiện ngành Điện lực Việt Nam toán dự báo phụ tải giải chủ yếu nhờ phương pháp dự báo truyền thống mang tính kinh nghiệm túy Dùng cách dự báo theo kinh nghiệm túy chưa đủ Việc ứng dụng mô hình dự báo khác cho ta sở lựa chọn phương pháp dự báo, đánh giá mức độ xác dự báo để dự báo xác nhu cầu phụ tải điện thời điểm đưa phương án vận hành tối ưu Trong hướng nghiên cứu mạng nơ ron nhân tạo chiếm vị trí quan trọng việc phát triển phương pháp dự báo, kỹ thuật xử lý thông tin có triển vọng ứng dụng cao toán dự báo Mạng nơ ron nhân tạo có ưu điểm vượt trội so với phương pháp truyền thống : cấu trúc xử lý song song, khả học ghi nhớ, khả tự tổ chức tổng quát hóa, nên việc áp dụng để giải toán dự báo ngắn hạn thích hợp Đồ án em xin trình bày số hiểu biết mạng nơ ron nhân tạo nghiên cứu ứng dụng giải toán dự báo phụ tải ngắn hạn cho hệ thống điện miền Bắc Đối tượng cụ thể nghiên cứu dự báo phụ tải cho 24 sau nhằm đưa thông số cần thiết cho công tác vận hành lập phương thức điều hành hệ thống điện Đồ án bao gồm chương: - Chương I : Bài toán dự báo phụ tải - Chương II : Tổng quan mạng nơron nhân tạo - Chương III : Ứng dụng mạng nơron nhiều lớp lan truyền ngược sai số dự báo phụ tải ngắn hạn - Chương IV : Ứng dụng thuật toán di truyền dự báo phụ tải ngắn hạn - Chương V: Dự báo phụ tải cho 24h Để đồ án hoàn thiện em mong nhận góp ý xây dựng thầy cô bạn Lời cảm ơn Em xin chân thành cảm ơn thầy TS Phạm Mạnh Hải giao đề tài, hướng dẫn định hướng cho em thực đồ án Đồng thời đưa em tiếp cận với ngôn ngữ soạn thảo LATEX công cụ hữu ích mang nhiều ưu điểm vượt trội so với phần mềm soan thảo Microsoft Word truyền thống Em xin gửi lời cảm ơn đến anh Ngô Văn Hà thầy cô khoa Hệ Thống Điện-Trường Đại học Điện lực trang bị cho em kiến thức để em hoàn thành đồ án Đồng thời, xin cảm ơn gia đình, bạn bè tập thể lớp D6H2 giúp đỡ tạo điều kiện để hoàn thành tốt đồ án Hà Nội,Ngày tháng năm 2016 Sinh viên Đinh Trọng Thủy NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN NHẬN XÉT CỦA GIẢNG VIÊN PHẢN BIỆN Mục lục Bài toán dự báo phụ tải 1.1 Khái quát phụ tải HTĐ ý nghĩa toán dự báo phụ tải 1 1.1.1 Khái quát phụ tải HTĐ 1.1.2 Ý nghĩa toán dự báo phụ tải 1.1.3 Phân loại toán dự báo 1.2 Các phương pháp dự báo phụ tải HTĐ 1.3 Bài toán dự báo phụ tải ngắn hạn 1.3.1 Tình hình nghiên cứu nước 1.3.2 Các yếu tố ảnh hưởng đến phụ tải ngắn hạn 1.3.3 Bài toán dự báo phụ tải ngắn hạn 1.3.4 Phương pháp dự báo 1.4 Kết luận chương 12 Tổng quan mạng nơ ron nhân tạo 13 2.1 Trí tuệ nhân tạo 13 2.2 Nơ ron sinh học 14 2.3 Mạng nơ ron nhân tạo 15 2.3.1 Lịch sử hình thành phát triển 15 2.3.2 Mô hình mạng nơ ron nhân tạo 18 2.3.3 Phương pháp huấn luyện mạng 24 2.3.4 Hàm mục tiêu 26 2.3.5 Ứng dụng 27 2.4 Kết luận chương 28 Ứng dụng mạng nơ ron nhiều lớp lan truyền ngược sai số dự báo phụ tải ngắn hạn 29 3.1 Khái quát mạng nơ ron truyền thẳng nhiều lớp 29 3.1.1 Lịch sử phát triển mạng nơron truyền thẳng nhiều lớp 29 3.1.2 Cấu trúc mạng nơron 30 3.1.3 Hoạt động mạng 31 3.2 Thuật toán lan truyền ngược sai số 32 3.2.1 Lịch sử phát triển thuật toán 32 3.2.2 Xây dựng thuật toán 32 3.3 Ứng dụng mạng nơ ron nhiều lớp lan truyền ngược sai số dự báo đỉnh đáy ĐTPT ngày theo nhiệt độ môi trường 34 3.3.1 Chuẩn bị liệu cho mạng 34 3.3.2 Cấu trúc mạng 34 3.3.3 Kết sử dụng mạng nơron lan truyền ngược sai số dự báo đỉnh đồ thị phụ tải 3.3.4 36 Kết sử dụng mạng nơron lan truyền ngược sai số dự báo đáy đồ thị phụ tải 39 3.4 Kết luận chương 42 Ứng dụng thuật toán di truyền dự báo phụ tải ngắn hạn 4.1 Khái quát thuật toán di truyền 43 43 4.1.1 Tư tưởng thuật toán 43 4.1.2 Thuật toán di truyền đơn giản 44 4.2 Ứng dụng thuật toán di truyền vào toán tối ưu hóa trọng số mạng nơ ron 47 4.2.1 Xây dựng hàm mục tiêu 47 4.2.2 Mã hoá nhiễm sắc thể 48 4.2.3 Lai ghép 49 4.2.4 Đột biến 50 4.3 Ứng dụng thuật toán di truyền dự báo đỉnh đáy ĐTPT ngày theo nhiệt độ môi trường 51 4.3.1 Các bước thực thuật toán 51 4.3.2 Cấu hình thuật toán 52 4.3.3 Kết chạy thử thuật toán 52 4.4 So sánh kết sử dụng thuật toán huấn luyện mạng nơ ron 56 4.5 Kết luận chương 57 Dự báo phụ tải ngày 58 5.1 Dự báo dạng ĐTPT 58 5.2 Dự báo ĐTPT ngày 59 5.3 Kết luận chương 61 Danh sách hình vẽ 1.1 Biểu đồ thành phần cấu thành phụ tải theo P hệ thống điện miền Bắc 1.2 Đồ thị phụ tải Hà Nội ngày 1/1,4/1,7/1 năm 2014 1.3 Đồ thị phụ tải Hà Nội ngày thứ tư 1/1,4/6 năm 2014 1.4 Đồ thị phụ tải Hà Nội ngày 6/1,1/6 năm 2014 1.5 Dạng đồ thị phụ tải chuẩn hóa ngày T5 (16/1/2014) 11 1.6 Sơ đồ cấu trúc mô hình dự báo biểu đồ phụ tải ngày 12 2.1 Cấu tạo nơron sinh học 14 2.2 Mô hình mạng nơron nhân tạo 18 2.3 Mạng nơron lớp 21 2.4 Mạng nơron nhiều lớp 22 2.5 Mạng nơron truyền thẳng 22 2.6 Mạng nơron quy hồi 23 2.7 Perceptron 23 2.8 Mô hình huấn luyện mạng có giám sát 25 2.9 Mô hình huấn luyện mạng không giám sát 25 2.10 Mô hình huấn luyện tăng cường 26 3.1 Cấu hình mạng nơron truyền thẳng lớp ẩn 31 3.2 Đồ thị phụ tải đỉnh thực tế dự báo tháng 5/2014 - BP 39 3.3 Đồ thị phụ tải đáy thực tế dự báo tháng 5/2014 - BP 42 4.1 Lưu đồ thuật toán di truyền 46 4.2 Mã hóa nhị phân 48 4.3 Mã hóa số thực 49 4.4 Lai ghép nút 50 4.5 Đồ thị phụ tải đỉnh thực tế dự báo tháng 5/2014 - GA 54 4.6 Đồ thị phụ tải đáy thực tế dự báo tháng 5/2014 - GA 56 5.1 Đồ thị giá trị phụ tải 24h thực tế dự báo ngày 23/5/2014 61 Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải - Bước : Tiến hành đột biến quần thể vừa tạo với xác xuất chọn trước - Bước : Thu quần thể mới, đánh giá độ thích nghi chúng Kết thúc vòng lặp - Bước : Cho quần thể tiến hóa tự nhiên thuật toán dừng lại kết thúc số vòng lặp (số hệ đạt yêu cầu) - Bước 10 : Chọn cá thể tối ưu quần thể vừa thu được, dùng để đưa vào mạng nơron dự báo đỉnh đáy đồ thị phụ tải 4.3.2 Cấu hình thuật toán Trong đồ án này, em sử dụng phần mềm Matlab để tạo chạy thuật toán Sau em xin trình bày thông số thuật toán - Cấu trúc mạng nơron sử dụng : +) Mạng truyền thẳng +) Số đầu vào : 13 +) Số đầu : +) Số lớp ẩn : +) Số nơron lớp ẩn : - Thông số thuật toán di truyền: +) Kích thước quần thể trọng số : 100 +) Kích thước cá thể : 76 +) Số hệ : 100 +) Hàm mục tiêu : MSE +) Phương pháp lai : Ghép trọng số +) Phương pháp đột biến : - BIASED : 0.1 - UNBIASED : 0.03 4.3.3 Kết chạy thử thuật toán Dữ liệu đầu vào để dự báo đỉnh đáy trình bày bảng 3.2 3.4 4.3.3.1 Dự báo đỉnh đồ thị phụ tải SVTH : Đinh Trọng Thủy -D6H2 52 Đại học Điện Lực Đồ án tốt nghiệp Thứ Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy Ngày 1/5/2014 2/5/2014 3/5/2014 4/5/2014 5/5/2014 6/5/2014 7/5/2014 8/5/2014 9/5/2014 10/5/2014 11/5/2014 12/5/2014 13/5/2014 14/5/2014 15/5/2014 16/5/2014 17/5/2014 18/5/2014 19/5/2014 20/5/2014 21/5/2014 22/5/2014 23/5/2014 24/5/2014 25/5/2014 26/5/2014 27/5/2014 28/5/2014 29/5/2014 30/5/2014 31/5/2014 GVHD: TS.Phạm Mạnh Hải P thực tế (MW) 1471 1689 1694 1749 1883 1963 1989 1980 2094 1949 1949 2026 2169 2190 2284 2126 1923 1771 2074 2098 2358 2323 2437 2239 1862 2219 2181 2031 2180 2250 1928 P dự báo(MW) 1458.614 1682.7 1652.117 1807.979 1925.64 1932.728 1992.35 1927.93 2093.295 1899.541 1915.013 1966.151 2143.045 2122.252 2343.703 2054.356 1990.318 1733.584 2128.737 2084.9 2397.605 2330.147 2405.98 2280.295 1886.168 2196.781 2166.422 2066.506 2115.91 2246.127 1982.024 Sai số tuyệt đối -12.38579 -6.30002 -41.88263 58.97906 42.64003 -30.27230 3.35025 -52.06963 -0.70546 -49.45882 -33.98714 -59.84883 -25.95544 -67.74837 59.70327 -71.64378 67.31823 -37.41556 54.73677 -13.10046 39.60487 7.14691 -31.02005 41.29479 24.16846 -22.21862 -14.57795 35.50601 -64.09021 -3.87323 54.02357 Sai số % 0.84200 0.37300 2.47241 3.37216 2.26447 1.54214 0.16844 2.62978 0.03369 2.53765 1.74382 2.95404 1.19665 3.09353 2.61398 3.36989 3.50069 2.11268 2.63919 0.62443 1.67960 0.30766 1.27288 1.84434 1.29798 1.00129 0.66841 1.74820 2.93992 0.17214 2.80205 Bảng 4.1: Kết dự báo đỉnh ĐTPT tháng 5/2014 - GA Nhìn vào bảng kết ta thấy : Sai số lớn vào ngày thứ bảy (17/5) 67.31823 MW sai số phần trăm 3.5 % Sai số nhỏ vào ngày thứ sáu (9/5) 0.70546 MW sai số phần trăm 0.033 % Ta có đồ thị giá trị phụ tải đỉnh thực tế dự báo sau : SVTH : Đinh Trọng Thủy -D6H2 53 Đại học Điện Lực Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải Hình 4.5: Đồ thị phụ tải đỉnh thực tế dự báo tháng 5/2014 - GA 4.3.3.2 Dự báo đáy đồ thị phụ tải SVTH : Đinh Trọng Thủy -D6H2 54 Đại học Điện Lực Đồ án tốt nghiệp Thứ Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy Ngày 1/5/2014 2/5/2014 3/5/2014 4/5/2014 5/5/2014 6/5/2014 7/5/2014 8/5/2014 9/5/2014 10/5/2014 11/5/2014 12/5/2014 13/5/2014 14/5/2014 15/5/2014 16/5/2014 17/5/2014 18/5/2014 19/5/2014 20/5/2014 21/5/2014 22/5/2014 23/5/2014 24/5/2014 25/5/2014 26/5/2014 27/5/2014 28/5/2014 29/5/2014 30/5/2014 31/5/2014 GVHD: TS.Phạm Mạnh Hải P thực tế (MW) 745 779 862 898 996 926 984 1067 1023 1203 1203 1369 1319 1457 1696 1174 1469 1599 1151 1451 1580 1678 1889 1909 1657 1472 1412 1257 1463 1516 1416 P dự báo(MW) 763.5787 765.1146 861.0842 872.517 1010.308 957.7743 979.2398 1035.97 1046.351 1236.223 1211.693 1362.649 1367.553 1423.486 1678.62 1143.314 1431.128 1569.508 1155.345 1434.648 1586.008 1668.927 1882.397 1959.406 1717.352 1498.481 1413.81 1214.147 1445.529 1487.512 1468.082 Sai số tuyệt đối 18.57867 -13.88542 -0.91580 -25.48302 14.30817 31.77434 -4.76017 -31.03048 23.35142 33.22322 8.69298 -6.35100 48.55321 -33.51352 -17.37983 -30.68566 -37.87190 -29.49165 4.34535 -16.35185 6.00768 -9.07301 -6.60256 50.40578 60.35231 26.48059 1.80987 -42.85291 -17.47082 -28.48767 52.08230 Sai số % 2.4938 1.7825 0.1062 2.8378 1.4366 3.4314 0.4838 2.9082 2.2826 2.7617 0.7226 0.4639 3.6811 2.3002 1.0248 2.6138 2.5781 1.8444 0.3775 1.1269 0.3802 0.5407 0.3495 2.6404 3.6423 1.7990 0.1282 3.4091 1.1942 1.8791 3.6781 Bảng 4.2: Kết dự báo đáy ĐTPT tháng 5/2014 - GA Nhìn vào bảng kết ta thấy : Sai số lớn vào ngày thứ ba(13/5) 48.55321 MW sai số phần trăm 3.68% Sai số nhỏ vào ngày thứ bảy (3/5) 0.91580 MW sai số phần trăm 0.1 % Ta có đồ thị giá trị phụ tải đỉnh thực tế dự báo sau : SVTH : Đinh Trọng Thủy -D6H2 55 Đại học Điện Lực Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải Hình 4.6: Đồ thị phụ tải đáy thực tế dự báo tháng 5/2014 - GA 4.4 So sánh kết sử dụng thuật toán huấn luyện mạng nơ ron Khi chạy mạng với liệu Ta có bảng so sánh kết thuật toán lan truyền ngược sai số thuật toán di truyền sau: Thuật toán Lan truyền ngược sai số Di truyền Sai số dự báo đỉnh Lớn Nhỏ Trung bình 3,39% 0,038% 1.168% 3.5% 0,033% 1.8% Sai số dự báo đáy Lớn Nhỏ Trung bình 2.69% 0,0026% 0,685% 3.68% 0.1% 1.84% Bảng 4.3: So sánh kết đưa thuật toán Từ bảng so sánh ta thấy thuật toán lan truyền ngược sai số cho kết dự báo có sai số nhỏ sử dụng thuật toán di truyền Thời gian chạy thuật toán lan truyền ngược sai số ngắn chay số bước lặp Nguyên nhân giải pháp đưa xây dựng code ( chọn lọc, lai ghép ) cho thuật toán chưa tối ưu SVTH : Đinh Trọng Thủy -D6H2 56 Đại học Điện Lực Đồ án tốt nghiệp 4.5 GVHD: TS.Phạm Mạnh Hải Kết luận chương Chương trình bày vấn đề sau: - Giới thiệu sơ lược thuật toán di truyền, tư tưởng hình thành thuật toán - Trình bày cấu trúc thuật toán di truyền đơn giản, bước thành lập thuật toán - Ứng dụng thuật toán di truyền vào toán tối ưu hóa trọng số mạng nơron nhân tạo, từ sử dụng thuật toán để huấn luyện mạng nơron việc dự báo phụ tải đỉnh phụ tải đáy biểu đồ phụ tải - So sánh kết thu thuật toán lan truyền ngược sai số thuật toán di truyền sử dụng cấu hình mạng nơron, liệu Kết thuật toán lan truyền ngược sai số có thời gian chạy nhỏ kết đưa xác so với thuật toán di truyền SVTH : Đinh Trọng Thủy -D6H2 57 Đại học Điện Lực Chương Dự báo phụ tải ngày 5.1 Dự báo dạng ĐTPT Dạng đồ thị phụ tải chuẩn hóa ngày cần dự báo xác định cách lấy trung bình giá trị phụ tải chuẩn hóa ngày có kiểu ngày với ngày Các ngày nhóm có dạng biểu đồ phụ tải giống Cách chuẩn hóa đồ thị phụ tải trình bày chương Dưới kết chuẩn hóa đồ thị phụ tải ngày : 13/5/2014 đến 16/5/2014 20/5/2014 58 Đồ án tốt nghiệp Ngày 13/5/2014 Giờ Pn (i) 0.0000 0.0842 0.0277 0.0000 0.0822 0.2023 0.2017 0.4908 0.7131 10 0.8365 11 1.0000 12 0.6366 13 0.6574 14 0.7990 15 0.9308 16 0.9304 17 0.9193 18 0.8733 19 1.0000 20 0.8427 22 0.8502 23 0.6437 24 0.4428 GVHD: TS.Phạm Mạnh Hải 14/5/2014 15/5/2014 Pn (i) Pn (i) 0.0000 0.0000 0.2710 0.1702 0.2109 0.1012 0.0000 0.0234 0.1930 0.0000 0.2532 0.0288 0.3926 0.1510 0.7045 0.5027 0.9324 0.7896 1.0000 1.0000 0.8305 0.9415 0.8739 0.7503 0.8709 0.7230 1.0000 0.9002 0.9673 0.9500 0.9602 0.7629 0.8775 0.8454 0.8517 0.7983 0.9072 0.9337 0.8660 0.7682 0.9216 0.8434 0.8663 0.7258 0.5863 0.3662 16/5/2014 20/5/2014 Pn (i) Pn (i) 0.0000 0.0000 0.2019 0.0993 0.0505 0.1267 0.0619 0.0204 0.0000 0.0000 0.0517 0.0533 0.1367 0.1547 0.4830 0.4655 0.6552 0.6850 0.9842 0.9351 1.0000 0.9396 0.7170 0.6280 0.7315 0.6961 0.8728 0.8325 0.9533 0.9267 0.9407 0.9046 0.8845 0.9046 0.8241 0.8791 1.0000 1.0000 0.7180 0.8545 0.7584 0.8209 0.5461 0.5558 0.3635 0.3335 Pn (i)tb 0.0000 0.1653 0.1034 0.0211 0.0550 0.1179 0.2073 0.5293 0.7551 0.9512 0.9423 0.7212 0.7358 0.8809 0.9457 0.8998 0.8863 0.8453 0.9682 0.8099 0.8389 0.6675 0.4184 Bảng 5.1: Phụ tải chuẩn hóa ngày giá trị trung bình 5.2 Dự báo ĐTPT ngày Sau có dạng biểu đồ phụ tải chuẩn hóa nhóm ngày, ta tính giá trị phụ tải 24h ngày cần dự báo theo công thức: P (i) = Pmin + (Pmax − Pmin ).Pn (i) (5.1) Dưới bảng kết dự báo phụ tải số ngày tháng 5/2014 với giá trị đỉnh đáy đồ thị phụ tải (được dự báo chương 3) dạng biểu đồ phụ tải nhóm SVTH : Đinh Trọng Thủy -D6H2 59 Đại học Điện Lực Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải Kết dự báo phụ tải ngày 23/5/2014 Giờ 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 P thực tế (MW) 1886.991 1974.938 1942.005 1898.231 1916.267 1949.691 1997.284 2168.546 2288.651 2392.964 2388.266 2270.619 2278.383 2355.595 2390.035 2365.623 2358.448 2336.646 2402.019 2317.803 2369.746 2333.256 2242.091 2109.583 P dự báo Sai số tuyệt đối (MW) (MW) 1889 -2.009 2010.746 -35.808 1989.777 -47.7723 1931.004 -32.7732 1889 27.2673 1915.129 34.56164 1943.748 53.53599 2164.462 4.084589 2294.208 -5.55687 2437 -44.0357 2437 -48.7335 2328.585 -57.966 2366.332 -87.9486 2389.375 -33.7804 2356.619 33.41529 2317.715 47.90781 2246.997 111.4511 2224.996 111.6504 2382 20.01865 2251.331 66.47241 2312.391 57.3549 2328.325 4.930896 2303.75 -61.6596 2170.527 -60.9445 Sai số % 0.106353 1.780833 2.400885 1.697213 1.443478 1.804664 2.754266 0.188712 0.242213 1.806964 1.999734 2.489322 3.716664 1.413774 1.417934 2.067027 4.960005 5.018005 0.840414 2.952583 2.480329 0.211779 2.676487 2.807818 Bảng 5.2: Kết dự báo phụ tải 24h ngày 23/5/2014 Nhìn vào bảng kết ta thấy : Sai số lớn vào 18h 111.6504 MW sai số phần trăm 5,01% Sai số nhỏ vào 1h 2.009 MW sai số phần trăm 0.1 % Từ kết ta có đồ thị phụ tải ngày 23/5/2014 sau: SVTH : Đinh Trọng Thủy -D6H2 60 Đại học Điện Lực Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải Hình 5.1: Đồ thị giá trị phụ tải 24h thực tế dự báo ngày 23/5/2014 5.3 Kết luận chương Chương trình bày vấn đề sau: - Cách dự báo dạng đồ thị phụ tải từ đồ thị phụ tải ngày nhóm có sẵn - Kết dự báo phụ tải 24 23/5/2014 Đánh giá sai số giá trị dự báo so với thực tế - Sai số phương pháp dự báo cao so với quy định quy trình dự báo phụ tải sử dụng số liệu dự báo đỉnh từ phương pháp Để sai số phạm vi cho phép cần cải tiến thuật toán dự báo đỉnh đáy ĐTPT SVTH : Đinh Trọng Thủy -D6H2 61 Đại học Điện Lực Kết luận đồ án Trong đồ án em trình bày ứng dụng mạng nơ ron nhân tạo dự báo phụ tải hệ thống điện bao gồm vấn đề sau : - Bài toán dự báo phụ tải - Tìm hiểu mạng nơ ron nhân tạo phương pháp huấn luyện mạng - Ứng dụng thuật toán lan truyền ngược sai số thuật toán di truyền huấn luyện mạng nơ ron - Chạy thử mạng nơ ron dự báo phụ tải Phương pháp trình bày đồ án đưa kết tương đối tốt so với tiêu chuẩn sai số 2% quy định Quy trình dự báo nhu cầu phụ tải điện hệ thống điện quốc gia Các kết đưa đồ án lớn so với quy định số nguyên nhân sau : - Sai số việc thu thập liệu nhiệt độ - Phụ tải điện phụ thuộc vào yếu tố khác yếu tố nhiệt độ Phương pháp sử dụng mạng nơ ron nhân tạo dự báo phụ tải điện phương pháp tương đối có ứng dụng cao, có tiềm phát triển tương lai công nghệ ngày phát triển Nghiên cứu ứng dụng mạng nơ ron nhân tạo giúp thay phương pháp dự báo thủ công giúp nâng cao độ xác dự báo đồng thời tiết kiệm thời gian để đưa quy trình vận hành tối ưu cho hệ thống điện 62 Tài liệu tham khảo [1] Hsu Y.Y., Yang C.C.(1991), Design of ANN for short-term load forecasting IEE Proceedings, Vol.123 [2] Chu Nghĩa (2007) :Luận văn thạc sĩ khoa học “Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền Bắc”, Trường ĐH Bách Khoa Hà Nội [3] H.S Hippert, C.E Pedreira, and R.C Souza (2001) Neural Networks for ShortTerm Load Forecasting: A Review and Evaluation IEEE Transactions on Power Systems, 16:44–55 [4] Trần Kỳ Phúc (2008): Nghiên cứu ứng dụng mạng nơron nhân tạo dự báo ngắn hạn phụ tải hệ thông điện ( giai đoạn 2) [5] Trần Kỳ Phúc ,Monique Polit, Nguyễn Tiên Phong, Lê Thị Thanh Hà (9/2006), Mạng nơron- Dự báo phụ tải điện ngắn hạn ứng dụng Hà Nội, ảnh hưởng thông số thời tiết, tạp chí Tự động hóa ngày [6] Diệp Xuân Trường (2007):”Ứng dụng mạng nơ ron nhân tạo dự báo ngắn hạn phụ tải điện khu vực tỉnh Sóc Trăng”, Trường ĐH Nông nghiệp I [7] McCulloch, Warren; Walter Pitts (1943) "A Logical Calculus of Ideas Immanent in Nervous Activity" Bulletin of Mathematical Biophysics (4): 115–133 [8] Rosenblatt, F (1958) "The Perceptron: A Probalistic Model For Information Storage And Organization In The Brain" Psychological Review 65 (6): 386–408 [9] Minsky M L and Papert S A (1969) Perceptrons Cambridge, MA: MIT Press [10] Werbos, P.J (1975) Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences 63 Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải [11] Rumelhart, D.E; James McClelland (1986) Parallel Distributed Processing: Explorations in the Microstructure of Cognition Cambridge: MIT Press [12] Fukushima, K (1980) "Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position" Biological Cybernetics36 (4): 93–202 [13] http://www.kurzweilai.net/how-bio-inspired-deep-learning-keeps-winning¨ competitions2012 Kurzweil AI Interview with Jurgen Schmidhuber on the eight competitions won by his Deep Learning team 2009–2012 [14] A Graves, M Liwicki, S Fernandez, R Bertolami, H Bunke, J Schmidhuber (2009) A Novel Connectionist System for Improved Unconstrained Handwriting Recognition IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 31, no [15] Roman M Balabin, Ekaterina I Lomakina (2009) "Neural network approach to quantum-chemistry data: Accurate prediction of density functional theory energies" J Chem Phys 131 (7) [16] Ganesan, N "Application of Neural Networks in Diagnosing Cancer Disease Using Demographic Data" International Journal of Computer Applications [17] Bottaci, Leonardo "Artificial Neural Networks Applied to Outcome Prediction for Colorectal Cancer Patients in Separate Institutions" The Lancet [18] LM Markovits,Trần Đình Long,Bùi Ngọc Thự,Bùi Thiên Dụ,Hà Học Trạc(dịch), Các chế độ hệ thống lượng,NXB KH-KT [19] Turing, Alan (1952) The chemical basis of morphogenesis, Phil Trans Of the Royal Society, v 237, pp 5-72; London [20] Von der Malsburg, C (1973) Self-organization of orientation sensitive cells in the striate cortex Kybernetik, 14:85-100 [21] Kohonen, Teuvo; Honkela, Timo (2007) "Kohonen Network" [22] Kohonen, Teuvo (1982) "Self-Organized Formation of Topologically Correct Feature Maps" Biological Cybernetics 43 (1): 59–69 SVTH : Đinh Trọng Thủy -D6H2 64 Đại học Điện Lực Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải [23] Kohonen, T., Kaski, S and Lappalainen, H (1997) Self-organized formation of various invariant-feature filters in the adaptive-subspace SOM Neural Computation, 9: 1321-1344 [24] Oja, M., Kaski, S and Kohonen, T (2003) Bibliography of Self-Organizing Map (SOM) Papers: 1998-2001 Addendum Neural Computing Surveys, 3: 1-156 [25] Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J (10/1986) "Learning representations by back-propagating errors" Nature 323 (6088): 533–536 [26] Phạm Thị Hoàng Nhung(2007) , Luận án thạc sĩ “Ứng dụng mạng nơron nhân tạo việc dự báo lưu lượng nước đến hồ Hòa Bình”, Trường Đại học công nghệ - Đại học Quốc gia Hà Nội [27] D Whitley, T Starkweather et C Bogart (1990), Genetic algorithms and neural networks: optimizing connections and connectivity, in: Parallel Computing 14, 347-361, North-Holland [28] D Montana and L Davis (1989), Training feedforward neural networks using genetic algorithms, In Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 762-767, Morgan Kaufmann, San Mateo, CA [29] Pavlov, I P (1927) Conditioned Reflexes: An Investigation of the Physiological Activity of the Cerebral Cortex Translated and Edited by G V Anrep London: Oxford University Press p 142 [30] Helmholtz, Hermann von (1885), On the sensations of tone as a physiological basis for the theory of music, Second English Edition, translated by Alexander J Ellis London: Longmans, Green, and Co., p 44 Retrieved 2010-10-12 [31] Wessels, L,and E Barnard (1992) " A voiding False Local Minima by Proper Initialization of Conections" , IEEE Transactions on Neural networks Vol.3 , No.6 [32] M A Aizerman, E M Braverman, and L I Rozonoer (1964) Theoretical foundations of the potential function method in pattern recognition learning Automation and Remote Control, 25:821–837 [33] Minsky M L and Papert S A (1969) Perceptrons Cambridge, MA: MIT Press [34] Freund, Y.; Schapire, R E (1999) "Large margin classification using the perceptron algorithm" Machine Learning 37 (3): 277–296 SVTH : Đinh Trọng Thủy -D6H2 65 Đại học Điện Lực Đồ án tốt nghiệp GVHD: TS.Phạm Mạnh Hải [35] Mohri, Mehryar and Rostamizadeh, Afshin (2013) Perceptron Mistake Bounds arXiv:1305.0208, 2013 [36] Bryson, A.E.; W.F Denham; S.E Dreyfus (1963) Optimal programming problems with inequality constraints I: Necessary conditions for extremal solutions AIAA J 1, 11 2544-2550 [37] Arthur Earl Bryson, Yu-Chi Ho (1969) Applied optimal control: optimization, estimation, and control Blaisdell Publishing Company or Xerox College Publishing p 481 [38] Paul J Werbos Beyond Regression (1974): New Tools for Prediction and Analysis in the Behavioral Sciences PhD thesis, Harvard University [39] Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J (10/1986) "Learning representations by back-propagating errors" Nature 323 (6088): 533–536 [40] Alpaydın, Ethem (2010) Introduction to machine learning (2nd ed ed.) Cambridge, Mass.: MIT Press p 250 ISBN 978-0-262-01243-0 .and hence the namebackpropagation was coined (Rumelhart, Hinton, and Williams 1986a) [41] D Whitley, T Starkweather et C Bogart (1990), Genetic algorithms and neural networks: optimizing connections and connectivity, in: Parallel Computing 14, 347-361, North-Holland [42] D Montana and L Davis (1989), Training feedforward neural networks using genetic algorithms, In Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 762-767, Morgan Kaufmann, San Mateo, CA SVTH : Đinh Trọng Thủy -D6H2 66 Đại học Điện Lực ... số trình dự báo Muốn giải toán dự báo phụ tải ngày (dự báo phụ tải ngắn hạn) ta chia toán thành toán nhỏ: - Bài toán xác định dạng đồ thị phụ tải (ĐTPT) ngày cần dự báo - Bài toán dự báo đỉnh... báo phụ tải -Dự báo phụ tải năm, tháng, tuần sai số giới hạn : ± 3% -Dự báo phụ tải ngày, sai số giới hạn : ± 2% Vì mức độ phức tạp toán dự báo đồ án em xin trình bày phần dự báo phụ tải ngắn hạn. .. Ứng dụng thuật toán di truyền dự báo phụ tải ngắn hạn 4.1 Khái quát thuật toán di truyền 43 43 4.1.1 Tư tưởng thuật toán 43 4.1.2 Thuật toán di truyền đơn