Năm 1997, tác giả Gaviphat Lekutai có bài báo về:
“Các bộ điều khiển mạng Neural Wavelet tự điều chỉnh tương thích”.
Kết quả: Mạng lưới sóng dựa trên bộ điều chỉnh cải thiện sự hoạt động của
mạng lưới, giảm thiểu sự biến thiên giữa các đợt vận hành, đến giao thoa âm thanh
và khả năng phức tạp cao nhằm nghiên cứu và t heo dõi các hệ thống phức tạp chưa được biết đến. Mạng lưới sóng này có thể khắc phục những vấn đề nêu trên và hy vọng đóng góp vào việc đặt nền móng cho sự phát triển hơn nữa của mạng Neural tương thích dựa vào phương pháp hệ thống điều khiển.
Năm 1999, các tác giả Anant Oonsivilai, El-Hawary có bài báo:
“ Dự báo tải ngắn hạn của hệ thống điện dựa trên mạng Neural Wavelet”
Giới thiệu phương pháp tiếp cận cho việc dự đoán hệ thống điện tải sử dụng
mạng Neural Wavelet.
Kết quả: Mạng Neural Wavelet có thể làm tốt hơn những cấu trúc truyền
thống trong phương diện xấp xỉ và dự báo liên quan đến hệ thống điện.
Năm 2000, các tác giả Zidan Bashir, El-Hawary có bài báo:
Dữ liệu đầu vào được thu thập trong khoảng 2 năm (1994-1995) nhằm
nghiên cứu mạng lưới và dữ liệu của năm 1996 dùng để kiểm tra mạng lưới.
Kết quả: Mạng lưới được so sánh với mạng Neural nhân tạo và đưa ra dự
báo cải thiện với độ hội tụ nhanh.
Năm 2001, các tác giả C.M.Huang, H.T.Yang có bài báo:
“ Ứng dụng mạng Wavelet cho dự báo phụ tải ngắn hạn”
Kết quả: Bài báo đề nghị phương pháp tiếp cận được kiểm tra lại qua các dữ
liệu khác nhau đối với hệ thống điện và tải trạm. Sự so sánh sai số dự báo và thời
gian thực hiện dùng mạng Wavelet có thể vượt trội hơn so với mạng Neural nhân
tạo hiện thời.
Năm 2001, các tác giả Zhao-Yang Dong, Bai-Ling Zhang, Qian Huang có
bài báo về:
“Sự tương thích của mạng Neural Network với các phân tích Wavelet
trong dự báo phụ tải ngắn hạn”.
Bài nghiên cứu giới thiệu mô hình lai để lồng ghép thông tin entropi với
mạng neural nhằm thiết lập mô hình dự báo tải ngắn hạn. Mô hìnhđược giới thiệu
có cải thiện một cách hiệu quả tính chính xác của dự báo.
Kết quả: mô hình đãđược kiểm tra với việc sử dụng dữ liệu tải hàng ngàyở
tỉnh Heibei với những kết quả thỏa đáng.
Năm 2002, các tác giả Zheng hua, Zhang Lizi có bài báo về:
”Sử dụng biến đổi Wavelet để dự báo phụ tải ngắn hạn”.
Trong những năm gần đây, phương pháp phân tích Wavelet có thể giúp chúng ta thu được những tín hiệu mong muốn với tần số khác nhau bằng phân tích
trong nhiều mức khác nhau, được ứng dụng rộng rãi trong nhiều lĩnh vực kể cả hệ
thống điện.
Kết quả: Qua phân tích và so sánh, phương pháp có thể cải thiện tính khả thi của các thành phần tải được phân tích và nâng cao tính chính xác của dự báo, dự
Năm 2004, các tác giả Yanqiu Bi, Jianguo Zhao, Dahai Zhang có bài báo
về:
“Thuật toán dự báo phụ tải sử dụng phân tích Wavelet gói”.
Kết quả: Thuật toán sử dụng wavelet nhằm phân tích dữ liệu để rút ra thành phần tải của các tần số khác nhau và sau đó mạng Neural được dùng để dự đoán
thành phần tải của mỗi gói Wavelet, những thuật toán được đề xuất nâng cao tính
chính xác của dự báo và nó tốt hơn so với mạng lưới Neural lan truyền ngược, dự
báo trong 24 giờ với sai số trung bình là 1,18%.
Năm 2004, các tác giả Trương Quang Đăng Khoa, Lê Minh Phương, Phan
Thị Thanh Bình, Nguyễn Thị Hồng Liên có bài báo về:
“Ứng dụng về mạng Neural và Wavelet để dự báo phụ tải dài hạn”.
Bài nghiên cứu đề nghị đặc tính xấp xỉ của mạng Wavelet và Neural để xác định chức năng biểu thị mối liên hệ giữa biến số và năng lượng đầu ra. Kiến nghị
của bài báo là mạng lưới liên kết chức năng, mạng lướ i Neural nhiều lớp và mạng
Wavelet.
Kết quả: Trong 3 năm thử nghiệm, kỹ thuật dự báo hiện đại: mạng Wavelet
Neural (sai số 1,7548%) và mạng Emal (sai số 2,59%) đưa ra nhiều kết quả tốt hơn
so với kỹ thuật dự báo truyền thống (sai số 3,51%).
Năm 2007, các tác giả Nguyễn Hoàng Việt, Trần Anh Dũng, Nguyễn Quang Thi có bài báo về:
“Mạng Wavelet cho các bài toán dự báo phụ tải ngắn hạn trong các ngày đặc
biệt”.
Bài báo này đưa ra vấn đề dự báo phụ tải tiêu thụ bằng phương pháp mạng Wavelet. Phương pháp này kết hợp mô hình mạng Neural nhân tạo, hàm Wavelet và logic mờ để dự báo ngắn hạn của phụ tải tiêu thụ trong các ngày lễ, Tết. Phụ tải tiêu thụ trong các ngày này rất khác biệt so với các ngày bình thường. Nếu áp dụng chương trình dự báo các ngày bình thư ờng để dự báo các ngày này sẽ đưa ra kết quả
sai lệch rất lớn, do vậy ta phải xây dựng chương trình dự báo cho các ngày đặc biệt. Chương trình dự báo được viết trên ngôn ngữ Matlab 6.5.
Chương 2
LÝ THUYẾT WAVELET VÀ FUZZY LOGIC
2.1 Lý thuyết Wavelet:2.1.1 Tổng quan :