Đang tải... (xem toàn văn)
Bài viết trình bày việc đề xuất sử dụng mô hình thuật toán “K-nearest neighbor – Regression” để dự báo tải điện cho 24h của ngày tiếp theo bằng cách tìm trong bộ dữ liệu lịch sử những ngày mà có các yếu tố giống với ngày tiếp theo nhất và sử dụng tải điện của những ngày đó để tính toán, dự báo tải điện cho ngày tiếp theo.
Kỹ thuật điều khiển & Điện tử DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN BẰNG MƠ HÌNH MÁY HỌC: ÁP DỤNG CHO ITALIA Nguyễn Hữu Đức1*, Lê Hải Hà2 Tóm tắt: Những yếu tố ảnh hưởng đến tải điện ngày thu thập xử lý thông qua việc quan sát phân tích liệu tải điện từ liệu lịch sử Từ yếu tố này, báo đề xuất sử dụng mơ hình thuật toán “K-nearest neighbor – Regression” để dự báo tải điện cho 24h ngày cách tìm liệu lịch sử ngày mà có yếu tố giống với ngày sử dụng tải điện ngày để tính tốn, dự báo tải điện cho ngày Sau cùng, báo tính tốn sai số tải điện dự báo tải điện thực tế, so sánh kết với dự báo Terna Ngoải ra, bái báo kiểm chứng phương pháp đề xuất việc áp dụng thuật toán cho phụ tải điện Italia liệu GME (dữ liệu thị trường điện Italia) Keywords: Dự báo tải điện ngắn hạn; Thuật toán tương đồng “similar shape algorithms”; Máy học; Thị trường điện toán dự báo tải điện ĐẶT VẤN ĐỀ Dự báo phụ tải điện có vai trị quan trọng việc giúp người vận hành hệ thống điện lên kế hoạch sản xuất, truyền tải phân phối lượng điện cách hiệu Dự báo phụ tải điện xác cho phép cải thiện tính an tồn hệ thống, tối ưu hóa chi phí hệ thống sản xuất, giảm cố hệ thống truyền tải phân phối lượng Đối với thị trường điện, dự báo phụ tải điện giúp bên bán bên mua xác định giá lượng tối ưu cho giao dịch Mơ hình (PCGS: Previsione del Carico di elettrico per il Giorno Successivo) phát triển sau phân tích phụ tải điện hàng năm Italia quan sát thấy phụ tải điện năm gần tương đương (thay đổi nhỏ) [1] Vì vậy, phương pháp dự báo phụ tải điện ngày tới tìm ngày liệu lịch sử mà có đặc điểm giống với ngày cần dự báo (ngày tiếp theo), lấy phụ tải điện 24 h ngày để dự báo tải điện cho ngày Có nhiều báo nghiên cứu mơ hình dự báo phụ tải điện năm trở lại vài kỹ thuật sử dụng việc xây dựng mơ hình dự báo phụ tải điện Một kỹ thuật sử dụng rộng rãi cho dự báo tải phụ tải điện ngắn hạn phương pháp Hồi quy vector (Support Vector Regression -SVR) [2, 3] Đây phương pháp phát triển từ thuật toán máy vector (Support Vector Machine -SVM) Các nhà nghiên cứu tạo mô hình SVR cho ngày, nghĩa 24 mơ hình SVR cho ngày, biến đầu vào bao gồm: 1) Tải điện khứ; 2) Nhiệt độ; 3) Độ ẩm; 4) Ngày tuần; 5) Tháng Ưu điểm mơ hình có sai số nhỏ Với phát triển khoa học máy tính, kỹ thuật khác sử dụng phổ biến mạng nơ ron nhân tạo [4-6] Mạng nơ ron nhân tạo xây dựng với nhiều lớp (layer) gồm lớp đầu vào, lớp đầu ra, nằm lớp lớp ẩn (hiden layer), lớp ẩn người dùng định số lượng nơ ron (các nút) Các tài liệu [4, 7-9] trình bày cải tiến ứng dụng mạng nơ ron nhân tạo Wavelet Neural Networks (WNN) dự báo phụ tải điện Trong tài liệu này, tác giả phân tách phụ tải điện ngày thành thành phần sóng bậc thấp bậc cao, thành phần kết hợp với liệu thời tiết nhiệt độ, tốc độ gió, độ ẩm để tạo thành vector đầu vào cho mạng nơ ron tương ứng cho thành phần sóng bậc thấp bậc cao Sau lấy tổng đầu mạng nơ ron để dự báo phụ tải điện cho ngày cần dự báo Các phương pháp có vài tồn số liệu liệu nhiệt độ khơng sẵn có Các mơ hình có nhược điểm phức tạp cần phải xây dựng mơ hình cho riêng 52 N H Đức, L H Hà, “Dự báo phụ tải điện ngắn hạn mơ hình máy học: áp dụng cho Italia.” Nghiên cứu khoa học công nghệ lẻ, ngày tuần hay tháng năm Một vài mơ hình áp dụng cho tập liệu cụ thể, khả áp dụng cho liệu khác Sự đánh giá kết dự tập liệu nhỏ, không phản ánh độ xác tổng thể Từ phân tích trên, báo đề xuất phương pháp dự báo phụ tải điển ngắn hạn dựa mơ hình máy học giúp khắc phục số tồn trên: Bài báo không sử dụng liệu nhiệt độ Mơ hình áp dụng cho ngày tuần, tháng năm Mơ hình sử dụng cho liệu phụ tải điện khác Sai số mơ hình đánh giá với lượng liệu năm Bài báo bố cục sau: Mục trình bày thuật toán dự báo phụ tải điện ngắn hạn mơ hình máy học; Mục phân tích xử lý liệu, áp dụng cho hệ thống điện nước Italia; Kết mơ kiểm chứng mơ hình trình bày mục 4; Một số kết luận đưa mục THUẬT TOÁN DỰ BÁO PHỤ TẢI VỚI MƠ HÌNH MÁY HỌC Giả sử có tập hợp N vector đầu vào, vector có d phần tử, ta gọi tập vector đầu vào X = [x1, x2…, xN], xi ∈ Rd, i = 1, 2…,N Tương ứng với vector đầu vào xi, ta có giá trị đầu ra, gọi f(x) Vậy tương ứng với tập đầu vào X, ta có tập N giá trị đầu ra, ta gọi tập giá trị đầu Y = [f(x1), f(x2),…, f(xN)], f(xi)] ∈ R, i = 1, 2,…, N Bây ta có tập M vector đầu vào mới, ta gọi XNEW = [xnew1, xnew2… xnewM], xnew-i ∈ Rd, i = 1, 2…, M Bài toán đặt ta muốn dự đoán đầu cho vector đầu vào Áp dụng thuật toán K nearest neighbor- Regression Ví dụ trường hợp ta muốn dự đoán đầu cho vector xnew1 Đầu tiên, ta cần tính khoảng cách Euclidean vector đầu vào xnew1 với tất vector đầu vào liệu lịch sử X = [x1, x2…, xN] Giả sử rằng, vector x có phần tử x = [a,b], vector y = [c,d] Khoảng cách Euclidean vector là: (1) √ Ta vector D gồm N phần tử khoảng cách Euclidean vector x new1 với vector liệu lịch sử X (2) Từ vector D chọn k phần tử có giá trị nhỏ nhất, có nghĩa chọn k vector đầu vào liệu lịch sử giống với vector đầu vào xnew1 Để dự đoán đầu cho vector xnew1, ta lấy trung bình cộng đầu k vector giống với xnew1 liệu lịch sử Ta sử dụng cơng thức: ∑ ( ) (3) Trong đó: k số lượng vector x ∈ X có khoảng cách euclid ngắn với xnew-1 Các bước thực tính toán đầu cho vector xnew1 thể lưu đồ (hình 1) Như để xây dựng mơ hình từ thuật tốn trên, việc quan trọng xác định phần tử vector đầu vào xj Những phần tử mang yếu tố (đặc trưng) ảnh hưởng đến tải điện ngày thứ j Việc tìm yếu tố xác, giúp mơ hình cho kết dự báo xác Tương ứng với vector đầu vào ngày thứ j xj, đầu vector tải điện 24h ngày thứ j: f(xj)=[Loadj-1h, Loadj-2h,…, Loadj-24h] Tạp chí Nghiên cứu KH&CN quân sự, Số 74, - 2021 53 Kỹ thuật điều khiển & Điện tử Hình Lưu đồ thuật tốn tính vector xnew1 Như vậy, để xây dựng mơ hình từ thuật tốn trên, việc quan trọng xác định phần tử vector đầu vào xj Những phần tử mang yếu tố (đặc trưng) ảnh hưởng đến tải điện ngày thứ j Việc tìm yếu tố xác, giúp mơ hình cho kết dự báo xác Tương ứng với vector đầu vào ngày thứ j xj, đầu vector tải điện 24h ngày thứ j: f(xj)=[Loadj-1h, Loadj-2h,…, Loadj-24h] PHÂN TÍCH VÀ XỬ LÝ DỮ LIỆU PHỤ TẢI ĐIỆN Ở ITALIA 3.1 Phân tích tải điện Italia Để kiểm chứng phương pháp báo đề xuất, liệu phụ tải tiêu thụ điện Italia nghiên cứu, phân tích để chạy mơ hình Dữ liệu tiêu thụ điện Italia giai đoạn từ năm 2008 đến năm 2018 thu thập thể hình [10] Trên hình 2, ta thấy giai đoạn này, nhu cầu phụ tải năm gần nhau, ví dụ nhu cầu năm 2018 321,9 TWh, 100,4% so với năm 2017 Do vậy, kỳ vọng tải điện năm không thay đổi đáng kể so với năm trước Do đó, báo lựa chọn thuật toán K-nearest neighbor Regression cho tốn dự báo phụ tải điện Hình Biểu đồ tiêu thụ lượng điện Italia giai đoạn 2008-2018 Hình So sánh lượng tiêu thụ lượng điện theo tháng 2017 2018 54 N H Đức, L H Hà, “Dự báo phụ tải điện ngắn hạn mơ hình máy học: áp dụng cho Italia.” Nghiên cứu khoa học cơng nghệ Hình Biểu đồ lượng công suất tiêu thụ điện Ý tuần bình thường Hình thể hiển mức tiêu thụ điện theo tháng năm 2017 2018 Ta thấy rằng, tháng năm có lượng tiêu thụ điện gần nhau, tháng 1, tháng 2, tháng 3, tháng có sai khác đáng kể tương tứng với mức thay đổi 6,1%, 6%, 8,9%, 7% Tóm lại, tiêu thụ điện theo tháng năm sai khác 10% Hình cho thấy rằng, phụ tải điện có khác ngày tuần Từ thứ đến thứ tải điện xấp xỉ nhau, thứ chủ nhật tải thấp Lí thứ chủ nhật ngày nghỉ, lịch làm việc so với ngày từ thứ đến thứ Các phân tích chi tiết tải điện Italia tác giả mô tả [11] liệu thô phụ tải điện Italia tham khảo [10] 3.2 Xử lí liệu Bộ liệu phụ tải điện Italia cung cấp Terna (điều độ hệ thống điện Italia) tóm tắt minh họa hình Dữ liệu gồm ngày, giờ, công suất tiêu thụ, công suất dự báo Terna Các liệu thu thập sau 15 phút DATA_15 phút 10/07/2018 0:00 10/07/2018 0:15 10/07/2018 0:30 Tổng nhu cầu_GW 37,8 36,2 35,4 Tổng dự báo_GW 36,6 36,6 36,0 Hình Dữ liệu tải điện cung cấp Terna (dữ liệu thô) Từ liệu đầu vào này, báo xây dựng liệu để áp dụng cho mơ hình Dựa vào tác giả phân tích [1-2], tải điện phụ thuộc vào loại muốn dự báo (được gọi ngày N) phụ thuộc vào phụ tải điện ngày trước (ngày N-1, N-2, ) Vì vậy, báo cần xây dựng liệu gồm: Dữ liệu đầu vào: Loại N, loại N-1, N-2, Phụ tải điện 24h ngày N-1, N-2, Dữ liệu đầu ra: Phụ tải điện 24h ngày N Câu hỏi đặt cần liệu ngày trước ngày N (giả sử số ngày trước ngày N Ncal) từ xây dựng lên liệu đầu vào Bài báo sử dụng thuật toán K nearest neighborRegression cho sai số dự báo cho ngày N nhỏ Kết cho bảng sau: Bảng Sai số dự báo qua việc lấy thông tin Ncal ngày khứ Ncal = Ncal = Ncal = Ncal = Ncal = Ncal = MAPE % 2,83 2,99 3,20 3,39 4,24 2,63 VAPE % 7,25 7,41 10,46 10,19 51,55 5,18 Tạp chí Nghiên cứu KH&CN quân sự, Số 74, - 2021 55 Kỹ thuật điều khiển & Điện tử Kết cần thông tin ngày trước ngày N để xây dựng liệu đầu vào cho sai số dự báo nhỏ Như phân tích phần 1, để áp dụng thuật tốn K nearest neighbor Regression, mơ hình cần lấy trung bình cộng tải điện K ngày lịch sử mà giống với ngày N để dự báo tải điện cho ngày N Kết thể bảng Bảng Sai số dự báo qua việc lấy trung bình cộng tải điện K ngày lịch sử giống với ngày N Ncal = K=1 K=2 K=3 K=4 K=5 K=6 K=7 K=8 K=9 MAPE % 2,63 2,36 2,28 2,25 2,21 2,21 2,20 2,19 2,18 VAPE % 5,18 4,41 4,11 4,01 3,92 3,90 3,85 3,84 3,83 Kết lấy trung bình tải điện ngày lịch sử giống với ngày N cho kết sai số dự báo nhỏ (nghĩa K = 9) ÁP DỤNG MƠ HÌNH Để kiểm chứng mơ hình, kết mơ phân tích trình bày để đánh giá mơ hình báo đề xuất Dữ liệu phụ tải điện Italia sử dung để dự báo nhu cầu phụ tải điện cho Italia năm 2019 Kết chạy mơ hình tóm tắt bảng Ta thấy, sai số dự báo mơ hình 2,099% thấp sai số dự báo quan quản lý hệ thống điện Terna Italia 2,574% Bảng đưa kết dự báo mơ hình theo tháng Bảng cho thấy rằng, kết dự báo mơ hình tốt kết dự báo Terna Bảng Sai số dự báo trung bình năm 2019 Sai số dự báo (%) Mơ hình 2,099 Dự báo Terna 2,574 Bảng Sai số dự báo mơ hình đề xuất cho tháng năm 2019 so sánh với dự báo Terna Tháng Sai số dự báo (%) 10 11 12 Mơ hình 1,98 1,72 1,78 3,13 1,76 2,20 2,22 2,42 1,55 1,70 1,79 2,00 Terna 2,41 2,83 2,97 3,23 2,54 2,49 2,74 2,45 2,50 2,41 2,23 2,23 Bảng Sai số mơ hình áp dụng cho vùng Italia năm 2019 North Centre North Centre South South Sicily Sardinia Italy Mơ hình 2,68 4,01 2,99 3,98 3,77 8,43 2,10 EMP 5,44 5,69 4,11 5,02 4,50 9,96 4,16 Terna 2,57 2,57 2,57 2,57 2,58 2,57 2,57 Vùng Sai số dự báo (%) Bảng tóm tắt kết chạy mơ hình dự báo cho vùng phụ tải điện lớn Italia so sánh với dự báo Terna (điều độ quốc gia Italia), phương pháp kinh nghiệm (EMP) Có thể thấy, mơ hình cho vùng có sai số lớn so với sai số Terna Nguyên nhân đặc tính tải vùng khác Mơ hình báo xây dựng cho liệu Italia 56 N H Đức, L H Hà, “Dự báo phụ tải điện ngắn hạn mô hình máy học: áp dụng cho Italia.” Nghiên cứu khoa học cơng nghệ Bảng Sai số mơ hình áp dụng cho liệu GME cho việc dự báo tải điện năm 2013 North Centre North Centre South South Sicily Sardinia Italy Mơ hình 2,45 5,78 4,62 3,28 3,59 4,80 2,19 EMP 5,44 5,69 3,01 3,69 3,30 4,73 3,20 GME 4,23 13,44 6,70 8,35 6,65 20,26 3,12 Vùng Sai số dự báo (%) Bảng so sánh mơ hình báo với liệu GME (quản lý thị trường điện Ý) Có thể thấy với liệu Italia, mơ hình báo xây dựng có sai số nhỏ Mặc dù liệu GME Terna có khác biệt KẾT LUẬN Bài báo đề xuất mô hình dự báo phụ tải điện ngắn hạn dùng thuật tốn máy học Sự khác biệt mơ hình đơn giản không yêu cầu liệu nhiệt độ, độ ẩm,… Mơ hình áp dụng cần liệu lịch sử tiêu thụ điện phụ tải Như mơ hình ứng dụng trường hợp dự báo phụ tải điện mà liệu nhiệt độ, độ ẩm không sẵn có Đặc tính tải điện ngày trích xuất từ liệu tải điện lịch sử quan sát trực quan biểu đồ để từ xây dựng lên mơ hình dự báo Thuật tốn mơ hình dễ hiểu, đơn giản, áp dụng cho nhiều liệu phụ tải điện khác Khi có nhiều liệu phụ tải điện mơ hình giảm sai số q trình dự báo Mơ hình áp dụng đơn giản khơng cần thêm liệu nhiệt độ, độ ẩm, dễ áp dụng vào điều kiện thực tế Mơ hình áp dụng cho việc dự báo phụ tải điện trung dài hạn (nhiều ngày liên tiếp), cách từ liệu dự báo ngày N, để tạo liệu đầu vào N+1, ngày thứ N+n Một số ứng dụng áp dụng mơ tích hợp mơ hình vào phần mềm quản lý điện nhà máy, tòa nhà (PMS) để đưa dự báo tiêu thụ điện cho ngày tới, tháng tới,… TÀI LIỆU THAM KHẢO [1] M.Tucci, M.Raugi, G.Giunta, E.Crisostomi, “A Multi-Objective Method for Short- Term Load Forecasting in European Countries”, IEEE Transactions on Power Systems, vol 31 , Issue: 5, pp 3537-3574, Sept 2016 [2] Ervin Ceperic, Vladimir Ceperic, Adrijan Baric, “A Strategy for Short-Term Load Forecasting by Support Vector Regression Machines”, IEEE Transactions on Power Systems (Volume: 28, Issue: 4, Nov 2013) [3] Yanying Li, Jinxing Che, Youlong Yang, “Subsampled support vector regression ensemble for short term electric load forecasting”, Energy Volume 164, December 2018, Pages 160-170 [4] A Navot, L Shpigelmen, N Tishby, E Vaadia, “Nearest Neighbor Based Feature Selection for Regression and its Application to Neural Activity”, Advances in Neural Information Processing Systems 18, NIPS 2005, December 5-8, 2005 [5] H S Hippert, C E Pedreira and R C Souza, “Neural Networks for ShortTerm Load Forecasting: a Review and Evaluation”, IEEE Transactions on Power Systems, vol 16, no 1, pp 44-55, 2001 [6] Kunjin Chen, Kunlong Chen, Qin Wang, Ziyu He, Jun Hu, Jinliang He, “Short-Term Load Forecasting with Deep Residual Networks”, IEEE Transactions on Smart Grid, Volume: 10, Issue: 4, July 2019 [7] P Mandal, T Senjyu, N Urasaki and T Funabashi, “A neural network based saveral-hour-ahead electric load forecasting using similar days approach”, Elec Power and Energy Systems, vol 28, pp 367-373, 2006 [8] Ying Chen, Peter B Luh, Che Guan, Yige Zhao, Laurent D Michel, Matthew A Coolbeth, Peter B Friedland, “Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks”, IEEE Tạp chí Nghiên cứu KH&CN quân sự, Số 74, - 2021 57 Kỹ thuật điều khiển & Điện tử Transactions on Power Systems, Volume: 25, Issue: 1, Feb 2010 [9] Gabriel Trierweiler Ribeiro, Viviana Cocco Mariani, Leandro dos Santos Coelho, “Enhanced ensemble structures using wavelet neural networks applied to short-term load forecasting”, Engineering Applications of Artificial Intelligence, Volume 82, June 2019, Pages 272-281 [10] https://www.terna.it/en/electric-system/transparency-report/total-load [11] L Semeraro, E Crisostomo, A Franco, A Landi, M Raugi, M Tucci, “Electrical load clustering: The Italian case”, IEEE PES Innovative Smart Grid Technologies, Europe, 2014 ABSTRACT SHORT-TERM FORECAST OF LOAD BY MACHINE LEARNING MODEL: APPLICATION TO ITALIA This paper presents a method based on machine learing model to forcast daily electrical loads The model requires only historical datasets of load data Hence, it is simple and more available to implement The algorithm model “K-nearest neighbor Regression” is used to predict the power load for 24 hours of the next day by looking in historical data set of days with weak factors most similar to the next day and using the load of those days to calculate and forecast the load in day ahead Finally, data of Italia is used to verify the proposed model The resulting error performanced by this model is calculated and compared with Terna's forecast In addition, the introduced method is realized by applying to Italy and data of GME (electricity market data in Italy) Keywords: Short-term focast of load; Similar shape algorithms; Machine learning model; Electricity market Nhận ngày 28 tháng 02 năm 2021 Hoàn thiện ngày 25 tháng năm 2021 Chấp nhận đăng ngày 29 tháng năm 2021 Địa chỉ: 1Khoa Công nghệ Năng lượng – Trường Đại học Điện lực; Công ty TNHH Giải pháp lưới điện thông minh Việt Nam SES *Email: ducnh@epu.edu.vn 58 N H Đức, L H Hà, “Dự báo phụ tải điện ngắn hạn mơ hình máy học: áp dụng cho Italia.” ... tính tải vùng khác Mơ hình báo xây dựng cho liệu Italia 56 N H Đức, L H Hà, ? ?Dự báo phụ tải điện ngắn hạn mơ hình máy học: áp dụng cho Italia. ” Nghiên cứu khoa học công nghệ Bảng Sai số mô hình áp. .. Hà, ? ?Dự báo phụ tải điện ngắn hạn mơ hình máy học: áp dụng cho Italia. ” Nghiên cứu khoa học cơng nghệ Hình Biểu đồ lượng công suất tiêu thụ điện Ý tuần bình thường Hình thể hiển mức tiêu thụ điện. .. tải điển ngắn hạn dựa mơ hình máy học giúp khắc phục số tồn trên: Bài báo không sử dụng liệu nhiệt độ Mơ hình áp dụng cho ngày tuần, tháng năm Mơ hình sử dụng cho liệu phụ tải điện khác