Trong bài báo này, tác giả đã xây dựng được một mô hình mạng nơrơn có cấu trúc phù hợp để ứng dụng cho công tác dự báo nhu cầu điện năng cho thành phố Vinh giai đoạn 2016 -2020. Các kết quả dự báo bằng mô hình mới đã được so sánh, đánh giá và kiểm chứng bằng dữ liệu thực tế và kết quả của các phương pháp dự báo phụ tải điện phổ biến khác.
Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 58, Kỳ (2017) 121-127 121 Ứng dụng mạng nơron nhân tạo cho toán dự báo nhu cầu điện Thành phố Vinh giai đoạn 2016 - 2020 Đặng Quang Khoa * Khoa Điện, Trường Đại học Sư phạm Kỹ thuật Vinh, Việt Nam THÔNG TIN BÀI BÁO TĨM TẮT Q trình: Nhận 19/01/2017 Chấp nhận 16/3/2017 Đăng online 28/4/2017 Dự báo nhu cầu điện toán ứng dụng quan trọng lĩnh vực quy hoạch phát triển hệ thống điện Nghiên cứu ứng dụng mạng nơ ron nhân tạo cho toán dự báo nhu cầu điện xu hướng nghiên cứu ứng dụng nhằm sử dụng phương pháp dự báo linh hoạt, thông minh so với phương pháp truyền thống để cải thiện khả chất lượng mơ hình dự báo phụ tải điện Trong báo này, tác giả xây dựng mơ hình mạng nơrơn có cấu trúc phù hợp để ứng dụng cho công tác dự báo nhu cầu điện cho thành phố Vinh giai đoạn 2016 - 2020 Các kết dự báo mơ hình so sánh, đánh giá kiểm chứng liệu thực tế kết phương pháp dự báo phụ tải điện phổ biến khác Từ khóa: Mạng nơron Tải điện Bài tốn dự báo © 2017 Trường Đại học Mỏ - Địa chất Tất quyền bảo đảm Mở đầu Kết phân tích định hướng phát triển kinh tế xã hội thành phố Vinh (Bảng 1) cho thấy cấu kinh tế nhu cầu điện thành phần phụ tải điện giai đoạn tới phát triển nhanh, mạnh chiếm tỷ trọng lớn tồn tỉnh Vì vậy, cơng tác dự báo nhu cầu điện việc làm cấp thiết nhằm ứng dụng vào thực tiễn quy hoạch phát triển nguồn điện lưới điện thành phố Vinh giai đoạn 2016 - 2020 (Báo cáo trị, 2015) Trong lĩnh vực nghiên cứu quy hoạch phát triển hệ thống điện, phương pháp truyền thống nghiên cứu ứng dụng cho _ *Tác giả liên hệ E-mail: dangquangkhoaktv@yahoo com toán dự báo nhu cầu phụ tải điện bao gồm: phương pháp ngoại suy theo thời gian phương hệ số đàn hồi (Nguyễn Lân Tráng, 2007) Các phương pháp kể nhìn chung đơn giản, quy mô liệu đầu vào không lớn, phụ thuộc vào hệ số điều chỉnh theo kinh nghiệm thường xét tới ảnh hưởng biến số cụ thể tới thay đổi nhu cầu phụ tải điện tương lai Trong đó, phụ tải điện trung dài hạn khu vực hàm phi tuyến phụ thuộc vào nhiều biến số đầu vào khác dân số, tổng sản phẩm nội địa, giá trị sản xuất công nghiệp, cấu kinh tế, số giá tiêu dùng, số hộ gia đình, giá điện, nhiệt độ… Do đó, phương pháp truyền thống cho kết dự báo với độ xác khơng cao, đặc biệt người làm dự báo thiếu kinh nghiệm không đủ liệu đầu vào Trong báo này, tác giả ứng dụng hai phương pháp nói để 122 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 dự báo nhu cầu điện cho thành phố Vinh giai đoạn 2016 - 2020 thu kết cho Bảng Bảng Ứng dụng mạng nơron nhân tạo lan truyền ngược sai số vào toán dự báo phụ tải điện thành phố Vinh Giới thiệu Các nghiên cứu gần (Aslan nnk , 2011) cho thấy mạng nơron nhân tạo (Artifiricial Neuron Network - ANN) sử dụng lĩnh vực khác nghiên cứu hệ thống điện, có lĩnh vực dự báo phụ tải điện Việc sử dụng phương pháp mạng nơron nhân tạo nhằm khắc phục hạn chế phương pháp dự báo phụ tải thông thường, truyền thống ANN đặc biệt hữu ích liệu đầu vào có mức độ tương quan cao, lượng không đủ lớn, hệ thống cần dự báo có tính phi tuyến ngẫu nhiên cao Phương pháp thường cho kết dự báo với độ xác cao, dự báo kiện theo thời gian, đồng thời làm bật tham số Bảng Thống kê số tiêu phát triển kinh tế thành phố Vinh giai đoạn 2016 – 2020 TT Các tiêu Nhịp độ tăng trưởng bình quân giai đoạn 2016 - 2020 Nhịp độ tăng trưởng Công nghiệp, xây dựng Nhịp độ tăng trưởng Dịch vụ Nhịp độ tăng trưởng Nông - lâm - ngư Cơ cấu giá trị gia tăng theo ngành Giá trị gia tăng bình quân đầu người: 141, triệu đồng Tỷ lệ % 12, - 13, 5% 13 - 14% 13 - 14% 42% CN - XD: 33%; Dịch vụ: 66%; Nông nghiệp: 1% 17 - 18% Bảng Kết dự báo nhu cầu điện thành phần (CN - Công nghiệp; TM - Thương mại; QLTD -Quản lý, Tiêu dùng; HĐK - Hoạt động khác; NLN -Nông lâm ngư) phụ tải tính phương pháp ngoại suy TT Thành phần Năm 2016 Năm 2017 Năm 2018 Năm 2019 Năm 2020 A (kWh) A (kWh) A (kWh) A (kWh) A (kWh) CN 105 041 291 116 712 546 129 889 768 145 890 682 162 832 826 TM 61 620 281 68 405 683 76 128 906 84 955 445 95 436 962 QLTD 259 729 621 287 808 499 318 227 284 350 985 975 388 424 479 HĐK 40 614 179 45 126 866 50 221 834 56 408 582 62 959 256 NLN 233 582 204 384 177 841 153 952 135 371 Tổng điện 405 680 293 518 257 978 574 645 633 638 394 636 709 788 894 nhu cầu Bảng Kết dự báo nhu cầu điện phương pháp đàn hồi Năm Công nghiệp, Thương mại, Quản lý, Tiêu XD DV dùng Nông lâm, ngư HĐK Tổng điện nhu cầu 2016 110 029 811 2017 127 634 580 65 647 390 78 120 394 265 813 378 300 369 117 307 904 357 168 41 705 958 47 544 792 483 504 441 554 026 051 2018 148 056 112 92 963 268 339 417 102 414 314 54 201 062 635 051 858 2019 171 745 089 110 626 288 383 541 325 2020 199 224 303 131 645 282 435 702 945 480 604 557 500 61 789 210 70 810 434 728 182 516 837 940 464 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 ảnh hưởng tới phụ tải điện yếu tố dân số, kinh tế, mơi trường, khí hậu, giá tiêu dùng Vì vậy, nghiên cứu tác giả lựa chọn mơ hình mạng nơron nhân tạo để nghiên cứu xây dựng mơ hình dự báo nhu cầu điện cho thành phố Vinh giai đoạn 2016 - 2020 nhằm nâng cao khả chất lượng mơ hình dự báo phụ tải điện có 2 Xây dựng cấu trúc mạng nơron nhân tạo cho toán dự báo nhu cầu điện Mạng nơron nhân tạo xây dựng cho tốn dự báo phụ nhu cầu điện có cấu trúc 123 truyền thẳng hai lớp kết hợp sử dụng giải thuật học lan truyền ngược sai số, Hình Để thuận tiện nghiên cứu, cấu trúc mạng ANN xây dựng công cụ Neural Network Toolbox Matlab (Lưu Trường Văn Phan Văn Khoa, 2007) Để nâng cao chất lượng mơ hình dự báo nhu cầu điện năng, cần xét đến ảnh hưởng nhiều yếu tố đầu vào tới nhu cầu tiêu thụ điện thực tế Tuy nhiên, liệu đầu vào qua thống kê thực tiễn thường không đầy đủ nên thường chọn yếu tố đầu vào có ảnh hưởng nhiều tới kết dự báo để tập trung xây dựng số liệu Hình Cấu trúc mạng nơron nhân tạo truyền thẳng lớp Bảng Dữ liệu đầu vào mơ hình dự báo phụ tải điện thống kê chuẩn hóa Năm Chia 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 Dân số GDP (109đồng) IP (109 đồng) (103người) 500 103 1014 1013 591 174 214 595 183 235 601 198 256 607 212 280 610 226 306 618 251 351 624 260 376 627 270 398 629 290 440 630 313 472 Giá điện (đ/kWh) 2000 408 431 433 475 502 621 642 709 717 716 Điện thương phẩm (kWh) 108 408 431 452 484 516 550 623 668 740 840 124 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 Hình Lưu đồ giải tốn dự báo phụ tải điện Hình Hiệu trình huấn luyện đánh giá qua sai số MSE (Mean Squared Error) Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 125 Hình Đồ thị tương quan hồi quy trình huấn luyện mạng Hình Tương quan kết dự báo liệu thực tế toán dự báo phụ tải xét giai đoạn 2006 - 2015 Dưới đây, tác giả xây dựng mơ hình mạng nơron với biến số đầu vào dân số (POP), GDP, giá trị sản xuất công nghiệp (IP) giá điện (EV) Đầu mơ hình điện nhu cầu (A) Với số lượng biến số đầu vào số nơron lớp ẩn chọn Các liệu đầu vào thu thập, thống kê chuẩn hóa Bảng (Báo cáo trị, 2015) Sơ đồ q trình dự báo phụ tải điện ứng dụng mạng nơron nhân tạo thể Hình 2 Huấn luyện mạng Thuật toán huấn luyện mạng thuật toán lan truyền ngược sai số Levenber - Marquardt (LM) Khi huấn luyện kết thúc, thu giao diện kết Hình 126 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 Bảng Kết đối chiếu tham số đầu tham số mục tiêu mạng ANN Năm 2016 2017 2018 2019 2020 Điện nhu cầu- Chuẩn hóa 9227 0150 1110 2094 3093 Điện nhu cầu (kWh) 461330099 507495116 555480839 604715704 654628149 Kết huấn luyện tốt sai số MSE giảm dần sau bước lặp bước lặp cuối có giá trị nhỏ, đạt 6, 1227 10-5 (càng nhỏ tốt) Một tiêu khác để đánh giá hiệu trình huấn luyện mạng dựa đồ thị tương quan hồi quy (mục Regression) Hình Quan sát toàn đồ thị ta thấy: ăn khớp Y T toàn tập liệu tốt với số tương quan hồi quy R = 99606 lớn Điều lần khẳng định, mạng huấn luyện tốt với số neuron lớp ẩn thích hợp tìm ma trận trọng số tốt cho mạng ANN Vì vậy, dừng q trình huấn luyện sử dụng mạng ANN vào việc dự báo phụ tải với tập liệu Kết dự báo nhu cầu điện mơ hình ANN Kết kiểm tra đánh giá thông số đầu mạng ANN (điện dự báo) (Saeed, nnk, 2012) với thông số mục tiêu (điện thực tế) giai đoạn 2006 - 2015 thể Hình Bảng Kết cho thấy mơ hình dự báo đưa kết dự báo với độ xác cao so với liệu phụ tải điện thống kê từ thực tế giai đoạn 2006 - 2015 với sai số lớn tương đối lớn 055% Vì vậy, áp dụng mơ hình mạng ANN xây dựng để dự báo nhu cầu điện giai đoạn 2016 - 2020 cho thành phố Vinh phù hợp, đảm bảo độ tin cậy Dựa số liệu dự báo dân số (POP) GDP, số phát triển công ngiệp, giá điện Thành phố Vinh giai đoạn 2016 – 2020, sử dụng mơ hình mạng Bảng Kết dự báo phụ tải điện thành phố Vinh giai đoạn 2016 - 2020 mạng ANN (POP, GDP, ID, EV) Năm 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 Tham số đầu Tham số mạng(Y) mục tiêu(T) 4121 408 4263 431 4519 452 4846 484 5013 516 5668 550 6233 623 6623 668 7398 740 8599 840 Sai số ERR (%) 005 090 022 124 849 055 048 853 027 369 Hình Đồ thị đối chiếu kết dự báo phụ tải điện cho TP Vinh giai đoạn 2016 - 2020 phương pháp dự báo khác Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 ANN thiết kế để dự báo phụ tải điện cho thành phố giai đoạn 2016 - 2020 thu kết cho Bảng Tương quan kết dự báo phụ tải phương pháp khác như:phương pháp ngoại suy, phương pháp hệ số đàn hồi, liệu dự báo phụ tải đề án quy hoạch phát triển điện lực thành phố Vinh giai đoạn 2010 - 2020 mơ hình mạng ANN thể Hình Đồ thị cho thấy kết dự báo mơ hình mạng ANN đầu vào (đường ANN - model 2) bám sát kết dự báo đề án quy hoạch phát triển điện lực thành phố Vinh giai đoạn 2006 2015 có xét đến 2020 có cao chút Bên cạnh đó, tác giả xây dựng mơ hình mạng ANN xét đến biến đầu vào dân số (POP) GDP, từ thu kết dự báo đường ANN - model Có thể thấy đường ANN -Model phân bố nằm kết dự báo phương pháp đàn hồi, phương pháp ngoại suy với kết dự báo mơ hình mạng ANN đầu vào (POP, GDP) Vì vậy, thấy việc sử dụng mơ hình mạng ANN với đầu vào (POP, GDP, ID, EV) cho kết dự báo hợp lý, áp dụng vào thực tế Kết luận Việc ứng dụng mạng nơron nhân tạo sử dụng thuật toán lan truyền ngược sai số để dự báo phụ tải điện cho thành phố Vinh giai đoạn 2016 - 2020 đạt kết quan trọng với độ xác khả dự báo cải thiện so với 127 phương pháp truyền thống Tác giả tập trung nghiên cứu, lựa chọn xây dựng cấu trúc mạng ANN phù hợp với toán dự báo phụ tải điện Đồng thời, khảo sát nhiều toán khác với số lượng tham số đầu vào mạng thay đổi, lựa chọn số lượng nơron lớp ẩn khác cho mơ hình dự báo thu kết xác Tài liệu tham khảo Aslan, Y., Yavasca, S., and Yasar, C., 2011 Long term electric peak load forecasting of kutahya using different approache International Journal on Technical and Physical Problems of Engineering 7(3), 87-91 Đảng thành phố Vinh, 2015 Báo cáo trình Đại hội Đảng thành phố Vinh khóa XXII nhiệm kỳ 2015 - 2020 Báo cáo, Vinh Lưu Trường Văn, Phan Văn Khoa, 2007 Sử dụng Matlab để huấn luyện mạng ANN tốn ước lượng chi phí xây dựng chung cư Tạp chí Phát triển Khoa học Cơng nghệ 10(11), 85-93 Nguyễn Lân Tráng, 2007 Quy hoạch phát triển hệ thống điện (tái lần 2), Nhà xuất Khoa học Kỹ thuật, Hà Nội Saeed, M B and Ossama, B A , 2012 Forecasting Electrical Load using ANN Combined with Multiple Regression Method The Rresearch Bulletin Jordan ACM II, 152-158 ABSTRACT Applications of artificial neural network to the problem of electricity demand forecast of Vinh city in the period of 2016 - 2020 Khoa Quang Dang Faculty of Electrical Engineering, Vinh University of Technology Education, Vietnam The electricity demand forecasting plays an important role in fields of development scheduling of electricity system Research and applications of the artificial neural networks to the problem of electricity demand forecasting are a new trend to provide the forecasting methods which are more flexible and smarter than the traditional methods In the paper, the author has focused on studying, selecting, and building an ANN network structure matching the problem of electricity demand forecasting Results of the electricity demand forecasting by neural network method are applied for Vinh city in periods from 2016 to 2020 to verify the accuracy of the proposed research ... phố Vinh giai đoạn 2016 - 2020 nhằm nâng cao khả chất lượng mơ hình dự báo phụ tải điện có 2 Xây dựng cấu trúc mạng nơron nhân tạo cho toán dự báo nhu cầu điện Mạng nơron nhân tạo xây dựng cho toán. .. Mỏ - Địa chất 58 (2), 12 1-1 27 dự báo nhu cầu điện cho thành phố Vinh giai đoạn 2016 - 2020 thu kết cho Bảng Bảng Ứng dụng mạng nơron nhân tạo lan truyền ngược sai số vào toán dự báo phụ tải điện. .. EV) cho kết dự báo hợp lý, áp dụng vào thực tế Kết luận Việc ứng dụng mạng nơron nhân tạo sử dụng thuật toán lan truyền ngược sai số để dự báo phụ tải điện cho thành phố Vinh giai đoạn 2016 - 2020