Dự báo phụ tải theo bayes

Đại Học Quốc Gia Thành Phố Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA - TRẦN THỊ THANH LOAN DỰ BÁO PHỤ TẢI THEO BAYES Chuyên ngành: THIẾT BỊ, MẠNG VÀ NHÀ MÁY ĐIỆN Mã số ngành: 2.06.07 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 09 năm 2005 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: TS PHAN THỊ THANH BÌNH -Cán chấm nhận xét 1: -Cán chấm nhận xét 2: Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm 2005 Lời cảm ơn Xin chân thành cảm ơn Quý Thầy Cô trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh, đặc biệt Cơ TS Phan Thị Thanh Bình, người tận tình dìu dắt, hướng dẫn tơi thực luận án cao học Cám ơn Gia đình, tất bạn bè thân thuộc, anh chị đồng nghiệp bên cạnh, hỗ trợ, tạo điều kiện dộng viên giúp đỡ tơi nhiều từ tham gia khố học hoàn thành luận án TP Hồ Chí Minh, ngày 29/09/2005 Trần Thị Thanh Loan TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM PHÒNG ĐÀO TẠO SĐH ĐỘC LẬP – TỰ DO – HẠNH PHÚC - Tp.HCM, ngày tháng năm 2005 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: TRẦN THỊ THANH LOAN Phái: Nữ Ngày sinh: 26 – 01 – 1979 Nơi sinh : Tp HỒ CHÍ MINH Chuyên ngành: THIẾT BỊ, MẠNG VÀ HỆ THỐNG ĐIỆN MSHV: 01803466 I TÊN ĐỀ TÀI: DỰ BÁO PHỤ TẢI THEO BAYES II NHIỆM VỤ VÀ NỘI DUNG: - Giới thiệu tổng quan lý thuyết Bayes Giới thiệu mơ hình dự báo theo phương pháp Chun gia Phân tích xử lý liệu theo mơ hình Hidden Markov Xây dựng mơ hình dự báo theo Bayes kết hợp mơ hình dự báo thành phần III NGÀY GIAO NHIỆM VỤ: IV NGÀY HOÀN THÀNH NHIỆM VỤ: V HỌ VÀ TÊN CB HƯỚNG DẪN: TS PHAN THỊ THANH BÌNH CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ CHUYÊN NGÀNH Nội dung đề cương luận văn thạc sĩ Hội đồng Chun Ngành thơng qua PHỊNG ĐÀO TẠO SĐH Ngày tháng năm 2005 KHOA QUẢN LÝ NGÀNH TÓM TẮT Dự báo phụ tải mắc xích quan trọng vận hành hệ thống lượng Dự báo phụ tải giúp Nhà cung cấp điện lượng đưa định quan trọng trình điều hành máy sản xuất Ví dụ với thơng tin phụ tải tiêu thụ dự báo thời đoạn kế tiếp, Nhà sản xuất định Nhà trung gian mua bán điện hay đầu tư sản xuất điện trực tiếp; Nhà sản xuất lên kế hoạch cắt giảm phụ tải để cân đối cung cầu, tránh tình tải nghiêm trọng dẫn đến tình trạng rã lưới; có biện pháp thu hút khách hàng sử dụng điện phát triển sở hạ tầng cho ngành điện, xây dựng đường dây phân phối, xây dựng trạm phân phối đầu tư nguồn điện … Do kết dự báo xác ln ln điều mong muốn người quản lý, vận hành hệ thống Đề tài xin giới thiệu ứng dụng lý thuyết Bayes vào dự báo phụ tải với mục đích kết hợp mơ hình dự báo phụ tải, nhận định Chuyên gia để đưa kết dự báo xác Mơ hình dự báo ứng dụng lý thuyết Bayes liệu xử lý theo phương pháp Hidden Markov để tính tốn đưa kết dự báo Chương trình dự báo phụ tải Luận án viết phần mềm Matlab 6.5 ABSTRACT Load forecasting is essential to the power system operation Accurate load forecasting helps power utility company makes important decisions in power system management and operation Based on the load forecasting information, the utility company comes to decision to buy power from another utility company or invest in producing electricity power According to short time load forecasting, the utility company will plan to cut down load to balance supply and demand, to avoid the extreme overload that causes power system collapse The utility company must have the accurate long time load forecasting to develop the electrical infrastructure such as building transmission lines, transmission and distribution transformers, power sources … With these reasons, the accuracy load forecasting is one of the most important factors in managing and operating power system This thesis presents an application of Bayes theory in load forecasting in combination different load forecasting modules or individual expert inferences in order to compute an acuracy result The proposed method uses Bayes theory with data processed by Hidden Markov model The proposed load forecasting method in this thesis is written in Matlab 6.5 software MỤC LỤC GIỚI THIỆU ĐỀ TÀI CHƯƠNG 1: LÝ THUYẾT BAYES VÀ MỘT SỐ ỨNG DỤNG THEO BAYES 1-1 1.1 Công thức Bayes 1-2 1.2 Suy Luận Theo Bayes .1-3 1.2.1 Chuỗi liệu theo suy luận Bayes 1-4 1.2.2 Vector dự báo kỳ vọng – Forecasting vector of interest 1-4 1.2.3 Phân phối tiên nghiệm 1-5 1.2.4 Phân phối tiên nghiệm dự báo – Prior Predictive 1-5 1.2.5 Kết hợp mơ hình .1-5 1.3 Bayes chọn lựa mơ hình theo phân phối hậu nghiệm 1-6 1.3.1 Dự báo với hàm Logarith Sai Số - Logarithmic Loss 1-7 1.3.2 Đặc điểm chọn lựa mơ hình dự báo theo Bayes 1-7 1.4 Bayes kết hợp mơ hình dự báo 1-8 1.5 Kết luận .1-8 CHƯƠNG 2: GIỚI THIỆU VỀ MƠ HÌNH CHUN GIA 2-1 2.1 Ý kiến Chuyên gia 2-2 2.2 Lịch sử phát triển mơ hình ý kiến Chun gia 2-3 2.3 Sử dụng ý kiến Chuyên gia làm liệu 2-4 2.4 Một số phương pháp kết hợp suy luận Chuyên gia 2-5 2.4.1 Phương pháp Bayes 2-5 2.4.2 Phương pháp tỷ lệ vật lý (Physical scaling model) 2-6 2.4.3 Phương pháp cổ điển 2-7 2.5 Kết luận .2-8 CHƯƠNG 3: MƠ HÌNH MARKOV VỚI CHUỖI THỜI GIAN 3-1 3.1 Mơ hình Markov .3-2 3.2 Dây chuyền Markov với chuỗi liệu theo thời gian 3-3 3.3 Mơ hình Hidden Markov 3-5 3.4 Dạng tổng quát mơ hình HMM 3-9 3.5 Các tốn mơ hình HMM 3-10 3.5.1 Xác định mơ hình HMM thích hợp 3-10 3.5.2 Tìm chuỗi chuyển tiếp ‘state’ phản ánh tốt liệu quan sát – Bài tốn tìm S 3-14 3.5.3 Huấn luyện mơ hình 3-17 3.6 Kết luận 3-21 CHƯƠNG 4: DỰ BÁO THEO BAYES VỚI XỬ LÝ DỮ LIỆU THEO MƠ HÌNH HMM 4-1 4.1 Mơ hình dự báo sử dụng phương pháp chọn lựa mơ hình Bayes - BCM 4-2 4.1.1 Tìm chuyển tiếp ‘state’ theo liệu quan sát khứ 4-3 4.1.2 Chọn lựa mơ hình dự báo theo Bayes .4-3 4.2 Mơ hình dự báo theo Bayes theo phương pháp kết hợp mơ hình dự báo thành phần - BMM 4-5 4.3 Xây dựng mơ hình HMM-Hidden Markov Model - với mơ hình dự báo thành phần 4-6 4.3.1 Thiết lập mơ hình HMM 4-6 4.3.2 Huấn luyện mơ hình HMM 4-7 4.4 Đánh giá mơ hình dự báo theo sai số 4-10 4.5 Kết luận 4-11 CHƯƠNG 5: ÁP DỤNG MƠ HÌNH DỰ BÁO .5-1 5.1 Ví dụ 5-2 5.1.1 Dữ liệu quan sát 5-2 5.1.2 Các mơ hình dự báo thành phần sử dụng mơ hình dự báo 5-2 5.2 Ví dụ .5-9 5.3 Nhận xét kết dự báo 5-10 CHƯƠNG 6: KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN .6-1 PHỤ LỤC PL1-1 PHỤ LỤC PL2-1 TÀI LIỆU THAM KHẢO TLTK-1 Trang GIỚI THIỆU ĐỀ TÀI Trong lĩnh vực dự báo phụ tải, nhiều phương pháp dự báo đề xuất từ phương pháp dự báo cổ điển, sử dụng hàm hồi quy để mơ hình hóa chuỗi thời gian đến phương pháp dự báo phức tạp sử dụng thuật tốn thơng minh neuron, fuzzy … Với tính chất biến đổi phức tạp phụ tải, phương pháp dự báo theo mạng neural, dự báo theo fuzzy logic, gần nghiên cứu dự báo phụ tải theo phương pháp Support vector machine - sử dụng hàm kernel để mapping liệu vào vùng phân định trước từ tính giá trị dự báo - thường đề xuất Ngoài ra, phương pháp dự báo theo Chuyên gia sử dụng hiểu biết, kinh nghiệm kiến thức Chuyên gia Mỗi phương pháp dự báo dự báo cho kết tích cực ứng với trường hợp cụ thể Tuy nhiên, chưa có phương pháp hay giải thuật dự báo phụ tải hữu hiệu với tình Vì vậy, quan tâm đến việc kết hợp phương pháp dự báo phụ tải khác với mong muốn đưa kết dự báo xác hơn, phù hợp với biến động phụ tải Một phương pháp để khắc phục hạn chế mơ hình dự báo riêng lẽ sử dụng phương pháp kết hợp mơ hình dự báo, hay gọi kết hợp Chuyên gia ME – Mixture of Experts [23], [28], [34], [37] Theo [34], có hướng giải thuật để giải tốn ME chọn lựa mơ hình riêng lẽ GE - Gated Experts; kết hợp mơ hình dự báo theo mơ hình Hidden Markov HME - Hidden Markov Experts phương pháp kết hợp mơ hình dự báo theo liệu liên quan IOHMM – Input/Output Hidden Markov Model Trong phương pháp GE mơ hình dự báo riêng lẽ hay Chun gia mơ hình hóa vào khơng gian riêng biệt, mơ hình hay Chuyên gia chọn để dự báo mô hình phù hợp với chuỗi liệu quan sát Thuật tốn chọn lựa mơ hình dự báo gọi ‘gating’ Mơ hình HME giới thiệu phương pháp kết hợp mơ hình Chun gia dựa giá trị tính tốn từ phương pháp HMM - Hidden Markov Model Giá trị dự báo giá trị kết hợp mơ hình theo xác suất tiên nghiệm P(Mi) (Mi mơ hình dự báo hay chuyên gia) phụ thuộc vào trạng thái tính theo phương pháp HMM Mơ hình IOHMM kết hợp mơ hình theo kết tính tốn từ phương pháp HMM với thơng số mơ hình HMM biến đổi theo thời gian tình bên ngồi, ví dụ dự báo phụ tải bổ sung tình thời tiết, chu kỳ … với mơ hình dự báo thành phần Giới Thiệu Đề Tài Trang Luận án đề xuất phương pháp dự báo ứng dụng theo lý thuyết Bayes phương pháp HME kết hợp mô hình dự báo thành phần hay Chuyên gia Mỗi mơ hình dự báo thành phần hay Chun gia xem ‘state’ mơ hình HMM Mơ hình HMM tính tốn giá trị xác suất chuyển tiếp ‘state’ theo liệu quan sát Giá trị dự báo giá trị dự báo mơ hình chọn theo thuật tốn phân lớp theo Bayes – Bayes classification – phương pháp BCM giá trị kết hợp phương pháp dự báo thành phần hay chuyên gia theo xác suất tiên nghiệm P(Mi) tính theo cơng thức Bayes – phương pháp BMM Bố cục luận án bao gồm chương Chương trình bày sơ lược lý thuyết Bayes số đại lượng xác suất ứng dụng suy luận theo Bayes Chương giới thiệu phương pháp Chuyên gia số phương pháp kết hợp Chuyên gia dự báo Trong chương tìm hiểu mơ hình Markov Hidden Markov phân tích chuỗi thời gian Việc xây dựng mơ hình dự báo theo lý thuyết Bayes mơ hình HMM trình bày chương Trong chương 5, áp dụng mơ hình dự báo đề xuất dự báo ngắn hạn theo ngày tài liệu [44] kết hợp mơ hình dự báo dự báo dài hạn thành phố Hồ Chí Minh [42], [43] Chương rút kết luận q trình xây dựng mơ hình dự báo đề xuất hướng phát triển cho đề tài Giới Thiệu Đề Tài Trang - CHƯƠNG LÝ THUYẾT BAYES VÀ MỘT SỐ ỨNG DỤNG THEO BAYES Chương 1: Lý Thuyết Bayes Và Một Số ứng Dụng Theo Bayes PL2 - Ltrain=La1; Ltest=Lb1; % Here we make the training: % We change the format of the file to make the training %[lrep,lgrupo]=formato_lectura_secuencial_l(fptrain,'Ltrain_version1',agrup,'LtrainVQ_version1'); % We generate the library for each parameter of each group %biblio=gen_bib('LtrainVQ',lgrupo,agrup,Ns,LBG,dpztoLBG,maxiterVQ,umbralVQ,men,biblio); %biblio=gen_bib_L(Ltrain,365,Ns,LBG,dpztoLBG,maxiterVQ,umbralVQ,0,biblio); %for i=1:5 % state(:,i)=biblio{1}(:).*expert_ex(i); %end state_t=[expert1; expert2; expert3; expert4]; state_train=state_t(:,1:365); state_rs=state_t(:,366:730); biblio=cell(1,1); biblio{1}{1}=state_t; % Once we have the libraries, we are going to label the input parameters and then pass the sequence of labels to train the HMM for ig=1:ng, for ic=1:nc, nrep=length(Ltrain); labels=zeros(nrep,Ne); for ir=1:nrep pl=zeros(1,Ne); distn=abs(Ltrain(ir)-state_train(:,ir)'); [tp pick]=min(distn); pl(1,pick)=1; labels(ir,:)=pl; end; %hora=clock; %fprintf('End of label of the parameters Calcul of the initial model Hour: %g:%g\n',hora(4),hora(5)) % We calculate the initial model (see iniciaHMM function) [A{ic,ig},B{ic,ig},Pi{ic,ig}]=iniciahmm_version1(Ne(ic,ig),Ns{ig},Np(ig),BAKIS,salto,maxitermi,labels); %hora=clock; %fprintf('End of the calcul of the initial model Start of Baum Welch Hour: %g:%g\n',hora(4),hora(5)) % We start to train the HMM in order to initialize the model % with the Baum-Welch (EM) method % The training is terminated when the distance between two models calculated is under the threshold % or when we have made the maximum iteration authorized iter=0; %cfe=umbral+1;logPOs=zeros(nrep(1,1),1); while and(iter