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

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 19 CHƢƠNG II MƠ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG SỬ DỤNG MẠNG NEURA NHÂN TẠO 2.1 TỔNG QUAN VỀ MẠNG NEURA NHÂN TẠO M ng Neural nh n t o (ANN) m h nh xử lý th ng tin ƣ m ho t ng hệ thống thần kinh sinh vật o gồm số lƣ ng l n Neural ƣ g n kết ể xử lý th ng tin ANN giống nhƣ não on ngƣ i ƣ họ ởi kinh nghiệm (th ng qu huấn luyện) ó kh n ng lƣu gi nh ng kinh nghiệm hiểu iết (tri th ) sử ụng nh ng tri th ó việ o n liệu hƣ iết (unseen data) C ng ụng m ng Neural ƣ sử ụng nhiều lĩnh v nhƣ iện iện tử kinh tế qu n s … ể gi i ài to n ó ph t p ịi hỏi ó h nh x o nhƣ iều khiển t ng kh i ph liệu nhận ng … 2.1.1 Kiến trúc tổng quát ANN Kiến tr m t ANN gồm phần ó Input L yer Hi en L yer Output Layer [3] (h nh 2.1) Trong ó l p ẩn (Hi en l yer) gồm Neural nhận liệu input từ Neural Input Layer huyển ổi thong so ho l p xử lý Trong ANN ó thể ó nhiều Hi en L yer Processing Elements (PE): Neural Neural nhận liệu vào (Input) xử lý h ng ho r m t kết qu (Output) uy Output c a m t Neural ó thể làm Input ho Neural kh 20 Quá trình xử lý thông tin ANN M t Neural m t ơn vị xử lý th ng tin thành phần ANN Cấu tr m t ANN ƣ m t nhƣ h nh 2.2 n m t m ng Inputs: Mỗi Input tƣơng ng v i thu t nh ( ttri ute) liệu (p tterns) nhận t n hiệu từ ên Output: Kết qu m t ANN m t gi i ph p ho m t vấn ề Gửi liệu r ên Connection Weight (Trọng số liên kết): Đ y thành phần qu n trọng m t ANN thể m qu n trọng liệu input ối v i qu tr nh xử lý th ng tin (qu tr nh huyển ổi liệu từ L yer s ng l yer kh ) Qu tr nh họ (Learning Pro essing) ANN th r qu tr nh iều hỉnh trọng số (Weight) input ể ó ƣ kết qu mong muốn Summation Function (Hàm tổng): T nh tổng trọng số tất input ƣ ƣ vào Neural (phần tử xử lý PE) Hàm tổng m t Neural ối v i n input ƣ t nh theo ng th s u: ∑ Hàm tổng ối v i nhiều Neural ∑ ng m t L yer 21 (a) Single Neural (b) Several Neurals Y = X1W1 + X2W2 PE = processing element Y1=X1W11 + X2W21 Y2=X1W12 + X2W22 Y3= X2W23 Transformation (Transfer) Function (Hàm chuyển đổi): Hàm tổng (Summ tion Fun tion) m t Neural ho iết kh n ng k h ho t (A tiv tion) Neural ó ịn gọi k h ho t ên (intern l tiv tion) C Neural ó thể sinh r m t output hoặ kh ng ANN (Có thể output Neural ó thể ƣ huyển ến l yer tiếp m ng Neural theo hoặ kh ng) Mối qu n hệ gi Intern l A tiv tion kết qu (output) ƣ thể ằng hàm huyển ổi (Tr nsfer Fun tion) Summation function: Y=3(0.2) +1(0.4) + 2(0.1) =1.2 Transformation (transfer) function: YT=1/(1+e-1.2) = 0.77 22 Về việ l họn Tr nsfer Fun tion ó t ng l n ến kết qu ANN Hàm huyển ổi phi tuyến ƣ sử ụng phổ iến ANN sigmoid (logical activation) function YT = 1/ (1+ e-Y) Trong đó: YT hàm huyển ổi Y hàm tổng Kết qu xử lý t i Neural (Output) i l n v tr nsfer fun tion ƣ sử ụng ể xử lý output trƣ huyển ến l yer Đ i th y v sử ụng Tr nsfer Fun tion ngƣ i t sử ụng gi trị ngƣ ng (Threshol v lue) ể kiểm so t output Neural t i m t l yer ó trƣ huyển output ến l yer Nếu output m t Neural ó nhỏ Threshol th kh ng ƣ huyển ến l yer 2.1.2 Mơ hình mạng Neural nhân tạo M ng Neural nh n t o (Artifi i l Neural Network) o gồm n t ( ơn vị xử lý Neural) ƣ nối v i nh u ởi liên kết Neural Mỗi liên kết k m theo m t trọng số ó ặ trƣng ho ặ t nh k h ho t/ hế gi Neural Có thể xem trọng số phƣơng tiện ể lƣu th ng tin ài h n m ng Neural nhiệm vụ qu tr nh huấn luyện ập nhật trọng số ó thêm th ng tin mẫu h y nói m t h kh trọng số ƣ iều hỉnh s o ho ng iệu vào r m hồn tồn ph h p m i trƣ ng ng xem x t Trong m ng m t số Neural ƣ nối v i m i trƣ ng ên nhƣ output, input Mỗi Neural nh n t o (n t) ƣ nối v i Neural kh nhận h ng v i trọng số wi tổng th ng tin vào ó trọng số là: t n hiệu xi từ 23 ∑ thành phần tuyến t nh Neural Hàm k h ho t f (hàm huyển) óng v i trị iến ổi từ s ng t n hiệu output z z =f(a) Trong ó: - xi - c t n hiệu input; - Wi - C trọng số tƣơng ng v i input; - n - số input c a Neural; - a - Tổng trọng số c a Neural; - f - Hàm k h ho t; - z - output c a Neural y thành phần phi tuyến c a Neural Hàm k h ho t f thƣ ng ó ng h y ng th tế: hàm ng ƣ hàm dấu & hàm singmo nhƣ h nh 2.4  Hàm ng ƣ c:  Hàm ấu 24  Hàm singmoi Ở y ngƣ ng óng v i trò làm t ng t nh th h nghi kh n ng t nh to n m ng Neural Sử ụng ký ph p ve tor X= (x1, x2 … xn) ve tor t n hiệu vào W = (w1, w2 … wn) ve tor trọng số ó t ó: Z = f(a), a=WS Trƣ ng h p x t ngƣ ng t iểu iễn ve tor m i X’ = (x1, x2 … xn Ɵ) W = (w1, w2 … wn, -1)  Phân loại mạng Neural ANN s liên kết Neur l nh n t o S s p xếp ố tr Neur l h th liên hệ gi h ng t o nên kiến tr m ng Neur l Theo h s p xếp Neur l th ó kiến tr m ng m t l p (single-l yer) m ng hỉ ó m t l p r (h nh 2.7) kiến tr m ng nhiều l p (multiple-l yer) m ng ó l p ẩn (h nh 2.8) Theo h liên hệ gi neur l th t ó m ng Neur l truyền thẳng (feelforward Neural Network) m ng Neur l hồi quy (re urrent Neur l Network) Ngồi r ịn m t lo i liên kết theo s ph n ố neur l kh ng gi n h i hiều m t l p gọi liên kết ên (l ter l one tion) V i liên kết Kohonen ã t o r lo i m ng t tổ h (Self – Organizing Neural Network) Có thể ph n lo i m ng Neur l thành h i nhóm h nh thuật to n họ h ng lo i họ h ng lo i họ ó gi m s t (supervise ) họ n gi m s t (unsupervise )  Khác mạng Neural truyền thẳng Neural hồi qui Trong m ng Neural truyền thẳng liên kết Neural i theo m t hƣ ng ịnh kh ng t o thành thị ó hu tr nh (Dire te A y li Gr ph) v i ỉnh Neural ung liên kết gi h ng (h nh 2.4) Ngƣ l i m ng qui hồi ho ph p liên kết Neural t o thành hu tr nh V th ng tin r Neural ƣ truyền l i ho Neural ã góp phần k h ho t h ng nên m ng qui hồi ịn ó kh n ng lƣu gi tr ng th i ƣ i ng ngƣ ng k h ho t trọng số liên kết Neural (h nh 2.5) 25 a) M ng neural nhiều l p Hình 2.5: M ng neural nhiều l p truyền thẳng Hình 2.6: M ng neural hồi qui Theo số l p: C Neural ó thể tổ h l i thành l p s o ho Neural l p hỉ ƣ nối v i Neural l p kh ng ho ph p liên kết gi Neural ng m t l p hoặ từ Neural l p ƣ i lên Neural l p Ở y ũng kh ng ho ph p liên kết Neural nh y qu m t l p Dễ àng nhận thấy Neural ng m t l p nhận ƣ t n hiệu từ l p ng m t l o nguyên t h ng ó thể xử lý song song Th ng thƣ ng l p Neural vào hỉ hịu tr h nhiệm truyền ƣ t n hiệu vào kh ng th m t t nh to n nên t nh số l p m ng ngƣ i t kh ng t nh l p vào 26  Luật học mạng Neural Gi sử m ng Neural ó n Neural vào m Neural r ó v i ve to t n hiệu vào X = (x1 … xn) s u qu tr nh t nh to n Neural ẩn t nhận ƣ kết qu r Z = (z1 z2 … zm) Theo nghĩ ó m ng Neural làm việ v i tƣ hm t ng tr mà kh ng ần iết ng phụ thu hàm tƣ ng minh gi Z X Khi ó ó thể viết: Z=Tinh (X, NN) C Neural ng m t l p ó thể t nh to n ồng th i o ph t p t nh to n nói phụ thu vào số l p m ng C th ng số ấu tr m ng Neural bao gồm: số t n hiệu input& output, số l p Neural, số Neural l p ẩn, số lƣ ng liên kết Neural (liên kết ầy liên kết phận liên kết ngẫu nhiên) c trọng số liên kết Neural 27 M ng Neural nhƣ m t hệ thống th h nghi ó kh n ng họ (huấn luyện) ể tinh hỉnh trọng số liên kết ũng nhƣ ấu tr m ng s o ho ph h p v i mẫu họ (s mples) Có lo i kỹ thuật họ :  Học có giám sát (supervised learning) M ng ƣ huấn luyện ằng h ung ấp ho ặp mẫu inputvà output mong muốn (t rget v lues) C ặp ƣ ung ấp ởi “thầy gi o” h y ởi hệ thống ó m ng ho t ng S kh iệt gi output th tế so v i output mong muốn ƣ thuật to n sử ụng ể th h ng trọng số m ng Điều thƣ ng ƣ ƣ r nhƣ m t ài to n xấp xỉ hàm số - ho liệu huấn luyện o gồm ặp mẫu inputx m t h tƣơng ng t mụ h t m r hàm f(x) thỏ mãn tất mẫu họ input  Học bán giám sát (Unsupervised Learning) V i h họ n gi m s t kh ng ó ph n hồi từ m i trƣ ng ể hỉ r output m ng ng M ng ph i kh m ph ặ trƣng iều hỉnh mối tƣơng qu n h y l p liệu vào m t ht ng Trong th tế ối v i phần l n iến thể họ n gi m s t h tr ng v i input Nói m t h kh họ kh ng ó thầy lu n th m t ng việ tƣơng t nhƣ m t m ng t liên h p ọng th ng tin từ liệu vào  Học tăng cường D liệu x thƣ ng kh ng ƣ t o trƣ mà ƣ t o r qu tr nh m t gent tƣơng t v i m i trƣ ng T i th i iểm t gent th hành ng yt m i trƣ ng t o m t qu n s t xt v i m t hi ph t th i Ct theo m t quy tr nh ng ó (thƣ ng kh ng ƣ iết) Mụ tiêu m t s h lƣ l họn hành ng ể tiểu hó m t hi ph ài h n ó nghĩ hi ph t h lũy mong i Quy tr nh ho t ng m i trƣ ng hi ph ài h n ho s h lƣ thƣ ng kh ng ƣ iết nhƣng ó thể ƣ lƣ ng ƣ M ng Neural nh n t o thƣ ng ƣ ng họ 28 t ng ƣ ng nhƣ m t phần thuật to n toàn ụ C ài to n thƣ ng ƣ gi i ằng họ t ng ƣ ng ài to n iều khiển trò nhiệm vụ ịnh tuần t (sequenti l e ision m king) kh 2.1.3 Mạng truyền thẳng M t m ng truyền thẳng nhiều l p o gồm m t l p vào m t l p r m t hoặ nhiều l p ẩn C Neural input th hất kh ng ph i Neural theo ng nghĩ ởi lẽ h ng kh ng th ất kỳ m t t nh to n liệu vào ơn gi n hỉ tiếp nhận liệu vào huyển ho l p C Neural l p ẩn l p r m i th s th t nh to n kết qu ƣ ịnh ng ởi hàm output (hàm huyển) Cụm từ “truyền thẳng” (fee forw r ) (kh ng ph i tr i nghĩ l n truyền ngƣ ) liên qu n ến m t th tế tất Neural hỉ ó thể ƣ kết nối v i nh u theo m t hƣ ng: t i m t h y nhiều Neural kh l p (lo i trừ Neural l p r ) Trong nhiều ng ụng th tế ể ơn gi n ngƣ i t thƣ ng sử ụng m ng ó l p ẩn số Neural l p ẩn ƣ x ịnh kinh nghiệm kỹ thuật t m kiếm kh nh u Trong ó:  P - Vector input (vector c t);  Wi - Ma trận trọng số c Neural l p th I;  (sixi - s hàng (Neural) - R c t (số input))  bi - Ve tor lệch (bias) c a l p th i (Six1: cho S Neural);  ni - net input (Six1);  fi - Hàm huyển (hàm k h ho t);  - net output (Six1);  ⊕ - Hàm tổng th ng thƣ ng Mỗi liên kết g n v i m t trọng số trọng số ƣ thêm vào qu tr nh t n hiệu i qu liên kết ó C trọng số ó thể ƣơng thể tr ng th i k h th h h y m thể tr ng th i kiềm hế Mỗi Neural t nh to n m k h ho t h ng 29 ằng h ng tổng inputvà ƣ r hàm huyển M t output tất Neural m t l p m ng ụ thể ã th xong t nh to n th l p ó thể t ầu th t nh to n m nh ởi v output l p t i t o r input l p Khi tất Neural ã th t nh to n th kết qu ƣ tr l i ởi Neural output Tuy nhiên ó thể hƣ ng yêu ầu ó m t thuật to n huấn luyện ần ƣ p ụng ể iều hỉnh th m số m ng Trong h nh 2.9 số Neural l p th l p th h i tƣơng ng S S2 M trận trọng số ối v i l p tƣơng ng W1 W2 Có thể thấy s liên kết gi l p m ng thể h nh vẽ: l p th ve tor ầu vào h nh net output l p th Tƣơng t nhƣ thêm vào l p kh n vào ấu tr th l p m ng uối ng thƣ ng l p ho r kết qu toàn m ng l p ó gọi l p r (Output Layer) M ng ó nhiều l p ó kh n ng tốt m ng hỉ ó m t l p hẳng h n nhƣ m ng h i l p v i l p th sử ụng hàm sigmoi l p th h i ng hàm ồng ó thể p ụng ể xấp xỉ hàm to n họ kh tốt m ng hỉ ó m t l p th kh ng ó kh n ng X t trƣ ng h p m ng ó h i l p nhƣ h nh vẽ ng th t nh to n ho output nhƣ s u: a2 = f2 (W2 (f1 (W1P + b1)) + b2) Trong ó ý nghĩ ký hiệu nhƣ ã nêu h nh vẽ 2.9 2.1.4 Thuật toán lan truyền ngƣợc (Back-Propagation) Cần ó m t s ph n iệt gi kiến tr m t m ng thuật to n họ m t mụ mụ h nhằm làm r yếu tố kiến tr m ng h mà m ng t nh to n output từ tập input S u y m t thuật to n họ sử ụng ể iều hỉnh hiệu n ng m ng s o ho m ng ó kh n ng sinh r ƣ kết qu mong muốn Về n ó h i ng thuật to n ể luyện m ng: họ ó gi m s t n gi m s t C m ng Neural truyền thẳng nhiều l p ƣ luyện ằng phƣơng ph p họ ó gi m s t Phƣơng ph p n n việ yêu ầu m ng th h n ng s u ó tr l i kết qu kết h p kết qu v i output mong muốn ể iều hỉnh th m số m ng nghĩ m ng họ th ng qu nh ng s i sót Về n thuật to n l n truyền ngƣ ng tổng qu t thuật to n trung nh nh phƣơng tối thiểu (Le st Me ns Squ re-LMS) Thuật to n thu ng thuật to n xấp xỉ ể t m iểm mà t i ó hiệu n ng m ng tối ƣu Chỉ số tối ƣu (performance index) thƣ ng ƣ x ịnh ởi m t hàm số m trận trọng số input ó mà qu tr nh t m hiểu ài to n ặt r 2.2 MƠ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG Theo nhƣ ph n t h L n truyền ngƣ (backpropagation) gi i thuật ốt l i gi p ho m h nh họ s u ó thể ễ àng th thi t nh to n ƣ V i 30 m ng ANN i nh gi i thuật mà thuật to n tối ƣu v i o hàm (gradient descent) ó thể nh nh hàng triệu lần so v i h th truyền thống Mặ l n truyền ngƣ ƣ sử ụng ho họ s u nhƣng ịn ng ụ t nh to n m nh mẽ ho nhiều lĩnh v kh từ o th i tiết t i ph n t h t nh ổn ịnh số họ hỉ ó iều ƣ sử ụng v i nh ng tên kh nh u Do ó t gi ề xuất sử ụng sử ụng m ng Neural nhiều l p p ụng thuật to n l n truyền ngƣ ài to n o phụ t i iện ng n h n 2.2.1 Mạng Neural phƣơng trình hồi quy tuyến tính mơ hình dự áo M t m ng Neural m t m h nh t nh to n ƣ x ịnh qu th m số: kiểu Neural (nhƣ n t t oi m ng Neural m t thị) kiến tr kết nối (s tổ h kết nối gi Neural) thuật to n họ (thuật to n ng ể họ ho m ng) [4] Đặ iểm h nh ANN [5] - Phi tuyến Cho ph p xử lý phi tuyến; - Cơ hế nh x vào → (x→ (x)) ho ph p họ ó gi m s t; - Cơ hế th h nghi Th y ổi tham số ph h p v i m i trƣ ng; - Đ p ng theo mẫu t o Đƣ c thiết kế kh ng nh ng cung cấp th ng tin mẫu t o mà òn ho iết m c tin cậy c nó; - Th ng tin theo ng c nh Tri th ƣ c biểu diễn t y theo tr ng th i kiến tr a ANN; - Cho ph p ó lỗi (fault tolerance); - T h h p l n, VLSI (very large scale Intergrated); - Phịng sinh học M t m ng Neural ó h n ng nhƣ m t hàm nh x F: X → Y ó thể xem m t m h nh t nh to n y = f(x) Trong ó: - x: tr ng th i input; - y: tr ng th i output C m ng hỉ ơn gi n làm nhiệm vụ nh x ve tor inputx ∈ X s ng vector output y ∈ Y th ng qu “ lọ ” (filter) trọng số Y = F(x) = s (W x) Trong ó: W m trận trọng số liên kết Sự tương đồng mơ hình hồi quy tuyến tính ANN toán dự báo nhu cầu điện M t ANN ó thể ƣ xem nhƣ m t m h nh t nh to n Y = F(X) v i X ve to số liệu input ( iến lập) Y ve to số liệu output ( iến phụ thu ) Trong trƣ ng h p m ng Neur l ơn l p tối gi n gọi ADALINE mối qu n hệ input – output hoàn toàn tƣơng ồng v i phƣơng tr nh hồi quy tuyến t nh 31 ∑ V i y ầu r m ng h nh iến o nhu ầu iện n ng xi iến lập C wi trọng số m ng tƣơng ồng v i hệ số phƣơng tr nh hồi quy tuyến t nh Sự khác biệt mơ hình hồi quy tuyến tính ANN toán dự báo nhu cầu điện Kh iệt h nh gi h i lĩnh v hồi quy tuyến t nh tập trung vào ài to n tuyến t nh ó ANN l i tập trung vào ài to n phi tuyến Ch nh v xử lý mối qu n hệ input – output th ng qu n t ẩn l p ẩn v i th m số ặ trƣng trọng số liên kết gi n t wij hàm ho t hó m ng mà ANN ó kh n ng xử lý qu tr nh phi tuyến 2.2.2 Bài toán dự áo phụ tải điện sử dụng mạng nerural nhân tạo D vào hệ thống phụ t i iện Thành phố Qu ng Ngãi yếu tố nh hƣởng ến phụ t i t ó thể nêu r ài to n o phụ t i ng n h n  Dự báo phụ tải ngắn hạn D o phụ t i lƣ i iện ho 24h nhằm ƣ r gi trị phụ t i o theo gi ngày s t v i th tế vận hành ó gi m s i số vấn ề m ng t nh hiến lƣ qu tr nh o Ph n t h so s nh thị phụ t i Thành phố Qu ng Ngãi th i gi n ài thấy ƣ kiểu thị phụ t i ngày h yếu ị nh hƣởng ởi thói quen tổ h sinh ho t ĐTPT ó mối liên qu n hặt hẽ v i m i trƣ ng ho t ng ngày làm việ ngày nghỉ lễ tết …Còn y ỉnh phụ t i hàm iến thiên theo th i tiết D vào yếu tố nh hƣởng t i ph n t h th m số ần thiết ho ài to n: Tập th m số inputxi (input): - C gi trị phụ t i c a th i gi n trƣ ó: P; - Nhiệt nh hƣởng ến phụ t i: T; Tải FULL (73 trang): bit.ly/2Ywib4t - C ngày ặ trƣng: D; Dựt phòng: Th m số n t output h nh gi trị phụ i iện fb.com/KhoTaiLieuAZ o n: Y; Số Neural l p ẩn (Hi en): K ANN ó thể m t nhƣ s u: m ng Neural th ph p nh x iến lập xi vào iến phụ thu Y Ở y ANN sử ụng liệu thử gi x i Y ể họ mối liên hệ gi h ng th ng qu gi i thuật họ hàm k h ho t ể t m r th m số m ng trọng số Wij g n ung liên kết gi n t m ng S u qu tr nh họ s i số gi input output t ƣ gi trị ngƣ i ng mong muốn ƣ lƣu l i ể th qu tr nh o s u ằng ph p nh x input output 32  T Dạng đồ thị phụ tải điện X ịnh gi trị phụ t i ỉnh Pmax X ịnh gi trị phụ t i y Pmin Gi trị phụ t i gi th i P(i) v i i = 1÷ 24 ng v i 24h ngày ó ng th c sau: Pn(i): phụ t i quy chuẩn hó a gi th i D vào ng th t t nh ƣ gi trị phụ t i quy chuẩn c 24h ngày Khi ã o ƣ c Pmax Pmin ngày t x ịnh ƣ thị phụ t i quy chuẩn th t x ịnh ƣ g trị Pn(i) v i i=1÷24 ta x ịnh ƣ c phụ t i c a gi ngày Từ ng th (1.1) t x ịnh ƣ c: P(i)= Pmin + (Pmax – Pmin) Pn(i) Qu ph n t h nêu ó thể i ến kết luận: Để d o ƣ c phụ t i gi cho m t ngày ụ thể, ta cần d o ƣ gi trị phụ t i ỉnh Pmax phụ t i y Pmin c ngày ó t m r Ve tor ĐTPT Pn(i) c ngày ần d o Tóm l i ũng nhƣ o kh o phụ t i ngày ph i d vào số liệu thống kê ph n t h p ụng thuật to n ể x ịnh mối quan hệ gi a phụ t i yếu tố nh hƣởng, từ ó x y ng phƣơng ph p o phụ t i ngày yếu tố nh hƣởng ã ƣ nêu Tải FULL (73 trang): bit.ly/2Ywib4t  Đỉnh đáy đồ thị phụ tải Dự phòng: fb.com/KhoTaiLieuAZ H i gi trị phụ t i ặ iệt ngày mà ƣ kỹ sƣ vận hành ũng nhƣ ngƣ i làm phƣơng th ngày qu n t m nhiều ó phụ t i o iểm phụ t i thấp iểm Đ y ũng h nh mụ tiêu qu n trọng hàng ầu ài to n o phụ t i iện T nh kinh tế hiệu qu phƣơng th vận hành ũng nhƣ hƣ ng ầu tƣ ph t triển tƣơng l i HTĐ phụ thu l n vào việ o h nh x việ o h i gi trị Có nhiều phƣơng ph p ó thể p ụng ể o Pm x Pmin nhƣ o theo phƣơng ph p ngo i suy theo th i gi n phƣơng ph p hồi quy tuyến t nh… Trong luận v n hỉ nghiên u phƣơng ph p DBPT sử ụng m ng Neural nh n t o S u ã x ịnh ƣ h i gi trị qu n trọng Pm x Pmin ĐTPT th gi trị phụ t i kh ngày ƣ x ịnh theo mối qu n hệ h ng Vậy iết ƣ ng thị phụ t i quy huẩn t gi trị Pn(i) x ịnh ƣ Pm x Pmin ngày t t nh ƣ phụ t i gi theo ng th (1.1) 2.2.3 Xây dựng cấu trúc mạng Th ng tin ến Neural nh n t o qu nh ng input(input) input ƣ nh n ởi m t hàm trọng số trƣ i vào Neural Neural s u ó tổng h p tất liệu 33 input ã ƣ gi trọng s i số xử lý tổng qu m t hàm huyển ổi trƣ truyền th ng tin t i nh ng output [5] Theo phần Bài to n o phụ t i iện sử ụng m ng nerur l nh n t o (2.2.2) t x y ng ấu tr m ng nhƣ h nh 2.10 Thuật toán học theo phương pháp lan truyền ngược sai số Thuật to n họ theo phƣơng ph p l n truyền ngƣ c sai số ƣ p ụng cho m ng truyền thẳng nhiều l p ó Neural ó thể sử dụng hàm huyển hàm liên tụ ó ng kh nh u Thuật to n sử dụng m t tập mẫu gồm ặp input– output ể luyện m ng V i cặp input– output (xi, Y) thuật to n l n truyền ngƣ c sai số th c hai giai o n sau: - Giai đoạn thứ nhất: mẫu input xi ƣ c truyền từ l p vào t i l p r t ó kết qu output t nh to n ƣ Y; - Giai đoạn thứ hai: t n hiệu lỗi ƣ t nh to n từ s kh nh u gi a output qu n s t ƣ c: Yqs v i output t nh to n Y ƣ c lan truyền ngƣ c l i từ l p r ến l p trƣ ể iều chỉnh trọng số c a m ng Để làm v dụ t x t m ng truyền thẳng ó m t l p ẩn ƣ i y ối v i m ng ó k h thƣ c l n th th o t ũng tƣơng t 12d9dc0f ... .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