Ứng dụng mạng nơron xây dựng hệ thống dự báo phụ tải điện năng thành phố quảng ngãi

Dự báo phụ tải luôn giữ vai trò đặc biệt quan trọng đối với ngành điện Dự báo phụ tải quyết định kế hoạch vận hành kế hoạch sản xuất và hướng đầu tư phát triển trong tương lai Qua phân tích hiện trạng hiện tại của Công ty Điện lực Quảng Ngãi tác giả thấy công tác dự báo điện năng là cực kỳ quan trọng đối với Công ty Nếu kết quả dự báo thiếu chính xác thì sẽ dẫn đến hiện tượng phát triển lưới điện không theo kịp hoặc vượt quá nhu cầu thực tế Điều này sẽ gây ra hiện tượng thiếu hoặc lãng phí nguồn điện Để giảm rủi ro cho Công ty hàng năm luôn nghiên cứu và có kế hoạch để đưa ra con số dự báo sao cho chính xác nhất Tuy nhiên với cách thức dự báo như hiện nay thì người dự báo không thể nào khái quát hết các yếu tố tác động đến nhu cầu điện năng Vì vậy kết quả dự báo chắc chắn sẽ khó chính xác Để khắc phục tình trạng trên đòi hỏi cần phải có một công cụ dự báo khoa học hiệu quả và đáng tin cậy hơn cho Công ty Trong bài viết này tác giả lựa chọn dự báo phụ tải điện được thực hiện trên chương trình dự báo chuyên dụng áp dụng Mô hình Neural nhân tạo và thuật toán lan truyền ngược nhằm đáp ứng được yêu về cầu trong dự báo và phục vụ tốt công tác lập phương thức vận hành giờ ngày và tuần tại các Công ty điện lực hiện nay Cũng như các dự báo khác dự báo phụ tải cũng phải dựa vào số liệu thống kê phân tích và áp dụng các thuật toán để xác định mối quan hệ giữa phụ tải và các yếu tố ảnh hưởng từ đó thực hiện bài toán dự báo dựa trên các yếu tố ảnh hưởng đó đưa ra kết quả chính xác nhất Đối với yêu cầu dự báo ở đây yếu tố ảnh hưởng lớn đến kết quả dự báo đó là thời tiết và đồ thị phụ tải của các ngày trong tuần ngày làm việc bình thường và ngày nghỉ Dựa vào kết quả dự báo chương trình sẽ đưa ra các đánh giá đối với kết quả dự báo từ đó đưa ra kế hoạch vận hành hệ thống điện an toàn và kinh tế

ĐẠI HỌC ĐÀ NẴNG TRƢỜNG ĐẠI HỌC BÁCH KHOA TRẦN THỊ HOÀI MY TRẦN THỊ HOÀI MY ỨNG DỤNG MẠNG NƠRON XÂY DỰNG HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG THÀNH PHỐ QUẢNG NGÃI KHOA HỌC MÁY TÍNH LUẬN VĂN THẠC SĨ CHUYÊN NGÀNH KHOA HỌC MÁY TÍNH K33 QNG Đà Nẵng – Năm 2019 ĐẠI HỌC ĐÀ NẴNG TRƢỜNG ĐẠI HỌC BÁCH KHOA - TRẦN THỊ HOÀI MY ỨNG DỤNG MẠNG NƠRON XÂY DỰNG HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG THÀNH PHỐ QUẢNG NGÃI Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số: 60.48.01 LUẬN VĂN THẠC SĨ NGƢỜI HƢỚNG DẪN KHOA HỌC: TS Đặng Hoài Phƣơng Đà Nẵng – Năm 2019 ỜI CẢM ƠN Trƣ tiên t i xin gửi l i m ơn s u s t i TS Đặng Hoài Phƣơng ngƣ i ã tận t nh hỉ o hƣ ng ẫn t i suốt qu tr nh th luận v n tốt nghiệp T i h n thành m ơn thầy ã t o iều kiện thuận l i ho t i họ tập nghiên u gi p t i qu tr nh họ tập t i trƣ ng Cuối ng t i xin gửi l i m ơn t i gi nh n nh ng ngƣ i th n lu n ên nh ng viên t i suốt qu tr nh th luận v n tốt nghiệp T i xin h n thành m ơn Tác giả Trần Thị Hoài My ỜI CAM ĐOAN T i xin m o n: Nh ng n i ung luận v n o t i th ƣ i s hƣ ng ẫn tr tiếp TS Đặng Hoài Phƣơng Mọi th m kh o ng luận v n ều ƣ tr h ẫn r ràng tên t gi tên ng tr nh th i gi n ị iểm ng ố Mọi s o h p kh ng h p lệ vi ph m quy hế t o h y gi n tr t i xin hịu hoàn toàn tr h nhiệm Tác giả Trần Thị Hoài My MỤC ỤC MỞ ĐẦU 1 Lý o họn ề tài Mụ h ý nghĩ ề tài h .1 a Mụ b Ý nghĩ kho học c Ý nghĩ th c tiễn Mụ tiêu nhiệm vụ a Mụ tiêu b Nhiệm vụ Đối tƣ ng ph m vi nghiên Phƣơng ph p nghiên u u a Phƣơng ph p lý thuyết b Phƣơng ph p th c nghiệm Ý nghĩ khoa họ th c tiễn c Cấu tr ề tài a luận v n Chƣơng I: NGHIÊN CỨU TỔNG QUAN VỀ MƠ HÌNH DỰ BÁO 1.1.TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO 1.2 TÌNH HÌNH THỰC TẾ NHU CẦU TIÊU THỤ ĐIỆN THÀNH PHỐ QUẢNG NGÃI 1.2.1 Hệ thống phụ t i iện thành phố Qu ng Ngãi .5 1.2.2 Bài to n th c tế nh hƣởng ến phụ t i iện n ng (TP Qu ng Ngãi) 1.2.3 C m h nh phƣơng ph p o phụ t i iện n ng [2] 13 KẾT LUẬN CHƢƠNG 18 Chƣơng II 18 MƠ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG SỬ DỤNG 19 MẠNG NEURAL NHÂN TẠO 19 2.1 TỔNG QUAN VỀ MẠNG NEURAL NHÂN TẠO 19 2.1.1 Kiến tr tổng qu t m t ANN .19 2.1.2 M h nh m ng Neur l nh n t o 22 2.1.3 M ng truyền thẳng .28 2.1.4 Thuật to n l n truyền ngƣ (Back-Propagation) .29 2.2 MƠ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG 29 2.2.1 M ng Neur l phƣơng tr nh hồi quy tuyến t nh m h nh 2.2.2 Bài to n 2.2.3 X y o 30 o phụ t i iện sử dụng m ng nerur l nh n t o 31 ng cấu tr m ng 32 2.3.ỨNG DỤNG MẠNG NEEURAL NHIỀU LỚP VÀ THUẬT TOÁN LAN TRUYỀN NGƢỢC XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI HỆ THỐNG ĐIỆN 40 2.3.1 C ƣ x y ng ài to n o phụ t i iện n ng 40 Chƣơng .43 XÂY DỰNG, TRIỂN KHAI HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG 43 3.1 XÂY DỰNG CẤU TRÚC PHẦN MỀM MÔ PHỎNG MẠNG NEURAL LAN TRUYỀN NGƢỢC SAI SỐ ỨNG DỤNG TRONG BÀI TOÁN DỰ BÁO ĐỈNH VÀ ĐÁY ĐỒ THỊ PHỤ TẢI 43 3.1.1 Cấu tr m ng Neural d o phụ t i ỉnh 43 3.1.2 Cấu tr m ng Neural d o phụ t i 3.1.3 D y 46 o phụ t i cho m t ngày ất kỳ .48 3.2 H n chế c a ng dụng 49 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI 51 A Kết luận .51 B H n chế .51 C Hƣ ng ph t triển .51 TÀI LIỆU THAM KHẢO .52 ỨNG DỤNG MẠNG NEURAL XÂY DỰNG HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG THÀNH PHỐ QUẢNG NGÃI Họ viên: Trần Thị Hoài My Chuyên ngành: Kho họ m y t nh Mã số: 60.48.01 Khó : K33QNG Trƣ ng Đ i họ B h kho - ĐHĐN Tóm tắt - D o phụ t i lu n gi v i trò ặ iệt qu n trọng ối v i ngành iện D o phụ t i ịnh kế ho h vận hành kế ho h s n xuất hƣ ng ầu tƣ ph t triển tƣơng l i Qua ph n t h tr ng t i C ng ty Điện l Qu ng Ngãi t gi thấy ng t o iện n ng kỳ qu n trọng ối v i C ng ty Nếu kết qu o thiếu h nh x th ẫn ến tƣ ng ph t triển lƣ i iện kh ng theo kịp hoặ vƣ t qu nhu cầu th tế Điều g y r tƣ ng thiếu hoặ lãng ph nguồn iện Để gi m r i ro ho C ng ty hàng n m lu n nghiên u ó kế ho h ể ƣ r on số o s o ho h nh x Tuy nhiên v i h th o nhƣ n y th ngƣ i o kh ng thể kh i qu t hết yếu tố t ng ến nhu ầu iện n ng V kết qu o h h n khó h nh x Để kh phụ t nh tr ng òi hỏi ần ph i ó m t ng ụ o kho họ hiệu qu ng tin ậy ho C ng ty Trong ài viết t gi l họn o phụ t i iện ƣ th hƣơng tr nh o huyên ụng ( p ụng M h nh Neural nh n t o thuật to n l n truyền ngƣ ) nhằm p ng ƣ yêu ầu o phụ vụ tốt ng t lập phƣơng th vận hành (gi ngày tuần) t i C ng ty iện l n y Cũng nhƣ o kh o phụ t i ũng ph i vào số liệu thống kê ph n t h p ụng thuật to n ể x ịnh mối qu n hệ gi phụ t i yếu tố nh hƣởng từ ó th ài to n o yếu tố nh hƣởng ó ƣ r kết qu h nh x Đối v i yêu ầu o y yếu tố nh hƣởng l n ến kết qu o ó là: th i tiết thị phụ t i ngày tuần (ngày làm việ nh thƣ ng ngày nghỉ) D vào kết qu o hƣơng tr nh ƣ r nh gi ối v i kết qu o từ ó ƣ r kế ho h vận hành hệ thống iện n toàn kinh tế Từ khóa – M ng neur l nh n t o; thuật to n l n truyền ngƣ APPLICATION OF NEURAL NETWORK TO LOAD FORECASTING IN QUANG NGAI CITY Abstract - Forecasting load always plays a particularly important role for the electricity industry Load forecast determines the operating plan, production plan and future development investment direction By analyzing the current situation of Quang Ngai Electricity Company, the author found that power forecasting is extremely important for the Company If the forecast results are inaccurate, it will lead to the development of the grid without keeping up or exceeding the actual demand This will cause a shortage or waste of power In order to reduce risks for the Company, every year, research and plan to make the forecast figures are most accurate However, with the current forecasting method, forecasters cannot generalize the factors affecting power demand Therefore, the forecast results will certainly be difficult to correct To overcome this situation requires a more scientific, effective and reliable forecasting tool for the Company In this article, the author chooses the power load forecast made on a dedicated forecasting program (applying artificial Neural Model and backpropagation algorithm) to meet the demand for demand in forecasting Good service of operating modes (hours, days and weeks) at the current power companies As with other forecasts, load forecasting must also be based on statistics, analysis and application of algorithms to determine the relationship between the load and the influencing factors, thereby performing the problem The forecast based on the influencing factors gives the most accurate results For the forecasted requirements here, the major factor influencing the forecast results is: weather and load graphs of the days of the week (normal working days and holidays) Based on the forecasted results, the program will make assessments of the forecasted results, thereby providing a safe and economical power system operation plan Key words - Artificial neural network (ANN); Backpropagation algorithm DANH MỤC CÁC TỪ VIẾT TẮT Chữ viết tắt HTĐ ĐTPT ANN PE LMS SSE MSE Chữ đầy đủ Hệ thống iện Đồ Thị phụ t i Artificial Neural Network (M ng Neural nh n t o) Pro essing Elements (C thành phần xử lý) Least Means Squares (Trung nh nh phƣơng tối thiểu) Sum of Squ res Errors (Tổng nh phƣơng số lỗi) Mean Sum of Squares Errors DANH MỤC CÁC BẢNG S hiệu T n ảng Trang B ng s n lƣ ng iện tiêu thụ c HTĐ Qu ng Ngãi ( ơn vị t nh kWh) t ng trƣởng phụ t i Bảng 1.2 Tố D liệu phụ t i c a m t tuần làm việc c thành phố Qu ng Bảng 1.3 Ngãi từ ngày 06/11/2017 ến ngày 12/11/2017 D liệu phụ t i ngày ặc biệt n m so v i ngày nh thƣ ng c thành phố Qu ng Ngãi từ ngày 30/4/2017 ến Bảng 1.4 ngày 3/5/2017 Bảng 1.1 ngày 5/4/2017 ến ngày 8/4/2017 Bảng 3.1 B ng d liệu c Bảng 3.2 B ng d liệu phụ t i cao c Bảng 3.3 B ng d 4/2017 liệu phụ t i thấp c ngày th ng 4/2017 ngày th ng 10 11 44 46 46 48 3.1.3 Dự áo phụ tải cho ngày ất kỳ 3.1.3.1 Truy vấn liệu Truy vấn liệu từ sở liệu SQL Server số liệu ầu r gồm th ng tin tập mẫu số liệu h nh số liệu ầu vào ể huấn luyện m ng Số liệu tập mẫu ũng ó thể lƣu thành file Ex el sử ụng ể huấn luyện 3.1.3.2 Phân loại liệu Ph n lo i số liệu ã thu thập ƣ từ ƣ theo nhóm liệu kh nh u S u ó ng tập liệu m ng i huẩn hó 3.1.3.3 Chuẩn hóa liệu D vào tập d liệu ã ph n lo i ƣ c 2, ta th c chuẩn hó d liệu theo ng th c hƣơng theo nguyên t gi trị ầu vào ho m ng neural ph i nằm kho ng [-1, 1] Số liệu sau chuẩn hó ng ể huấn luyện m ng 3.1.3.4 Huấn luyện mạng Ở ƣ việ huấn luyện m ng v i trọng số lấy ngẫu nhiên kho ng [-1; 1] Trong qu tr nh họ m ng tiến hành iều hỉnh th m số s o ho tổng nh Phƣơng lỗi nhỏ (qu tr nh huấn luyện ừng SSE nhỏ hoặ số vòng lặp qu l n) Kết th qu tr nh huấn luyện t thu ƣ trọng số m i gọi trọng số s u huấn luyện ƣ lƣu tr sở liệu ng làm Phƣơng tiện ể o ho hƣơng tr nh 3.1.3.5 Dự áo phụ tải Bƣ tiến hành s u ƣ huấn luyện m ng kết th Qu tr nh làm việ m ng neural qu tr nh t t i iễn l i v ƣ gi trị ầu vào mẫu v i trọng số s u huấn luyện ho p ng ầu r tƣơng ng v i ầu vào theo s nhận th m ng ƣ h nh thành qu tr nh huấn luyện Đ p ng ầu r h nh kết qu o m ng 3.2 Hạn chế ứng dụng  Mạng bị ảnh hƣởng nhiều từ trạng thái khởi đầu tham s học: - L a chọn cấu tr m ng: bao gồm Neural l p vào l p ẩn, l p r hàm truyền f(.) - Chọn gi trị c a hệ số họ hệ số qu n t nh - Hệ số trọng lƣ ng n ầu cho m ng, số vòng lặp qu tr nh huấn luyện 49  Sai s liệu đầu vào - Sai số phụ t i ầu vào: Hiện n y th ng số phụ t i HTĐ Tỉnh Qu ng Ngãi lấy tay việ ghi th ng số kh ng h nh x s i lệch th i gian lấy th ng số th i gian x y s cố Tập d liệu ầu vào a hệ thống ƣ c lấy từ d liệu ầu c a hệ thống SCADA/EMS - Sai số nhiệt : Do hệ thống o lƣ ng nhiệt m i trƣ ng kh ng h nh x  Sai s thuật toán: - Qu tr nh huấn luyện m ng dừng l i sau kiểm tra E < E0 kết th gi trị vòng lặp t t i gi trị gi i h n ã ịnh trƣ o qu tr nh huấn luyện l u số lƣ ng ph p to n l n dẫn ến sai số qu tr nh t nh to n - Phụ t i Pmax, Pmin kh ng hỉ phụ thu vào nhiệt Tmax, Tmin ngày mà òn hịu nh hƣởng c yếu tố kh th i tiết nhƣ mƣ gió ẩm… C mẫu phụ t i Pmax, Pmin nhiệt Tmax, Tmin qu kh ó thể kh ng ng v i quan hệ gi a phụ t i nhiệt t i Để tr nh s i số cần ph i cập nhật phụ t i nhiệt ngày gần ể huấn luyện m ng qu tr nh o phụ t i cần qu n s t liệu ầu vào ầu r ể huấn luyện l i m ng  Kết dự áo - Kết qu d Ngày 8/5/2017 9/5/2017 10/5/2017 11/5/2017 12/5/2017 13/05/2017 14/05/2017 15/05/2017 16/05/2017 17/05/2017 18/05/2017 19/05/2017 20/05/2017 21/05/2017 22/05/2017 23/05/2017 24/05/2017 25/05/2017 26/05/2017 o phụ t i ỉnh Đỉnh thực tế (MW) 144.185 164.1 161.335 156.06 163.21 144.66 146.18 157.31 164.825 163.25 160.825 159.77 157.135 158.175 162.145 154.695 162.6 156.375 164.065 ngày từ 8/5 ến 31/5 Đỉnh dự áo (MW) 149.895 159.825 155.01 155.71 159.03 149.62 145.73 160.345 161.49 158.48 159.005 155.37 160.22 159.79 159.81 149.21 157.255 157.715 162.055 Sai s tuyệt đ i (MW) -5.71 4.275 6.325 0.35 4.18 -4.96 0.45 -3.035 3.335 4.77 1.82 4.4 -3.085 -1.615 2.335 5.485 5.345 -1.34 2.01 Sai s % 3.96 2.6 3.92 0.22 2.56 3.42 0.31 1.92 2.02 2.92 1.13 2.75 1.96 1.02 1.44 3.54 3.28 0.85 1.22 50 Ngày 27/05/2017 28/05/2017 29/05/2017 30/05/2017 31/05/2017 - Kết qu d Ngày 8/5/2017 9/5/2017 10/5/2017 11/5/2017 12/5/2017 13/05/2017 14/05/2017 15/05/2017 16/05/2017 17/05/2017 18/05/2017 19/05/2017 20/05/2017 21/05/2017 22/05/2017 23/05/2017 24/05/2017 25/05/2017 26/05/2017 27/05/2017 28/05/2017 29/05/2017 30/05/2017 31/05/2017 Đỉnh thực tế (MW) 157.63 153.63 152.295 154.475 161.35 o phụ t i Đáy thực tế (MW) 81.705 93.055 95.715 93.805 92.37 88.81 76.675 77.17 83.495 90.05 89.015 91.99 88.73 84.49 89.21 85.525 85.445 84.16 88.305 95.65 88.08 82.08 86.725 79.575 y Đỉnh dự áo (MW) 154.92 160.585 154.91 150.525 159.92 Sai s tuyệt đ i (MW) 2.71 -6.955 -2.615 3.95 1.43 Sai s % 1.72 4.53 1.72 2.55 0.89 ngày từ 8/5 ến 31/5 Đáy dự áo (MW) 83.165 90.175 95.63 93.03 90.89 86.755 75.985 76.67 81.46 88.635 86.28 91.485 88.335 82.54 87.305 87.76 87.315 82.945 84.01 93.205 86.54 85.635 86.03 78.105 Sai s tuyệt đ i (MW) -1.46 2.88 0.085 0.775 1.48 2.055 0.69 0.5 2.035 1.415 2.735 0.505 0.395 1.95 1.905 -2.235 -1.87 1.215 4.295 2.445 1.54 -3.555 0.695 1.47 Sai s % -1.79% 3.09% 0.09% 0.83% 1.60% 2.31% 0.90% 0.65% 2.44% 1.57% 3.07% 0.55% 0.45% 2.31% 2.14% -2.61% -2.19% 1.44% 4.86% 2.56% 1.75% -4.33% 0.80% 1.85% Kết luận: Hệ thống ã ƣ triển kh i ng ụng th tế t i ng ty Điện l Qu ng Ngãi ể o n iện n ng tiêu thụ ng n h n ã thu ƣ kết qu kh qu n v i tỷ lệ s i số nằm ngƣ ng ho ph p 51 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI A KẾT UẬN Qu ề tài “ Ứng dụng m ng Neur l x y ng hệ thống d o phụ t i iện n ng thành phố Qu ng Ngãi ” luận v n ã t ƣ c m t số kết qu sau: - X y ng m h nh o phụ t i iện ng n h n ho thành phố Quãng Ngãi sở m ng neur l nh n t o; - Hiện th hó hệ thống d o phụ t i diện ng n h n ho thành phố Qu ng Ngãi sở m h nh ề xuất triển khai d B HẠN CHẾ Tuy nhiên gi i h n c t ƣ c: - Hiệu qu c o th c tế; ề tài th m h nh òn nh ng iểm hƣ m h nh ề xuất phụ thu vào h nh x a tập d liệu ầu vào; - Th i gian d o a ng dụng òn h n chế v i tập d liệu ầu vào l n; C HƢỚNG PHÁT TRIỂN - Nghiên u ề xuất h tối ƣu hó thuật to n o m h nh ề xuất; - N ng o hiệu qu , th i gian ch y c a ng dụng tập d liệu l n; - X y ng thêm m h nh o kh hệ thống ể so s nh t nh kh thi c m h nh o kh nh u ho ài to n o phụ t i iện ng n h n 52 TÀI IỆU THAM KHẢO Tiếng Việt [1] Nguyễn Thị Minh An (2013), Khái niệm dự báo, Qu ntri.vn iên tập hệ thống hó [2] Nhóm Nhà m y iện Gi o tr nh m n Vận hành hệ thống iện – Đ i họ B h kho Đà Nẵng; [3] Nguyễn V n Ch c (2017),“Tổng quan Mạng chuc.nv@due.edu.vn; [4] B i Hoàng Kh nh Lê Duy Hƣng Hoàng M nh Kh i 2017 “B o Neural ng dụng” ngƣ i hƣ ng dẫn: PGS TS Nguyễn N ng Toàn Neural”, o m ng [5] Trần Huy B nh Nguyễn Nhƣ Toàn Nguyễn V n Phụng B n o o m n m h nh to n Điện l “Tìm hiểu, phân tích tốn dự báo phụ tải mạng Neural”- Đ i họ Điện l [6] Qu n Quố Cƣ ng Nguyễn Xu n Vinh Nguyễn Đ Thành Nguyễn Đ Huy T p h Kho họ C ng nghệ Đ i họ Đà Nẵng–số 5(90).2015 “Ứng dụng phương pháp phân tích thành phần cho tốn dự báo phụ tải điện ngắn hạn” [7] Trƣ ng Đ i họ Điện l – Kho Qu n lý n ng lƣ ng n m 2015 “Bài giảng môn phương pháp dự báo phụ tải điện.” Tiếng Anh [8] K.Suzuki, A.Krenker, J.Bester, A.Kos Introduction to the artificial Neural networks in Artificial Neural networks - Methodological advances and biomedical applications In- Tech 2011: p - 18 [9] EisaAlmeshaieia, HassanSoltanb, “A methodology for Electric Power Load Forecasting”, Alexandria Engineering Journal, Volume 50, Issue 2, June 2011, Pages 137-144 [10] M.T Hagan & M.H Beale, "Neural Networks Design", 2nd edition, M Hagan Publisher, 2014 [11] Quoc V Le, A Tutorial on Deep Learning - Part 2: Autoencoders, Convolutional Neural Networks and Recurrent Neural Networks, qvl@google.com, Google Brain, Google Inc,1600 Amphitheatre Pkwy, Mountain View, CA 94043, October 20, 2015 [12] Tariq Rashid (Author), Make Your Own Neural Network Paperback – March 31, 2017 53 54 55 56 57 58 59 60 61 62 ... .43 XÂY DỰNG, TRIỂN KHAI HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG 43 3.1 XÂY DỰNG CẤU TRÚC PHẦN MỀM MÔ PHỎNG MẠNG NEURAL LAN TRUYỀN NGƢỢC SAI SỐ ỨNG DỤNG TRONG BÀI TOÁN DỰ BÁO ĐỈNH VÀ ĐÁY ĐỒ THỊ PHỤ TẢI... THỰC TẾ NHU CẦU TIÊU THỤ ĐIỆN THÀNH PHỐ QUẢNG NGÃI 1.2.1 Hệ th ng phụ tải điện thành ph Quảng Ngãi  Giới thiệu chung HTĐ thành phố Quảng Ngãi Hệ thống iện thành phố Qu ng Ngãi t ầu ph ƣ t nh từ... m ng iện c a thành phố Qu ng Ngãi V t gi ề xuất chọn ề tài: ? ?Ứng dụng mạng Neural xây dựng hệ th ng dự áo phụ tải điện thành ph Quảng Ngãi? ?? nhằm nghiên u x y m h nh hệ thống d o phụ t i iện n