Ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện khu vực Hà Nội

Giới thiệu

Dự báo biểu đồ phụ tải ngày đóng vai trò quan trọng trong điều độ kinh tế (economic dispatch), phân bổ công suất các tổ máy (unit commitment), chuẩn bị nhiên liệu và lên lịch bảo dưỡng hệ thống điện. Biểu đồ phụ tải ngày là một thông tin không thể thiếu được trong vận hành thị trường điện Việt Nam trong những năm sắp tới. Giảm được 1% sai số dự báo phụ tải điện giúp tiết kiệm được hàng chục triệu đô mỗi năm đối với một hệ thống điện trung bình như hệ thống điện nước ta.

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.

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

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). - Dùng mạng ánh xạ tự tổ chức (self-organizing feature map - SOFM) để phân 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. - Dùng một phương tiện khác (ví dụ logic mờ, khoảng cách euclide,..) để tìm các biểu đồ phụ tải có dạng tương tự trong quá khứ.

Như sẽ phân tích ở phần sau, biểu đồ phụ tải ngày của hệ thống điện Hà Nội – 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. 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). 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.

Có thể thấy rằng sai số tuyệt đối phần trăm dự báo cho ngày đầu tiên thấp nhất 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). Ở đây cần lưu ý rằng sai số dự báo của đáy phụ tải thiên cao, có thể cần nghiên cứu lại thông số mạng "mùa" đối với tập dữ liệu về đáy phụ tải.

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 rừ qua cỏc chỉ tiờu sai số tớnh toỏn 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 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.