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.