Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện (giai đoạn 2)

Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện (giai đoạn 2)

ĐỀ TÀI NGHIÊN CỨU KHOA HỌC

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN

(GIAI ĐOẠN 2)

Hà Nội, 12-2008

ii

3.3 Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra (24L+5W+4D)xNx24

MLP-3.43.4 Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra mã hoá dạng ngày

dùng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24

MỞ ĐẦU

Dự báo phụ tải điện với độ chính xác cao là một trong những nhiệm vụ vô

cùng quan trọng trong quy hoạch và vận hành hệ thống điện Dự báo phụ tải điện có thể chia làm 3 nhóm: dự báo ngắn hạn (một giờ đến một tuần), dự báo trung hạn (từ hơn một tuần đến một năm) và dự báo dài hạn (trên một năm) Nếu như dự báo trung

hạn và dài hạn được quan tâm nghiên cứu khá nhiều ở nước ta (chủ yếu để phục vụ

quy hoạch hệ thống điện) thì dự báo ngắn hạn mặc dù đóng vai trò cực quan trọng trong vận hành kinh tế hệ thống điện, lại chưa được quan tâm nghiên cứu đúng mức

ở nước ngoài, dự báo ngắn hạn phụ tải điện là một vấn đề đã, đang và tiếp tục

được nghiên cứu, chủ yếu dùng các phương pháp xác suất thống kê như hồi qui đa biến, san hàm mũ, chuỗi thời gian, Gần đây, đã có một số công trình chuyển sang sử

dụng các công cụ của trí tuệ nhân tạo, đặc biệt là mạng nơ ron nhân tạo để dự báo ngắn hạn

ở nước ta, đã có một vài nghiên cứu ở một số nơi về mạng nơ ron trong dự báo phụ tải điện nhưng nặng về nghiên cứu phương pháp luận và học thuật, chưa đi vào số liệu cụ thể, sai số còn cao và khả năng áp dụng còn giới hạn

Giai đoạn 1 của đề tài đó xem xột cỏc vấn đề sau: - Tổng quan về dự bỏo phụ tải điện ngắn hạn

- Tổng quan về mạng nơ ron nhõn tạo và Matlab Neuron Toolbox - Mạng nơ ron nhõn tạo trong dự bỏo phụ tải điện ngắn hạn

- Lựa chọn mạng nơ ron nhõn tạo cho dự bỏo phụ tải điện ngắn hạn ở nước ta Bỏo cỏo này trỡnh bày cỏc kết quả cơ bản của giai đoạn 2, bao gồm cỏc vấn đề thiết kế mụ hỡnh, lập phần mềm và thử nghiệm để dự bỏo đỉnh-đỏy-dạng biểu đồ phụ tải ngày dựng mạng neuron nhiều lớp thuật toỏn lan truyền ngược sai số MLP và mạng một lớp thuật toỏn học khụng giỏm sỏt Kohonen Kết quả thử nghiệm mạng cho thấy hiệu quả dự bỏo là thấp hơn cỏc mụ hỡnh dựng phương phỏp thống kế và tương đương với cỏc cụng bố dựng mạng neuron, neuron-mờ, Để so sỏnh, giai đoạn 2 cũng đó xõy dựng phần mềm dự bỏo biểu đồ phụ tải ngày trờn cơ sở mạng neuron

v24 đầu ra (phụ tải 24 giờ trong ngày) Kết quả cho sai số tương đương với phương pháp đỉnh-đáy-dạng Hướng nghiên cứu tiếp theo là tổng hợp cả 2 giải pháp này trong phần mềm dự báo sử dụng bộ tổng hợp sai số bình phương tối thiểu dựa vào hiệu quả dự báo của từng giải pháp trong quá khứ

Chương này giới thiệu phương pháp, dữ liệu và kết quả dự báo đỉnh và đáy biểu đồ phụ tải ngày khu vực Hà Nội trên cơ sở mạng neuron nhân tạo nhiều lớp huấn luyện bằng thuật toán lan truyền ngược sai số MLP

1.2 Thuật toán chung dự báo biểu đồ phụ tải ngày

Với một số giản ước dựa trên nhu cầu thực tiễn cũng như xem xét lý thuyết, dự báo biểu đồ phụ tải ngày có thể xem là bài toán xác định đường cong phụ tải biểu diễn sự phụ thuộc của công suất phụ tải của hệ thống nào đó vào thời gian trong ngày, đường cong này thường xây dựng cho 24 giờ trong ngày (hoặc có khi từng nửa giờ một) Biểu đồ phụ tải tuần và ngày đặc trưng cho khu vực Hà Nội được biểu diễn trên hình 1.1

0100200300400500600

Hình 1.1 Biểu đồ phụ tải tuần và ngày đặc trưng khu vực Hà Nội

Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày:

đồ phụ tải ngày (dạng đường cong phụ thuộc phụ tải-giờ) [3]

[2]

Nghiên cứu này sử dụng cách tiếp cận đầu tiên vì tính đơn giản và hiệu quả

cho ngày d

d = L ,,i=1,n ;T , ,j =1,n ;C , ;k =1,n

Td,j, j=1,nT là thông số thời tiết j của ngày d; T có thể là nhiệt độ, độ ẩm,

Cd,k, k=1,nS là thông số lịch k của ngày d, C có thể là mã hoá của ngày trong

tuần, mùa trong năm, ngày lễ-tết, ngày có sự kiện văn hoá-thể thao đặc biệt,

(hoặc gọi là dạng đường cong biểu đồ phụ tải) theo công thức

−−

Tnd,j, j=1,nT và Cnd,k, k=1,nS cũng được chuẩn hoá tương tự

minLd và biểu đồ phụ tải chuẩn hoá nLd,i

Thuật toán này phát triển trên cơ sở đề xuất trong [3] và khác với [3] tại 2

mà còn bao gồm cả các thành phần thời tiết và lịch sinh hoạt, sản xuất – là các thành phần ảnh hưởng đến biểu đồ phụ tải; b) phần dự báo dạng biểu đồ phụ tải ngày không dựa đơn thuần trên 4 nhóm ngày phân loại cố định từ trước (Chủ nhật, thứ Bảy, thứ Ba- thứ Năm, thứ Sáu) mà trên cơ sở các nhóm ngày được phân loại chi tiết hơn có tính đến yếu tố thời tiết và lịch sinh hoạt-sản xuất, tận dụng thông tin về khoảng cách giữa vector trọng số của neuron đặc trưng cho nhóm và vector đầu vào của mạng Kohonen (xem chương 4)

Đỉnh và đáy biểu đồ phụ tải sẽ được dự báo dùng 2 MNN nhiều lớp truyền thẳng một đầu ra Biểu đồ phụ tải chuẩn hoá sẽ được dự báo dùng mạng ánh xạ tự tổ chức Kohonen (xem sơ đồ trên hình 1.2)

Hình 1.2 Sơ đồ cấu trúc mô hình dự báo BĐPT ngày

L,T,C MLP dự báo đỉnh MLP dự báo đáy SOM dự báo dạng

Bộ tổng hợp

L,T,C

L,T,C

Ld,i

Lựa chọn các neuron đầu vào Nhằm chọn số neuron đầu vào phù hợp đã tiến

k ngày trước ngày dự báo, k=1,2, ; maxTd-k, minTd-k - nhiệt độ cao nhất và thấp nhất k

maxTd-maxTd-1 - chênh lệch nhiệt độ cao nhất giữa ngày dự báo và ngày trước đó;

Hd, RFd, SHd - độ ẩm, lượng mưa và số giờ nắng ngày dự báo

Bảng 1.1 Hệ số tương quan giữa maxLd và các thông số còn lại x

giá trị này cũng thể hiện phần nào tập quán sử dụng điện, mức thu nhập trung bình và trình độ phát triển của từng khu vực trên thế giới

1 Nhiều nước công bố giá trị TCmin = 150C và TCmax = 200C

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37

Ttb, oC

Hình 1.3 Phụ thuộc phụ tải - nhiệt độ khu vực Hà Nội

Do đó, có thể thay thế đầu vào nhiệt độ T bằng hàm chuyển đổi f(T) sau :

Thông tin về ngày trong tuần sẽ được mã hoá bằng một trong hai cách, sử dụng 3 hoặc 7 neuron đầu vào như nêu tại bảng 1.2

Bảng 1.2 Mã hoá ngày trong tuần

Số neuron Chủ nhật Thứ Hai Thứ Ba Thứ Tư Thứ Năm Thứ Sáu Thứ Bảy

7 0000001 0000010 0000100 0001000 0010000 0100000 1000000

Phân tích biến thiên đỉnh phụ tải, dạng biểu đồ phụ tải và nhiệt độ cao nhất ngày trong một số năm khu vực Hà Nội (xem hình 1.4) cho thấy theo mức phụ tải và nhiệt độ trong năm có thể chia phụ tải hàng năm của Hà Nội thành 3 mùa: mùa đầu năm từ tháng Giêng đến tháng 4; mùa giữa năm từ tháng 5 đến tháng 8 và mùa cuối năm từ tháng 9 đến tháng 12 Các mùa này được mã hoá bằng 3 bit tương ứng như sau: 100, 010 và 001

Hình 1.4 Biến thiên đỉnh biểu đồ phụ tải và nhiệt độ cao nhất ngày trong năm khu vực Hà Nội

Tóm lại, trên cơ sở phân tích tương quan giữa các thông số phụ tải, thời tiết, thiết kế MNN dùng dự báo đỉnh biểu đồ phụ tải ngày với các đầu vào và đầu ra như sau:

Bảng 3 Đầu vào và đầu ra của MNN dự báo đỉnh biểu đồ phụ tải ngày

Đầu vào

Mạng cơ sở trên sẽ được thêm, bớt hoặc thay đổi các đầu vào (như hàm nhiệt độ thay cho nhiệt độ, mã hoá ngày trong tuần dùng 1 neuron hoặc 3 neuron, ) với

xiimục đích so sánh hiệu quả dự báo và tìm ra cấu trúc mạng phù hợp nhất đối với hệ thống điện Hà Nội

Lựa chọn số neuron lớp ẩn Nhằm giảm ảnh hưởng của hiện tượng quá khớp

và thừa thông số, số neuron lớp ẩn và số chu kỳ huấn luyện mạng sẽ được xác định thông qua quá trình kiểm định Số neuron lớp ẩn khởi đầu xác định theo công thức kinh nghiệm nêu trong [7]:

với Nh, NS, Ni và No tương ứng là số neuron lớp ẩn, số mẫu huấn luyện, số neuron

đầu vào và số neuron đầu ra của mạng Tăng, giảm số neuron lớp ẩn xung quanh giá trị ban đầu, thông qua huấn luyện mạng có kiểm định, xác định số neuron lớp ẩn tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất Ứng với trường hợp này cũng xác định số chu kỳ huấn luyện mạng

Kiểm định và lựa chọn số chu kỳ huấn luyện mạng

Để khắc phục hiện tượng quá khớp và thừa tham số, có thể sử dụng phương pháp điều tiết hoặc kiểm định Kết hợp công thức kinh nghiệm (1.4) và thuật toán kiểm định, đề xuất trình tự lựa chọn số neuron lớp ẩn và số chu kỳ huấn luyện mạng như sau:

Bước 1: Chọn số neuron lớp ẩn ban đầu theo công thức (1.4)

Bước 2: Tăng, giảm số neuron lớp ẩn xung quanh giá trị ban đầu, thông qua huấn luyện mạng có kiểm định, xác định số neuron lớp ẩn tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất Ứng với trường hợp này cũng xác định số

Bước 3: Gộp tập kiểm định vào tập huấn luyện thành tập huấn luyện mới và

số in-sample) và đối với tập kiểm tra (sai số out-sample)

Chỉ tiêu sai số so sánh Sử dụng sai số tuyệt đối phần trăm trung bình (MAPE)

để so sánh hiệu quả dự báo của MNN

Trên cơ sở thuật toán trên đã xây dựng phần mềm dự báo đỉnh và đáy phụ tải ngày sử dụng công cụ MATLAB và giao diện đồ hoạ MATLAB-GUI

Kết quả dự báo đỉnh phụ tải

Để so sánh ảnh hưởng của các thông tin đầu vào khác nhau đến hiệu quả dự báo đã tiến hành nghiên cứu các phương án mạng khác nhau về số lượng và tính chất các đầu vào (có và không có thông tin về thời tiết, về mùa, các phương án mã hoá khác nhau, v.v ):

i.Mạng không có đầu vào về nhiệt độ, ký hiệu MLP-(2L+7DT+3S)x10x1-20e

Mạng có tất cả 12 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 7 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 20

ii.Mạng không có đầu vào về nhiệt độ ngày dự báo nhưng có thông tin đầu vào về

nhiệt độ các ngày quá khứ, ký hiệu MLP-(2L+4f(T)+7DT+3S)x7x1-16e Mạng có tất cả 16 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 4 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ, 7 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 16

iii.Mạng không có đầu vào về mùa trong năm, ký hiệu

MLP-(2L+6f(T)+7DT)x7x1-16e Mạng có tất cả 15 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như ngày dự báo và 7 đầu vào mã hoá ngày trong tuần; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 28

iv.Mạng có 3 bit mã hoá ngày trong tuần, ký hiệu

MLP-(2L+6f(T)+3DT+3S)x7x1-15e Mạng có tất cả 14 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của

xivngày dự báo, 3 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 15

v Mạng có 7 bit mã hoá ngày trong tuần, ký hiệu

MLP-(2L+6f(T)+7DT+3S)x6x1-21e Mạng đầy đủ nhất trong số xem xét, có tất cả 18 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo, 7 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 6; số chu kỳ huấn luyện là 21

vi.Mạng có đầu vào nhiệt độ trực tiếp (không dùng hàm chuyển đổi), ký hiệu

MLP-(2L+6T+3S)x10x1-16e Mạng có tất cả 11 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16

vii.Mạng có đầu vào là hàm chuyển đổi nhiệt độ, ký hiệu

MLP-(2L+6f(T)+3S)x10x1-16e Mạng có tất cả 11 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16

Kết quả tổng hợp trong bảng 1.4 Các giá trị sai số này là trung bình thống kê 10 lần huấn luyện và dự báo độc lập

Bảng 1.4 So sánh sai số dự báo đỉnh biểu đồ phụ tải ngày với các phương án MNN khác nhauMạng Kỳ dự báo Average Ghi chú

MLP-(11+7)x6x1-21e-f(T) 1.16 Mạng mùa+ngày 7bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 1.58 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.62 Mạng mùa+ngày 7bit+NoT MLP-11x10x1-16e-T 1.15 Mạng mùa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 1.09Mạng mùa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e

Ngày

4.38 Mạng mùa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 2.62 Mạng mùa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 2.97 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 2.95 Mạng mùa+ngày 7bit+NoT MLP-11x10x1-16e-T

Tuần

2.93 Mạng mùa+T+10 neuron lớp ẩn

Mạng Kỳ dự báo Average Ghi chú

MLP-11x10x1-16e-f(T) 2.85 Mạng mùa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e 2.71 Mạng mùa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 3.07 Mạng mùa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 3.43 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.73 Mạng mùa+ngày 7bit+NoT MLP-11x10x1-16e-T 3.76 Mạng mùa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 3.70 Mạng mùa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e

3.75 Mạng mùa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 3.18 Mạng mùa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 3.24 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.94 Mạng mùa+ngày 7bit+NoT MLP-11x10x1-16e-T 3.80 Mạng mùa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 3.74 Mạng mùa+f(T)10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e

Toàn bộ

3.82 Mạng mùa+ngày 7bit+NoT(i)

Mùa Không mùa

Hình 5 So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về mùa trong năm

So sánh hiệu quả dự báo trường hợp có và không có thông tin về mùa trong

năm (hình 5) cho thấy phương pháp phân loại mùa nêu trên và thông tin về mùa đưa

vào mạng khá là hiệu quả Đối với khu vực Hà Nội thông tin về mùa giúp giảm sai số dự báo từ 1,58% (đối với dự báo 1 ngày tới), 2,97% (dự báo 1 tuần tới) và 3,43% (đối với dự báo 1 tháng tới) xuống còn 1,16%, 2,62% và 3,07% tương ứng; tương đương với giảm được 36% sai số dự báo 1 ngày tới, 14% sai số dự báo 1 tuần tới và 12% sai

số dự báo 1 tháng tới

Hình 1.6 So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về nhiệt độ

So sánh hiệu quả dự báo trường hợp có và không có thông tin về nhiệt độ (hình 6) cho thấy nhiệt độ là thông tin cần thiết đối với mạng Đối với khu vực Hà

Nội thông tin về nhiệt độ giúp giảm sai số dự báo từ 3,62% (đối với dự báo 1 ngày tới), 2,95% (dự báo 1 tuần tới) và 3,73% (đối với dự báo 1 tháng tới) xuống còn 1,16%, 2,62% và 3,07% tương ứng

Hình 7 So sánh sai số dự báo đỉnh trường hợp dùng và không dùng hàm chuyển đổi nhiệt độ

So sánh hiệu quả dự báo trường hợp không dùng và dùng hàm chuyển đổi nhiệt độ (hình 7) cho thấy dùng hàm chuyển đổi nhiệt độ mặc dù hiệu quả tăng lên là

không nhiều nhưng sai số dự báo vẫn có xu hướng giảm Đối với khu vực Hà Nội sai số dự báo giảm từ 1,15% (đối với dự báo 1 ngày tới), 2,93% (dự báo 1 tuần tới) và 3,76% (đối với dự báo 1 tháng tới) xuống còn 1,09%, 2,85% và 3,70% tương ứng Để tăng hiệu quả dự báo theo hướng này, có thể thay hàm chuyển đổi (3) bằng hàm bình phương độ lệch nhiệt độ

Ngày TuầnThángTập test

Hình 8 So sánh sai số dự báo đỉnh BĐPT ngày trường hợp có và không có nhiệt độ ngày dự báo

So sánh hiệu quả dự báo trường hợp có và không có đầu vào nhiệt độ ngày dự báo (hình 8) cho thấy thông tin về nhiệt độ ngày dự báo cho phép giảm sai số dự báo

đáng kể Tuy nhiên, các giá trị nhiệt độ ngày dự báo trong nghiên cứu là giá trị thực tế Trên thực tế, tại thời điểm dự báo phụ tải ta chỉ có số liệu nhiệt độ dự báo với sai số nào đó, sai số này có thể sẽ ảnh hưởng đến sai số dự báo phụ tải Vì vậy, cần cân nhắc giữa sai số dự báo phụ tải gây ra bởi ảnh hưởng của sai số dự báo nhiệt độ với sai số giảm đi nhờ đưa vào mạng thông tin về nhiệt độ ngày dự báo

Tương tự, so sánh trường hợp có và không có mã ngày trong tuần cũng cho thấy thông tin ngày trong tuần làm giảm đến khoảng 10% sai số dự báo Riêng khác biệt về hiệu quả của 2 trường hợp mã hoá ngày bằng 3 bit hoặc 7 bit là không rõ rệt, do đó có thể chỉ dùng cách mã hoá 3 bit chứ không cần đến 7 bit để tiết kiệm tài nguyên

Cập nhật số liệu đỉnh biểu đồ phụ tải từng ngày để giảm sai số dự báo

xixCác kết quả trên đây cho thấy, hầu hết các cấu trúc mạng xem xét đều có thể cho sai số dự báo ngày đầu tiên khá thấp, tuy nhiên sai số dự báo các ngày sau thường ở mức cao hơn

Vì vậy đề xuất giải pháp cập nhật mạng MLP hàng ngày với số liệu đỉnh phụ tải ngày mới nhất để giảm sai số dự báo ngày sắp tới

Thuật toán cập nhật đề xuất như sau:

a) Sau mỗi ngày tập huấn luyện sẽ được cập nhật bằng cách bổ sung giá trị thực tế của ngày hôm đó về đỉnh phụ tải, thông số thời tiết, kiểu ngày, (nghĩa là số vector tập huấn luyện sẽ tăng lên 1 đơn vị)

b) Mạng MLP hiện hữu sẽ được huấn luyện lại với toàn bộ tập huấn luyện mới được cập nhật (hoặc với một tập con của nó, bao gồm ít nhất là vector huấn luyện của ngày mới nhất)

c) Mạng MLP cập nhật sẽ được dùng để dự báo đỉnh biểu đồ phụ tải của ngày kế tiếp

d) Chu kỳ a)-c) trên sẽ lặp lại hàng ngày để đạt được sai số dự báo dưới ngưỡng yêu cầu

1.4 Tóm lược chương 1

Trong chương này trình bày một số kết quả sau:

- Xây dựng mô hình dự báo biểu đồ phụ tải ngày cho khu vực Hà Nội được xây dựng trên cơ sở mạng MLP dự báo đỉnh và đáy phụ tải, mạng Kohonen dự báo dạng BĐPT Phần mềm dự báo đỉnh và đáy phụ tải được viết trên phần mềm MATLAB và NNTools có sử dụng công cụ giao diện đồ hoạ GUI

- Để chọn các đầu vào phù hợp nhất trong số các thông số phụ tải, thời tiết và lịch sinh hoạt-sản xuất, tiến hành phân tích tương quan giữa phụ tải đỉnh dự báo và các thông số còn lại

- Nhằm tránh hiện tượng quá khớp và thừa thông số của mạng MLP thuật toán học lan truyền ngược áp dụng cho dự báo đỉnh phụ tải, số neuron lớp ẩn và số chu kỳ huấn luyện mạng được xác định trên cơ sở thuật toán kiểm định và tăng giảm số neuron lớp ẩn so với công thức kinh nghiệm Oja

- Kết quả thử nghiệm thuật toán và phần mềm cho sai số dự báo đỉnh phụ tải ở mức 2,5% và thấp hơn Để duy trì mức sai số thấp này cần có thủ tục cập nhật mạng hàng ngày bằng số liệu phụ tải và thời tiết mới cũng như cần tách số liệu quá khứ các ngày lễ-tết, các ngày cắt điện sự cố hay kế hoạch, ra khỏi tập huấn luyện để xử lý riêng

- So sánh kết quả dự báo dùng các phương án đầu vào mạng khác nhau cho thấy: a) việc đưa thông tin về mùa giảm được sai số dự báo đáng kể; b) thông tin về thời tiết là cần thiết cho dự báo đỉnh phụ tải; c) mã hoá ngày dùng 7 neuron đầu vào không tăng hiệu quả dự báo so với phương án dùng 3 neuron đầu vào

Tài liệu tham khảo chương 1

1 Upadhyay K.G., Singh S.N., An approach to short term load forecasting using

Vienna (2007)

2 H.S Hippert, C.E Pedreira, and R.C Souza Neural Networks for Short-Term

Load Forecasting: A Review and Evaluation IEEE Transactions on Power

7 Oja E, Lecture material for the course Principles of Neural Computing, held at

Helsinki University of Technology in Spring 1997 8 Kohonen T Self-Organization Maps Berlin (2001)

Trong chương này sẽ nghiên cứu xây dựng mô hình dự báo biểu đồ phụ tải khu vực Hà Nội theo cách tiếp cận đầu tiên Các mô hình khác sẽ được xem xét ở các chương sau

2.2 Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng Thuật toán dự báo biểu đồ phụ tải ngày

Phương pháp này có thể chia thành 3 bước: bước 1 bao gồm các khâu dự báo đỉnh và đáy phụ tải của ngày tới; bước 2 - dự báo dạng biểu đồ phụ tải của ngày tới; bước 3 - xây dựng biểu đồ phụ tải ngày tới trên cơ sở đỉnh, đáy phụ tải và dạng biểu đồ phụ tải dự báo ở bước trước

Bước 1 có thể sử dụng một trong 2 phương án sau:

- Dùng 2 MNN riêng cho dự báo đỉnh và dự báo đáy (ví dụ, mạng MLP 1 đầu ra);

- Dùng 1 MNN chung cho dự báo đỉnh và dự báo đáy (MLP 2 đầu ra)

tính toán của bước dự báo đỉnh và đáy phụ tải, đề xuất sử dụng phương án 2 mạng MLP riêng cho bước 1 với mô hình mạng "mùa" và mạng "kiểu ngày" như đã xem xét ở chương trước

Bước 2- dự báo dạng biểu đồ phụ tải ngày tới - tiến hành bằng cách lập dạng biểu đồ phụ tải ngày tới trên cơ sở lấy trung bình của biểu đồ phụ tải n ngày tương tự trước đó (ví dụ, n=3 5 và n=2, 3 ngày tương tự trước đó đối với ngày làm việc và đối với ngày nghỉ, ngày lễ tương ứng) Ngày có biểu đồ phụ tải tương tự được xác định bằng nhiều cách, ví dụ:

loại dạng biểu đồ phụ tải của tập biểu đồ phụ tải quá khứ thành các nhóm khác nhau, xây dựng bộ dấu hiệu nhận dạng (bao gồm các thông tin biết trước, ví dụ, ngày trong tuần, các ngày lễ xác định, ngày có sự kiện văn hoá thể thao lớn, ) để nhận dạng các nhóm biểu đồ phụ tải này Đối với ngày dự báo, cần trình bộ dấu hiệu nhận dạng này để xác định nhóm biểu đồ phụ tải mà ngày dự báo này trực thuộc

các biểu đồ phụ tải có dạng tương tự trong quá khứ

Tập dữ liệu:

Công ty Điện lực Hà Nội trong 2 năm 2003-2004, chuyển đổi và lưu trữ trong file dạng ".xls" Số liệu 2 năm là tạm đủ để phản ánh tính chu kỳ của phụ tải theo tuần, tháng, mùa và năm

Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự báo biểu đồ phụ tải ngày

Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự báo biểu đồ phụ tải ngày trình bày trên hình 1.2 (xem chương 1)

xxivMô hình bao gồm 2 mạng MLP dùng dự báo đỉnh và đáy phụ tải ngày, một mạng ánh xạ tự tổ chức SOFM hoặc một công cụ khác dùng phân loại các biểu đồ phụ tải ngày trong quá khứ - bao gồm cả cơ sở dữ liệu dạng biểu đồ phụ tải ngày đã phân loại và một bộ tổng hợp cuối cùng biểu đồ phụ tải ngày

Dự báo đỉnh và đáy biểu đồ phụ tải ngày

Như đã xem xét ở chương I, trong chương này sẽ sử dụng 2 loại mạng - mạng "mùa" và mạng "kiểu ngày" để dự báo đỉnh và đáy biểu đồ phụ tải (MLP-(5+8DT)xNx1 và mạng MLP-(5+3S)xNx1)

Ký hiệu đỉnh và đáy phụ tải của ngày thứ i là Peak(i) và Valley(i) tương ứng

Dự báo dạng biểu đồ phụ tải ngày

thông qua phân loại dùng mạng ánh xạ tự tổ chức Kohonen- có thể chia thành một số nhóm: nhóm các ngày nghỉ cuối tuần, nhóm các ngày làm việc trong tuần và nhóm các ngày lễ, tết

nhóm: Sun, Mon, Tue, Wed, Thu, Fri, Sat và Hol Dạng biểu đồ phụ tải ngày dự báo sẽ được tính là là trung bình dạng của một số biểu đồ phụ tải các ngày tương tự gần nhất (2 5 ngày tương tự gần nhất)

với P(i,j) là phụ tải giờ thứ j của ngày thứ i, j=1 24

Pmax(i) và Pmin(i) là đỉnh và đáy phụ tải ngày thứ i

Biểu đồ phụ tải chuẩn hoá trung bình được tính theo công thức

với K là số ngày tương tự gần nhất, K=2 5

Có thể gọi đây là biểu đồ phụ tải chuẩn hoá trung bình hay dạng biểu đồ phụ

tải của ngày dự báo kỳ vọng

- Tính toán biểu đồ phụ tải của ngày dự báo theo công thức

Kết quả và phân tích

Lựa chọn số biểu đồ phụ tải ngày tương tự

Số ngày có biểu đồ phụ tải tương tự ngày dự báo được đề xuất là K=2 5 Để lựa chọn số biểu đồ phụ tải tương tự, tác giả đã tiến hành thí nghiệm với các giá trị K

khác nhau với cùng các giá trị đỉnh và đáy biểu đồ phụ tải đã được dự báo và so sánh hiệu quả dự báo biểu đồ phụ tải ngày Dưới đây ta sẽ tiến hành các thí nghiệm lựa chọn số biểu đồ phụ tải tương tự để lấy trung bình cho 2 trường hợp mạng dự báo đỉnh đáy phụ tải: mạng "kiểu ngày" MLP-(5+8DT)xNx1 và mạng "mùa" MLP(5+3S)xNx1

a) Trường hợp mạng "kiểu ngày" MLP-(5+8DT)xNx1 Điều kiện tính toán như sau:

MLP Architecture

Number of input neurons 13

Number of hidden neurons 7

Number of output neurons 1

Training Function trainlm

xxvib Đặc điểm tập số liệu mẫu

Test Data

Number of total data vectors 724

Number of training vectors 580

Number of test vectors 144

phụ tải

Training and Performance Peak Valley

Number of maximum epochs 1616

Number of actual epochs 1616

Training Performance 0.007390.00483

Correlation Coeff R(a, t) 0.918310.94024

Kết quả tính toán tổng hợp trong các bảng dưới đây:

khi số ngày tương tự bằng 4 (tức lấy trung bình của 4 biểu đồ phụ tải ngày tương tự) Đây là các kết quả tương đối khả quan từ góc độ sai số (có thể đạt MAPE mức 2,5% cho dự báo ngày đầu tiên ) và cả dưới góc độ phương pháp (chỉ ra số biểu đồ phụ tải ngày tương tự cần lấy trung bình)

Kết quả dự báo đỉnh BĐPT trong 1 tháng

Kết quả dự báo đáy BĐPT trong 1 tháng

Forecast and Actual LP of the 1st day

Hình 2.1 Kết quả dự báo đỉnh đáy và biểu đồ phụ tải ngày dùng mạng "kiểu ngày"

b) Trường hợp mạng "mùa" MLP-(5+3S)xNx1 Điều kiện tính toán như sau:

MLP Architecture

Number of input neurons 8

Number of hidden neurons 7

Number of output neurons 1

Training Function trainlm

b Đặc điểm tập số liệu mẫu

Test Data

Number of total data vectors 724

Number of training vectors 580

Number of test vectors 144

Training and Performance Peak Valley

Number of maximum epochs 2020

Number of actual epochs 2020

báo đáy biểu đồ phụ tải

Kết quả dự báo đỉnh BĐPT trong 1 tháng

Forecast and Actual LP of the 1st day

13579 11 13 15 17 19 21 23

Actual LPForecast LP

Hình 2.2 Kết quả dự báo đỉnh đáy và biểu đồ phụ tải ngày dùng mạng "mùa"

2.3 Tóm lược chương 2

Để dự báo đồng thời phụ tải 24 giờ tới - tức biểu đồ phụ tải ngày, xây dựng mô hình kết hợp bao gồm 2 mạng MLP dùng dự báo đỉnh và đáy phụ tải ngày, một mạng ánh xạ tự tổ chức SOFM hoặc một công cụ khác dùng phân loại các biểu đồ phụ tải ngày trong quá khứ - bao gồm cả cơ sở dữ liệu dạng biểu đồ phụ tải ngày đã phân loại và một bộ tổng hợp biểu đồ phụ tải ngày

Qua thử nghiệm các phương án cấu trúc mạng MLP và các dữ liệu đầu vào khác nhau, ta thấy rằng các mạng MLP dự báo đỉnh và đáy biểu đồ phụ tải ngày phải là các mạng có cấu trúc và đầu vào khác nhau Đối với dự báo đáy biểu đồ phụ tải, hiệu quả nhất là mạng có các đầu vào mã hoá dạng ngày (gọi là mạng “kiểu ngày”) mà không cần các đầu vào về mùa trong năm Mạng MLP có các đầu vào mùa trong năm (gọi là mạng “kiểu mùa”) lại là mạng có hiệu quả cao đối với dự báo đỉnh biểu đồ phụ tải Điều này thể hiện rõ qua các chỉ tiêu sai số tính toán trong chương này và phản ánh tương quan giữa đỉnh biểu đồ phụ tải khu vực Hà Nội và yếu tố mùa trong năm

Để dự báo dạng biểu đồ phụ tải, ta sử dụng phương pháp lấy trung bình biểu đồ phụ tải của các ngày tương tự gần nhất Các tính toán trên cơ sở so sánh sai số trong chương này đã chỉ ra rằng số biểu đồ phụ tải tương tự phù hợp nhất là 4 Khi đó sai số dự báo biểu đồ phụ tải ngày đạt mức 2,6%

Để duy trì được mức sai số 2,6% này đối với các ngày tiếp theo, cần cập nhật

mạng hàng ngày với các số liệu phụ tải và thời tiết của ngày mới nhất

CHƯƠNG 3

DỰ BÁO BIỂU ĐỒ PHỤ TẢI NGÀY

DÙNG MẠNG NEURON NHIỀU LỚP MLP 24 ĐẦU RA

3.1 Giới thiệu

Chương 2 đã xem xét mô hình dự báo biểu đồ phụ tải ngày sử dụng phương

pháp kết hợp dự báo đỉnh-đáy-dạng biểu đồ phụ tải trên cơ sở mạng neron nhiều lớp 1 đầu ra và lấy trung bình dạng biểu đồ phụ tải các ngày tương tự gần nhất Nếu cập nhật mạng hàng ngày, sai số dự báo biểu đồ phụ tải ngày đạt 2,6%, là mức khá thấp so với các số liệu công bố đến nay cho trường hợp dự báo đồng thời 24 giờ tới (ví dụ: [P Murto] ở mức 4%, )

Để so sánh, trong chương này xem xét thêm mô hình dự báo biểu đồ phụ tải ngày sử dụng mạng neuron nhiều lớp 24 neuron đầu ra

Phụ thuộc vào số liệu đầu vào ta sẽ xem xét một số cấu hình mạng dưới đây để so sánh:

b) Mạng MLP-33xNx24 với 33 đầu vào sau (24L+5W+4DT):

c) Mạng MLP-37xNx24 với 37 đầu vào sau (24L+5W+8DT):

cũng sẽ xem xét một số giải pháp nâng cao hiệu quả dự báo và đề xuất cấu hình và thuật học phù hợp cho tập học xem xét

3.2 Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP-31xNx24: Cấu trúc mạng MLP phương án cơ sở:

Đầu vào (24L+3W+4D2): Bao gồm

-Phụ tải giờ thứ 1, 2, , 24 của ngày thứ i-1 P(i-1,1) P(i-1,24)

tập mẫu học (trainV), chiếm 60% bộ dữ liệu, tức khoảng 60%*(731)=438 ngày; tập

kiểm tra chéo cross-validation (val); tập test (test) Tập val và tập test chiếm 20% mỗi

(Như vậy số thông số tự do cần đánh giá (trọng số W) là khoảng (31+24)x17=935 Số vector mẫu học chỉ là 438, tuy nhiên tổng số số liệu để huấn

Kết quả và phân tích

Mạng MLP-(24+3+4)x17x24 là mạng có kích thước tương đối lớn Vì vậy, cần lựa chọn thuật toán huấn luyện phù hợp nhằm giảm bộ nhớ và tốc độ tính toán Nghiên cứu đã so sánh hiệu quả các hàm huấn luyện có trong MATLAB thông qua chỉ tiêu sai số MAPE

Điều kiện tính toán như sau:

2 L: load; W: weather; D: day type

MLP Architecture

Number of input neurons 31Number of hidden neurons 17Number of output neurons 24

Test Data

Number of total data vectors 730Number of training vectors 438Number of validation vectors 146Number of test vectors 146

c.Số chu kỳ huấn luyện: 5000 Kết quả tính toán tổng hợp trong bảng sau:

Bảng 3.1 So sánh sai số MAPE giữa các hàm huấn luyện khác nhau

MAPE Kỳ dự báo

trainrp traincgb traincgf traincgp traingda trainlm trainoss trainscg Ngày đầu 2.6% 4.1% 7.9% 6.8% 2.9% 3.1% 5.0% 3.4% Tuần đầu 3.0% 4.3% 3.8% 3.8% 3.4% 8.3% 3.9% 5.6% Tháng đầu 3.3% 4.8% 3.9% 4.9% 3.6% 7.3% 4.5% 5.3% Tất cả 392 ngày 5.9% 10.4% 7.3% 14.3% 5.3% 16.0% 8.6% 8.3% MSE 0.00880 0.00411 0.00455 0.00375 0.01416 0.00287iii 0.00589 0.00362

Bảng 3.2 So sánh sai số MAPE giữa phương pháp 24 đầu ra và phương pháp đỉnh-đáy dạng biểu đổ phụ tải

Forecast and Actual Load Profiles of the 1st day

Đầu vào (24L+3W+4D): Bao gồm

-Phụ tải giờ thứ 1, 2, , 24 của ngày thứ i-1 P(i-1,1) P(i-1,24)