Tuy nhiên đối với BĐPT tỉnh Sóc Trăng việc dự báo thời điểm (giờ) xảy ra công suất cực đại, công suất cực tiểu và giá trị cụ thể là khá chính xác.
6.8 Xây dựng giao diện phần mềm dự báo BĐPT
Trong quá trình vận hành hệ thống điện việc đòi hỏi khả năng dự báo chính xác và nhanh chóng đóng vai trò quan trọng. Giúp cho người vận hành có thể dễ dàng quan sát và nắm bắt phụ tải tại mọi thời điểm trong quá trình dự báo. Xuất phát từ yêu cầu trên ta sẽ xây dựng một giao điện dự báo phụ tải cho bất kỳ một ngày nào đó. Dựa trên khả năng đơn giản dễ sử dụng. Giao diện được xây dựng trong môi trường Matlab bằng công cụ hổ trợ Guide. Các số liệu đầu vào, các mạng huấn luyện để dự báo cho Pmax,
Hình 6.13 Giao diện dự báo biểu đồ phụ tải cho 24 giờ sau
Để dự báo biểu đồ phụ tải cho một ngày ta chỉ cần chọn ngày và tháng cần dự
báo. Chương trình sẽ tự động cập nhật thứ. Các giá trị hiển thị bao gồm giá trị Pmax
thực tế, dự báo và đánh giá sai số phần trăm. Giá trị Pmin thực tế, dự báo và đánh giá sai số. Ngoài dự báo hình dạng biểu đồ phụ tải trong 24 giờ tiếp theo chương trình sẽ
hiển thị giá trị công suất dự báo theo từng giờ chi tiết và cụ thể.
Qua quá trình chạy thử và so sánh, các kết quả đã đạt được khá khả quan, được các kỹ sư vận hành đánh giá tốt. Tuy nhiên trong quá trình nghiên cứu, ta thấy còn một số vấn đề sau gây ảnh hưởng tới kết quả tính toán và là một trong những nguyên nhân gây sai số trong dự báo BĐPT cho 24 giờ sau:
1. Sai số do thông số phụ tải: Xảy ra trong ngày có sự số hoặc ghi thông số không chính xác. Hiện nay thông số phụ tải HTĐ Sóc Trăng lấy bằng tay, ghi thông số cùng một lúc do đó có sai số. Sai số này chỉ có thểđược cải thiện khi ta áp dụng hệ thống giám sát SCADA/EMS vào vận hành.
2. Sai số do nhiệt độ: Hệ thống đo lường và lưu trữ số liệu nhiệt độ môi trường không chính xác.
3. Sai số khách quan, chủ quan:
− Phụ tải lúc cao điểm Pmax và thấp điểm Pmin không chỉ phụ thuộc vào nhiệt
độ cao nhất Tmax và thấp nhất Tmin trong ngày mà còn chịu ảnh hưởng một số
yếu tố phụ khác về thời tiết nhưđộ Nm, gió…
− Quá trình huấn luyện mạng dừng lại ở khi chọn được một số phần tử lớp Nn nào đó hoặc kết thúc khi đạt đến một số lần lặp cho trước. Do đó không thể
kiểm tra được tất cả các trường hợp. Vì vậy phải chấp nhận giải bài toán phi tuyến có thể không tìm được nghiệm tối ưu toàn cục.
− Các mẫu phụ tải Pmax, Pmin và nhiệt độ trong quá khứ có thay đổi so với phụ
tải và nhiệt độ hiện tại. Thực tế hình dạng BĐPT của năm trước thay đổi so với năm sau là nguyên nhân gây sai số lớn nhất gặp phải trong luận văn này.
Nhận xét:
Trong quá trình học, mạng cố gắng điều chỉnh các tham số sao cho trung bình tổng bình phương lỗi là nhỏ nhất. Khả năng hội tụ của mạng phụ thuộc vào các tham số
khởi đầu, còn khả năng tổng quát hóa phụ thuộc rất nhiều vào dữ liệu đầu vào. Nếu dữ
liệu đầu vào quá nhiều có thể dẫn tới tình trạng luyện mạng tốn nhiều thời gian và khả
năng tổng quát hóa kém, nếu quá ít dữ liệu vào thì sai số sẽ tăng.
Với phương pháp tìm kiếm mô hình đã đề xuất ở trên có thể kết luận rằng: Để mô hình dự báo tốt bước đầu tiên là thay đổi số nơ ron lớp Nn và đánh giá sai số trên từng mô hình, biện pháp này có thểđược xem là lựa chọn thô cho mô hình. Mô hình sau khi
được lựa chọn với số nơ ron thích hợp bước tiếp theo là tối ưu hoá sai số bằng việc thay đổi số lần tính lặp, biện pháp này có thểđược xem là lựa chọn tinh nhằm giảm sai số thấp nhất có thểđược.
Để có thể xem xét, đánh giá được khả năng tổng quát hóa của mạng, cần phân chia tập dữ liệu thành các tập: huấn luyện (training set) và tập kiểm tra (test set). Tập các dữ liệu kiểm tra không tham gia vào quá trình huấn luyện để đảm bảo tính khách quan.
Một vấn đề nữa đối với mạng nơ ron đó là khả năng rơi vào các điểm cực trị địa phương. Như chúng ta đã biết, thuật toán Lan truyền ngược lỗi không đảm bảo sẽ cho
điểm cực trị toàn cục. Nếu rơi vào điểm cực trị địa phương, ta sẽ phải bắt đầu huấn luyện lại. Do đó, giải pháp sử dụng thuật toán Levenberg - Marquart là một trong các hướng để có thể vượt qua được nhược điểm trên.
Đểđảm bảo khả năng có thểđạt đến điểm cực tiểu, số các đơn vị trong lớp Nn cần
đủ lớn. Tuy nhiên, nếu số các đơn vị trong lớp Nn vượt quá một ngưỡng nào đó thì khả (adsbygoogle = window.adsbygoogle || []).push({});
năng tổng quát hóa của mạng sẽ kém, vì sau khi huấn luyện mạng có xu hướng ghi nhớ
tất cả các mẫu đã được học. Khi đó, việc lựa chọn số đơn vị cho lớp Nn sau đó huấn luyện và kiểm tra sai số trên tập kiểm tra có vai trò rất quan trọng trong việc tìm kiếm mô hình tối ưu cho mạng.
KẾT LUẬN VÀ KIẾN NGHN
I. Kết luận:
Trong luận văn này, phương pháp dự báo phụ tải dựa trên mô hình phối hợp hai mạng nơ ron kinh điển là SOM và MLP đã được giới thiệu và áp dụng cho các số liệu thực tế tại tỉnh Sóc Trăng. Phương pháp này đã cho kết quả chính xác 3,57% khi chưa tối ưu hoá, sai số giảm xuống còn 3,53% khi đã tối ưu hoá. Các ý tưởng và các giải pháp được đề xuất trong luận văn đã được triển khai trong các chương trình tính toán (viết bằng công cụ Matlab), thuận tiện cho việc sử dụng.
Mục đích tìm kiếm phương pháp dự báo mới là do các phương pháp dự báo phụ
tải trước đây chủ yếu dựa vào kinh nghiệm của nhân viên vận hành (các quy tắc suy luận đó chủ yếu là tuyến tính), bên cạnh đó với khoảng thời gian khá dài các chuyên gia dự báo không thể giải quyết hết được các trường hợp vận hành cũng như các đặc tính bất định của phụ tải do đó có thể gây sai số lớn trong công tác dự báo. Ngoài ra, trong quá trình thực hiện, một số vấn đề sau đã được phát hiện và nghiên cứu giải quyết:
1. Nghiên cứu dự báo phụ tải điện sử dụng mạng nơ ron nhân tạo trước đây chủ yếu chỉ tập trung cho các thành phố lớn với đặc tính phụ tải ít biến động. Còn đặc tính phụ tải ở các vùng thuần nông nghiệp như Sóc Trăng chưa được quan tâm đúng mức. Đặc điểm phụ tải ở tỉnh Sóc Trăng cũng như các vùng nông nghiệp rất khác so với đặc tính phụ tải ở các thành phố lớn biểu đồ phụ tải hầu như không thay đổi nhiều giữa các ngày trong suốt cả tuần, do đó ta không thể áp dụng các mô hình đã có vào mô hình tỉnh Sóc Trăng. Do không thể áp dụng các mô hình đã thành công trước đây như mô hình ngày trong tuần. Để có thể phân dạng được kiểu ngày luận văn đề xuất một mô hình mới là thứ trong tháng linh hoạt, kết quả phân nhóm đã cho kết quả khá tốt đối với đặc điểm của HTĐ Sóc Trăng.
2. Mạng ánh xạ đặc trưng tự tổ chức SOM - Kohonen với luật học Fuzzy Clustering Method được xem là kỹ thuật cải tiến cho mạng Kohonen, các dữ liệu không chỉ
phụ thuộc vào trọng tâm của nhóm này mà còn phụ thuộc vào trọng tâm của nhóm khác. Mạng SOM được dùng trong việc phân dạng kiểu ngày trong quá khứ mà nhiều khi các chuyên gia vận hành không thể nhận ra hết các kiểu ngày. Mạng Kohonen còn có ưu điểm nổi trội là nó có thể nhận dạng một loại biểu đồ phụ tải mới trước khi những người vận hành nhận ra một kiểu ngày mới. Vì thế mạng SOM - Kohonen trở thành một phương tiện hỗ trợ đắc lực cho các kỹ sưđiều hành trong quá trình dự báo.
3. Sau khi đã có được biểu đồ phụ tải ngày cần dự báo, ta cần thực hiện một bước tiếp theo rất quan trọng là dự báo được giá trị phụ tải đỉnh và phụ tải đáy của biểu đồ
phụ tải bằng các dữ liệu phụ tải và nhiệt độ trong quá khứ. Việc lựa chọn các thông sốđầu vào phục vụ quá trình luyện mạng đóng vai trò quan trọng nhằm loại bỏ các
đầu vào có khả năng gây nhiễu cho mô hình đồng thời giảm kích thước đầu vào cho mô hình, luận văn đã đề xuất mô hình tương quan để xét mối tương quan giữa hai yếu tố. Kết quả xem xét tương quan thấy rằng thời gian xét tương quan giữa phụ tải của một ngày với các ngày trước đó càng xa thì hệ số tương quan càng thấp.
4. Sau khi chọn được các đầu vào tiến hành huấn luyện mạng với các tập mẫu học cùng kỹ thuật lan truyền ngược sai số luật học Levenberg - Marquardt với luật học này được xem là bước cải tiến so với các phương pháp trước đây là rút ngắn được rất nhiều thời gian huấn luyện mạng và rút ngắn thời gian hội tụ mạng điều này mở
ra khả năng huấn luyện với các tập số liệu lớn, khoảng thời gian dài từ 1 đến 10 năm. Với số lần tính lặp thấp mạng cho khả năng tổng quát hóa tốt với sai số thấp nhất có thểđược.
5. Mạng sau khi huấn luyện và được kiểm tra sai số trên một tập khác để đánh tìm sai số và đánh chất lượng của mô hình kết quảđánh giá sai số cho Pmax là 3.77% và Pmin là 3,29% điều này cho thấy hệ số tương quan của Pmax thấp hơn trong Pmin
và được phản ánh trong mô hình mạng.
6. Khi đã có mô hình dự báo cho Pmax và Pmin tiến hành xây mô hình dự báo biểu
đồ phụ tải cho một ngày kết quả dự báo cho sai số có thể chấp nhận được. Tuy có một số sai số về hình dạng đã kéo theo sai số trên một số giờ nhất định. Sai số này gây ra do hình dạng phụ tải của của Sóc Trăng xuất hiện khá nhiều đỉnh nhọn và xuất hiện không đều gây khó khăn rất lớn trong việc dự báo hình dạng. Điều này có thể khắc phục bằng cách cập nhật các biểu đồ phụ tải thường xuyên hơn.
7. Việc xây dựng giao diện dự báo một cách trực quan và cụ thể giúp cho người vận hành mà nhất là các kỹ sư mới vào nghề có thể nhanh chóng nắm bắt và dễ dàng làm việc độc lập trong quá trình dự báo.
II. Kiến nghị
Trong luận văn này, phương pháp đề xuất đã đạt được một số kết quả bước đầu khả quan. Tuy nhiên cũng rất nhiều vấn đề nghiên cứu đã được mở ra để tiếp tục nâng cao chất lượng giải pháp cũng như hiệu quả, đặc biệt là trong ứng dụng thực tế.
Các hướng có thể phát triển của đề tài bao gồm: 1. Xây dựng mô hình dự báo dài hơn 24 giờ
2. Xem xét các yếu tố khác có khả năng ảnh hưởng tới kết quả dự báo (môi trường, thời tiết,...)
3. Tiếp tục thu thập số liệu để tăng các tập hợp số liệu học/kiểm tra nhằm tăng
độ tin cậy của mô hình.
5. Ngoài ra ta có thể phát triển mô hình bằng cách xây dựng mô hình với các thuật toán khác, chạy song song nhiều mô hình cùng lúc và tổng hợp kết quả
TÀI LIỆU THAM KHẢO
I. Phần Tiếng Việt
1. Lê Thị Thanh Hà (2000), Luận văn tốt nghiệp cao học, Trường ĐHBK-HN. 2. LM Markovits, Trần Đình Long, Bùi Ngọc Thư, Bùi Thiên Dụ, Hà Học Trạc (dịch), Các chếđộ của hệ thống năng lượng, NXB KH-KT. (adsbygoogle = window.adsbygoogle || []).push({});
3. Nguyễn Hoàng Phương, Bùi Công Cường, Nguyễn Doãn Phước, Phan Xuân Minh, Chu Văn Hỷ, Hệ mờ và ứng dụng, NXB Khoa học kỹ thuật.
4. Trần Đình Long (1998), Quy hoạch phát triển năng lượng và điện lực,
Trường ĐH Bách khoa Hà nội.
5. Trần Kỳ Phúc (12/2006), Nghiên cứu ứng dụng mạng Nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện (giai đoạn I), Viện năng lượng.
6. Trần Kỳ Phúc, Monique Polit, Nguyễn Tiên Phong, Lê Thị Thanh Hà (9/2006), Mạng Nơ ron – dự báo phụ tải điện ngắn hạn ứng dụng tại Hà Nội,
ảnh hưởng của các thông số thời tiết, tạp chí Tựđộng hoá ngày nay.
II. Tiếng nước ngoài
7. Alireza Khotanzad, Reza Afkhami Rohani, Dominic Maratukulam (1998),
ANNSTLF – Artificial network short-term load forecaster – generation three,
IEEE transactions on power systerms, Vol. 13, No.
8. Frank Hoeppner, Frank Klawonn, Rudolf Kruse, Thomas Runkler, Fuzzy
Cluster Analysis, John Wiley & Sons, LTD.
9. L.-W. Chan, I. King and K. S. Leung, Levenberg Marquardt Learning and
Regularization, Computer Science and Engineering Department, The Chinese
10. Mohsen Hayati, Yazdan Shirvany (2007), Artificial Neural Network
Approach for Short Term Load Forecasting for Illam Region, Inter national
journal of electrical, Computer, and systems engineering volume 1 number 2 ISSN 1307-5179
11. Pauli Murto (1998), Neural network models for short-term load forecasting, Helsinki university of technology.
12. S. Haykin (1994), Neural networks, a comprehensive approach, Macmillan, , N.Y.
13. Stanislaw Osowski, Tran Hoai Linh, Selforganizing Neural and
Neurofuzzy Networks – A Comparative Study, Institute of Theory of Electrical
Engineering and Electrical Measurements, Warsaw University of Technology. 14. Stanislaw Osowski, Krzysztof Siwek, Tran Hoai Linh, Peak Load
Prediction in The Power System Using Neural Networks, Institute of Theory
of Electrical Engineering and Electrical Measurements, Warsaw University of Technology.
15. Teuvo Kohonen (2000), Self-Organizing Maps, Third editor, Springer Verlag, Berlin.
16. W.Charytoniuk, M.S. Chen, Neural Network design for short- term load
PHỤ LỤC I
CHƯƠNG TRÌNH PHÂN NHÓM BIỂU ĐỒ PHỤ TẢI
clear clc
load t4sun.txt %dau vao data = t4sun'; (adsbygoogle = window.adsbygoogle || []).push({});
center,U = fcm(data,2) % thuật toán FCM tìm các trọng tâm
maxU = max(U); % Xác định các trọng tâm gần nhất
for i=1:2 % so trong tam % thông qua giá trị hàm phụ thuộc
indexi = find(U(i,:) == maxU); indexi
end
PHỤ LỤC II
CHƯƠNG TRÌNH HUẤN LUYỆN MẠNG NƠ RON
clear clc
load pp.txt; % Các đầu vào để kiểm tra 2006
load tt.txt; % Các giá trị dùng để so sánh đầu ra mạng 2006
load mau.txt; % Mẫu huấn luyện 2004, 2005
load mongmuon.txt; % Mẫu dung để kiểm tra thuật toán lan truyền ngược
P=mau'; mongmuon=mongmuon'; T=mongmuon/max(mongmuon); tt=tt'; pp=pp'; tt=tt/max(tt); pp=pp/max(pp); timkiem=1:50 % Thay đổi số phần tử lớp ẩn for i=timkiem Emin=inf;
for j=1:5 % Các hướng tìm kiếm ngẫu nhiên
net = newff(minmax(P),i 1,{'logsig' 'logsig'}); % Khởi tạo mạng
net.trainParam.epochs = 200; % Số lần lặp net = train(net,P,T); Y = sim(net,P); Ehoc(i)=sum((Y-T).^2)/2/length(P); if (Ehoc(i)<Emin) Emin=Ehoc(i);
bestnet=net; % Tìm mạng cho sai số thấp nhất
end; end; Ehoc(i)=Emin; yy=sim(bestnet,pp); Ektra(i)=sum((yy-tt).^2)/2/length(pp) end;