Dự báo ngắn hạn công suất phụ tải của lưới điện thành phố hà nội sử dụng bộ lọc kalman

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Dự báo ngắn hạn công suất phụ tải lưới điện thành phố Hà Nội sử dụng lọc Kalman LÊ HẢI LƯU Ngành Kỹ thuật điện Giảng viên hướng dẫn: TS Nguyễn Thị Hoài Thu Viện: Điện HÀ NỘI, 2020 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Dự báo ngắn hạn công suất phụ tải lưới điện thành phố Hà Nội sử dụng lọc Kalman LÊ HẢI LƯU Ngành Kỹ thuật điện Giảng viên hướng dẫn: TS Nguyễn Thị Hoài Thu Chữ ký GVHD Viện: Điện HÀ NỘI, 2020 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Lê Hải Lưu Đề tài luận văn: Dự báo ngắn hạn công suất phụ tải lưới điện thành phố Hà Nội sử dụng lọc Kalman Chuyên ngành: Kỹ thuật điện Mã số SV: CB180107 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 30/10/2020 với nội dung sau: - Sửa lỗi ngữ pháp, lỗi trình bày, làm rõ ảnh hưởng tham số nhiễu đến độ xác dự báo, trích dẫn tài liệu cho phần trình bày, nêu rõ ưu nhược điểm phương pháp dự báo, bổ sung thêm tài liệu mơ hình AR, làm rõ phần tính tốn thơng số sai số MSE, MAPE, bổ sung thêm danh mục từ viết tắt - Đã sửa sai số lỗi tả trang 8, 9, 11, 20, 22 - Trình bày cụ thể khái niệm cách sử dụng ngơn ngữ R tốn dự báo, bổ sung hình vẽ mơ tả q trình tính tốn - Giải thích khái niệm đà sóng, đà gió, vết đen mặt trời, ma trận đối xứng nửa xác định dương, độ lời Kalman trang 23, 34, 43 - Đã bổ sung tài liệu tham khảo: tài liệu dự báo ngắn hạn dự báo ngắn hạn sử dụng lọc Kalman Ngày 12 tháng 11 năm 2020 Giáo viên hướng dẫn Tác giả luận văn TS Nguyễn Thị Hoài Thu Lê Hải Lưu CHỦ TỊCH HỘI ĐỒNG TS Lã Minh Khánh LỜI CẢM ƠN Để hoàn thành luận văn này, tác giả xin bày tỏ lòng biết ơn sâu sắc tới TS Nguyễn Thị Hồi Thu - GVHD, thầy giáo, giáo môn Hệ thống điện, Viện Điện, Trường Đại học Bách Khoa Hà Nội tận tình hướng dẫn, truyền đạt kiến thức tảng quý báu suốt trình tác giả thực luận văn có thêm hành trang giúp cho tác giả vững bước tương lai Qua luận văn này, tác giả muốn gửi lời cảm ơn gia đình, bạn bè, người thân ln động viên, giúp đỡ tác giả trình học tập thực luận văn Cuối em xin chúc Thầy, Cô dồi sức khỏe thành công nghiệp Hà Nội, ngày… tháng… năm 2020 Học viên Lê Hải Lưu MỤC LỤC CÁC TỪ VIẾT TẮT iii DANH MỤC HÌNH VẼ iv DANH MỤC BẢNG vi CHƯƠNG TỔNG QUAN CHUNG VỀ PHỤ TẢI VÀ BÀI TOÁN DỰ BÁO 1.1 Giới thiệu chung phụ tải 1.2 Đặc điểm phụ tải hệ thống điện 1.3 Các yếu tố ảnh hưởng đến phụ tải 1.3.1 Thứ ngày tuần 1.3.2 Các ngày đăc biệt năm 1.3.3 Thời tiết ngày 1.3.4 Truyền hình trực tiếp kiện thể thao văn hóa 1.3.5 Kế hoạch sửa chữa lớn ngày có cắt điện 1.4 Vai trò dự báo 1.5 Các toán dự báo phụ tải điện CHƯƠNG CÁC PHƯƠNG PHÁP DỰ BÁO 10 2.1 Một số khái niệm 10 2.2 Dự báo theo phương pháp vật lý 10 2.2.1 Sử dụng tính chất tuần hồn 10 2.2.2 Sử dụng định luật bảo toàn vật chất lượng 11 2.2.3 Sử dụng phương pháp số trị 11 2.3 Dự báo theo phương pháp thống kê hồi quy 13 2.3.1 Phương pháp san mũ 13 2.3.2 Phương pháp san hàm mũ có điều chỉnh xu hướng 15 2.3.3 Dự báo theo đường xu hướng 15 2.3.4 Phương pháp hồi quy tương quan 17 2.3.5 Dự báo nhu cầu phụ tải điện theo phương pháp hồi quy 18 2.3.6 Phương pháp Box-jenkins (Box-Jenkins method) 19 2.4 Dự báo theo phương pháp sử dụng trí tuệ nhân tạo 20 Cấu trúc mạng nơron nhân tạo 21 2.4.1 2.4.2 Huấn luyện mạng nơron 21 2.4.3 Ưu nhược điểm phương pháp 22 2.4.4 Sai số dự báo phụ tải 22 2.4.5 Công thức 23 2.5 Lý thuyết lọc Kalman 25 2.5.1 Lý thuyết ước lượng 26 2.5.2 2.5.3 Bộ lọc Kalman tuyến tính 33 Mơ hình tốn học 35 2.5.4 Giả thiết 36 2.5.5 Nguồn gốc 37 2.5.6 2.5.7 Điều kiện không chệch 38 Hiệp phương sai sai số 40 2.5.8 Độ lời Kalman 41 2.5.9 Tóm tắt phương trình lọc Kalman 42 CHƯƠNG ỨNG DỤNG BỘ LỌC KALMAN TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI HTĐ TP HÀ NỘI 44 3.1 Phụ tải HTĐ TP HÀ NỘI 44 3.2 Ứng dụng Kalman vào toán dự báo phụ tải Tp Hà Nội 46 3.3 Bài tốn dự báo cơng suất phụ tải TP Hà Nội 50 3.3.1 Bài toán dự báo với số liệu năm 54 3.3.2 Bài toán dự báo với 24 số liệu 62 KẾT LUẬN 72 TÀI LIỆU THAM KHẢO 73 CÁC TỪ VIẾT TẮT ANN AR Artificial Newal Networks Autoregression CSPT Công suất phụ tải ĐĐQG Điều độ quốc gia HTĐ Hệ thống điện MAE Mean Absolute Error MAPE Mean Absolute Percent Error MSE Mean squared error NWP Numerical Weather Prediction Model NNR Ngôn ngữ R DANH MỤC HÌNH VẼ Hình 1.1 Đồ thị phụ tải ngày Hệ thống điện Quốc gia Hình 1.2 Đồ thị phụ tải ngày đặc trưng tuần Hình 1.3 Đồ thị phụ tải HTĐ ngày 3/5 1/5 Hình 1.4 Đồ thị phụ tải hai ngày có nhiệt độ khác Hình 1.5 Đồ thị phụ tải đêm có WC khơng có WC Hình 2.1 Sơ đồ lưới sai phân miền tính 13 Hình 2.2 Cấu trúc mạng nơron nhân tạo 21 Hình 2.3 Đồ thị số phân phối chuẩn 31 Hình 2.4 Mơ hình đo lường ước lượng lọc Kalman 34 Hình 2.5 Tín hiệu thu trước sau lọc qua Kalman 35 Hình 2.6 Mơ hình khơng gian trạng thái 36 Hình 2.7 Tóm tắt trình khởi tạo Kalman 44 Hình 3.1 Mơ hình khơng gian trạng thái chuỗi thời gian 48 Hình 3.2 Giao diện lập trình ngơn ngữ R 50 Hình 3.3 Số liệu phụ tải 2019 TP Hà Nội 52 Hình 3.4 Nhập số liệu đầu vào 53 Hình 3.5 Cơng thức tính tốn kết dự báo 53 Hình 3.6 Bài tốn dự báo với số liệu 54 Hình 3.7 Biểu đồ so sánh CSPT trường hợp Ndata=22 55 Hình 3.8 Biểu đồ so sánh CSPT trường hợp Ndata=150 55 Hình 3.9 Biểu đồ so sánh CSPT trường hợp Ndata=300 56 Hình 3.10 Biểu đồ so sánh CSPT trường hợp Ndata=1000 56 Hình 3.11 Biểu đồ so sánh CSPT trường hợp R=0.01 57 Hình 3.12 Biểu đồ so sánh CSPT trường hợp R=0.001 58 Hình 3.13 Biểu đồ so sánh CSPT trường hợp R=0.0001 58 Hình 3.14 Biểu đồ so sánh CSPT trường hợp Q=0.1 59 Hình 3.15 Biểu đồ so sánh CSPT trường hợp Q=0.01 59 Hình 3.16 Biểu đồ so sánh CSPT trường hợp Q=0.001 60 Hình 3.17 Biểu đồ so sánh CSPT từ ngày 20/03 đến ngày 24/03 61 Hình 3.18 Biểu đồ so sánh CSPT từ ngày 26/09 đến ngày 04/10 62 Hình 3.19 Bài tốn dự báo với 24 số liệu 63 Hình 3.20 Biểu đồ so sánh CSPT trường hợp Ndata=20 63 Hình 3.21 Biểu đồ so sánh CSPT trường hợp Ndata=50 64 Hình 3.22 Biểu đồ so sánh CSPT trường hợp Ndata=150 64 Hình 3.23 Biểu đồ so sánh CSPT trường hợp Ndata=200 65 Hình 3.24 Biểu đồ so sánh CSPT trường hợp R=0.1 66 Hình 3.25 Biểu đồ so sánh CSPT trường hợp R=0.01 66 Hình 3.26 Biểu đồ so sánh CSPT trường hợp R=0.001 66 Hình 3.27 Biểu đồ so sánh CSPT trường hợp R=0.0001 67 Hình 3.28 Biểu đồ so sánh CSPT trường hợp Q=0.1 68 Hình 3.29 Biểu đồ so sánh CSPT trường hợp Q=0.01 68 Hình 3.30 Biểu đồ so sánh CSPT trường hợp Q=0.001 68 Hình 3.31 Biểu đồ so sánh CSPT trường hợp Q=0.0001 69 Hình 3.32 Biểu đồ so sánh CSPT trường hợp R=0.1 70 Hình 3.33 Biểu đồ so sánh CSPT trường hợp R=0.001 70 Hình 3.34 Biểu đồ so sánh CSPT trường hợp R=0.00001 70 DANH MỤC BẢNG Bảng 3.1 Tính tốn sai số MSE MAPE 57 Bảng 3.2 Bảng tính tốn sai số VỚI Q=0,1 VÀ Ndata=22 58 Bảng 3.3 Bảng tính tốn sai số với R=0,1 VÀ Ndata=150 60 Bảng 3.4 Bảng tính tốn sai số với Q=0,01, R=0,1 Ndata=20, 50, 150, 200 65 Bảng 3.5 Bảng tính tốn sai số với Q=0,1 Ndata=50 67 Bảng 3.6 Bảng tính tốn sai số với Q=0,1 0,01 0,001 0,0001 Ndata = 50 69 Bảng 3.7 Bảng tính toán sai số với R=0,1 0,001 71 So sánh CSPT ngày 11/06 Q=0.1, R=0.1 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 CSPT Thực tế CSPT Dự báo So sánh CSPT ngày 19/12 Q=0.1, R=0.1 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 CSPT Thực tế CSPT Dự báo 18000 16000 14000 12000 10000 8000 6000 4000 2000 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 CSPT Thực tế CSPT Dự báo Q0.1 Hình 3.17 Biểu đồ so sánh CSPT từ ngày 20/03 đến ngày 24/03 61 So sánh thực tế dự báo ngày ngẫu nhiên thơng số nhiễu q trình Q=0,0001, nhiễu đo lường R=0,1 18000 16000 14000 12000 10000 8000 6000 4000 2000 15 22 29 36 43 50 57 64 71 78 85 92 99 106 113 120 127 134 141 148 155 162 169 176 183 190 197 204 211 26/09-04/10 Thực tế 26/09-04/10 Dự báo Hình 3.18 Biểu đồ so sánh CSPT từ ngày 26/09 đến ngày 04/10 Kết luận: Trong thông số KF, thông số ảnh hưởng đến kết dự báo lớn nhiễu trình Q, toán dự báo số liệu năm với thơng số nhiễu q trình Q lớn cho kết dự báo tốt nhất, tốn dự báo để dự báo sát thực tế phải dựa vào sai số để đánh giá, từ sai số chọn tham số tốt cho toán dự báo 3.3.2 Bài toán dự báo với 24 số liệu Dữ liệu đầu vào CSPT thực tế năm 2019 Thành phố Hà Nội ta áp dụng lọc Kalman cho 24 số liệu đầu vào với 365 số liệu cho (H1) từ ngày 01/01/2019 đến (H1) ngày 31/12/2019 tương ứng H2,H3…H24, Bộ lọc Kalman dự đoán trạng thái trước trạng thái thu khoảng thời gian, sau sử dụng giá trị quan sát để lọc trạng thái ước tính trước cập nhật liên tục mơ hình liệu đầu vào ta kết dự báo tương ứng sau lại cập nhật dự báo trình lặp lại cập nhật nối tiếp 62 INPUT Chuỗi H1 Năm Chuỗi H2 Năm Chuỗi H3 Năm Bộ lọc Kalman Output Ghép thành chuỗi 8760 KF cho (H1) KF cho (H2) KF cho (H3) KF cho (H4) Chuỗi H4 Năm Ghép liệu dự báo CSPT 8760 năm KF cho 8760 năm KF cho 24 (H24) Chuỗi H24 Năm Hình 3.19 Bài tốn dự báo với 24 số liệu 3.3.2.4 Xét ảnh hưởng Ndata Sau dùng NNR để tính toán kết dự báo sau biểu đồ so sánh số liệu thực tế số liệu dự báo với tham số cài đặt nhiễu trình Q=0.001, nhiễu đo lường R=0,1, giá trị khởi tạo Ndata =20, 50, 150,200 cho 10 (H10) 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Dự báo CSPT Thực tế Hình 3.20 Biểu đồ so sánh CSPT trường hợp Ndata=20 63 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Thực tế CSPT Dự báo Hình 3.21 Biểu đồ so sánh CSPT trường hợp Ndata=50 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Thực tế CSPT Dự báo Hình 3.22 Biểu đồ so sánh CSPT trường hợp Ndata=150 64 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Thực tế CSPT Dự báo Hình 3.23 Biểu đồ so sánh CSPT trường hợp Ndata=200 Với thông số nhiễu trình Q=0,01 nhiễu đo lường R=0,1, giá trị khởi tạo Ndata =20, 50,150, 200 ta có bảng tính tốn sai số có thơng số: trung bình bình phương sai số MSE trung bình độ lệch tương đối MAPE Bảng 3.4 Bảng tính tốn sai số với Q=0,01, R=0,1 Ndata=20, 50, 150, 200 SS/Ndata Ndata =20 Ndata =50 Ndata =150 Ndata =200 MSE 1065458 1052415 1078472 988872 MAPE 0.0612313 0.059025 0.0586163 0.0563754 Nhận xét: Với giá trị khởi tạo khác Ndata =20, 50, 150, 200 kết dự báo sau qua KF cho độ lệch dự báo so với giá tị thực gần giống nên với giá trị nNdata khác không làm thay đổi đến kết dự báo 3.3.2.5 Xét ảnh hưởng R Sau dùng NNR để tính tốn kết dự báo sau biểu đồ so sánh số liệu thực tế số liệu dự báo với tham số cài đặt nhiễu trình Q=0.1, nhiễu đo lường R=0.1, 0.01, 0.001, 0.0001 giá trị khởi tạo Ndata = 50 cho 10 (H10) 65 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 CSPT Thực tế CSPT Dự báo Hình 3.24 Biểu đồ so sánh CSPT trường hợp R=0.1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 CSPT Thực tế CSPT Dự báo Hình 3.25 Biểu đồ so sánh CSPT trường hợp R=0.01 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Thực tế CSPT Dự báo Hình 3.26 Biểu đồ so sánh CSPT trường hợp R=0.001 66 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Thực tế CSPT Dự báo Hình 3.27 Biểu đồ so sánh CSPT trường hợp R=0.0001 Với thông số nhiễu trình Q=0.1 nhiễu đo lường giá trị khác nhau, giá trị khởi tạo Ndata =50 ta có bảng tính tốn sai số có thơng số: trung bình bình phương sai số MSE trung bình độ lệch tương đối MAPE Bảng 3.5 Bảng tính tốn sai số với Q=0,1 Ndata=50 SS/Ndata R =0.1 R =0.01 R =0.001 R=0.0001 MSE 1281181 1762440 2180738 2267355 MAPE 0.06029 0.071637 0.080019 0.0816578 Nhận xét: nhiễu đo lường R có ảnh hưởng tương đối rõ rệt đến kết dự báo nhiễu nhỏ sai lệch so với thực tế lớn 3.3.2.6 Xét ảnh hưởng Q Sau dùng NNR để tính tốn kết dự báo sau biểu đồ so sánh số liệu thực tế số liệu dự báo với tham số cài đặt nhiễu trình R=0.1, nhiễu đo lường Q=0.1, 0.01, 0.001, 0.0001 giá trị khởi tạo Ndata = 50 cho 10 (H10) 67 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 CSPT Thực tế CSPT Dự báo Hình 3.28 Biểu đồ so sánh CSPT trường hợp Q=0.1 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Thực tế CSPT Dự báo Hình 3.29 Biểu đồ so sánh CSPT trường hợp Q=0.01 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 18000 16000 14000 12000 10000 8000 6000 4000 2000 CSPT Thực tế CSPT Dự báo Hình 3.30 Biểu đồ so sánh CSPT trường hợp Q=0.001 68 18000 16000 14000 12000 10000 8000 6000 4000 2000 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 265 276 287 298 309 320 331 342 353 364 CSPT Thực tế CSPT Dự báo Hình 3.31 Biểu đồ so sánh CSPT trường hợp Q=0.0001 Ta có bảng tính tốn sai số có thơng số: trung bình bình phương sai số MSE trung bình độ lệch tương đối MAPE Bảng 3.6 Bảng tính tốn sai số với Q=0,1 0,01 0,001 0,0001 Ndata = 50 SS/Ndata Q =0.1 Q =0.01 Q =0.001 Q=0.0001 MSE 1281181 1119143 1052415 1045242 MAPE 0.06029 0.0600341 0.05902 0.0578310 Nhận xét: Nhiễu q trình Q có ảnh hưởng đến kết dự báo với tham số nhiễu Q khác độ sai lệch dự báo so với thực tế tương đối thấp 3.3.2.7 Ghép số liệu dự báo thành chuỗi năm Trong toán dự báo với 24 số liệu CSPT qua KF ta có 24 kết dự báo sau ghép lại thành chuỗi 8760 sau biểu đồ so sánh với tham số R=0.1 0.001 69 25000 20000 15000 10000 5000 246 491 736 981 1226 1471 1716 1961 2206 2451 2696 2941 3186 3431 3676 3921 4166 4411 4656 4901 5146 5391 5636 5881 6126 6371 6616 6861 7106 7351 CSPT Dự báo CSPT Thực tế Hình 3.32 Biểu đồ so sánh CSPT trường hợp R=0.1 272 543 814 1085 1356 1627 1898 2169 2440 2711 2982 3253 3524 3795 4066 4337 4608 4879 5150 5421 5692 5963 6234 6505 6776 7047 7318 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 CSPT Dự báo CSPT Thực tế Hình 3.33 Biểu đồ so sánh CSPT trường hợp R=0.001 Biểu đồ so sánh CSPT trường hợp R=0.00001 272 543 814 1085 1356 1627 1898 2169 2440 2711 2982 3253 3524 3795 4066 4337 4608 4879 5150 5421 5692 5963 6234 6505 6776 7047 7318 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 CSPT Thực tế CSPT Dự báo Hình 3.34 Biểu đồ so sánh CSPT trường hợp R=0.00001 70 Tính tốn sai số trung bình bình phương sai số MSE trung bình độ lệch tương đối MAPE Bảng 3.7 Bảng tính tốn sai số với R=0,1 0,001 SS/Ndata R =0,1 R =0,001 R=0.00001 MSE 1100390 1023342 1099035 MAPE 0,060131 0,06111 0.062319 Kết luận: Sau xét ảnh hưởng tham số đầu vào Ndata, Q, R đến kết dự báo dùng 24 số liệu năm cho ta kết với sai lệch tương đối cao, từ Q,R, Ndata ta xét yếu tố để tìm thông số tốt cho dự báo dự báo dùng 24 chuỗi số liệu không cho kết khả quan số liệu 71 KẾT LUẬN Đất nước ta ngày phát triển theo đường cơng nghiệp hóa, đại hóa Để làm tốt việc ngành lượng nói chung ngành điện nói riêng cần phải ưu tiên phát triển mạnh mẽ Cùng với việc xây dựng thêm nhiều nhà máy điện, nhiều đường dây trạm biến áp để tăng cơng suất hệ thống điện vấn đề cần quan tâm nâng cao chất lượng điện độ tin cậy hệ thống, tính dự phịng cơng suất, dự báo phụ tải Luận văn nêu số phương pháp dự báo sâu vào nghiên cứu dự báo ngắn hạn dùng lọc Kalman xét đến ảnh hưởng đến kết dự báo phụ thuộc vào yếu tố nhiễu trạng thái, nhiễu tính tốn giá trị khởi tạo ban đầu, sở rút yêu cầu thực toán phải đánh giá sai số, dựa vào sai số để chọn điều kiện tối ưu để tính tốn có sai lệch thấp nhất, đặt vấn đề xem xét lại mơ hình xu hướng u cầu phải có mơ hình tốt, điều kiện đầu vào tối ưu kết dự báo xác 72 TÀI LIỆU THAM KHẢO Electrical Load Forecasting Using An Expanded Kalman Filter Bank Methodology ConorLynch, MichaelJ.O'Mahony, Richard A.Guinee Cork Institute of Technology, Bishopstown, Cork, Ireland A Kalman filter-based bottom-up approach for household short-term load forecas ZhuangZhengHainanChenXiaoweiLuo Dept of Architecture and Civil Engineering, City Univ of Hong Kong, Hong Kong Architecture and Civil Engineering Research Center, Shenzhen Research Institute of City University of Hong Kong, Shenzhen, China Short-term electric load forecasting based on Kalman filtering algorithm with moving window weather and load model H.M.AlHamadiS.A.Soliman Power System Research Group, Electrical Engineering Department, College of Engineering, University of Qatar, P.O Box 2713, Doha, Qatar Online estimation LiMn2O2 batteries for with parameters and a adaptive modified state-of-charge ZhengZhangShuangqiLiJianweiLiHongwenHeNational Kalman of filter Engineering Laboratory for Electric Vehicles, School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China Model-based fault diagnosis of Lithium-ion battery using strong tracking Extended JingwenWeiGuangzhongDongZonghaiChen Kalman Department Filter of Automation, University of Science and Technology of China, Hefei 230027, PR China Recursive parameter estimation of thermostatically controlled loads via unscented Kalman filter Eric M.BurgerScott J.Moura Energy, Control, and Applications Lab, University of California, Berkeley, United States 73 An intelligent hybrid model of neuro Wavelet, time series and Recurrent Kalman Filter for wind speed forecasting Hamed H.H.Aly Electrical and Computer Engineering Department, Dalhousie University and Electrical Power and Machines Engineering, Zagazig University, Egypt Mathematics and Statistics Department, Acadia University, Canada Using the ensemble Kalman filter for electricity load forecasting and analysis Hisashi Takedaab Yoshiyasu Tamurabc SeishoSatod Energy Economics Group, Management Strategy Research Office, TEPCO Research Institute, Tokyo Electric Power Company Holdings, Inc., 4-1 Egasaki-cho, Tsurumi-ku, Yokohama-shi, Kanagawa, Japan A hybrid wavelet-Kalman filter method for load forecasting TongxinZhengAdly AGirgisElham BMakram Department of Electrical and Computer Engineering, College of Engineering and Science, 102 Riggs Hall, Box 340915, Clemson University, Clemson SC 296340915, USA 10 Medium range forecasting of power system load using modified Kalman filter and Walsh transform T.K.BhattacharyaT.K.Basu Department of Electrical Engineering, Indian Institute of Technology, Kharagpur 721 302, India 11 Tan, T.D Ha, L.M Long, N.T Tue, H.H Thuy, N.P, 2008,Novel MEMS INS/GPS Integration Scheme Using Parallel Kalman Filters, ATC, System Integration, 2008 IEEE/SICE International Symposium 12 T D Tan, L M Ha, N T Long, N D Duc, N P Thuy, 2007, Integration of Inertial Navigation System and Global Positioning System: Performance analysis and measurements, International Conference on Intelligence and Advance Systems 25th - 28th November KL Convention Center, Kuala Lumpur, Malaysia 74 13 T D Tan, L M Ha, N T Long, H H Tue, N P Thuy, 2007, Feedforward Structure Of Kalman Filters For Low Cost Navigation, International Symposium on Electrical-Electronics Engineering (ISEE2007), Oct 24-25, HoChiMinh City, VietNam, pp 1-6 14 Tran Duc Tan, Huynh Huu Tue, Nguyen Thang Long, Nguyen Phu Thuy, Nguyen Van Chuc, 2006, Designing Kalman Filters for Integration of Inertial Navigation System and Global Positioning System, in The 10th biennial Vietnam Conference on Radio & Electronics, REV-2006 Hanoi, November 6-7 15 Vikas Kumar N, 2004, Integration of Inertial Navigation System and Global Positioning System Using Kalman Filtering, M.Tech Dissertation, Indian Institute Of Technology, Bombay, July 2004 16 Greg Welch, Gary Bishop,2001,An Introduction to the Kalman Filter, Course 8, University of North Carolina at Chapel Hill, Department of Computer Science, Chapel Hill, NC 27599-3175 17 Tran Duc Tan, Huynh Huu Tue, Nguyen Thang Long, Nguyen Phu Thuy, Nguyen Van Chuc, “Designing Kalman Filters for Integration of Inertial Navigation System and Global Positioning System”, in The 10th biennial Vietnam Conference on Radio & Electronics, REV2006 Hanoi, 2006, pp 266-230 18 R G Brown, P Y C Hwang, "Introduction to random signals and applied Kalman filtering : with MATLAB exercises and solutions",1996 75 ... điện - Trong vận hành hệ thống điện, dự báo phụ tải chủ yếu lập cho khoảng thời gian vài phút đến 168 Có loại dự báo phụ tải vận hành hệ thống điện là: dự báo phụ tải ngắn hạn ngắn hạn - Dự báo. ..TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Dự báo ngắn hạn công suất phụ tải lưới điện thành phố Hà Nội sử dụng lọc Kalman LÊ HẢI LƯU Ngành Kỹ thuật điện Giảng viên hướng dẫn: TS Nguyễn... trở thành hướng dự báo ngắn hạn Trong dự báo dài hạn việc sử dụng phương pháp cân cịn gặp khó khăn thiếu dự báo khí tượng dài hạn đủ tin cậy 2.2.3 Sử dụng phương pháp số trị Sử dụng mơ hình dự báo