Xây dựng giao diện Matlab dự báo phụ tải ngắn hạn bằng thuật toán di truyền

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

Trong những năm gần đây, do nhu cầu năng lượng không ngừng biến đổi và tăngnhanh theo thời gian nên ngành Điện đã và đang xây dựng rất nhiều nhà máy điện

để đáp ứng nhu cầu tiêu thụ điện năng trong cả nước Vì vậy một trong những nhiệm

vụ quan trọng mà ngành điện cần phải giải quyết tốt là bài toán dự báo phụ tải ngắnhạn và dài hạn

Cho đến nay tuy đã có nhiều phương pháp trong giải quyết bài toán dự báo nhưngbài toán này vẫn luôn là một bài toán khó Hiện nay trong ngành Điện lực Việt Nambài toán dự báo phụ tải được giải quyết chủ yếu nhờ các phương pháp dự báo truyềnthống mang tính kinh nghiệm thuần túy Dùng cách dự báo theo kinh nghiệm thuầntúy là chưa đủ Việc ứng dụng các mô hình dự báo khác nhau cho ta cơ sở lựa chọncác phương pháp dự báo, đánh giá mức độ chính xác của dự báo để dự báo chính xáchơn nhu cầu phụ tải điện tại từng thời điểm đưa ra các phương án vận hành tối ưu.Trong các hướng nghiên cứu thì mạng nơ ron nhân tạo chiếm một vị trí quan trọngtrong việc phát triển các phương pháp dự báo, là kỹ thuật xử lý thông tin có triển vọngứng dụng cao trong các bài toán dự báo

Mạng nơ ron nhân tạo có các ưu điểm vượt trội so với các phương pháp truyềnthống như : cấu trúc xử lý song song, khả năng học và ghi nhớ, khả năng tự tổ chức

và tổng quát hóa, nên việc áp dụng để giải quyết bài toán dự báo ngắn hạn rất thíchhợp

Đồ án này em xin trình bày về một số hiểu biết cơ bản nhất về mạng nơ ron nhântạo và nghiên cứu ứng dụng giải quyết bài toán dự báo phụ tải ngắn hạn cho hệ thốngđiện miền Bắc Đối tượng cụ thể của nghiên cứu là dự báo phụ tải cho 24 giờ saunhằm đưa ra các thông số cần thiết cho công tác vận hành và lập phương thức điềuhành hệ thống điện

- Chương I : Bài toán dự báo phụ tải.

- Chương II : Tổng quan về 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 trong dự báo phụ tải ngắn hạn

- Chương V: Dự báo phụ tải cho 24h.

Để đồ án được hoàn thiện hơn em rất mong nhận được sự góp ý xây dựng của thầy

cô và các bạn

Em xin chân thành cảm ơn thầy TS Phạm Mạnh Hải đã giao đề tài, hướng dẫn

và định hướng cho em thực hiện đồ án này Đồng thời đưa em tiếp cận với ngôn ngữ

soạn thảo L A TEX một công cụ hữu ích mang nhiều ưu điểm vượt trội so với phần mềm

soan thảo Microsoft Word truyền thống

Em cũng xin được gửi lời cảm ơn đến anh Ngô Văn Hà và các thầy cô khoa HệThống Điện-Trường Đại học Điện lực đã trang bị cho em kiến thức để em có thểhoàn thành đồ án này

Đồng thời, tôi xin cảm ơn gia đình, bạn bè và tập thể lớp D6H2 đã giúp đỡ tạo điềukiện để tôi hoàn thành tốt đồ án này

Hà Nội,Ngày 6 tháng 3 năm 2016

Sinh viên

Đinh Trọng Thủy

1 Bài toán dự báo phụ tải 1

1.1 Khái quát về phụ tải HTĐ và ý nghĩa của bài toán dự báo phụ tải 1

1.1.1 Khái quát về phụ tải HTĐ 1

1.1.2 Ý nghĩa của bài toán dự báo phụ tải 2

1.1.3 Phân loại bài toán dự báo 3

1.2 Các phương pháp dự báo phụ tải HTĐ 4

1.3 Bài toán dự báo phụ tải ngắn hạn 4

1.3.1 Tình hình nghiên cứu trong và ngoài nước 4

1.3.2 Các yếu tố ảnh hưởng đến phụ tải ngắn hạn 5

1.3.3 Bài toán dự báo phụ tải ngắn hạn 8

1.3.4 Phương pháp dự báo 8

1.4 Kết luận chương 1 12

2 Tổng quan về 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 và 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 2 28

3 Ứng dụng mạng nơ ron nhiều lớp lan truyền ngược sai số trong dự báo phụ tải ngắn hạn 29 3.1 Khái quát về mạng nơ ron truyền thẳng nhiều lớp 29

3.1.2 Cấu trúc mạng nơron 30

3.1.3 Hoạt động của 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 và đáy ĐTPT ngày theo nhiệt độ môi trường 34

3.3.1 Chuẩn bị dữ liệu cho mạng 34

3.3.2 Cấu trúc mạng 34

3.3.3 Kết quả sử dụng mạng nơron lan truyền ngược sai số dự báo đỉnh đồ thị phụ tải 36

3.3.4 Kết quả sử dụng mạng nơron lan truyền ngược sai số dự báo đáy đồ thị phụ tải 39

3.4 Kết luận chương 3 42

4 Ứng dụng thuật toán di truyền trong dự báo phụ tải ngắn hạn 43 4.1 Khái quát về thuật toán di truyền 43

4.1.1 Tư tưởng chính của thuật toán 43

4.1.2 Thuật toán di truyền đơn giản 44

4.2 Ứng dụng thuật toán di truyền vào bài toán tối ưu hóa trọng số của 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 hiện thuật toán 51

4.3.2 Cấu hình thuật toán 52

4.3.3 Kết quả chạy thử thuật toán 52

4.4 So sánh kết quả khi sử dụng 2 thuật toán trong huấn luyện mạng nơ ron 56 4.5 Kết luận chương 4 57

5.1 Dự báo dạng ĐTPT 585.2 Dự báo ĐTPT ngày 595.3 Kết luận chương 5 61

1.1 Biểu đồ thành phần cấu thành của phụ tải theo P của hệ thống điện

miền Bắc 2

1.2 Đồ thị phụ tải Hà Nội các ngày 1/1,4/1,7/1 năm 2014 6

1.3 Đồ thị phụ tải Hà Nội các ngày thứ tư 1/1,4/6 năm 2014 7

1.4 Đồ thị phụ tải Hà Nội các ngày 6/1,1/6 năm 2014 7

1.5 Dạng đồ thị phụ tải chuẩn hóa của 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 một 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 một lớp ẩn 31

3.2 Đồ thị phụ tải đỉnh thực tế và dự báo tháng 5/2014 - BP 39

3.3 Đồ thị phụ tải đáy thực tế và 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 và dự báo tháng 5/2014 - GA 54

4.6 Đồ thị phụ tải đáy thực tế và dự báo tháng 5/2014 - GA 56

3.1 Bảng mã hóa ngày trong tuần 35

3.2 Dữ liệu đầu vào dự báo đỉnh ĐTPT tháng 5/2014 37

3.3 Kết quả dự báo đỉnh ĐTPT tháng 5/2014 - BP 38

3.4 Dữ liệu đầu vào dự báo đáy ĐTPT tháng 5/2014 40

3.5 Kết quả dự báo đáy ĐTPT tháng 5/2014 - BP 41

4.1 Kết quả dự báo đỉnh ĐTPT tháng 5/2014 - GA 53

4.2 Kết quả dự báo đáy ĐTPT tháng 5/2014 - GA 55

4.3 So sánh kết quả đưa ra của 2 thuật toán 56

5.1 Phụ tải chuẩn hóa của 5 ngày và giá trị trung bình 59

5.2 Kết quả dự báo phụ tải 24h ngày 23/5/2014 60

HTĐ :Hệ thống điện

ĐTPT: Đồ thị phụ tải

Pmax:Phụ tải lớn nhất

Pmin: Phụ tải nhỏ nhất

MLP : Mạng truyền thẳng nhiều lớp (Multi Layer Perceptron)

GA : Thuật toán di truyền (Genetic Algorithms)

BP : Thuật toán lan truyền ngược sai số ( Back Propagation)

Bài toán dự báo phụ tải

báo phụ tải

1.1.1 Khái quát về phụ tải HTĐ

Kinh tế các khu vực trong cả nước phát triển không đồng đều dẫn đến công suấtphụ tải của các khu vực có sự chênh lệch tương đối lớn Phụ tải chủ yếu tập trung ởvùng đồng bằng, các thành phố có công nghiệp phát triển Tại những vùng này phụtải cao điểm và thấp điểm chênh lệch nhau không lớn lắm( Pmin/Pmax) khoảng 0,7 dophụ tải công nghiệp tại các khu vực này phát triển Đối với vùng núi hoặc khu vực sảnxuất nông nghiệp , công nghiệp không phát triển thì (Pmin/Pmax) khoảng 0,3 do phụtải vào lúc cao điểm chủ yếu là phụ tải sinh hoạt, điều này gây khó khăn lớn cho vậnhành kinh tế hệ thống điện.Vào giờ thấp điểm ta không khai thác được nguồn điện rẻtiền, còn vào giờ cao điểm thì phải chạy nguồn điện đắt tiền để phủ đỉnh, có khi phảihạn chế phụ tải giờ cao điểm vì nguồn không đủ

Các thành phần cấu thành của phụ tải như sau :

Hình 1.1: Biểu đồ thành phần cấu thành của phụ tải theo P của hệ thống điện miềnBắc

Trên biểu đồ ta thấy Quản lý và tiêu dùng dân cư và Công nghiệp xây dựng chiếm

tỷ trọng lớn đến gần 90% công suất phụ tải Điện năng tiêu thụ của quản lý và tiêudùng dân cư là rất lớn nên chênh lệch công suất giữa giờ cao điểm và thấp điểm cũngrất lớn( 2-3 lần) phụ thuộc nhiều vào thời tiết, gây ảnh hưởng đến việc khai thác tối

ưu nguồn điện Phụ tải cao điểm là nhân tố quyết định việc huy động nguồn điện,ngược lại phụ tải thấp điểm lại quyết định phối hợp và điều chỉnh nguồn điện nhằmđảm bảo vận hành kinh tế

Do đó việc dự báo chính xác phụ tải có ý nghĩa hết sức quan trọng trong bài toán vậnhành kinh tế HTĐ, cũng như cải tạo thiết kế cung cấp điện giảm thiểu tổn thất vàđiện năng

Do đó phụ tải cao điểm và thấp điểm chính là hai giá trị đặc biệt trên đồ thị phụ tảingày, là mối quan tâm hàng đầu của người lập kế hoạch vận hành và thiết kế HTĐ

1.1.2 Ý nghĩa của bài toán dự báo phụ tải

Việc dự báo phụ tải điện có thể cho ta một cái nhìn khái quát về sự phát triển của

hệ thống điện (HTĐ) trong tương lai, từ đó cung cấp dữ liệu cho việc quy hoạch vàđầu tư phát triển hệ thống điện (đối với các bài toán dự báo dài hạn và trung hạn) vàsản lượng tiêu thụ điện trong tương lai gần nhằm đảm bảo vận hành hệ thống điện

an toàn và kinh tế.

• Nếu dự báo phụ tải quá thấp so với nhu cầu thực tế thì dẫn đến kết quả nguồn

dự phòng thấp, không đáp ứng đủ nhu cầu điện năng cho sản xuất công nghiệp vàtiêu dùng

• Nếu dự báo phụ tải quá cao sẽ phải huy động các nguồn điện đắt tiền gây lãngphí cho nền kinh tế nước nhà

Ta có thể kể ra một vài ví dụ để kiểm chứng điều đó như sau :

+) Ví dụ 1:

Ngày 2/7/2015 sản lượng điện tiêu thụ toàn hệ thống đạt kỉ lục với 535 triệu kWhtrong đó sản lượng tiêu thụ ở Hà Nội là 64,6 triệu kWh vượt TPHCM khu vực luônđứng đầu cả nước về tiêu thụ điện

Nguyên nhân là do nắng nóng trên diện rộng nhu cầu sử dụng điện tăng nhanhtrong thời gian ngắn gay áp lực cung cấp điện lớn cả về nguồn và lưới Các nguồnđiện đã vận hành tối đa công suất , các MBA 500/220kV và 220/110kV cấp điện chokhu vực miền Bắc đều trong tình trạng đầy và quá tải

+) Ví dụ 2:

Nếu dự báo phụ tải đỉnh sai dẫn đến việc huy động các nguồn tuabin khí chạydầu đắt tiền chạy phủ đỉnh gây lãng phí, việc dự báo đúng phụ tải đỉnh góp phầntăng hiệu quả vận hành và tiết kiệm hàng trăm triệu đồng trên mỗi giờ cho ngànhđiện nói riêng và cho nền kinh tế Quốc dân nói chung

+) Ví dụ 3:

Tính chính xác lượng công suất thiếu để chủ động cắt phụ tải khu vực không quantrọng, tránh cắt thừa hoặc cắt thiếu, tránh sa thải phụ tải do bảo vệ tần số thấp tácđộng cũng có ý nghĩa quan trọng trong vận hành, giảm thiệt hại do cắt điện

Qua một số ví dụ trên ta có thấy tầm quan trọng của việc dự báo phụ tải là rất lớntrong vận hành hệ thống điện

1.1.3 Phân loại bài toán dự báo

Theo thời gian dự báo ta có các phân loại dự báo như sau :

• Dự báo ngắn han : thời gian từ 1-2 năm

• Dự báo trung hạn : thời gian từ 3-10 năm

• Dự báo dài hạn : thời gian từ 15-20 năm

Sai số cho phép với từng loại dự báo như sau :

Theo điều 13 của Quy trình dự báo phụ tải -Dự báo phụ tải năm, tháng, tuần sai

số trong giới hạn : ± 3%

-Dự báo phụ tải ngày, giờ sai số trong giới hạn : ± 2%

Vì mức độ phức tạp của bài toán dự báo trong đồ án em chỉ xin trình bày phần dựbáo phụ tải ngắn hạn

Có rất nhiều phương pháp sử dụng để dự báo phụ tải của HTĐ được nêu ra trongquy trình dự báo phụ tải điện như sau :

- Phương pháp ngoại suy

- Phương pháp hồi quy

- Phương pháp hệ số đàn hồi

- Phương pháp mạng nơ ron nhân tạo

- Phương pháp tương quan xu thế

- Phương pháp chuyên gia

- Các phương pháp khác

Việc lựa chọn phương pháp dự báo phải xem xét đến các yếu tố :

- Phương pháp có khả năng thực hiện được với số liệu sẵn có

- Phương pháp có khả năng phân tích các yếu tố bất định

- Đảm bảo sai số thực tế nằm trong giới hạn quy định

1.3.1 Tình hình nghiên cứu trong và ngoài nước

Trong những năm gần đây tình hình nghiên cứu trong lĩnh vực dự báo phụ tải đặcbiệt là dự báo phụ tải ngắn hạn đang ngày càng phát triển để đáp ứng nhu cầu đảmbảo cung cấp điện an toàn và liên tục

Trong nước có thể kể đến một số công trình nghiên cứu cơ bản như :

-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 của Chu Nghĩa năm 2007.-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 tại Hà Nội, ảnh hưởng của cácthông số thời tiết, tạp chí Tự động hóa ngày nay.

-Trần Kỳ Phúc (Viện năng lượng 2008): Nghiên cứu ứng dụng mạng nơron nhântạo trong dự báo ngắn hạn phụ tải hệ thông điện

Các công trình nghiên cứu ngoài nước có thể kể đến như :

-Hsu Y.Y., Yang C.C.(1991), Design of ANN for short-term load forecasting IEE ceedings, Vol.123

Pro H.S Hippert, C.E Pedreira, and R.C Souza (2001) Neural Networks for Term Load Forecasting: A Review and Evaluation IEEE Transactions on Power sys-tems

Short-1.3.2 Các yếu tố ảnh hưởng đến phụ tải ngắn hạn

Để tìm ra được phương pháp dự báo tối ưu đối với bài toán dự báo phụ tải ngàyvới sai số nhỏ nhất, ta cần xác định các yếu tố ảnh hưởng đến phụ tải ngày, ví dụ :các đặc điểm của ngày cần dự báo, nhiệt độ, độ ẩm lượng mưa trong ngày, sự cố hệthống, Chính vì vậy để nâng cao độ chính xác của quá trình dự báo phụ tải ta cầnphải xét đến các yếu tố chủ yếu ảnh hưởng đến phụ tải

Qua thực tế vận hành cho thấy phụ tải ngày của lưới điện Việt Nam nói chung vàmiền Bắc nói riêng phụ thuộc vào các yêu tố chính sau:

Các yếu tố thời gian: Bao gồm thời gian của năm, các ngày trong tuần, các giờ

trong ngày Có sự khác biệt rất lớn giữa phụ tải ngày làm việc và ngày nghỉ Phụ tảicác ngày làm việc trong tuần cũng có thể khác nhau

Dưới đây là ví dụ về sự ảnh hưởng của yếu tố thời gian lên biểu đồ phụ tải ngày Ta

có thể thấy biểu đồ phụ tải của ngày Tết Dương lịch (1/1/2014) khác so với đồ thị phụtải ngày Chủ nhật (4/1) và với ngày thứ Tư(7/1)

Hình 1.2: Đồ thị phụ tải Hà Nội các ngày 1/1,4/1,7/1 năm 2014

Các điều kiện thời tiết : Trong thực tế các yếu tố về thời tiết như: nhiệt độ, độ ẩm,

lượng mưa, cường độ ánh sáng, ảnh hưởng rất lớn đến dự báo phụ tải ngắn hạn [4].Đối với nước nhiệt đới như nước ta, vào mùa hè khi nhiệt độ tăng thì phụ tải tăng vàngược lại Tuy nhiên có sự khác biệt đó là ở miền Bắc vào mùa đông khi nhiệt độ quálạnh, phụ tải tăng do sử dụng các thiết bị sưởi ấm

Hình 1.3: Đồ thị phụ tải Hà Nội các ngày thứ tư 1/1,4/6 năm 2014

Nhìn vào đồ thị trên ta có thể thấy được sự khác biệt rõ ràng giữa 2 biểu đồ phụ tảingày đặc trưng của Hà Nội vào ngày mùa Đông (1/1) và ngày mùa Hè (1/6) Vào mùa

Hè, phụ tải điện tăng cao hơn rất nhiều so với mùa Đông

Các nhiễu ngẫu nhiên: Các khách hàng công nghiệp lớn có thể gây ra sự thay đổi

đột ngột về phụ tải Ngoài ra, các hiện tượng và điều kiện nào đó có thể gây ra thayđổi tải đột ngột như cắt điện vì thế có sự biến đổi rất lớn giữa các ngày trong năm từhình dáng đến đỉnh và đáy ĐTPT

Hình 1.4: Đồ thị phụ tải Hà Nội các ngày 6/1,1/6 năm 2014

Các yếu tố khác : Hình dạng đồ thị phụ tải phụ thuộc vào vị trí địa lí ( đồ thị phụ

tải nông thôn khác đồ thị phụ tải thành phố ),

1.3.3 Bài toán dự báo phụ tải ngắn hạn

-Cho dữ liệu cơ sở của bài toán: Lấy cơ sở dữ liệu phụ tải ngày của năm 2014 và

dữ liệu về nhiệt độ lớn nhất và nhỏ nhất của các ngày trong năm 2014

-Yêu cầu : Từ những dữ liệu ở trên hãy xây dựng mô hình bài toán để dự báo đồ thịphụ tải của ngày tiếp theo xét với yếu tố ảnh hưởng đến phụ tải là nhiệt độ

1.3.4 Phương pháp dự báo

Có rất nhiều phương pháp dùng để dự báo phụ tải ngày đã và đang được áp dụngtrên thế giới Mỗi phương pháp trên đều có những ưu điểm và nhược điểm riêng, việclựa chọn phương pháp dự báo nhu cầu phụ tải điện phải xem xét đến các yếu tố sau:

- Phương pháp phải có khả năng thực hiện được với các số liệu có sẵn

- Phương pháp có khả năng phân tích các yếu tố bất định

- Đảm bảo sai số nằm trong quy định

Mạng nơron nhân tạo được xây dựng trên cơ sở mô phỏng sự hoạt động của hệthống nơron thần kinh sinh học, do đó nó có đặc điểm quan trọng giống bộ nãongười : đó là khả năng học được những gì đã được dạy Quá trình học này được đưavào mạng với dữ liệu mẫu cho trước Trong quá trình đưa mẫu vào mạng, mối quan

hệ giữa các biến sẽ được mạng nhận biết sau khi kết thúc quá trình huấn luyện Với

ưu điểm tuyệt vời trên cùng sự phát triển của hệ thống máy tính thông minh, mạngnơron đang được ứng dụng mạnh mẽ trong lĩnh vực dự báo phụ tải điện

Việc dự báo phụ tải trong đồ án này được thực hiện bằng phương pháp sử dụngmạng nơron nhân tạo Trong phương pháp này, ta có thể chọn một trong các mô hìnhmạng sau để giải quyết bài toán:

- Mô hình 1: Kết hợp dự báo đỉnh (phụ tải cao nhất), đáy (phụ tải thấp nhất) và dạng

biểu đồ phụ tải ngày (dạng đường cong phụ thuộc phụ tải-giờ)

- Mô hình 2: Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu

ra)

- Mô hình 3: Dự báo phụ tải từng giờ của ngày dự báo (dùng MNN 1 đầu ra).

Ở trong đồ án này em xin trình bày cách dự báo phụ tải ngày theo mô hình 1 vìtính đơn giản và linh hoạt của nó Nếu chọn theo 2 mô hình còn lại sẽ không phân

chia được nhóm ngày, việc không phân chia các nhóm ngày sẽ gây ra sai số của quátrình dự báo.

Muốn giải quyết bài toán dự báo phụ tải ngày (dự báo phụ tải ngắn hạn) này ta chiabài toán thành 2 bài toán nhỏ:

- Bài toán xác định dạng đồ thị phụ tải (ĐTPT) ngày cần dự báo

- Bài toán dự báo đỉnh và đáy ĐTPT ngày cần dự báo

1.3.4.1 Xác định dạng đồ thị phụ tải

Chuẩn hóa đồ thị phụ tải

Các giá trị phụ tải thường rất lớn, gây khó khăn trong việc tính toán và lưu trữ dữliệu Vì vậy ta cần chuẩn hóa các giá trị phụ tải này để dễ dàng trong việc tính toán

Đồ thị phụ tải ngày là đồ thị được vẽ từ 24 giá trị phụ tải ứng với 24 giờ trong ngày.Muốn chuẩn hóa ĐTPT ngày ta cần quy chuẩn hóa phụ tải của từng giờ theo côngthức sau:

Pn(i) = P (i) − Pmin

Trong đó:

- Pmax: Giá trị phụ tải lớn nhất trong ngày

- Pmin: Giá trị phụ tải nhỏ nhất trong ngày

- P (i) : Giá trị phụ tải giờ thứ i là với i =1 ÷ 24 ứng với 24h trong ngày

- Pn(i): Phụ tải quy chuẩn hóa của giờ thứ i

Công thức trên đươc sử dụng rộng rãi trong [1,3] Ưu điểm của cách quy chuẩnnày là các giá trị phụ tải sẽ được thu gọn trong khoảng [0÷ 1] thuận tiện cho quá trìnhtính toán

Xác định dạng đồ thị phụ tải

Từ dạng đồ thị phụ tải đã được chuẩn hóa của các ngày trước đó (các ngày cùngkiểu ngày với ngày cần dự báo) Ta có thể xác định được dạng đồ thị phụ tải của ngàycần dự báo bằng cách sau:

Các giá trị phụ tải giờ chuẩn hóa của ngày cần dự báo sẽ được lấy bằng trung bình

cộng các giá trị phụ tải giờ chuẩn hóa của các ngày trước đó (cùng kiểu ngày với ngày cần dự báo).

Pn(j, i) = 1

K.

K X k=1

Trong đó:

- Pn(j, i): Phụ tải chuẩn hóa của giờ thứ i, ngày thứ j

- Pn(k, i): Phụ tải chuẩn hóa của giờ thứ i, ngày thứ k

- K : Số ngày tương tự gần nhất được chọn, K= 2 ÷ 5

Việc chọn K có giá trị bao nhiêu sẽ ảnh hưởng tới sai số của quá trình dự báo Đểchứng minh chọn K bằng bao nhiêu đem lại hiệu quả cao nhất, ta sẽ tính toán dự báophụ tải của cùng một ngày với các giá trị K và so sánh các giá trị sai số của từng trườnghợp Chọn K = 5 sẽ cho ra kết quả có sai số nhỏ nhất Điều này đã được tác giả Trần

Kỳ Phúc chứng minh cụ thể [4]

Ví dụ : Muốn xác định được dạng đồ thị phụ tải của ngày thứ 5 (16/1/2014) ta làmnhư sau:

- Chuẩn hóa 24 phụ tải giờ của các ngày trước đó có cùng kiểu ngày với ngày thứ 5 (

sử dụng kết quả phân loại ngày của tác giả Trần Kỳ Phúc [4]) là các ngày 7/1, 8/1, 9/1,14/1, 15/1

- Xác định 24 phụ tải giờ chuẩn hóa của ngày thứ 5 bằng cách lấy trung bình các giátrị phụ tải đã được chuẩn hóa của những ngày trước theo thứ tự

- Từ đó ta có thể vẽ được dạng ĐTPT của ngày thứ 5 như hình dưới

Hình 1.5: Dạng đồ thị phụ tải chuẩn hóa của ngày T5 (16/1/2014)

1.3.4.2 Dự báo đỉnh và đáy của đồ thị phụ tải ngày

Muốn dự báo được PmaxvàPminta cần thực hiện các bước sau:

- Phân loại ngày : Từ cơ sở dữ liệu đã có ta phải xác định được ngày cần dự báo cócùng kiểu ngày với những ngày nào

- Dự báo Pmaxvà Pmin: Ta dùng cơ sở dữ liệu của những ngày có cùng kiểu ngày vớingày cần dự báo (ở đây là các giá trị Pmax, Pmin, nhiệt độ) để dự báo Pmaxvà Pmincủangày cần dự báo

Việc phân loại ngày sẽ được thực hiện bằng cách ứng dụng mạng nơron ánh xạđặc trưng tự tổ chức Kohonen Theo nghiên cứu [4] mạng Kohonen được ứng dụngtrong việc phân loại biểu đồ phụ tải đều cho kết quả tốt

Việc dự báo Pmaxvà Pminđược thực hiện bằng cách ứng dụng mạng nơron nhiềulớp để dự báo phụ tải ngắn hạn theo nhiệt độ Các nghiên cứu [4,5] đã chỉ ra việc đưayếu tố nhiệt độ vào để dự báo phụ tải sẽ giúp giảm sai số của quá trình dự báo.Sau khi dự báo được Pmaxvà Pminviệc xác định các giá trị phụ tải từng giờ sẽ dễ dàngthực hiện được bằng công thức:

P (i) = Pmin+ (Pmax− Pmin).Pn(i) (1.3)

Ta có mô hình của bài toán dự báo biểu đồ phụ tải ngày như sau:

dự báo đỉnh

MLP

dự báo đáy

SOM

dự báo dạng biểu đồ

Bộ tổng hợp

Chương 1 cho ta cái nhìn khái quát về một số vấn đề sau:

- Khái quát về phụ tải HTĐ Việc dự báo phụ tải giúp vận hành hệ thống điện antoàn, tiết kiệm và đảm bảo chất lượng điện năng tốt hơn

- Các yếu tố ảnh hưởng đến dự báo phụ tải ngắn hạn như: thời tiết, thói quensinh hoạt, Khi nghiên cứu dự báo phụ tải ta cần xét đến các yếu tố trên để tăngcường độ chính xác cho công việc dự báo

- Đề xuất phương pháp giải quyết một bài toán dự báo phụ tải ngắn hạn gồm 2bước : xác định dạng đồ thị phụ tải và dự báo đỉnh, đáy biểu đồ phụ tải

Tổng quan về mạng nơ ron nhân tạo

Con người từ những ngày đầu hình thành ở thời kì cổ đại với các con số đếmnguyên dương cơ bản Cho đến tận thời điểm khoảng thế kỉ XX, khoa học mới vẫnchỉ dừng lại ở hình thức chặt chẽ, logic, trong khi đó những vấn đề thực tế do conngười có thể cảm nhận được lại ngày càng phức tạp Chính vì vậy những tư tưởng vềcách giải quyết vấn đề hiện thực bằng hình thức phát triển cao hơn là khoa học trítuệ nhân tạo đã được hình thành trong giai đoạn từ cuối thế kỉ XX đến nay trong giaiđoạn tin học ngày một phát triển

Trí tuệ nhân tạo là phương pháp tạo cho máy móc khả năng suy luận, phán đoán

và cảm nhận như con người Đây là một trong những tham vọng to lớn của loài người.Tham vọng này đã có từ lâu và cùng với sự ra đời của máy tính, con người từng bướcđưa kiến thức của mình vào máy, biến chúng trở thành những công cụ thực sự có trítuệ Mạng nơron nhân tạo là một bộ phận của ngành khoa học trí tuệ nhân tạo, làlĩnh vực tin học nghiên cứu ứng dụng máy tính điện tử thông minh hoạt động theo

cơ chế mô phỏng tư duy con người Mạng nơron nhân tạo có cấu trúc tương tự bộnão tuy nhiên số nơron trong mạng nơron nhân tạo là hữu hạn tùy thuộc vào nhucầu thực tế của bài toán Mạng nơron nhân tạo có khả năng học và tái tạo lại những

gì đã được dạy, chính vì đặc điểm này mà mạng nơron đang được phát triển rất mạnh

mẽ và đang đươc ứng dụng rất nhiều

Mạng nơron nhân tạo là một lĩnh vực nghiên cứu rộng lớn và chỉ mới phát triểnmạnh khoảng 20 năm gần đây Nó được nghiên cứu và phát triển dựa trên nhiều lĩnh

vự khoa học khác nhau bao gồm : Sinh học, sinh lý học, toán học, tin học

2.2 Nơ ron sinh học

Từ hàng ngàn năm trước, con người đã dày công nghiên cứu phương pháp làm cho

bộ não có khả năng tư duy Tuy vậy, phải tới thế kỷ XVIII-XIX người ta mới xác nhậnđược rằng bộ não thực sự đóng vai trò quan trọng bậc nhất trong nhận thức và khẳngđịnh rằng hoạt động nhận thức của con người còn gắn liền với hoạt động của các bộphận khác trong cơ thể

Bộ não con người có khoảng 15 tỉ nơron thần kinh là đơn vị cơ sở đảm nhiệm cácchức năng xử lý nhất định trong hệ thần kinh bao gồn não,tủy sống và các dây thầnkinh Mỗi nơron có phần thân với nhân bên trong, một đầu thần kinh ra (gọi là sợitrục axon) và một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) Các dâythần kinh vào tạo thành một lưới dày đặc xung quanh thân tế bào, chiếm diện tíchkhoảng 0.25 mm2, còn dây thần kinh tạo thành trục dài có thể từ 1 cm đến hàng mét.Đường kính của nhân tế bào thường chỉ là 10−4m Trục dây thần kinh ra cũng có thểphân nhánh theo dạng cây để nối với các dây thần kinh vào hoặc trực tiếp với nhân

tế bào các nơron thần kinh khác thông qua các khớp nối thần kinh (gọi là synapse).Thông thường các nơron thần kinh có thể có vài chục cho tới vài trăm ngàn khớp nối

để nối với các nơron khác Người ta ước lượng rằng lưới các dây thần kinh ra cùng vớikhớp nối bao phủ diện tích khoảng 90% bề mặt nơron

Hình 2.1: Cấu tạo nơron sinh học

Các tín hiệu truyền trong các dây thần kinh vào và dây thần kinh ra của các nơron

là các tín hiệu điện áp, được thực hiện thông qua các quá trình phản ứng và giảiphóng các chất hữu cơ Các chất này được phát ra từ các khớp nối dẫn tới các dâythần kinh vào sẽ làm tăng hay giảm điện thế của nhân tế bào Khi điện thế này đạt tớingưỡng nào đó sẽ tạo ra một xung điện dẫn tới trục dây thần kinh ra Xung này đượctruyền theo trục, tới các nhánh rẽ khi chạm tới các khớp nối với các nơron khác sẽgiải phóng các chất truyền điện

Có thể nói rằng hệ thống thần kinh con người có tính mềm dẻo do đó cho phép

nó phát triển để thích nghi với môi trường xung quanh Tính mềm dẻo được thể hiện

ở hai hoạt động: sự tạo ra các khớp nối thần kinh mới giữa các nơron và sự biến đổicác khớp nối thần kinh hiện có Mỗi nơron có thể nhận hàng vạn tín hiệu và cũng cóthể gửi đi hàng vạn tín hiệu Các nơron liên kết với nhau thành mạng Một điều đặcbiệt là các nơron có cơ chế làm việc hết sức đơn giản nhưng khi liên kết thành mạngnơron thì có khả năng tính toán, suy nghĩ, điều khiển và lưu trữ thông tin

2.3.1 Lịch sử hình thành và phát triển

Một số công trình nghiên cứu cơ sở cho lĩnh vực mạng nơron được công bố vàocuối thế kỉ XIX đầu thế kỉ XX Các công trình này tổng hợp về vật lý, sinh lý và vật lýhọc nơron do các nhà khoa học : Hermann von Helmholtz, Ernst Mach và Ivan Pavlovthực hiện [28,29] Công trình đầu tiên này nhấn mạnh vào lý thuyết học tập, tầm nhìn

và luyện tập, mà không có các mô hình toán cụ thể của hoạt động nơron

Năm 1943 những công việc đầu tiên của mạng nơ ron nhân tạo được nhà thầnkinh học Warren McCulloch và nhà toán học Walter Pitts thực hiện.Họ đã nghiên cứu

3 cơ sở lý thuyết :

- Triết học cơ bản và chức năng của các nơ ron thần kinh

- Phân tích về các mệnh đề logic của Russell và Whitehead

- Thuyết dự đoán của Turning

Họ đã tiến hành xây dựng một mạng nơron đơn giản bằng các mạch điện Cácnơron của họ được xem như là các thiết bị nhị phân với ngưỡng cố định Kết quả củacác mô hình này là các hàm logic đơn giản chẳng hạn như “ a OR b” hay “a AND b”.Tiếp bước các nghiên cứu này, năm 1949 Donald Hebb cho xuất bản cuốn sáchOrganization of Behavior Cuốn sách đã chỉ ra rằng các nơron nhân tạo sẽ trở nênhiệu quả hơn sau mỗi lần chúng được sử dụng

Những tiến bộ của máy tính đầu những năm 1950 giúp cho việc mô hình hóa cácnguyên lý của những lý thuyết liên quan tới cách thức con người suy nghĩ đã trở thànhhiện thực

Năm 1956 dự án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial Intelligence)

đã mở ra thời kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo lẫn mạng nơron.Tác động tích cực của nó là thúc đẩy hơn nữa sự quan tâm của các nhà khoa học về

trí tuệ nhân tạo và quá trình xử lý ở mức đơn giản của mạng nơron trong bộ não conngười.Những năm tiếp theo của dự án Dartmouth, John von Neumann đã đề xuấtviệc mô phỏng các nơron đơn giản bằng cách sử dụng rơle điện áp hoặc đèn chânkhông

Nhà sinh học chuyên nghiên cứu về nơron Frank Rosenblatt cũng bắt đầu nghiêncứu về Perceptron (1958)[8] Sau thời gian nghiên cứu này Perceptron đã được cài đặttrong phần cứng máy tính và được xem như là mạng nơron lâu đời nhất còn được sửdụng đến ngày nay Perceptron một tầng rất hữu ích trong việc phân loại một tập cácđầu vào có giá trị liên tục vào một trong hai lớp Perceptron tính tổng có trọng số cácđầu vào, rồi trừ tổng này cho một ngưỡng và cho ra một trong hai giá trị mong muốn

có thể

Tuy nhiên Perceptron còn rất nhiều hạn chế, những hạn chế này đã được chỉ

ra trong cuốn sách về Perceptron của Marvin Minsky và Seymour Papert viết năm1969[9]

Năm 1959, Bernard Widrow và Marcian Hoff thuộc trường đại học Stanford đãxây dựng mô hình ADALINE (ADAptive LINear Elements) và MADALINE (MultipleADAptive LINear Elements) Các mô hình này sử dụng quy tắc học Least-Mean-Squares(LMS: Tối thiểu bình phương trung bình) MADALINE là mạng nơron đầu tiên được

áp dụng để giải quyết một bài toán thực tế Nó là một bộ lọc thích ứng có khả năngloại bỏ tín hiệu dội lại trên đường dây điện thoại Ngày nay mạng nơron này vẫn được

sử dụng trong các ứng dụng thương mại

Năm 1974 Paul Werbos đã phát triển và ứng dụng phương pháp học lan truyềnngược ( back-propagation)[10] Tuy nhiên phải mất một vài năm thì phương phápnày mới trở lên phổ biến Các mạng lan truyền ngược được biết đến nhiều nhất vàđược áp dụng rộng dãi nhất nhất cho đến ngày nay

Thật không may, những thành công ban đầu này khiến cho con người nghĩ quálên về khả năng của các mạng nơron Chính sự cường điệu quá mức đã có nhữngtác động không tốt đến sự phát triển của khoa học và kỹ thuật thời bấy giờ khi người

ta lo sợ rằng đã đến lúc máy móc có thể làm mọi việc của con người Những lo lắngnày khiến người ta bắt đầu phản đối các nghiên cứu về mạng neuron Thời kì tạmlắng này kéo dài đến năm 1981 Tuy vậy có thể kể đến một số công trình nghiên cứu

về quá trình học của mạng nhiều lớp, mạng tự tổ chức của Kohonen, mạng kiểu bộnhớ kết hợp (BAM) của Anderdon, mạng ART1 (Adaptive Resonace Theory NN) củaCapenter

Năm 1982 trong bài báo gửi tới viện khoa học quốc gia, John Hopfield bằng sự

phân tích toán học rõ ràng, mạch lạc, ông đã chỉ ra cách thức các mạng nơron làmviệc và những công việc chúng có thể thực hiện được Cống hiến của Hopfield khôngchỉ ở giá trị của những nghiên cứu khoa học mà còn ở sự thúc đẩy trở lại các nghiêncứu về mạng neuron.

Những năm 80 của thế kỷ XX là thời kỳ phục hưng của các nghiên cứu và ứng dụngmạng nơron nhân tạo với các công trình về thuật giải học dựa trên lan truyền ngượcsai số để huấn luyện các mạng nhiều lớp được một vài nhà nghiên cứu độc lập tìmra: David Rumelhart, James McCelland [11] Ngoài ra còn có một số mạng khác nhưmạng một lớp của Hopfield, mạng theo kiểu máy Boltzmann và mạng Neoconitroncủa Fukushima [12]

Cũng trong thời gian này, một hội nghị với sự tham gia của Hoa Kỳ và Nhật Bảnbàn về việc hợp tác/cạnh tranh trong lĩnh vực mạng nơron đã được tổ chức tại Kyoto,Nhật Bản Sau hội nghị, Nhật Bản đã công bố những nỗ lực của họ trong việc tạo ramáy tính thế hệ thứ 5 Tiếp nhận điều đó, các tạp chí định kỳ của Hoa Kỳ bày tỏ sự lolắng rằng nước nhà có thể bị tụt hậu trong lĩnh vực này Vì thế, ngay sau đó, Hoa Kỳnhanh chóng huy động quĩ tài trợ cho các nghiên cứu và ứng dụng mạng neuron.Năm 1985, viện vật lý Hoa Kỳ bắt đầu tổ chức các cuộc họp hàng năm về mạngneuron ứng dụng trong tin học (Neural Networks for Computing)

Năm 1987, hội thảo quốc tế đầu tiên về mạng neuron của Viện các kỹ sư điện

và điện tử IEEE (Institute of Electrical and Electronic Engineer) đã thu hút hơn 1800người tham gia

Những năm 90 của thế kỷ XX, việc nghiên cứu mạng nơron nhân tạo đã có nhữngthành công to lớn và ứng dụng nhiều lĩnh vực khác nhau Ngoài ra mạng nơron nhântạo còn được kết hợp với các kỹ thuật khác của trí tuệ nhân tạo : giải thuật di truyền,logic mờ, hệ chuyên gia để phân tích dữ liệu và thu thập tri thức phục vụ cho việc xâydựng các hệ thống thông minh trong tương lai

Từ năm 2009 đến năm 2012, các nghiên cứu về mạng nơron quy hồi và mạngnơron truyền thẳng do nhóm của Jurgen Schmidhuder tại Thụy Sĩ đã được công bốtrong cuộc thi quốc tế về mô hình điều khiển máy [13] Nghiên cứu về trí nhớ ngắnhạn của Alex Graves giành được ba giải trong nhận dạng chữ viết được tổ chức tại Hộinghị quốc tế về phân tích tài liệu và xác thực (ICDAR).[14]

2.3.2 Mô hình mạng nơ ron nhân tạo

Mạng nơron nhân tạo (Artificial Neural Network) bao gồm các nút (đơn vị xử lý,nơron) được nối với nhau bởi các liên kết nơron Mỗi liên kết kèm theo một trọng sốnào đó, đặc trưng cho tính kích hoạt/ức chế giữa các nơron Có thể xem các trọng số

là phương tiện để lưu thông tin dài hạn trong mạng nơron và nhiệm vụ của quá trìnhhuấn luyện mạng nơron là cập nhật các trọng số khi có thêm thông tin về các mẫuhọc, hay nói một cách khác, các trọng số được điều chỉnh sao cho dáng điệu đầu vàocủa nó mô phỏng hoàn toàn phù hợp với môi trường đang xem xét

Mặc dù mỗi nơron đơn lẻ có thể thực hiện những chức năng xử lý thông tin nhấtđịnh, sức mạnh của tính toán nơron chủ yếu có được nhờ sự kết hợp các nơron trongmột kiến trúc thống nhất Một mạng nơron là một mô hình tính toán được xác địnhqua các tham số: kiểu nơron (như là các nút nếu ta coi cả mạng nơron là một đồ thị),kiến trúc kết nối (sự tổ chức kết nối giữa các nơron) và thuật toán học (thuật toándùng để học cho mạng)

Về bản chất một mạng nơron có chức năng như là một hàm ánh xạ F: X → Y ,trong đó X là không gian trạng thái đầu vào và Y là không gian trạng thái đầu ra củamạng Các mạng chỉ đơn giản là làm nhiệm vụ ánh xạ các vector đầu vào x ∈ X sangcác vector đầu ra y ∈ Y thông qua “bộ lọc” các trọng số Tức là y = F (x) = s(W, x),trong đó W là ma trận trọng số liên kết Hoạt động của mạng thường là các tính toán

số thực trên các ma trận

2.3.2.1 Mô hình mạng nơron nhân tạo

Hàm kích hoạt

Trọng ngưỡngb

yĐầu ra

Hàm tổng

Hình 2.2: Mô hình mạng nơron nhân tạo

Mỗi nơron nhân tạo được nối với các nơron khác và nhận tín hiệu xktừ chúng vớicác trọng số wk Các trọng số có thể có giá trị âm hoặc giá trị dương Theo nghiên cứucủa Wessels và Barnard, năm 1992 [30] thì việc khởi tạo các trọng số liên kết wij nêntrong phạm vi [-3/qkji,3/qkji] với kjilà số liên kết của các nơron j tới nơron i.

Một bộ cộng để tính tổng trọng hóa các tín hiệu đầu vào của nơron, đã được nhânvới trọng số tương ứng, rồi cộng tổng này với trọng ngưỡng b, trọng ngưỡng b đượclưu trong bộ nhớ, theo [8] trọng ngưỡng b có vai trò làm tăng tính thích nghi và khảnăng tính toán của mạng nơron Phép toán được mô tả ở đây tạo nên một tổ hợptuyến tính n

Hàm kích hoạt f để giới hạn biên độ đầu ra của nơron Hàm này được xem xét nhưmột hàm nén phạm vi biên độ cho phép của tín hiệu đầu ra trong một khoảng giá trịhữu hạn

Có một số dạng hàm kích hoạt thường dùng trong thực tế như:

Hàm này đặc biệt thuận lợi khi sử dụng

cho các mạng được huấn luyện bởi thuật

toán lan truyền ngược sai số, bởi vì nó

dễ lấy đạo hàm, do đó có thể giảm đáng

kể tính toán trong quá trình huấn luyện

Hàm này được ứng dụng cho các chương

trình mà các đầu ra mong muốn rơi vào

khoảng 0 đến 1

1 0.5

Giống như con người khi chưa tiếp cận tri thức chuyên môn, mạng nơron nhântạo khi mới hình thành cấu trúc chưa có tri thức, có nghĩa là các trọng số ghép nối lúcđầu là các số ngẫu nhiên và đầu ra cũng có giá trị ngẫu nhiên

2.3.2.2 Phân loại các mạng nơron nhân tạo

X1

X2

X3

y1 y2 y3 f

f

f

Hình 2.3: Mạng nơron một lớp

Hình 2.4: Mạng nơron nhiều lớp

b) Theo kiểu liên kết nơron

Có 2 loại:

-Mạng nơron truyền thẳng (Feel- Forward Neural Network)

-Mạng nơron quy hồi (Recurrent Neural Network)

Trong mạng nơron truyền thẳng, các liên kết nơron đi theo hướng nhất định,không tạo thành đồ thị có chu trình với các đỉnh là các nơron, các cung là liên kếtgiữa chúng

Hình 2.5: Mạng nơron truyền thẳng

Ngược lại, các mạng quy hồi cho phép các liên kết nơron tạo thành chu trình Vì

các thông tin ra của các nơron được truyền lại cho các nơron đã góp phần kích hoạtchúng, nên mang quy hồi còn có khả năng lưu giữ trạng thái trong của nó dưới dạngngưỡng kích hoạt ngoài các trọng số liên kết nơron.

Perceptron cho phép phân loại chính xác trong trường hợp dữ liệu có thể phânchia tuyến tính (các mẫu nằm trên hai mặt đối diện của một siêu phẳng) Nó cũngphân loại đúng đầu ra các hàm AND, OR và các hàm có dạng đúng khi n trong m đầuvào của nó đúng (n ≤ m) Nó không thể phân loại được đầu ra của hàm XOR.

2.3.3 Phương pháp huấn luyện mạng

Mạng nơron khi mới hình thành chưa có tri thức,tri thức của mạng được hìnhthành sau mỗi lần huấn luyện (học) Mạng nơron được học bằng cách đưa vào đầuvào những kích thích và mạng hình thành những đáp ứng tương ứng, những đáp ứngphù hợp với từng loại kích thích sẽ được lưu giữ Các kỹ thuật học nhằm vào việc hiệuchỉnh các trọng số vì việc điều chỉnh, sửa đổi cấu trúc mạng như số lớp, số nơron,kiểu và cách mà các lớp nơron liên kết với nhau là cố định trong suốt quá trình huấnluyện Mạng nơron khi đã hình thành tri thức có thể giải quyết vấn đề cụ thể mộtcách đúng đắn Đó là những vấn đề rất khác nhau, nó được giải quyết dựa trên sự tổchức hợp lý nhất giữa thông tin đầu vào và đáp ứng đầu ra của mạng.Có rất nhiềuthuật toán đã được phát minh để tìm ra các bộ trọng số tối ưu để giải quyết các bàitoán Các thuật toán đó có thể chia vào 3 nhóm như sau: Học có giám sát, học không

có giám sát và học tăng cường

Sau đây chúng ta sẽ xem xét một cách khái quát nhất về 3 cách học này

Đầu vào Đầu ra thực tế

Đầu ra mong muốn

So sánh

Mạng Nơron Hiệu chỉnh trọng số

Hình 2.8: Mô hình huấn luyện mạng có giám sát

Việc đưa các mẫu học vào mạng được thực hiện bằng 2 cách: dùng lần lượt hếtmẫu này đến mẫu khác, hoặc sử dụng đồng thời các mẫu cùng một lúc

2.3.3.2 Học không giám sát

Khác với quá trình học có giám sát, việc học của kiểu huấn luyện này không cóbất kỳ thông tin phản hồi từ môi trường nào cả Mạng phải tự tìm ra các đặc tính, quyluật, tương quan trong dữ liệu đầu vào và tập hợp lại để tạo ra đầu ra Khi tự tìm raquy luật đó, mạng đã trải qua quá trình thay đổi các tham số của nó Quá trình nàyđược gọi là quá trình tự tổ chức

Nơron Hiệu chỉnh trọng số

Hình 2.9: Mô hình huấn luyện mạng không giám sát

2.3.3.3 Học tăng cường

Trong học có giám sát, các giá trị đầu ra được biết chính xác đối với mỗi đầu vàotương ứng Tuy nhiên, trong thực tế có một số trường hợp chỉ biết ít thông tin chi tiết,chẳng hạn mạng chỉ biết giá trị đầu ra thực sự quá cao hay có thể mạng chỉ có đươcthông tin phản hồi báo rằng đầu ra đúng hay sai Thuật học dựa trên các thông tinđánh giá này được gọi là thuật học củng cố, thông tin phản hồi được gọi là tín hiệutăng cường

Đầu vào Đầu ra thực tế

Tín hiệu tăng cường Tín hiệu

hồi tiếp

Mạng Nơron Hiệu chỉnh trọng số

Hình 2.10: Mô hình huấn luyện tăng cường

2.3.4 Hàm mục tiêu

Để huấn luyện một mạng và xét xem nó thực hiện tốt đến đâu, ta cần xây dựngmột hàm mục tiêu để cung cấp cách thức đánh giá khả năng của mạng Việc chọnhàm mục tiêu là hết sức quan trọng bởi vì hàm này thể hiện các mục tiêu thiết kế

và quyết định thuật toán huấn luyện nào có thể áp dụng Việc tìm ra hàm mục tiêukhông phải là công việc dễ dàng Một vài hàm sau được dùng khá phổ biến

• Hàm tổng bình phương lỗi SEE( Sum of squares error function)

E =

P X p=1

N X n=1

N X n=1

Trong đó:

- E: Sai số của quá trình huấn luyện

- p: Số thứ tự mẫu trong tập huấn luyện

- n: Số thứ tự của đơn vị đầu ra

- tpnvà ypn: Đầu ra mong muốn và đầu ra thực tế của mạng cho đơn vị đầu ra thứ

n của mẫu thứ p

- P: Số mẫu trong tập huấn luyện

- N: Số đơn vị đầu ra

2.3.5 Ứng dụng

Trong thực tế mạng nơ ron nhân tạo ngày càng được ứng dụng rộng rãi trong tất

cả các lĩnh vực của đời sống có thể kể đến như :

+)Lĩnh vực dân dụng : Điều khiển các thiết bị gia đình như máy giặt, điều hòa, các

thiết bị cảnh báo chống trộm, báo cháy, dự báo thời tiết, báo giá,

+)Lĩnh vực công nghiệp: Cảnh báo phát hiện sự cố, xây dựng các bộ điều khiển

thích nghi, thông minh hóa các cảm biến đo lường, nhận dạng và xử lý tín hiệu, phânloại mẫu, nhận dạng tiếng nói Dự báo phụ tải điện ngắn hạn, dài hạn, trung hạn,

+)Nghiên cứu khoa học: Ứng dụng trong hóa học lượng tử [19],

+)Lĩnh vực y tế: Nhận dạng sóng điện tim, điện đồ não, chuẩn đoán ưng thư

(chuẩn đoán ung thư phổi [20], chuẩn đoán ung thư đại tràng [21]),

+)Lĩnh vực thương mại kinh tế: Quản lý xây dựng, dự báo tình hình kinh tế, dự

đoán tiền tệ, phân tích mức độ rủi ro,

+) Lĩnh vực giải trí : Ứng dụng trong lĩnh vực game (cờ vua, poker, ), phim hoạt

hình, kỹ xảo điện ảnh

+)Lĩnh vực quân sự : Điều khiển vũ khí thông minh, nhận dạng mẫu, nhận dạng

khuôn mặt, các hệ thống radar, nhận dạng tiếng nói,

+)Không gian vũ trụ: Phi thuyền không người lái, mô phỏng đường bay, tăng cường

khả năng điều khiển, mô phỏng các chi tiết trong máy bay, dự báo hư hỏng,

+)Điện tử : Giải mã, dự báo lỗi chip, tổng hợp âm thanh, mô hình hóa hệ thống.

Riêng trong lĩnh vực hệ thống điện, mạng nơron được ứng dụng rộng rãi trong việc

dự báo phụ tải điện (ngắn hạn, dài hạn, trung hạn), trong việc dự báo mực nước củacác hồ thủy điện và trong chuẩn đoán sự cố (thiết bị điện, điện tử, cơ khí ở nhà máyđiện, trạm biến áp và đường dây), phân lớp và điều khiển hệ thống tự động, tối ưuhóa, dự báo và đánh giá độ an toàn của hệ thống điện