Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền bắc

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - LUẬN VĂN THẠC SĨ KHOA HỌC ỨNG DỤNG MẠNG NƠRON NHÂN TẠO DỰ BÁO PHỤ TẢI NGẮN HẠN HỆ THỐNG ĐIỆN MIỀN BẮC NGÀNH: CÔNG NGHỆ THÔNG TIN Mà SỐ: CHU NGHĨA Người hướng dẫn khoa học: PGS.TS NGUYỄN ĐỨC NGHĨA HÀ NỘI 2007 Mục lục Danh mục từ viết tắt Më ®Çu 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 Giíi thiƯu chung HTĐ miền Bắc 1.1.2 Tầm quan trọng dự báo phơ t¶i 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 B¾c 16 1.2.2 Dù 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 Ch−¬ng III 40 ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức Kohonen toán phân loại ngày 40 3.1 Sù 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 CÊu tróc m¹ng 44 3.2.2 Hn lun m¹ng 45 3.2.3 Sư dơng m¹ng 47 3.3 Xây dựng mạng Kohonen để phân loại ngµy 48 3.3.1 ThiÕt kÕ cÊu tróc m¹ng 48 3.3.2 Hn lun m¹ng 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 HuÊn lun m¹ng 60 4.1.3 Sư dơng m¹ng 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 C¸c bớc xây dựng toán dự báo phụ tải 68 4.2.2 X©y dùng cÊu 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 Giíi thiƯu vỊ c¬ së d÷ liƯu 99 5.2 Đặc tả chức 100 5.2.1 Truy vÊn d÷ liƯu 100 5.2.2 Phân loại liÖu 101 5.2.3 Chuẩn hoá liệu 101 5.2.4 HuÊn lun m¹ng 101 5.2.5 Dự báo phụ tải .101 5.3 H−íng dÉn sư dơng 102 5.3.1 Truy vÊn d÷ liƯu 102 5.3.2 Phân loại liệu .103 5.3.3 ChuÈn ho¸ d÷ liƯu 103 5.3.4 Hn lun m¹ng 104 5.3.5 Dù b¸o 104 CHƯƠNG vI 106 so sánh với số kết đ có Đánh giá kết 106 6.1 So sánh với số phơng pháp đà có .106 6.2 Đánh giá kết 111 KÕT LUËN 114 Tµi liƯu tham kh¶o 116 Phô lôc i 118 Phô lôc II 120 Tãm 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 Mở đầu Trong năm gần đây, nhu cầu lợng không ngừng biến đổi tăng lên rõ rệt theo thời gian nên ngành Điện lực đà xây dựng nhiều nhà máy điện để đáp ứng nhu cầu tiêu thụ điện nớc Vì vậy, vấn đề quan trọng mà ngành Điện lực cần phải giải tốt toán dự báo phụ tải ngắn hạn dài hạn Cho đến đà có nhiều phơng pháp luận việc giải toán dự báo, song toán toán khó Hiện nay, ngành Điện lực Việt Nam toán dự báo phụ tải đợc giải chủ yếu nhờ sử dụng phơng pháp dự báo truyền thống mang tính kinh nghiệm tuý Trong số hớng nghiên cứu nhằm triển khai hệ thống thông minh 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 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) đà đợc nghiên cứu ứng dụng thành công nhiều lĩnh vực nh xấp xỉ hàm nhận dạng mẫu, dự báo Luận văn chủ yếu tập trung tìm hiểu mạng nơron nhân tạo nghiên cứu ứng dụng giải toán dự báo phụ tải ngắn hạn cho hệ thống điện miền Bắc Mục đích luận văn phát triển phơng pháp để giải toán dự 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 Chơng I Phụ tải hệ thống điện miền Bắc toán dự báo: Trình bày tổng quan HTĐ miền Bắc Phát biểu toán dự báo phụ tải, nêu phạm vi, tầm quan trọng toán, yếu tố ảnh hởng đến phụ tải ngắn hạn Chơng II Tổng quan mạng nơron nhân tạo: Trình bày khái niệm mạng nơron nhân tạo: sở lý thuyết mô hình mạng Chơng III ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức Kohonen toán phân loại ngày: Trình bày khái niệm mạng nơron ánh xạ đặc trng tự tổ chức Kohonen, đề xuất cấu trúc mạng để giải toán, xây dựng cấu trúc phần mềm phân tích đánh giá kết đạt đợc 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 đà có 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 Chơng VI - So sánh với số kết đà có đánh giá kết quả: So sánh phơng pháp dự báo phụ tải ngắn hạn Hệ thống điện miền Bắc sử dụng mạng nơron nhân tạo với số phơng pháp dự báo truyền thống 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 ứng dụng toán dự báo đỉnh đáy đồ thị phụ tải Em xin chân thành cảm ơn PGS.TS Nguyễn Đức Nghĩa đà 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 đà trang bị kiến thức giúp em hoàn thành luận văn CHƯƠNG I PHụ TảI Hệ THốNG ĐIệN MIềN BắC toán dự báo Chơng đề cập đến vấn đề sau: ã Giới thiệu chung HTĐ miền Bắc ã Tầm quan trọng dự báo phụ tải ã Những yếu tố ảnh hởng đến phụ tải ngắn hạn ã Mục tiêu phạm vi nghiên cứu dự báo phụ tải ã Đặc điểm đồ thị phụ tải HTĐ miền Bắc ã 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 biĨn, cã nhiỊu ®åi nói, cã nhiỊu vïng khÝ hËu 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% 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 & xây dựng chiếm tỷ trọng lớn, đến 90% tổng công suất phụ tải 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 Bảng 1.1: Sản lợng điện tiêu thụ HTĐ miền Bắc từ năm 2001-2005 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 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 Hải Phòng 946.066,1 3.079.711 3.486.549 3.879.340,1 4,329.367,2 1.046.325,4 1.155.206,9 1.272.091,1 1.415.610,8 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% Do điện Quản lý & Tiêu dùng dân c lớn nên chênh lệch công suất cao điểm thấp điểm lớn (khoảng 2-3 lần) phụ thuộc nhiều vào thời tiết, gây ảnh hởng lớn đến việc khai thác tối u 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 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, 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 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 110 Đồ thị phơ t¶i 3500 3000 Thực tế Mơ hình Mơ hình C «ng st 2500 2000 1500 1000 500 0 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giê H×nh 5.1 KÕt dự báo hai mô hình (ngày 10/05/2006) Đồ thị đánh giá sai số % S sè Mơ hình Mơ hình 0 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giê Hình 5.2 Sai số dự báo % hai mô hình (ngày 10/05/2006) 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 đà đợc hỗ trợ toolbox để xử lý mô hình mạng nơron, 111 mô hình hai đợc lập trình ngôn ngữ VBA tích hợp phần mềm ứng dụng Excel ta phải viết lại toàn thuật toán - 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 toán dự báo so với cấu trúc mạng dự báo mô hình thứ hai 6.2 Đánh giá kết Độ xác tốc độ xử lý: Phần mềm đợc chạy thử nghiệm 31 liệu vòng năm (5/2001-5/2006) 29 Điện Lực toàn 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 huấn luyện liệu hết khoảng phút 25 giây đến phút 27 giây mạng đạt đợc kết dự báo tháng năm 2006 (tõ 1/5/200631/5/2006) víi sai sè % lín nhÊt cđa điện lực đợc đa bảng 5.1 Trong đó: - Pmin: Giá trị phụ tải nhỏ tháng 5/2006 (Giá trị phụ tải đợc lấy theo ngày) - Pmax: Giá trị phụ tải lớn nhÊt th¸ng 5/2006 - Sai sè %(Max): Sai sè % lớn nhất, kết dự báo tồi mà 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 bé sè liƯu cđa 31 §iƯn lùc 112 §iƯn Lùc Sai sè Pmax HT§1 1412.7 3317.7 6.01 NghƯ An 62.5 196.8 6.02 Cty 890.3 2134.4 5.84 Cao B»ng 3.7 19.8 7.16 Hà Nội 245.0 818.0 7.12 Sơn La 6.2 35.4 6.92 Hải Phòng 92.5 259.7 4.81 Hà Tĩnh 10.9 60.9 6.10 Nam Định 30.2 143.1 6.74 Hoà Bình 10.0 41.7 5.92 Phó Thä 45.8 119.6 4.61 Lµo 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 Ho¸ 68.0 220.0 4.24 VÜnh Phóc 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 %(Max) Điện Lực Pmin Pmax Sai số Pmin %(Max) 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 phơ t¶i sai sè cho phÐp kho¶ng tõ – 10% Vậy kết dự báo đà 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 113 miền Bắc đà đạt đợc kết đáng kể nh đà nên Điều cho phép ta hy vọng vào triển vọng tính khả thi việc ứng dụng mô hình thay cho mô hình cũ đợc áp dụng Trung tâm Điều độ HTĐ miền Bắc Đặc biệt chơng trình áp dụng dự báo hiệu Công ty Điện lực có tỉ lệ chênh lệch Pmax Pmin nhỏ giá trị phụ tải ngày đồng 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 Luận văn đà 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 mạng đà 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 hành kinh nghiệm không nhận nhận muộn Vì phân dạng kiểu ngày phơng tiện hỗ trợ cho kỹ s điều 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, 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 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 Kiến nghị nhứng nghiên cứu Phát triển mở rộng toán dự báo ngắn hạn theo nhiều loại thông số khác có ảnh hởng trực tiếp ®Õn phơ t¶i nh− nhiƯt ®é, ®é Èm, tèc ®é gió 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 Tài liệu tham khảo Tài liệu tiếng việt [1] Tổng sơ đồ phát triển Điện lực Việt Nam giai đoạn 2001-2020 có xét đến triển vọng đến năm 2020 (6/2000), Viện lợng [2] Tài liệu báo cáo tổng kết hàng năm Trung tâm Điều độ HTĐ miền Bắc [3] Nguyễn Đình Thúc (2000), Mạng nơron phơng pháp ứng dụng, Nhà xuất giáo dục [4] Lơng Mạnh Bá, Nguyễn Thanh Thuỷ (2003), nhập môn xử lý ảnh số, Nhà xuất khoa häc vµ kü tht [5] Ngun Phïng Quang, Matlab & Simulink, Nhà xuất khoa học kỹ thuật [6] 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] Robert L Harvey (1996), Neural Network Principles, Prentice –hall 117 international, inc [10] David M Skapura, Building Neural Networks, Addison-Wesley Publishing Company [11] Howard Demuth, Mark Beale, Martin Hagan (March 2006), Neural Network Toolbox [12] Vanaja Iyer, Chun Che Fung and Tamas Gedeon (1998), A FuzzyNeural Approach to Electricity Load and Spotprice Forecasting in a Deregulated Electricity Market [13] Antti Laukkanen (2004), The use of special day information in a demand forecasting model for Nordic power market, http://www.sal.hut.fi [14] P.K Dash, G Ramakrishna, A.C Liew, S Rahman (1995), Fuzzy neural networks for time-series forecasting of electric load [15] D.C.Sansom and T K Saha, Neural networks for forecasting electricity pool price in a deregulated electricity supply industry 118 Phô lôc i Phần mềm mô mạng Kohonen toán phân loại ngày w=rands (100,24); X = fopen(phanloaingay.xls, w) M1=19; pt=X'; delta =0.01; Q=size(w,1); for q=1:Q nq =w(q,:) ; a=sumsqr(nq); m=nq/sqrt(a); w(q,:) = m; k=sqrt(sumsqr(m)); 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) 119 nk(k1)=-inf; % k6=find(nk==max(nk)) % k6=k6(1) ptq=pt(q,:); for i=-2:2 for j=-2:2 xi=mod(k1+i+M1-1,M1)+1; yj=mod(k1+j+M1-1,M1)+1; jj=M1*(yj-1)+xi; %kk=w(jj,:) w(jj,:)=w(jj,:)+ delta*(ptq - w(jj,:)); end end fclose(X) 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 Chơng trình % menu display(' display(' CHUONG TRINH DU BAO PHU TAI'); ====================='); chon=menu('Hay chon chuc nang','1 Phan loai so lieu','2 Huan luyen mang', '3 Du Bao ','4 Thoat ') switch chon case chon == fn=input('Nhap ten file du lieu:' ,'s'); P1=fopen(fn,'w'); phanloaingay case chon==2 fn=input('Nhap ten file du lieu:' ,'s'); huanluyenmang case chon==3 fn1=input('Nhap ten file so W1:' ,'s'); fn2=input('Nhap ten file so W2' ,'s'); Dubao OTHERWISE exit end 121 Module dự báo phụ tải w1=rands (30,8); P= fopen(dubaophutai.xls, w) alpha=0.4; %He so hoc beta =0.6 ;%He so quan tinh ep=15000; w2=rands(1,30);%Trong so lop an w11=w1; w22=w2; 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); tetak=(1-zk).*Errk.*zk; %Sai so lop tetaj=yj.*(1-yj).*(w2'*tetak);% Sai so lop an 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 Z=zk ; q=size(Z,2); D=dk; SSTD=abs(dk-zk); Errk=(dk-zk)./D*100; w1=w1; w2=w2; display= input([' Ket qua du bao: \n']); disp (display) display= input([' STT Pchtt Pchdb Ptt Pdb SSTD SS% \n']); disp (display) for i=1:q display= sprintf(' %2d %2.4f %2.4f %4.1f %4.1f %5.2f i,D(i),Z(i), D(i)*5000,Z(i)*5000,SSTD(i)*5000,SSTD(i)/D(i)*100 ); disp(display); end Err=ee/2 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', ' Pdb : Phu tai du bao \n', ' SSTD : Sai so tuyet doi \n', ' SS% : Sai so % \n' ' Err : Binh phuong sai so']); disp (display) fclose(P) %1.2f', 123 Tóm tắt luận văn Trong năm gần đây, với phát triển lớn mạnh kinh tế quốc gia, nhu cầu tiêu thụ điện hàng năm đà tăng lên nhiều, đặc biệt HTĐ miền Bắc bình quân hàng năm tăng 12,6% Vì 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 công suất đợc huy động, chúng gây nhiều lÃng phí Vì việc dự báo phụ tải xác trợ giúp cho nhiều chức quan trọng kế hoạch phát triển điện tơng lai, lập kế hoạch hoá vận hành HTĐ 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 Tìm hiểu yếu tố ảnh hởng đến phụ tải HTĐ miền Bắc, tầm quan trọng toán dự báo phụ tải công tác vận hành hệ thống điện Tìm hiểu đặc điểm, dạng ĐTPT, giá trị phụ tải đặc biệt ngày mà đợc kỹ s vận hành nh ngời làm phơng thức ngày quan tâm nhiều (Pmax, Pmin) Tìm hiểu kiến thức mạng nơron nhân tạo, sở lý thuyết, mô hình mạng nơron nhân tạo Nghiên cứu, thiết kế cấu trúc mạng nơron, phơng pháp huấn luyện mạng; xây dựng phần mềm mô mạng Kohonen phân loại ngày; đa số kết phân tích đánh giá kết đạt đợc 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 ... phơng pháp dự báo phụ tải ngắn hạn Hệ thống điện miền Bắc sử dụng mạng nơron nhân tạo với số phơng pháp dự báo truyền thống Đánh giá kết đạt đợc khả ứng dụng phần mềm Phụ lục I Phần mềm mô mạng Kohonen... HTĐ miền Bắc ã Tầm quan trọng dự báo phụ tải ã Những yếu tố ảnh hởng đến phụ tải ngắn hạn ã Mục tiêu phạm vi nghiên cứu dự báo phụ tải ã Đặc điểm đồ thị phụ tải HTĐ miền Bắc ã Dự báo phụ tải ngắn. .. PHụ TảI Hệ THốNG ĐIệN MIềN BắC toán dự báo 1.1 Phụ tải Hệ thống điện miền Bắc .7 1.1.1 Giíi thiệu chung HTĐ miền Bắc 1.1.2 TÇm quan träng cđa dù báo phụ tải