Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn khu vực tp hcm

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH LƯƠNG VĂN TRUNG ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO PHỤ TẢI NGẮN HẠN KHU VỰC TP.HỒ CHÍ MINH Chuyên ngành: KỸ THUẬT ĐIỆN Mã chuyên ngành: 6020202 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, NĂM 2020 Cơng trình hồn thành Trường Đại học Cơng nghiệp TP Hồ Chí Minh Người hướng dẫn khoa học: TS.Trần Thanh Ngọc Người phản biện 1: Người phản biện 2: Luận văn thạc sĩ bảo vệ Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Công nghiệp thành phố Hồ Chí Minh ngày tháng năm Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: - Chủ tịch Hội đồng - Phản biện - Phản biện - Ủy viên - Thư ký (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên tác giả: Lương Văn Trung MSHV: 16083491 Ngày, tháng, năm sinh: 17/09/1990 Nơi sinh: Thái Bình Chuyên ngành: Kỹ Thuật Điện Mã chuyên ngành: 6020202 I TÊN ĐỀ TÀI: Ứng dụng mạng nơ-ron nhân tạo dự báo phụ tải ngắn hạn khu vực Tp.Hồ Chí Minh NHIỆM VỤ VÀ NỘI DUNG: • Tìm hiểu mạng nơ-ron nhân tạo • Xây dựng mơ hình mạng nơ-ron nhân tạo dự báo phụ tải • Khảo sát dự báo phụ tải cho khu vực Tp.Hồ Chí Minh tìm kiếm mơ hình mạng nơ-ron tối ưu cho dự báo phụ tải điện II NGÀY GIAO NHIỆM VỤ: Theo QĐ số 2660/QĐ-ĐHCN ngày 11/12/2018 III NGÀY HOÀN THÀNH NHIỆM VỤ: 09/03/2020 IV NGƯỜI HƯỚNG DẪN KHOA HỌC: TS.Trần Thanh Ngọc Tp Hồ Chí Minh, ngày … tháng … năm 2020… NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN LỜI CẢM ƠN Tác giả xin chân thành cảm ơn TS Trần Thanh Ngọc suốt thời gian qua quan tâm giúp đỡ hướng dẫn tận tình để giúp tác giả hồn thành luận văn Tác giả xin chân thành cảm ơn thầy, cô khoa Điện, Trường Đại Học Cơng Nghiệp Tp.HCM giúp đỡ nhiệt tình tạo điều kiện giúp tác giả hoàn thành luận văn Do thời gian hạn chế, bản luận văn chắn khó tránh khỏi thiếu sót, rất mong góp ý chân thành, thắng thắn thầy, bạn để luận văn hồn thiện Một lần nữa, tác giả xin chân thành cảm ơn! i TÓM TẮT LUẬN VĂN THẠC SĨ Dự báo phụ tải ngắn hạn rất cần thiết để kiểm soát lập kế hoạch cho hệ thống điện, chúng rất quan trọng người điều phối hệ thống điện Trong năm gần đây, nghiên cứu thuật toán tối ưu để dự báo tải ngắn hạn trở nên phổ biến đạt nhiều kết quả tích cực Để chọn mợt mơ hình tối ưu cho dự báo phụ tải, viết sử dụng mạng thần kinh nhân tạo truyền thẳng với thuật toán lan truyền ngược để dự báo tải ngắn hạn (dự báo phụ tải 24 cho ngày liên tiếp) cho khu vực thành phố Hồ Chí Minh Bằng cách phân tích mơ hình mạng thần kinh khác số lượng đầu vào, số lớp ẩn, số node thuật toán huấn luyện mạng từ tìm mơ hình phù hợp nhất ii ABSTRACT Short-term forecasts of electricity demand are needed for control and scheduling of power systems, and hence they are very important for dispatchers In recent years, research on optimal algorithms for short-term load forecasting has become popular and achieved many promising results In this thesis, a feed-forward neural network with the back-propagation algorithm was employed as an optimal model for the challenge of short-term load forecasting (24-hour forecast for seven consecutive days) for Ho Chi Minh City By analyzing different models in terms of the number of inputs, hidden layers, nodes, and the training function, we investigated different forecasting results for the most appropriate model iii LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu bản thân Các kết quả nghiên cứu kết luận luận văn trung thực, không chép từ bất kỳ một nguồn bất kỳ hình thức Việc tham khảo nguồn tài liệu (nếu có) thực trích dẫn ghi nguồn tài liệu tham khảo quy định Tác giả Lương Văn Trung iv MỤC LỤC LỜI CẢM ƠN i TÓM TẮT LUẬN VĂN THẠC SĨ ii ABSTRACT iii LỜI CAM ĐOAN iv MỤC LỤC v DANH MỤC HÌNH ẢNH viii DANH MỤC BẢNG BIỂU x DANH MỤC TỪ VIẾT TẮT xi MỞ ĐẦU 1 Đặt vấn đề .1 Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Cách tiếp cận phương pháp nghiên cứu .2 Ý nghĩa thực tiễn đề tài .2 CHƯƠNG 1.1 TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ĐIỆN Dự báo phụ tải 1.1.1 Khái niệm dự báo .3 1.1.2 Dự báo phụ tải điện 1.1.3 Phân loại dự báo phụ tải .4 1.2 Các phương pháp dự báo bản 1.2.1 Phương pháp ngoại suy 1.2.2 Phương pháp hồi quy 1.2.3 Phương pháp hệ số đàn hồi 1.2.4 Phương pháp mạng nơron nhân tạo 1.2.5 Phương pháp tương quan - xu 10 1.2.6 Phương pháp chuyên gia 11 1.3 Sai số dự báo phụ tải 12 1.3.1 Sai số tuyệt đối trung bình MAE (Mean Absolute Error) 12 1.3.2 Sai số bình phương trung bình MSE (Mean Squared Error) 12 v 1.3.3 Sai số tuyệt đối trung bình phần trăm MAPE (Mean Absolute Percent Error) 13 CHƯƠNG 2.1 MẠNG NƠRON NHÂN TẠO VÀ ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO PHỤ TẢI ĐIỆN 14 Mạng nơron nhân tạo 14 2.1.1 Lịch sử phát triển mạng nơron nhân tạo 14 2.1.2 Giới thiệu mạng nơ-ron nhân tạo 17 2.1.3 Mơ hình mạng nơ-ron nhân tạo 18 2.1.4 Quá trình học 19 2.1.5 Phân loại mạng nơ-ron .20 2.2 Mạng truyền thẳng nhiều lớp (MLP) .21 2.2.1 Các khái niệm ký hiệu mạng nơ-ron nhân tạo 22 2.2.2 Huấn luyện mạng (Training) 30 2.3 Sử dụng mạng nơ-ron nhân tạo Matlab .32 2.3.1 Giới thiệu Matlab 32 2.3.2 Khởi tạo mạng nơ-ron nhân tạo Matlab 33 2.3.3 Cài đặt tham số cho mạng nơ-ron nhân tạo 36 2.3.4 Huấn luyện mạng 37 2.3.5 Dự báo (Forecasting) 38 CHƯƠNG 3.1 KHẢO SÁT MƠ HÌNH MẠNG NƠ-RON DỰ BÁO PHỤ TẢI KHU VỰC TP.HCM 39 Dữ liệu phụ tải khu vực Thành Phố Hồ Chí Minh 39 3.1.1 Giới thiệu Thành Phố Hồ Chí Minh 39 3.1.2 Dữ liệu phụ tải 39 3.1.3 Dữ liệu thời tiết 42 3.1.4 Các ngày tuần 45 3.1.5 Ngày nghỉ ngày làm việc .45 3.2 Xây dựng mơ hình mạng nơ-ron 46 3.2.1 Số lượng đầu vào mạng (Input) 47 3.2.2 Thuật toán huấn luyện mạng 48 3.2.3 Số lượng nơ-ron lớp ẩn (Nodes of hidden layer) 48 vi 3.2.4 Số lượng lớp ẩn mạng (Hidden layer) .48 3.2.5 Độ tin cậy kết quả 49 3.2.6 Lưu đồ code Matlab 50 3.3 Khảo sát dự báo phụ tải 52 3.3.1 So sánh thuật toán training 52 3.3.2 So sánh số số lượng nơ-ron lớp ẩn 56 3.3.3 So sánh kết quả mơ hình có số lớp ẩn khác 59 3.3.4 So sánh mơ hình có số lượng đầu vào khác 63 3.4 Kết luận 67 KẾT LUẬN .70 TÀI LIỆU THAM KHẢO 71 LÝ LỊCH TRÍCH NGANG .73 vii Hình 3.22 Đồ thị dự báo phụ tải mợt mạng có số node = 19 Từ kết quả cho thấy mạng có nhiều nơ-ron thời gian training tốc đợ hợi tụ chậm nhiên sai số MAPE lại không tỉ lệ với số lượng nơ-ron Mơ hình nhiều nơ-ron chưa hẳn tốt Ở thấy mô hình có 19 nơ-ron mợt lớp ẩn cho kết quả MAPE tốt nhất 3.3.3 So sánh kết mơ hình có số lớp ẩn khác Với nhóm mơ hình có số lượng lớp ẩn khác nhau, để so sánh nhóm với ta tổng hợp kết quả 320 mơ hình mạng/1 nhóm lớp ẩn Chúng ta vẽ đồ thị so sánh sau: 59 Hình 3.23 Boxplot tốc đợ training số lượng lớp ẩn Hình 3.24 Boxplot số lần lặp training số lượng lớp ẩn 60 Hình 3.25 Boxplot sai số MAPE số lượng lớp ẩn Chúng ta vẽ thêm đồ thị dự báo một số mạng đại diện cho nhóm lớp ẩn hình 3.26 đại diện cho nhóm mơ hình có lớp ẩn, hình 3.27 đại diện cho nhóm có lớp ẩn, hình 3.28 đại diện cho nhóm mơ hình có lớp ẩn Hình 3.26 Đồ thị dự báo phụ tải mợt mạng có lớp ẩn 61 Hình 3.27 Đồ thị dự báo phụ tải mợt mạng có lớp ẩn Hình 3.28 Đồ thị dự báo phụ tải mợt mạng có lớp ẩn 62 Bảng 3.8 So sánh kết quả số lượng lớp ẩn STT Hidden layer MAPE Average % 3.389 4.012 4.340 Time training Average (s) 330.871 372.182 839.592 Epoch training Average 189.430 160.164 179.970 Bảng so sánh cho thấy mạng có lớp ẩn có kết quả tốt nhất, thời gian training hơn, sai số dự báo nhỏ Điều có phần có phần khơng hợp lý Chúng ta giải thích sau: Các mơ hình có sơ lượng đầu vào nhỏ (lớn nhất 58) với một lớp ẩn đủ để khái quát hóa mạng Với nhiều lớp ẩn (nhiều bộ trọng số) làm cho mạng trở lên phức tạp mức cần thiết Với toán chuẩn đoán hỉnh ảnh, nhận diện… với số lượng đầu vào lớn (>500 ) số lượng lớp ẩn lớn phát huy tác dụng 3.3.4 So sánh mơ hình có số lượng đầu vào khác Để so sánh khác nhóm mơ hình đầu vào ta tính trung bình 240 mơ hình mạng/ nhóm mơ hình đầu vào Và so sánh theo tiêu chí sau: Hình 3.29 Boxplot tốc đợ training số lượng đầu vào 63 Hình 3.30 Boxplot số lần lặp training số lượng đầu vào Hình 3.31 Boxplot sai số MAPE số lượng đầu vào 64 Bảng 3.9 So sánh kết quả số lượng đầu vào STT Input 24 48 53 58 MAPE Average % 4.248 3.977 3.820 3.609 Time training Average (s) 471.005 555.098 548.835 481.922 Epoch training Average 187.318 171.569 170.433 176.766 Dựa vào số liệu bảng ta nhận thấy mạng có nhiều tín hiệu đầu vào có khả dự báo xác Chúng ta vẽ mợt số đồ thị dự báo phụ tải mô hình đại điện bên để đánh giá kết quả Hình 3.32 Đồ thị dự báo phụ tải mợt mạng có 24 đầu vào 65 Hình 3.33 Đồ thị dự báo phụ tải một mạng có 48 đầu vào Hình 3.34 Đồ thị dự báo phụ tải mợt mạng có 53 đầu vào 66 Hình 3.35 Đồ thị dự báo phụ tải mợt mạng có 58 đầu vào 3.4 Kết luận Qua trình khảo sát tác giả rút kết luận sau • Thuật tốn training: Khơng phải tất cả thuật toán training đem lại hiệu quả mơ hình dự báo phụ tải Các thuật tốn training phù hợp tối ưu cho mơ hình dự báo phụ tải liệt kê bảng sau: Bảng 3.10 Bảng thuật tốn training có kết quả tốt cho dự báo phụ tải STT Training Functions traincgb traincgp trainlm trainrp trainscg Chú thích Powell-Beale conjugate gradient backpropagation Polak-Ribiere conjugate gradient backpropagation Levenberg-Marquardt backpropagation Resilient backpropagation (Rprop) Scaled conjugate gradient backpropagation • Số nodes lớp ẩn: Nhìn chung số lượng nơ-ron lớp ẩn nhiều mạng dự báo xác, nhiên số lượng nơ-ron tăng lên làm cho tốc độ training mạng tăng theo, sai số chưa tốt nhất Như số liệu 67 thống kê bảng 3.7, sử dụng từ 13 22 node lớp ẩn để đạt hiệu quả tốt nhất • Số lượng lớp ẩn: Qua số liệu so sánh lớp ẩn ta kết luận rằng, mô hình dự báo phụ tải điện cần dùng mợt lớp ẩn để xây đựng mơ hình mạng • Số lượng đầu vào: Khi cung cấp đầy đủ thông tin đầu vào liên quan tới đầu mạng, mạng cho kết quả xác Điều cần làm phân tích tìm kiếm yêu tố ảnh hưởng tới phụ tải để tăng thêm liệu đầu vào cho mạng Kết hợp tham số so sánh số liệu ta có mơ hình mạng tối ưu với thống số bảng 3.11 đây: Bảng 3.11 Bảng mô hình tối ưu cho dự báo phụ tải Input 58 Hidden Layer Nodes 19 Output 24 TrainFnc traincgp Trích xuất từ số liệu tổng hợp kết quả khảo sát ta có bảng số liệu kết quả mơ hình tối ưu bảng Bảng 3.12 Bảng trích x́t kết quả MAPE mơ hình mạng tối ưu Lần lặp Lần lặp Lần lặp Lần lặp Lần lặp Lần lặp Lần lặp Lần lặp Lần lặp Lần lặp Lần lặp 10 MAPE % 1.7345 1.9300 2.3535 2.2722 2.1217 2.3441 2.3306 1.3640 1.8805 2.3734 Lần lặp Lần lặp 11 Lần lặp 12 Lần lặp 13 Lần lặp 14 Lần lặp 15 Lần lặp 16 Lần lặp 17 Lần lặp 18 Lần lặp 19 Lần lặp 20 68 MAPE % 1.8178 2.0721 2.1570 2.3163 2.3318 2.1406 2.5875 2.4354 1.5808 2.2429 Với kêt quả trung bình 20 lần lặp MAPETB = 2.119% (MAPE lớn nhất lần lặp mức 2.8%, MAPE tốt nhất mức 1.36%) ta vẽ đồ thị dự báo phụ tải mạng lần lặp thứ có kết quả MAPE gần với MAPETB: Hình 3.36 Đồ thị dự báo phụ tải mạng có mơ hình tối ưu Kết quả rất tốt [16, 18-20]cả đợ xác lẫn tính ổn định dự báo mơ hình mạng 69 KẾT LUẬN Chúng ta đưa kết luận việc khảo sát làng hoạt mơ hình với tham số khác (số lượng đầu vào, số lượng lớp ẩn, số lượng node,và thuật toán training) ta đánh giá mức đợ ảnh hưởng tham số tới mơ hình mạng nơ-ron (đợ xác dự báo, thời gian training epcoh) Từ kết quả thống kế trình khảo sát lựa chọn mơ hình mạng tối ưu cho toán dự báo phụ tải Bằng việc lặp lại 20 khảo sát, kết quả thu đảm bảo độ tin cậy cao, tránh yếu tố ngẫu nhiên nghiên cứu trước [16, 19] mắc phải Với ưu điểm việc khảo sát giúp lựa chọn mơ hình mạng tối ưu mợt cách khách quan khoa học Đảm bảo độ tin cậy dự báo, điều rất quan trọng khí kết quả dự báo áp dụng vào thực tế mợt cách an tồn hiệu quả Ngồi kết quả trên, q trình thực đề tài tác giả cịn nhận thấy rằng: Cịn có nhiều tham số ảnh hưởng tới kết quả một mơ hình mạng nơ-ron nhân tạo hàm kích hoạt, hàm mất mát , chưa phân tích mối liên quan kết hợp tham số tác đợng đến kết quả dự báo Vì thời gian có hạn tác giả dừng lại việc khảo sát tham số, có hợi phát triển thêm tác giả khảo sát phân tích ảnh hưởng kết hợp tham số tới mơ hình mạng dự báo phụ tải 70 TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] Nguyễn Thị Minh An "Khái niệm dự báo." Internet: http://quantri.vn/dict/details/9174-khai-niem-du-bao, 01/12, 2019 E Mele "A Review of Machine Learning Algorithms Used for Load Forecasting at Microgrid Level," in Sinteza 2019-International Scientific Conference on Information Technology and Data Related Research, 2019, pp 452-458 Cục Điều tiết Điện lực "Quy trình dự báo nhu cầu phụ tải điện hệ thống điện quốc gia." Internet: https://vanbanphapluat.co/quyet-dinh-07-qd-dtdl-nam2013-quy-trinh-du-bao-nhu-cau-phu-tai-dien-he-thong, 2013 D Baczyński and M Parol "Influence of artificial neural network structure on quality of short-term electric energy consumption forecast," IEE Proceedings-Generation, Transmission and Distribution Vol 151, pp 241245, 2004 Y Chen et al "Short-term load forecasting: Similar day-based wavelet neural networks," IEEE Transactions on Power Systems Vol 25, pp 322330, 2009 H F Shi "Short-term load forecasting based on Bayesian neural networks learned by Hybrid Monte Carlo method," 2010 International Conference on Machine Learning and Cybernetics Vol 3, pp 1494-1499, 2010 N Ding et al "Neural network-based model design for short-term load forecast in distribution systems," IEEE transactions on power systems Vol 31, pp 72-81, 2015 S Kumar et al "Short term load forecasting using ANN and multiple linear regression," in 2016 Second International Conference on Computational Intelligence & Communication Technology (CICT), 2016, pp 184-186 M V Selvi and S Mishra "Investigation of Weather Influence in DayAhead Hourly Electric Load Power Forecasting with New Architecture Realized in Multivariate Linear Regression & Artificial Neural Network Techniques," 2018 8th IEEE India International Conference on Power Electronics (IICPE), pp 1-6, 2018 Sputnik "Lịch sử mạng thần kinh nhân tạo." Internet: http://sputnikedu.com/mot-chut-lich-su-ve-mang-than-kinh-nhan-tao/, Oct 25, 2019 En.wikipedia.org "Feedforward neural network." Internet: https://en.wikipedia.org/wiki/Feedforward_neural_network, 15-08, 2019 71 [12] [13] [14] [15] [16] [17] [18] [19] [20] En.wikipedia.org "Recurrent neural network." Internet: https://en.wikipedia.org/wiki/Recurrent_neural_network, 17-08, 2019 Vi.wikipedia.org "MATLAB." Internet: https://vi.wikipedia.org/wiki/MATLAB, 10-12, 2019 Vi.wikipedia.org "Thành phố Hồ Chí Minh." Internet: https://vi.wikipedia.org/wiki/Thành_phố_Hồ_Chí_Minh, 15-10, 2019 NOAA "National Centers for Environmental Information." Internet: https://gis.ncdc.noaa.gov/maps/ncei/cdo/daily, 2019 Hà Tiến Huy "Ứng dụng mạng nơ ron nhân tạo dự báo đồ thị phụ tải ngắn hạn hệ thống điện," luận văn Thạc sĩ, Trường Đại học Bách khoa, Hà Nội 2013 M H Pham et al "An effective approach to ann-based short-term load forecasting model using hybrid algorithm GA-PSO," 2018 IEEE International Conference on Environment and Electrical Engineering and 2018 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), pp 1-5, 2018 Phan Thị Hoàng Nhung "Ứng dụng mạng nơ ron nhân tạo vào việc dự báo lưu lượng nước đến hồ hồ bình," luận văn Thạc sĩ, Trường Đại học Bách khoa, Hà Nội 2007 Quản Quốc Cường "Ứng dụng mạng nơron nhân tạo dự báo phụ tải điện ngắn hạn," luận văn Thạc sĩ, Trường Đại học Bách khoa, Hà Nội 2014 Chu Nghĩa "Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền bắc," luận văn Thạc sĩ, Trường Đại học Bách khoa, Hà Nội 2007 72 LÝ LỊCH TRÍCH NGANG I LÝ LỊCH SƠ LƯỢC: Họ tên: Lương Văn Trung Giới tính: Ngày, tháng, năm sinh: 17/09/1990 Nơi sinh: Thái Bình Email: vantrung352@gmail.com Điện thoại: 0973.178.770 II QUÁ TRÌNH ĐÀO TẠO: 2008-2012 Theo học chuyên ngành Kỹ Thuật Điện trường Đại Học Công Nghiệp Tp.HCM bậc Đại Học (Tốt nghiệp tháng năm 2012) 2017-2019 Tham gia chương trình đào tạo cao học chuyên ngành Kỹ Thuật Điện trường Đại Học Công Nghiệp Tp.HCM III Q TRÌNH CƠNG TÁC CHUN MƠN: Thời gian Nơi cơng tác Cơng việc đảm nhiệm 2013-2016 Cty Tribeco Bình Dương Kỹ Sư Tự Đợng Hóa 2017-2019 Cty TNHH Cơ Khí Trường Tín Kỹ Sư Tự Đợng Hóa XÁC NHẬN CỦA Tp HCM, ngày tháng Năm 20 CƠ QUAN / ĐỊA PHƯƠNG Người khai (Ký tên, đóng dấu) (Ký tên) 73 ... TÀI: Ứng dụng mạng nơ-ron nhân tạo dự báo phụ tải ngắn hạn khu vực Tp. Hồ Chí Minh NHIỆM VỤ VÀ NỘI DUNG: • Tìm hiểu mạng nơ-ron nhân tạo • Xây dựng mơ hình mạng nơ-ron nhân tạo dự báo phụ tải... kết quả tất cả dự báo 13 CHƯƠNG MẠNG NƠRON NHÂN TẠO VÀ ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO PHỤ TẢI ĐIỆN 2.1 Mạng nơron nhân tạo 2.1.1 Lịch sử phát triển mạng nơron nhân tạo Từ kỷ 19, nhà... 2.1 MẠNG NƠRON NHÂN TẠO VÀ ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO PHỤ TẢI ĐIỆN 14 Mạng nơron nhân tạo 14 2.1.1 Lịch sử phát triển mạng nơron nhân tạo 14 2.1.2 Giới thiệu mạng