Ứng dụng Mạng Nơron nhân tạo trong Dự báo phụ tải Hệ thống điện Miền Bắc

Tầm quan trọng của dự báo phụ tải

Các chức năng quan trọng trong kế hoạch vận hành HTĐ nh− phân phối nguồn một cách kinh tế, hiệu quả, lên kế hoạch bảo d−ỡng và sửa chữa, thường được thực hiện nhờ việc dự báo phụ tải, vì vậy dự báo phụ tải đóng vai trò đặc biệt quan trọng đối với điều độ viên, những người hoạch định kế hoạch, lên ph−ơng thức vận hành HTĐ. Nếu sai số dự báo phụ tải lúc cao điểm giảm 2%, Điều độ Quốc Gia (ĐĐQG) có thể tiết kiệm đ−ợc khoảng 80 MW nguồn tuabin khí chạy dầu đắt tiền chạy phủ đỉnh lúc cao điểm, góp phần đáng kể vào việc tăng hiệu quả vận hành HTĐ và tiết kiệm đ−ợc hàng trăm triệu đồng trên mỗi giờ cho ngành.

Những yếu tố ảnh hưởng đến phụ tải ngắn hạn

Trong thực tế vận hành HTĐ Việt Nam nói chung và HTĐ miền Bắc nói riêng, phụ tải cao điểm (phụ tải cao nhất trong ngày Pmax) và thấp điểm (phụ tải thấp nhất trong ngày Pmin) là hai điểm đặc biệt trong đồ thị phụ tải ngày và đ−ợc quan tâm nhiều nhất trong vận hành. Tính chính xác đ−ợc l−ợng công suất thiếu để chủ động cắt phụ tải những khu vực không quan trọng, tránh cắt thừa hoặc cắt thiếu, tránh sa thải phụ tải do bảo vệ tần số thấp tác động cũng có ý nghĩa lớn trong vận hành, giảm thiệt hại do cắt điện.

Mục tiêu và phạm vi nghiên cứu dự báo phụ tải

Tr−ớc đây, các mô hình toán học truyền thống hay đ−ợc áp dụng cho dự báo nh−: hồi qui tuyến tính (linear regression), san bằng hàm mũ (exponential smoothing), san trung bình (moving averages), hệ số ngẫu nhiên (stochatic). Gần đây, với sự phát triển của việc nghiên cứu một số thuật toán dựa trên trí tuệ của con ng−ời (artificial intelligence), mạng nơron nhân tạo (artificial neural networks) đã đ−ợc áp dụng trong dự báo và đ−ợc đánh giá cao.

Bài toán dự báo phụ tải

Đặc điểm đồ thị phụ tải HTĐ miền Bắc

Đặc biệt đối với bài toán dự báo phụ tải ngắn hạn thì đây là mô hình được đánh giá cao hơn hẳn các mô hình trước đó và hiện nay mô hình này đang đ−ợc áp dụng phổ biến ở một số n−ớc phát triển trong dự báo phụ tải. Điều độ Quốc Gia phải huy động các nguồn điện đắt tiền nh− các nhà máy diesel, tua bin khí cho việc khởi động và nâng công suất, trong trường hợp sự cố thiếu nguồn, điều độ viên cần phải dự báo công suất thiếu để chuẩn bị trước phương án cắt tải sau đó phối hợp với các điều độ miền phân bổ các công suất cần phải cắt cho các Điều độ lưới điện phân phối.

Dự báo phụ tải ngắn hạn cho 24h tiếp theo

Tính kinh tế, hiệu quả, ph−ơng thức vận hành, cũng nh− h−ớng đầu t− phát triển trong t−ơng lai của HTĐ phụ thuộc rất lớn vào việc dự báo và độ chính xác của việc dự báo hai giá trị này. Tóm lại cũng nh− các dự báo khác, dự báo phụ tải ngày phải dựa vào số liệu thống kê, phân tích và áp dụng các thuật toán để xác định mối quan hệ giữa phụ tải và các yếu tố ảnh hưởng, từ đó xây dựng phương pháp dự báo phụ tải ngày dựa trên các yếu tố ảnh hưởng đã được nêu.

Lịch sử phát triển của mạng nơron nhân tạo

Mạng truyền ng−ợc (backpropagation) có lẽ đã là nguyên nhân chính của sự tái xuất của mạng nơron từ khi công trình "Learning Internal Representations by Error Propagation" (học các biểu diễn bên trong bằng cách lan truyền lỗi) đ−ợc xuất bản năm 1986. Tuy nhiên, về bản chất đây chỉ là một dạng xuống dốc, việc xác định các tham số tối −u cho một mô hình thuộc dạng này không đơn giản, không thể dựa vào các phương pháp xuống dốc để có được lời giải tốt mà không cần một xuất phát điểm tốt.

Cơ sở lý thuyết mạng nơron

Mạng truyền ng−ợc đã tạo ra nhiều hứng khởi và đã có nhiều tranh cãi về quy trình học đó có thể đ−ợc thực hiện trong bộ não hay không. Nh−ng lý do quan trọng nhất là ch−a có một nguồn tín hiệu 'dạy' hay tín hiệu 'đích' đáng tin cậy.

Bộ não và nơron sinh học

Xung này đ−ợc truyền theo trục, tới các nhánh rẽ khi chạm tới các khớp nối có các nơron khác sẽ giải phóng các chất truyền điện, có hai loại khớp nối: khớp nối kích thích (excitatory) hoặc khớp nối ức chế (inhibitory). Dễ dàng thấy rằng bộ não con người có thể lưu giữ nhiều thông tin hơn các máy tính hiện đại; Tuy rằng điều này không phải đúng mãi mãi, vì bộ não tiến hoá chậm, trong khi đó nhờ những tiến bộ trong công nghệ vi điện tử, bộ nhớ máy tính đ−ợc nâng cấp rất nhanh.

Mô hình mạng nơron nhân tạo

Mô hình mạng nơron nhân tạo

Theo số lớp: Các nơron có thể tổ chức lại thành các lớp sao cho mỗi nơron của lớp này chỉ đ−ợc nối với các nơron ở lớp tiếp theo, không cho phép các liên kết giữa các nơron trong cùng một lớp, hoặc từ nơron lớp d−ới lên nơron lớp trên. Đối với mạng qui hồi, trạng thái trong của mạng được lưu giữ tại các ngưỡng của các nơron, các mạng qui hồi có thể không ổn định, thậm chí rối loạn theo nghĩa, khi cho véctơ giá trị đầu vào X nào đó, mạng cần phải tính toán rất lâu,.

Sự cần thiết phân loại đồ thị phụ tải

Tập hợp các kiểu đồ thị phụ tải đặc tr−ng

Trong một số phần mềm dự báo phụ tải ngắn hạn trước đây, chưa có phần mềm nào thực hiện vấn đề phân loại dữ liệu, mà việc phân loại dữ liệu đầu vào đều đ−ợc thực hiện thủ công bằng kinh nghiệm. Tóm lại để kết quả dự báo phụ tải chính xác cao ta cần phân loại các đồ thị phụ tải của các ngày trong năm thành một số nhóm, mỗi nhóm bao gồm các ngày có các dạng đồ thị phụ tải tương tự.

Mạng nơron ánh xạ đặc tr−ng tự tổ chức Kohonen

Xây dựng mạng Kohonen để phân loại ngày 1. Thiết kế cấu trúc mạng

Mô hình mạng Kohonen là mạng nơron học không giám sát, để kiểm tra quá trình làm việc của mạng và nghiên cứu ảnh hưởng của kích thước bước cập nhật η=0.001 tới sơ đồ đầu ra, ta đưa vào mạng tập hợp các mẫu vào nằm trong một số nhóm đã biết trước, với mong muốn ở đầu ra mạng có thể phân các mẫu đầu ra giống nhau vào chung một nhóm. Phát hiện đ−ợc một số kiểu ngày mới nh− các ngày có sự cố lớn, phải cắt điện đột xuất do thiên tai… đồng thời cũng có thể loại bỏ đ−ợc một kiểu ngày nào đó hầu nh− không xuất hiện hoặc thậm chí biến mất hoàn toàn mà không đ−ợc loại trừ khỏi tập hợp các kiểu ngày gốc đặc trưng.

Các khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ng−ợc sai sè (Back propagation neural network)

Ch−ơng này trình bày các khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ngược sai số, sau đó đưa ra các bước xây dựng bài toán, đề xuất cấu trúc mạng, ứng dụng kỹ thuật “mạng nơron nhiều lớp lan truyền ng−ợc sai số” để giải quyết bài toán. Trong quá trình huấn luyện mạng nơron đ−ợc nhận biết mối quan hệ giữa các thông số đầu vào là biến X và các thông số đầu ra mẫu là biến Y, sau khi kết thúc quá trình huấn luyện đầu ra của mạng là các giá trị Z.

Đặc tả các chức năng 1. Truy vấn dữ liệu

H−ớng dẫn sử dụng

Trên hình 5.5 ta chọn chức năng “phan loai so lieu”, sau đó phần mềm sẽ yêu cầu người sử dụng nhập tên file dữ liệu, ta nhập tên file số liệu cần phân loại, phần mềm sẽ tự. Trên hình 5.2 ta bấm chuột vào chức năng chuẩn hoá dữ liệu, sau đó chọn file excel chứa dữ liệu đã đ−ợc phân loại, phần mềm sẽ tự động chuẩn.

So sánh với một số phương pháp đã có

- Trong quá trình học, mạng sẽ điều chỉnh các tham số sao cho tổng bình ph−ơng lỗi là nhỏ nhất, khả năng hội tụ của mạng phụ thuộc vào các tham số khởi đầu, vì vậy ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn. Nếu mạng rơi vào trường hợp này ta sẽ phải bắt đầu huấn luyện lại hoặc thay đổi số nơron của lớp ẩn, điều này sẽ khiến cho mạng nơron không áp dụng đ−ợc trong các bài toán yêu cầu độ chính xác cao trong thời gian tối thiểu.

Đánh giá kết quả

- Qua một số kết quả chạy thử nghiệm trên hai mô hình với nhiều bộ số liệu khác nhau và căn cứ vào hai đồ thị trên hình 5.1 và 5.2 ta thấy mô hình thứ nhất có kết quả dự báo chính xác tốt hơn mô hình thứ hai. Đặc biệt chương trình sẽ áp dụng dự báo rất hiệu quả đối với những Công ty Điện lực có tỉ lệ chênh lệch giữa Pmax và Pmin nhỏ và giá trị phụ tải của các giờ trong ngày khá đồng đều.

Tài liệu tiếng anh