Dự báo giá điện trong thị trường điện cạnh tranh

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA TRẦN QUỐC THẮNG DỰ BÁO GIÁ ĐIỆN TRONG THỊ TRƯỜNG ĐIỆN CẠNH TRANH CHUYÊN NGÀNH: THIẾT BỊ, MẠNG VÀ NHÀ MÁY ĐIỆN LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, THÁNG NĂM 2009 Trang Trường ĐH Bách Khoa Tp.HCM GIỚI THIỆU Với phát triển nhanh kinh tế thị trường, yêu cầu tăng trưởng nhanh nhu cầu tiêu thụ điện đòi hỏi vốn đầu tư lớn để phát triển cơng trình lượng, nhiều nước có xu hướng cấu trúc lại tổ chức quản lý ngành điện Theo đó, hình thành phát triển thị trường điện cạnh tranh xu tất yếu diễn nhiều nước giới Ở nước ta, để đáp ứng nhu cầu phụ tải gia tăng mạnh mẽ điều kiện phát triển mạnh mẽ q trình cơng nghiệp hóa, đại hóa đất nước để hội nhập kinh tế quốc tế khu vực, từ bước xây dựng phát triển thị trường điện cạnh tranh Trong thị trường điện cạnh tranh, quan hệ thành viên tham gia thị trường xác định thông qua hợp đồng mua bán điện Trong đó, giá mua bán điện giữ phần quan trọng phần thiếu hợp đồng Tại nước chưa hình thành thị trường điện cạnh tranh, giá điện thường cố định khoảng thời gian dài Ngồi ra, cịn bảo trợ điều tiết nhà nước để giữ giá điện mức ổn định Do đó, việc dự báo giá điện gần việc không cần thiết Tuy nhiên, giá điện thị trường điện canh tranh khơng cố định, thay đổi theo thời gian phụ thuộc vào nhiều yếu tố Việc dự báo xác giá điện mang lại nhiều thuận lợi lợi ích khác đơn vị có chức khác tham gia tác động vào thị trường điện cụ thể [21], [1]: Các thành viên tham gia thị trường nói chung (Các đơn vị phát điện, đơn vị mua điện ): Do thành viên tham gia đấu thầu trực tiếp thi trường điện đó, thành viên phải lấy sở từ việc dự báo giá điện ngắn hạn theo ngày để đưa giá gói thầu, giá chào thầu, lượng điện chào bán vào thị trường sử dụng giá trị dự báo dài hạn để thương thảo ký kết hợp đồng mua bán điện song phương Từ việc dự báo giá điện trung hạn ngắn hạn, đơn vị chuẩn bị kế hoạch sản xuất kinh doanh chuẩn bị phân bổ nguồn tài cách hợp lý để tối ứu hoá lợi nhuận, đồng thời, hạn chế rủi ro xẩy việc thay đổi giá điện mang đến HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trường ĐH Bách Khoa Tp.HCM Trang Các công ty phân phối điện bán điện trực cho tải tiêu thụ: Các đơn vị cần biết lượng điện khách hàng họ thường sử dụng Do cần phải dự báo giá điện giá điện nhân tố ảnh hưởng đến mức độ tiêu thụ điện khách hàng Việc phối hợp chặt chẽ dự báo giá điện dự báo nhu cầu phụ tải giúp công ty phân phối điện thỏa mãn tốt nhu cầu tiêu thụ điện khách hàng có chiến lược tốt phù hợp để thương lượng với công ty phát điện khác thông qua hợp đồng ngắn dài hạn Những đơn vị sở hữu, vận hành lưới truyền tải Transmission System Operation (TSO): Các đơn vị dự báo thay đổi phụ tải điện ảnh hưởng giá điện từ dó đưa kế hoạch vận hành lưới điện cách tối ưu Đồng thời, cần biết giá điện khác vùng phản ứng thị trường với chênh lệch lớn giá điện làm tăng mức độ trao đổi phụ tải liên vùng Dự báo giá điện phụ tải khu vực giúp cho đơn vị vận hành lưới điện khu vực dự báo phân bổ điều độ nguồn phát Những phụ tải công nghiệp lớn: Do tiêu thụ lượng điện lớn tăng giảm giá mua bán điện ảnh hưởng lớn đến phụ tải Do đó, họ cần dự báo giá điện để đánh giá rủi ro xảy với họ có biến động giá điện Việc dự báo giá giúp họ chủ động việc hạn chế rủi ro thông qua phương tiện hợp đồng dài hạn, hợp đồng giá cố định xem xét việc mua điện theo giá thời thực Đồng thời, tham gia chương trình quản lý phụ tải (DCL, DSM ) để giảm đến mức thấp chi phí mua điện Những đơn vị điều hành thị trường điện (Market Operator (MO)): Bởi vận động thị trường làm tăng giá điện, việc phân tích giá điện thị trường lại giữ vai trò lớn việc giám sát hành vi đơn vị tham gia thị trường tình hình vận hành thị trường Việc dự báo giá điện vận dụng để xác định số dùng để quan sát thị trường số HerfindahlHirschman (HHI) dùng để xác định mức độ tập trung hay chia sẻ thị trường, số Residual Supply Index (RSI) dùng để xác định nhà cung cấp nòng cốt HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trang Trường ĐH Bách Khoa Tp.HCM thị trường, số liên quan đến giá điện cận biên Lerner Index thường dùng để tính tốn tạo thành giá điện thông qua giá cận biên Từ số quan sát này, đơn vị vận hành thị trường xác định hành vi có liên quan đến biểu trị chơi thị trường dẫn đến giá điện không hợp lý Từ đó, có chiến lược điều tiết thị trường cách hợp lý Các Cơng ty tư vấn tài đơn vị cho vay, nhà đầu tư: Các đơn vị cần đánh giá tín dụng, giám sát rủi ro những khách hàng khác thị trường trước biến động rủi ro giá điện Xem xét dự án tài cho ta thấy vai trò quan trọng việc dự báo giá điện thương mại Trong dự án tài chính, giá diện sử dụng liệu đầu vào bảng dự thảo tài chính, bảng phân tích hiệu đầu tư nguời phát triển dự án người cho vay để diễn tả trình đầu tư theo thời gian Những bảng dự thảo tài hình thành sở giá trị ước đốn tương lai chi phí doanh thu Trong lĩnh vực dự báo, có nhiều phương pháp dự báo với mơ hình khác phương pháp dự báo với thông số cố định, bình phương tối thiểu, dự báo thích nghi, phân tích chuỗi thời gian.vv kết hợp với công cụ logic mờ, mạng neural vv đươc áp dụng cho việc dự báo [3], [4], [6] Trong năm gần đây, phương pháp phân tích Wavelet cơng cụ phân tích tín hiệu sử dụng rộng rãi nhiều lãnh vực thu kết khả quan [26], [27], [28] Ngoài ra, mạng neural với ưu điểm trở thành lãnh vực khoa học phát triển mạnh mẽ [7] Luận văn trình bày vần đề liên quan đến thị trường điện cạnh tranh, hình thành, mơ hình thị trường điện, giá điện thị trường điện, mục tiêu định hướng lộ trình hình thành thị trường điện Việt Nam [29] Qua phân tích nêu lên nhân tố ảnh hưởng đến giá điện thị trường điện trình bày tầm quan trọng việc dự báo giá điện thị trường điện cạnh tranh [23] Khác với phụ tải, chuỗi giá điện có tính chất khơng cố định giá trị trung bình bị ảnh hưởng lớn nhiễu, thay đổi đột ngột biên độ bất thường không dự đốn [3] Do đó, việc áp dụng wavelet cho tín hiệu giá HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trang Trường ĐH Bách Khoa Tp.HCM điện với ưu điểm việc lọc tín hiệu, chuỗi giá điện sau biến đổi Wavelet có đặc tính tốt hơn, thuận lợi việc xử lý tín hiệu giai đoạn Do luận văn đề xuất việc sử dụng phân tích wavelet để tiền xử lý liệu giá điện trước thực việc dự báo Để dự báo chuỗi tín hiệu, xử dụng nhiều phương pháp khác phương pháp xử lý thơ, bình phương tối thiểu, san hàm mũ, phương pháp trung bình trượt, sử dụng lơgic mờ Tuy nhiên, ưu điểm việc xấp xỉ chuỗi thời gian, luận văn đề xuất việc sử dụng mạng neuron để tiến hành dự báo sau tiền xử lý số liệu đầu vào phân tích wavelet Do giá điện phụ thuộc chủ yếu vào nhu cầu phụ tải bị ảnh hưởng nhiều yếu tố khác phân tích chương 2, đó, mặt nguyên tắc đưa nhiều tín hiệu đầu vào, mạng neuron dự báo xác Tuy nhiên, khó khăn việc tìm kiếm số liệu, luận văn đề xuất việc đưa vào tín hiệu giá điện tín hiệu phụ tải khứ để tiến hành việc dự báo Luận văn, chủ yếu tập trung vào việc dự báo giá điện ngắn hạn theo ngày Từ xây dựng chương trình dự báo giá điện ngắn hạn theo ngày ngôn ngữ lập trình Matlab Xem xét, so sánh kết thu việc dự báo giá điện theo mơ hình từ đưa kết luận định hướng phát triển cho luận văn Nội dung luận văn gồm chương với nội dung sau: CHƯƠNG : Tổng quan giá điện thị trường điện cạnh tranh Trình bày vấn đề liên quan đến thị trường điện hình thành, mơ hình thị trường điện, giá điện thị trường điện Đồng thời trình bày sơ lược mục tiêu, định hướng lộ trình thị trường điện Việt Nam thời gian tới CHƯƠNG : Dự báo giá điện thị trường điện cạnh tranh Trình bày vấn đề liên quan đến dự báo giá điện thị trường điện cạnh tranh Đặc biệt sâu vào phân tích tầm quan trọng việc dự báo giá điện, yếu tố ảnh hưởng, khó khăn việc dự báo giá điện Đồng thời, trình HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trang Trường ĐH Bách Khoa Tp.HCM bày số nghiên cứu thực liên quan đến việc dự báo giá điện đưa kết luận CHƯƠNG : Tổng quan phân tích wavelet mạng neural Để viết chương trình ứng dụng sử dụng phân tích wavelet mạng neural, chương trình bày khái niệm phân tích wavelet khái niệm mạng neural CHƯƠNG : Mơ hình dự báo giá điện theo ngày Trình bày lưu đồ giải thuật, xây dựng chương trình dự báo giá điện sử dụng wavelet kết hợp với mạng neural chạy chương trình với số liệu giá điện thị trường điện Tây Ban Nha thu thập website www.omel.es Xem xét, so sánh kết thu việc dự báo giá điện theo mơ hình từ đưa kết luận định hướng phát triển cho luận văn HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình i CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : PGS.TS Phan Thị Thanh Bình Cán chấm nhận xét : Cán chấm nhận xét : Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng … năm 2009 ii ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA - CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh Phúc o0o Tp HCM, ngày tháng năm 2009 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Trần Quốc Thắng Phái: Nam Ngày, tháng, năm sinh : 02 - 12 - 1983 Nơi sinh: Hà Nam Chuyên ngành : Thiết bị, mạng nhà máy điện MSHV: 01806505 I- TÊN ĐỀ TÀI: DỰ BÁO GIÁ ĐIỆN TRONG THỊ TRƯỜNG ĐIỆN CẠNH TRANH II- NHIỆM VỤ LUẬN VĂN: Giới thiệu tổng quan giá điện thị trường điện cạnh tranh Giới thiệu tầm quan trọng việc dự báo giá điện Giới thiệu phân tích wavelet mạng neural Viết chương trình dự báo dùng phân tích wavelet kết hợp dự báo mạng Neural, áp dụng chương trình với số liệu thực tiễn, đưa kết luận hướng phát triển đề tài III- NGÀY GIAO NHIỆM VỤ : 21/01/2008 IV- NGÀY HOÀN THÀNH NHIỆM VỤ: / /2009 V- CÁN BỘ HƯỚNG DẪN: PGS.TS PHAN THỊ THANH BÌNH CÁN BỘ HƯỚNG DẪN CN BỘ MÔN QL CHUYÊN NGHÀNH PGS.TS PHAN THỊ THANH BÌNH Nội dung đề cương luận văn thạc sĩ Hội đồng chuyên ngành thơng qua TRƯỞNG PHỊNG ĐT – SĐH Ngày …… tháng …… năm 2009 TRƯỞNG KHOA QL NGÀNH iii Lời Cảm Ơn Em xin chân thành bày tỏ lòng biết ơn sâu sắc đến tất thầy cô trường Đại Học Bách Khoa TP.HCM nói chung, khoa Điện-Điện Tử nói riêng Những người hướng dẫn, giảng dạy trang bị cho em nhiều kiến thức quí báu suốt năm học đại học trình học cao học Đặc biệt, em xin cảm ơn Cơ Phan Thị Thanh Bình người hướng dẫn tận tình, tạo điều kiện thuận lợi cho em suốt trình thực luận văn Cuối cùng, xin cảm ơn gia đình, ban bè, người thân tất đồng nghiệp Phịng Kế hoạch Cơng ty Điện lực TP.HCM người động viên, giúp đỡ tạo điều kiện thuận lợi tạo cho cho niền tin, nghị lực để hoàn thành luận văn Thành phố Hồ Chí Minh tháng năm 2009 Học Viên Trần Quốc Thắng iv TÓM TẮT LUẬN VĂN Luận văn trình bày vần đề liên quan đến thị trường điện cạnh tranh, hình thành, mơ hình thị trường điện, giá điện thị trường điện, mục tiêu định hướng lộ trình hình thành thị trường điện Việt Nam Qua phân tích nêu lên nhân tố ảnh hưởng đến giá điện thị trường điện trình bày tầm quan trọng việc dự báo giá điện thị trường điện cạnh tranh Đã có nhiều cơng trình nghiên cứu thực việc dự báo giá điện thị trường điện cạnh tranh sử dụng nhiều phương pháp khác Tuy nhiên, sở tìm hiểu ưu điểm phân tích wavelet mạng neural, luận văn đề xuất việc sử dụng kết hợp phân tích wavelet mạng neural áp dụng vào dự báo giá điện Trong đó, chủ yếu tập trung vào xem xét dự báo giá điện ngắn hạn theo ngày Từ xây dựng chương trình dự báo giá điện ngắn hạn theo ngày ngơn ngữ lập trình Matlab Xem xét, so sánh kết thu việc dự báo giá điện theo mơ hình từ đưa kết luận định hướng phát triển cho luận văn Trường ĐH Bách Khoa Tp.HCM Trang 75 Sai số dự báo ngày 11/5/2000 sau huấn luyện lại 11.8% trước huấn luyện lại sai số 12.6% Tuy nhiên, chương trình làm việc cho kết ngày có sai số dự báo tương đối cao: Ngày 18/5/2000 sai số 24.3% Ngày 31/5/2000 sai số 17% Tuy nhiên trình bày việc biến động giá điện điều thường xảy dẫn đến kết qủa dự báo với sai số lớn Nhìn vào đồ thị ta thấy xét khoảng 18 ngày 31/5/2000 ý nghĩa cuả chương trình dự báo chấp nhận HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trang 76 Trường ĐH Bách Khoa Tp.HCM IV.5 Kết luận định hướng luận văn: IV.5.1 Kết luận Mục tiêu luận văn xem xét, tìm hiểu thị trường điện, giá điện dự báo giá điện thị trường điện Đồng thời xây dựng chương trình dự báo giá điện cho ngày tiếp theo, sở phân tích wavelet mạng neural Các số liệu đầu vào chương trình gồm liệu khứ phụ tải giá điện Kết đầu chương trình giá điện 24 ngày Kết cho thấy rằng, giá điện thị trường điện cạnh tranh diễn biến phức tạp mang tính chất không ổn định, bất thường, việc dự báo giá điện việc khó khăn Cũng từ kết thu chương trình ta nhận thấy việc sử dụng phân tích wavelet kết hợp với mạng neural cho kết dự báo với sai số chấp nhận việc dự báo giá điện IV.5.2 Hướng phát triển đề tài Do khó khăn việc tìm hiểu thông tin thu thập số liệu (thị trường điện chưa hình thành Việt Nam hình thành số nước giới), luận văn đưa vào chương trình số liệu giá điện phụ tải khứ Trong phân tích chương giá điện phụ thuộc vào nhiều yếu tố Do đó, kết thu tốt ta đưa vào chương trình (các ngõ vào mạng neural) yếu tố khác ảnh hưởng đến giá điện đề cập chương giá nguồn lượng sơ cấp (than đá, dầu hỏa, khí gas), điều kiện lưới điện, tắc nghẽn, thời tiết…cũng luận văn chưa xem xét đến ngày đặc biệt năm (lễ, tết ) Do đó, định hướng nghiên cứu luận văn tìm đưa thêm yếu tố vào để xem xét, nghiên cứu mức độ ảnh hưởng việc dự báo giá điện HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trang 77 Trường ĐH Bách Khoa Tp.HCM TÀI LIỆU THAM KHẢO [1] Guang Li, Chen-Ching Liu, Chris Mátton, Jacques Lawarrée - “Day-Ahead Electricity price forecasting in a Grid Environment” – IEEE transactions on power systems vol 22, no.1, february 2007 [2] Reinaldo C.Garcia, Javier Contreras, Marco van Akkeren, Joao Batista C.Garcia “A GARCH forecasting Models to predict Day-Ahead Electricity prices” - IEEE transactions on power systems vol 20, no.2, May 2005 [3] Antonio J.Conejo, Miguel A.Plazas, Rosa Espinola, Ana B.Molina “Day-Ahead Electricity price forecasting using wavelet transform and ARIMA models” - IEEE transactions on power systems vol 20, no.2, may 2005 [4] Claudia P.Rodriguez, George J.Anders - “Energy price forecasting in the ontario competitive power system market” – IEEE transactions on power systems vol 19, no.1, february 2004 [5] Javier Contreras, Rosario Espinola, Francisco J.Nogales, Antonio J.Conejo “ARIMA Models to predict next-day Electricity Prices” - IEEE transactions on power systems vol 18, no.3, august 2003 [6] B.R Szkuta, L.A Sanabria, T.S Dillon - “Electricity price short-term forecasting using artificial neural networks” – IEEE transactions on power systems vol 14, no.3, august 1999 [7] Nguyễn Đình Thúc – “Trí tuệ nhân tạo mạng nơron phương pháp & ứng dụng” –Nhà xuất Giáo Dục - 2000 [8] Nguyễn Trọng Hồi – “Mơ hình hóa dự báo chuỗi thời gian kinh doanh kinh tế” –Nhà xuất Đại Học Quốc Gia TP.HCM - 2001 [9] Nguyễn Quang Đông – “Kinh tế lượng” – Nhà xuất khoa học kỹ thuật Hà Nội - 2002 HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trang 78 Trường ĐH Bách Khoa Tp.HCM [10] G Koreneff, A Seppala, M Lehtonen, V Kekkonen, E Laitinen, J Hakli, and E Antila, “Electricity Spot Price Forecasting as a Part of Energy Management in De-regulated Power market,” Proceedings of EMPD, Vol 1, pp 223–228, 1998 ] [11] M Stevenson, “Filtering and Forecasting Spot Electricity Prices in the Increasingly Deregulated Australian Electricity Market,” presented in the International Institute of Forecasters Conference, June 2001, Atlanta [12] E Ni and P B Luh, “Forecasting Power Market Clearing Price and Its Discrete PDF Using a Bayesian-based Classification Method,” IEEE Power Engineering Society Winter Meeting, Vol 3, pp 1518–1523, Columbus, OH, 2001 [13] F J Nogales, J Contreras, A J Conejo, and R Espínola, “Forecasting NextDay Electricity Prices by Time Series Models,” IEEE Transactions on Power Systems, Vol 17, No 2, pp 342-348, May 2002 [14] Guang Li, Chen-Ching Liu, Chris Mattson and Jacques Lawarree “Day-Ahead Electricity prices forecasting in a Grid Environment” - IEEE transactions on power systems vol 22, no.1, February 2007 [15] F L Alvarado and R Rajaraman, “Understanding Price Volatility in Electricity Markets,” Proceedings of the 33rd Hawaii International Conference on System Sciences, 2000 [16] S Deng, “Stochastic Models of Energy Commodity Prices and Their Application: Mean-Reversion with Jumps and Spikes,” PSERC report 98-28, 1998 [17] S Deng, “Pricing Electricity Derivatives under Alternative Stochastic Spot Price Models,” 33rd Hawaii International Conference on System Sciences, Vol 4, January 4-7, 2000 [18] J J Lucia and E Schwartz, “Electricity prices and power derivatives: Evidence from the Nordic Power Exchange,” Finance, Paper 16_00, March 2000 [19] D W Bunn, “Forecasting Loads and Prices in Competitive Power Markets,” Proceedings of the IEEE, Vol 88 No 2, pp 163-169, 2000 HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trang 79 Trường ĐH Bách Khoa Tp.HCM [20] J Bastian, J Zhu, V Banunarayanan, and R Mukerji, “Forecasting Energy Prices in a Competitive Market,” IEEE Computer Applications in Power, Vol 12, No 3, pp 40-45, 1999 [21] Anne Ku “Forecasting to understanding uncertainly in electricity price” Platts Energy Business & Technology, May/Jun 2002 [22] A J Wang and B Ramsay, “A Neural Network Based Estimator for Electricity Spot-Pricing with Particular Reference to Weekends and Public Holidays,” Neurocomputing, vol 23, pp 47-57, 1998 [23] Guang Li, Chen-Ching Liu, Jacques Lawarrée, Massimo Gallanti**, Andrea Venturini** - “State-of-the-art of Electricity price forecasting” – University of Washington **CESI, Italy 2005 [24] Mohammad Shahiderhpour, Hatim Yamin, Zuyi Li “Market operations in electric power system” A John Wiley & Sons, INC., Publication 2002 [25] The MathWorks Inc., Matlab, Version 7.0 http://www.mathworks.com/ [26] Ali M., Spire Lab, UWM – Wavelet Characteristics – October 19, 1999 White Paper [27] Seminaire Paris-Berlin, Seminar Berlin-Paris - Wavelets, Approximation and Statistical Applications - Wolfgang Hardle, Gerard Kerkyacharian, Dominique Picard, Alexander Tsybakov [28] Wavelet Toolbox For Use with MATLAB®, User’s Guide Version 3, Michel Misiti, Yves Misiti, Georges Oppenheim, Jean-Michel Poggi [29] Báo Công nghiệp Việt Nam Online địa http://irv.moi.gov.vn HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trường ĐH Bách Khoa Tp.HCM Phụ lục PHỤ LỤC CHƯƠNG TRÌNH DỰ BÁO GIÁ ĐIỆN THEO NGÀY File: main.m if(scheme == '1') %doc du lieu vao cac ma tran truoc phan tich wavelet nhaptenfiledulieu; %xoa man hinh va cac bien clc; %scheme = 2, goi ham de tao NNs, huan luyen clear; if(scheme == '2') %Phan sau thuc hien cac noi dung: chukihuanluyen=100; % 1) Tao mang Neuron nCreate; % 2) Huan luyen mang, end % 3) Du bao % 4) thoat %scheme = 3, goi ham de huan luyen NNs hien huu while (1) if(scheme == '3') choice = menu('chon cac thuc thi sau: ','Nhap du lieu', nRetrain; 'Tao mang Neuron','Huan luyen lai mang Neuron', %scheme = 4, goi ham de huan luyen NNs hien huu 'Tien hanh du bao', 'Thoat khoi chuong trinh'); if(scheme == '4') switch choice end case 1, scheme = '1'; %scheme = xac nhan viec thoat case 2, scheme = '2'; if(scheme == '5') case 3, scheme = '3'; case 5, scheme = '5'; button = questdlg('Chuong trinh se ket thuc ?', 'thoat khoi chuong trinh','ket thuc','Tro lai','Tro lai'); end switch button %scheme = 1, goi ham nhapdulieu de lay so lieu case 'ket thuc', disp(' '); case 4, scheme = '4'; HVTH: Trần Quốc Thắng end end nForecast; disp('chuong trinh da ket thuc!!'); GVHD: PGS.TS Phan Thị Thanh Bình Trường ĐH Bách Khoa Tp.HCM Phụ lục disp(' '); %case 3, dataPoints = 144; %3 = 144 diem break; %case 4, dataPoints = 192; %4 = 192 diem case 'Tro lai', quit cancel; end %case 5, dataPoints = 240; %5 = 240 diem end end %case 6, dataPoints = 288; %6 = 288 diem File: nhaptenfiledulieu.m %NHAP DU LIEU VA PHAN TICH WAVELET %case 7, dataPoints = 336; %1 weeks = 336 diem % chon bac phan tich wavelet (Tested: resolution = is best) %end dataPoints = 168; %level = menu('Chon bac phan tich:','1', msg = ['So luong du lieu su dung la ', num2str(dataPoints)]; %'2','3','4'); disp(msg); %switch level %Menu chon file du lieu %case 1, resolution = 1; filedulieu = input('Nhap ten file du lieu:'); %case 2, resolution = 2; %Doc du lieu %case 3, resolution = 3; selectedFile = [filedulieu, '.csv']; %case 4, resolution = 4; [regionArray, sDateArray, tDemandArray, rrpArray, pTypeArray] %end resolution = % = textread(selectedFile, '%s %q %f %f %s', 'headerlines', 1, 'delimiter', ','); msg = ['bac phan tich duoc chon la ',num2str(resolution)]; %hien thi so diem co duoc tu file du lieu disp(msg); % Chon so luong du lieu % data = menu('Chon so luong du lieu: ', '1 ngay', '2 ngay', '3 ngay', '4 ngay', %'5 ngay', '6 ngay', '1 tuan'); %switch data %case 1, dataPoints = 48; %1 = 48 diem %case 2, dataPoints = 96; %2 = 96 diem HVTH: Trần Quốc Thắng [sodulieu, y] = size(sDateArray); msg = ['so diem co duoc tu file du lieu la ', num2str(sodulieu)]; disp(msg); % Xu ly du lieu gia Dien %hien thi so diem du lieu gia dien co duoc [noOfDataPoints, y] = size(rrpArray); msg = ['so diem du lieu gia dien co duoc la ', num2str(noOfDataPoints)]; GVHD: PGS.TS Phan Thị Thanh Bình Trường ĐH Bách Khoa Tp.HCM disp(msg); Phụ lục %phan tich tin hieu gia dien legendName = ['tin hieu gia dien chi tiet ', num2str(i)]; [dP, l] = swt(rrpArray, resolution, 'db2'); legend(legendName); approxP = dP(resolution, :); end %Ve thi gia dien i = i + 1; figure (1); end subplot(resolution + 2, 1, 1); plot(rrpArray(2: dataPoints)) %bien dieu tin hieu gia dien su dung cho NN legend('Gia Dien'); maxPrice = max(approxP'); %tim gia tri lon nhat title('do thi gia dien'); %ve tin hieu gia dien xap xi for i = : resolution subplot(resolution + 2, 1, i + 1); plot(approxP(2: dataPoints)) legend('tin hieu gia dien xap xi'); normPrice = approxP / maxPrice; %bien dieu = chia tung phan tu cho gia tri lon nhat maxPriceDetail = [ ]; normPriceDetail = [, ]; %ve tin hieu chi tiet gia dien detailP = detailP + 40; %40 la gia tri lon nhat theo thi (lam chuoi khong am) clear detailP; for i = 1: resolution for i = 1: resolution maxPriceDetail(i) = max(detailP(i, :)); if( i > ) detailP(i, :) = dP(i-1, :)- dP(i, :); normPriceDetail(i, :) = detailP(i, :) /maxPriceDetail(i); else end detailP(i, :) = rrpArray' - dP(1, :); % Xu ly du lieu phu tai end %hien thi so diem du lieu phu tai co duoc if i == [demandDataPoints, y] = size(tDemandArray); end subplot(resolution + 2, 1, resolution - i + 3); plot(detailP(i, 2: dataPoints)) legendName = ['tin hieu gia dien chi tiet ', num2str(i)]; msg = ['so diem du lieu phu tai co duoc la ', num2str(demandDataPoints)]; disp(msg); legend(legendName); %Phan tich tin hieu phu tai else [dD, l] = swt(tDemandArray, resolution, 'db2'); subplot(resolution + 2, 1, resolution - i + 3); plot(detailP(i, 2: dataPoints)) HVTH: Trần Quốc Thắng approx = dD(resolution, :); GVHD: PGS.TS Phan Thị Thanh Bình Trường ĐH Bách Khoa Tp.HCM Phụ lục %Ve thi phu tai ban dau i = i + 1; figure (2); end subplot(resolution + 2, 1, 1); plot(tDemandArray(1: dataPoints)) %bien dieu tin hieu phu tai su dung cho NN legend('Phu Tai'); maxDemand = max(approx'); %tim gia tri lon nhat title('do thi phu tai'); %ve tin hieu phu tai xap xi for i = : resolution subplot(resolution + 2, 1, i + 1); plot(approx(1: dataPoints)) normDemand = approx / maxDemand; %bien dieu = chia tung phan tu cho gia tri lon nhat maxDemandDetail = [ ]; legend('tin hieu phu tai xap xi'); normDemandDetail = [, ]; end detail = detail + 4000; %4000 la gia tri lon nhat theo thi (lam chuoi khong am) %ve tin hieu phu tai chi tiet clear detail; for i = 1: resolution if( i > ) for i = 1: resolution maxDemandDetail(i) = max(detail(i, :)); detail(i, :) = dD(i-1, :)- dD(i, :); normDemandDetail(i, :) = detail(i, :) /maxDemandDetail(i); else end detail(i, :) = tDemandArray' - dD(1, :); File: ncreate.m end %Chuan bi du lieu dau vao va dau cho NN if i == subplot(resolution + 2, 1, resolution - i + 3); plot(detail(i, 1: dataPoints)) legendName = ['tin hieu phu tai chi tiet ', num2str(i)]; legend(legendName); %Tao NN va huan luyen de su dung %xoa man hinh va thiet lap dau mong muon tai diem so clc; else targetStartAt = 25; % Diem bat dau cua output subplot(resolution + 2, 1, resolution - i + 3); plot(detail(i, 1: dataPoints)) disp('Chuong trinh se tao mot Neural Network'); legendName = ['tin hieu phu tai chi tiet ', num2str(i)]; disp(' '); legend(legendName); disp('De xay dung mo hinh, ta su dung chuoi du lieu dau vao'); end HVTH: Trần Quốc Thắng GVHD: PGS.TS Phan Thị Thanh Bình Trường ĐH Bách Khoa Tp.HCM Phụ lục disp('mot chuoi gia dien va mot chuoi phu tai.'); %Tao so nut dau vao = 2, dau =1 va so nut an disp(' '); numOfInputs = 2; disp('chuoi gia dien, duoc su dung ') disp('nhu gia tri dau mong muon cho lan huan luyen dau tien.'); inputValue = ['So nut dau vao cua neural network duoc thiet lap = ', num2str(numOfInputs)]; disp(' '); disp(inputValue); %disp('Nhan phim ENTER de tiep tuc '); disp(' '); %pause; outValue = ['dau duoc thiet lap = ', num2str(numOfOutput)]; %xoa man hinh va khoi tao so chu ky huan lyen numOfOutput = 1; disp(outValue); clc; disp(' '); %cycle = input('Nhap so chu ky huan luyen: '); numOfHiddens = 5; cycle =chukihuanluyen; hiddenValue = ['so nut an duoc thiet lap = ', num2str(numOfHiddens)]; numOfTimes = resolution + 1; disp(hiddenValue); %Tao va huan luyen NNs disp(' '); for x = 1: numOfTimes %thiet lap so mau huan luyen %xoa cac bien so trainingLength = dataPoints; clear targetprice; clear inputs; %thiet lap dau mong muon cho mau huan luyen clear output; if(x == 1) clc; targetprice = normPrice(targetStartAt: dataPoints+24); if(x == 1) neuralNetwork = ['Neural network tao cho chuoi xap xi bac ', num2str(resolution)]; else else end neuralNetwork = ['Neural network tao cho chuoi chi tiet bac ', num2str(x - 1)]; %chuan bi mau huan luyen end while y < trainingLength disp(neuralNetwork); if(x == 1) disp(' '); inputs(1, y + 1) = normPrice(y + 1); HVTH: Trần Quốc Thắng targetprice = normPriceDetail(x - 1, targetStartAt: dataPoints+24); y = 0; GVHD: PGS.TS Phan Thị Thanh Bình Trường ĐH Bách Khoa Tp.HCM Phụ lục inputs(2, y + 1) = normDemand(y + 1); disp(' '); else msg = ['Hoan tat viec tao Neural network va luu voi ten => ', filename]; inputs(1, y + 1) = normPriceDetail(x - 1, y + 1); disp(msg); inputs(2, y + 1) = normDemandDetail(x 1, y + 1); if(x < resolution) end y = y + 1; disp('Nhan ENTER de huan luyen Neural network tiep theo '); end else output = targetprice'; disp(' '); inputs = (inputs'); disp('Mo hinh da san sang cho viec du bao!!'); %thiet lap chu ky huan luyen disp(' '); [ni, np] = size(targetprice); % ', filename, '