4.5.1 Xử lý số liệu thu thập
Trước khi dữ liệu đưa vào phân loại, chúng ta phải xử lý sơ bộ để giúp cho giải quyết kết quả phân loại được tốt hơn. Tiền xử lý có thể giúp làm giảm kích thước của véc tơ đầu vào bằng cách loại bỏ những ngày phụ tải bị cắt do sửa chữa hoặc điều độ.
Theo các nghiên cứu trước đây [1,2,4,9] việc phân loại đồ thị phụ tải trong năm phần lớn dựa vào phương pháp ngày trong tuần, biểu đồ phụ tải ngày làm việc này thường khác với ngày nghỉ cuối tuần. Mô hình này thường phân biệt cho các nhóm ngày làm việc từ Thứ Hai cho đến Thứ Sáu, và nhóm ngày nghỉ cuối tuần và lễ tết. Yếu điểm của phương pháp này là các ngày nghỉ cuối tuần và lễ tết thường cho kết quả dự báo có độ chính xác khá thấp, thỉnh thoảng các ngày làm việc trước Thứ bảy và Chủ N hật bị ảnh hưởng bởi các ngày nghỉ này. Với cách phân loại này cũng không hoàn toàn đúng cho tất cả các vùng. Việc phân loại cũng cần dựa vào đặc thù điều kiện, thói quen, tập quán sử dụng điện của từng địa phương.
Với đặc thù đồ thị phụ tải của hai năm 2004 và 2005 tại Sóc Trăng việc áp dụng phương pháp phân nhóm theo ngày trong tuần là không hiệu quả vì BĐPT các ngày làm việc và ngày nghỉ hầu như không thay đổi nhiều, gây khó khăn trong việc phân nhóm. Một trong những cách phân loại có thể áp dụng cho hệ thống điện ít có sự thay đổi nhiều trong tuần là mô hình thứ trong tháng linh hoạt.
4.5.2 Phân nhóm biểu đồ phụ tải:
Chọn mạng bao gồm:
Số đầu vào là cố định, phụ thuộc vào số nhân tố sử dụng: trong bài toán phân loại kiểu ngày ta sử dụng 24 giá trị (ứng với 24 giờ trên đồ thị phụ tải), do đó số đầu ra là 24. Số nơ ron đầu ra bằng số nhóm các kiểu ngày khác nhau mà ta cần phân biệt.
Cách thức phân nhóm như sau: Các ngày cùng thứ trong một tháng của hai năm được đưa vào mạng tìm trọng tâm cách thức tìm trọng tâm theo tiêu chí thứ tự ưu tiên:
1. Các ngày trong tháng chia làm 4 nhóm: từ mùng 1 đến mùng 7, từ mùng 8 đến 15, từ 16 đến 23, từ 24 đến cuối tháng.
2. Các ngày trong tháng chia làm 3 nhóm: từ mùng 1đến mùng 10, từ 11 đến 20, từ 21 đến cuối tháng.
3. Các ngày trong tháng chia làm 2 nhóm: từng mùng 1 đến ngày 15, từng ngày 16 đến cuối tháng.
4. Các ngày trong tháng có dạng đồ thị phụ tải tương đương nhau và có thể xếp chung trong 1 nhóm.
Tìm trọng tâm theo cách chia: Các phần tử thuộc cùng một nhóm chỉ từ [1..10], [11..20], [21..31] các trọng tâm của nhóm sẽ là đại diện cho nhóm đó nếu ngày cần dự báo rơi vào nhóm của ngày nào sẽ lấy trọng tâm làm đồ thị phụ tải mẫu.
Chọn số liệu tháng 07 năm 2004 và 2005
2004 Tháng 7 2005 Tháng 7 CN Hai Ba Tư Năm Sáu Bảy CN Hai Ba Tư Năm Sáu Bảy
1 2 3 1 2
4 5 6 7 8 9 10 3 4 5 6 7 8 9
11 12 13 14 15 16 17 10 11 12 13 14 15 16
18 19 20 21 22 23 24 17 18 19 20 21 22 23
25 26 27 28 29 30 24 25 26 27 28 29 30
Kết quả phân nhóm ngày thứ 6 tháng 7 bao gồm các ngày 2,9,16,23,30,1,8,15,22,29 theo thứ tự từ 1-> 10 trước khi đưa vào phân nhóm với:
¾ Nếu chia làm 2 nhóm:
Với center là trọng tâm có ma trận 2x24: Với hai trọng tâm (mỗi hàng là một trọng tâm)
Nhóm thứ nhất bao gồm các ngày: 9,23,30,1,29 với 1 trọng tâm làm đại điện Nhóm thứ hai bao gồm các ngày: 2,16,8,15,22 với 1 trọng tâm làm đại điện
¾ Nếu chia làm 3 nhóm
Với center là trọng tâm có ma trận 3x24: với ba trọng tâm (mỗi hàng là một trọng tâm)
Nhóm thứ nhất bao gồm các ngày: 23,30,1,29 Nhóm thứ hai bao gồm các ngày: 16,15,22
Nhóm thứ ba bao gồm các ngày: 2,9,8 ¾ Nếu chia làm 4 nhóm
Với center là trọng tâm có ma trận 4x24: với bốn trọng tâm (mỗi hàng là một trọng tâm)
Nhóm thứ nhất bao gồm các ngày: 9,23,30,29 Nhóm thứ hai bao gồm các ngày: 2,16,8 Nhóm thứ ba bao gồm các ngày: 1 Nhóm thứ tư bao gồm các ngày: 15,22 Bảng 4.1 Kết quả phân nhóm thứ sáu tháng 7:
Thứ sáu: 2,9,16,23,30,1,8,15,22,29 2 nhóm: [1..15][16..30] - 9,23,30,1,29 - 2,16,8,15,22 3 nhóm: [1..10][11..20][21..30] - 23,30,1,29 - 16,15,22 4 nhóm: [1..7][8..15][16..21][22..30] - 9,23,30,29 - 2,16,8 (adsbygoogle = window.adsbygoogle || []).push({});
- 2,9,8 - 1 - 15,22 Phân tích:
- Trường hợp 2 nhóm: Với kết quả hai nhóm ta không thể chọn được số nhóm như mong muốn với nhóm thứ nhất bao gồm các ngày từ 9,23,30,1,29 nhóm thứ hai bao gồm 2,16,8,15,22.
- Trường hợp 3 nhóm: Có thể chia nhóm thứ nhất bao gồm các ngày 23,30,1,29 sẽ đại diện cho các ngày từ [21…30], nhóm thứ hai bao gồm các ngày 16,15,22 sẽ đại điện cho các ngày từ [11…20], nhóm thứ ba có các ngày 2,9,8 sẽ đại diện cho các ngày từ [1..10]. Có thể nhận thấy với cách chia này các ngày cùng kiểu đều được xếp vào một nhóm mong muốn. Ngoại trừ ngày 1 của nhóm thứ nhất được xếp vào các nhóm ngày [21…30] và ngày 22 của nhóm thứ hai được xếp vào các nhóm ngày [11..20]. Nguyên nhân có thể do thời tiết hoặc do có sự kiện ảnh hưởng đến chế độ tiêu thụ điện và cung cấp điện.
- Trường hợp 4 nhóm: Với kết quả phân loại bốn nhóm ta không thể chọn được số nhóm như mong muốn với nhóm 1 bao gồm các ngày từ 9,23,30,29 nhóm thứ hai bao gồm 2,16,8 nhóm thứ ba chỉ có 1 ngày nhóm thứ 4 bao gồm hai ngày 15,22.
Như vậy với cách chia 3 nhóm là phù hợp nhất và đạt được mục tiêu như yêu cầu. Bảng 4.2 Kết quả phân nhóm ngày thứ bảy tháng 7:
Thứ bảy: 10 17 24 9 16 23 30 2 nhóm: [1..15][16..30] - 17, 24, 9 - 10, 16, 23, 30 3 nhóm: [1..10][11..20][21..30] - 17, 24, 9 - 30 - 10, 16, 23 4 nhóm: [1..7][8..15][16..21][22..30] - 16 - 17, 24 - 23, 30 - 10, 9
Với cách chia trên ta có thể chọn cách chia 4 nhóm chọn 3: nhóm 1 bao gồm hai ngày 17,24 sẽ đại diện cho các ngày từ [11..20], nhóm 2 bao gồm hai ngày 23,30 sẽ đại diện cho các ngày từ [21..30], nhóm 3 bao gồm hai ngày 10,9 sẽ đại diện cho các ngày từ [1..10].
Bảng 4.3 Kết quả phân nhóm chủ nhật tháng 7: Chủ nhật: 4 11 25 10 17 24 31 Chủ nhật: 4 11 25 10 17 24 31 2 nhóm: [1..15][16..30] - 10, 31 - 4, 11, 25, 17, 24 3 nhóm: [1..10][11..20][21..30] - 4, 11, 24 - 25, 17 - 10, 31 4 nhóm: [1..7][8..15][16..21][22..30] - 4, 11 - 10, 31 - 25, 17 - 24
Với cách chia trên có thể chọn cách chia 2 nhóm chọn 1: 1 nhóm gồm các ngày 4, 11, 25,17, 24 sẽ đại diện cho tất cả các ngày [1..30] trong thứ.
Bảng 4.4 Kết quả phân nhóm thứ hai tháng 7: Thứ hai: 5 12 19 4 11 18 25 Thứ hai: 5 12 19 4 11 18 25 2 nhóm: [1..15][16..30] - 12, 19, 4 - 5, 11, 18, 25 3 nhóm: [1..10][11..20][21..30] - 12, 4 - 19, 11 - 5, 18, 25 4 nhóm: [1..7][8..15][16..21][22..30] - 12, 4 - 11 - 5, 25 - 19, 18
Có thể chọn cách chia 3 nhóm chọn 2: nhóm 1 bao gồm hai ngày 12, 4 sẽ đại diện cho các ngày từ [1..15], nhóm 2 bao gồm hai ngày 5,18,25 sẽ đại diện cho các ngày từ [16..30].
Bảng 4.5: Kết quả phân nhóm cho cả hai năm 2004, 2005 Tháng Tháng Thứ 1 2 3 4 5 6 7 8 9 10 11 12 CN 3 2 2 3 3 1 1 2 2 3 2 1 Hai 2 2 2 2 2 2 2 3 1 2 1 1 Ba 1 1 2 1 1 2 2 2 2 2 2 2 Tư 1 2 2 2 2 2 2 2 2 2 2 1 Năm 1 2 2 2 2 2 2 2 2 2 1 1 Sáu 2 1 2 3 2 2 3 3 1 2 2 2 Bảy 1 2 2 2 1 2 3 1 1 1 1 1
Như vậy: Tùy thuộc vào kết quả của mỗi lần phân nhóm mà số nhóm được chọn có thể là 1 nhóm, 2 nhóm, 3 nhóm cho một thứ. Để dự báo hình dạng phụ tải cho một ngày các thông tin cần thiết là thứ, ngày và tháng.
4.6 Xây dựng giao diện dự báo hình dạng biểu đồ phụ tải:
Các nhóm sau khi được phân loại theo tiêu chí thứ trong tháng. Trọng tâm của mỗi nhóm được lưu lại thành cơ sở dữ liệu phục vụ công tác dự báo hình dạng biểu đồ phụ tải. Chương trình dự báo biểu đồ phụ tải được xây dựng trên phần mềm Matlab, để dự báo biểu đồ phụ tải một ngày ta cần xác định các thông tin về Tháng và Thứ của ngày cần dự báo, hai thông tin này là cơ sở cho việc lựa chọn các nhóm trong thứ của tháng cần dự báo, kết hợp với yếu tố Ngày cần dự báo sẽ cho ra biểu đồ phụ tải ngày cần dự báo.
Hình 4.3 Giao diện chương trình dự báo hình dạng biểu đồ phụ tải
Ví dụ để dự báo hình dạng BĐPT ngày 1 tháng 1 năm 2006: Ta sẽ chọn ngày và tháng chương trình sẽ tự động cập nhật thứ và hiển thị biểu đồ phụ tải như sau: Đồ thị bên trái hiển thị các nhóm của tháng 1 ngày chủ nhật, sẽ có 3 nhóm. Kết hợp với yếu tố ngày sẽ cho ta hình dạng biểu đồ phụ tải. Đồ thị bên phải, vì ngày là ngày 1 nên chương trình sẽ cho ta hình dạng biểu đồ phụ tải của nhóm 1. Chương trình tìm trọng tâm được trình bày ở phần phụ lục I.
Kết luận:
• Mạng Kohonen với thuật toán tìm trọng tâm FCM cho kết quả phân nhóm nhanh do đó có thể thử nghiệm với nhiều các phân loại khác nhau. Nó luôn xếp các đối tượng giống nhau vào cùng một nhóm.
• Với cách phân loại này một mặt có thể tìm ra các dấu hiệu giống nhau trong một thứ và xếp chúng vào một nhóm, mặt khác với cách phân loại này các giá trị phụ tải của những ngày bị cắt tải hoặc điều độ đều bị tách ra khỏi nhóm do đó sẽ loại bỏ được những ngày phụ tải không bình thường.
• Khác với các thành phố khác như Hà N ội hay TP Hồ Chí Minh phụ tải tăng cao ở các ngày làm việc và sụt giảm ở ngày nghĩ do đó có thể chia làm ba nhóm trong tuần (các ngày làm việc, thứ bảy và chủ nhật), mô hình trên được gọi là mô hình ngày trong tuần. Tuy nhiên, phụ tải ở các vùng nông nghiệp như Sóc Trăng không tuân theo quy luật đó, yếu tố ảnh hưởng đồ thị phụ tải là theo thời vụ, thói quen sinh hoạt và điều kiện thời tiết do đó sử dụng phương pháp phân loại theo thứ trong tháng linh hoạt là giải pháp hợp lý nhất và đảm bảo độ chính xác nhất định.
• Như vậy nhận thấy rằng đối với từng vùng từng địa phương sẽ phải xây dựng mô hình khác nhau phù hợp với từng địa phương cụ thể, ta không thể đưa một mô hình dự báo đã thành công ở vùng này sử dụng cho vùng khác.
CHƯƠNG 5
XÁC ĐNNH CÁC THÔNG SỐ ĐẦU VÀO CHO MẠNG NHIỀU LỚP MLP
Trong luận văn này, mạng MLP (Multi Layer Perceptron) được sử dụng để tính ước lượng giá trị công suất cực đại và công suất cực tiểu của ngày hôm sau dựa trên các thông số về công suất cũng như nhiệt độ của các ngày trước đó. Mạng MLP nói riêng và MNR nói chung được đặc trưng bởi các thuật toán “học” – các thuật toán cho phép xác định các thông số mạng tối ưu cho một bộ số liệu mẫu cho trước nào đó. Quá trình huấn luyện MNR nhân tạo có thể được chia thành: Học có giám sát và học không giám sát. Mạng ánh xạ đặc trưng tự tổ chức Kononen là loại mạng học không giám sát, đã được dùng phân loại biểu đồ phụ tải ở chương 4, vì trong quá trình phân loại ta không định rõ đầu ra mong muốn cho mỗi biểu đồ đầu vào, và khi đã biết được hình dạng biểu đồ phụ tải ngày cần dự báo thì việc dự báo được công suất cực đại và công suất cực tiểu lại càng quan trọng hơn nữa. Đối với vấn đề dự báo phụ tải đỉnh và đáy, khi ta biết rõ đầu ra (phụ tải đỉnh và phụ tải đáy) của mỗi thông số đầu vào (dữ liệu thời tiết, biểu đồ phụ tải trong quá khứ và các dữ liệu khác) của các mẫu học, thì cần sử dụng MNR với quá trình huấn luyện có giám sát. MNR MLP với kỹ thuật huấn luyện lan truyền ngược sai số trong quá trình học (Back – propagation Neural Network) sẽ được dùng để giải quyết bài toán dự báo phụ tải đỉnh, phụ tải đáy của biểu đồ phụ tải.
Chương 5 này sẽ trình bày cách chọn lựa các thông số đầu vào huấn luyện mạng bằng phương pháp phân tích tương quan giữa hai yếu tố, mạng MLP, lý thuyết thuật toán L-M, trình bày cấu trúc, và phương thức huấn luyện mạng.
5.1 Lựa chọn các thông số đầu vào phục vụ quá trình huấn luyện mạng nơ ron
Theo các nghiên cứu đã được thực hiện [1,7,16] một trong những mục tiêu trong việc lựa chọn làm thông số đầu vào trong quá trình huấn luyện mạng nơ ron là
nhiệt độ (Tmax, Tmin, Taver), độ Nm, tốc độ gió, biểu đồ phụ tải trong quá khứ (1 giờ trước, 1 ngày trước, 2 ngày trước, 7 ngày trước..)… sẽ là các thông số đầu vào phục vụ quá trình huấn luyện MNR. Tuy nhiên hầu như các nghiên cứu này chưa chỉ ra được tại sao lại sử dụng các thông số này phục vụ quá trình huấn luyện và số đầu vào cho mạng bao nhiêu là hợp lý.
Trong luận văn này với số liệu thu thập được biểu đồ phụ tải và nhiệt độ Tmax (adsbygoogle = window.adsbygoogle || []).push({});
Tmin trong ba năm trong đó sẽ trích số liệu của hai năm đầu phục vụ quá trình huấn
luyện mạng và một năm cuối dùng để chạy thử mạng. Luận văn sẽ dựa vào mối tương quan của biểu đồ phụ tải trong quá khứ, phân tích tương quan giữa công suất cực đại và công suất cực tiểu. Sự tương quan này là cơ sở để lựa chọn các thông số đầu vào phục vụ quá trình huấn luyện mạng. Riêng yếu tố thời tiết có mối quan hệ phi tuyến với phụ tải, do đó sẽ không xét mối tương quan giữa thời tiết và phụ tải, yếu tố thời tiết sẽ kết hợp với các đầu vào phụ tải hình thành các mô hình mạng khác nhau.
5.1.1 Phân tích tương quan:
Một trong những mục tiêu nghiên cứu phụ tải và khoa học nói chung là tìm ra mối những mối tương quan giữa các yếu tố phụ thuộc lẫn nhau và qua đó có thể tiên lượng một yếu tố phụ thuộc từ các yếu tố độc lập. “Mối tương quan” ở đây bao gồm các đặc điểm như mức độ tương quan.
Chẳng hạn để tìm mối liên hệ giữa Công suất Pmax và công suất Pmin có
nghĩa là tìm mối tương quan giữa hai biến này ra sao và có thể sử dụng Pmax để tiên lượng Pmin cho một ngày hay không. Trong mối liên hệ này, chúng ta xác định
Pmin là biến phụ thuộc và Pmax là biến độc lập. Vậy nếu gọi x là biến Pmax và y là
biến Pmin, chúng ta tìm hiểu mối tương quan giữa x và y, hệ số tương quan càng
cao mối quan hệ giữa x và y càng lớn và ngược lại.
Gọi xi và yi là hai biến quan sát được. Giả sử ta có n đối tượng thì i=1,2,3…n. Gọi x và y là hai số trung bình của biến quan sát được; 2
x
s và 2
y
s lần lược là phương sai của hai biến, được định nghĩa như sau:
( ) ∑ = − − = n i i x x x n s 1 2 2 1 1 ( ) ∑ = − − = n i i y y y n s 1 2 2 1 1
Hiệp phương sai:
∑ = − − − = n i i i x y y x n y x 1 ) )( ( 1 1 ) , cov( Hệ số tương quan: