ĐÁNH GIÁ KẾT QUẢ THỰC NGHIỆM

Một phần của tài liệu Xây dựng công cụ hỗ trợ dự báo, đánh giá nhu cầu phụ tải điện theo vùng (Trang 57 - 60)

Dựa vào những kết quả thử nghiệm ở trên, ta có thể tóm tắt lại kết quả thử nghiệm mô hình như bảng dưới đây:

Bảng 3.8: Tổng hợp kết quả đánh giá thử nghiệm mô hình

Loại dự báo

MAPE

Yêu cầu thực tế Huấn luyện Kiểm thử

Giờ tới 0.4% 0.6%

3%- 5% 24 giờ 4.3% 4.5%

Ngày tới 2.3% 2.4% Tháng tới 3.7% 3.5%

51

Hình 3.13: Biểu đồ dự báo phụ tải năm 2009

Hình 3.14: Biểu đồ dự báo phụ tải tất cả các ngày từ 2009 đến 2011

52

Hình 3.16: Biểu đồ dự báo phụ tải của các ngày chủ nhật

Hình 3.17: Biểu đồ dự báo phụ tải của các ngày lễ

Hình 3.18: Biểu đồ dự báo phụ tải 24h của ngày 01/04/2012

Ta có nhận xét:

Về cơ bản hệ thống đáp ứng được yêu cầu đặt ra.

Lỗi kiểm thử có cao hơn một chút so với lỗi huấn luyện, nhưng nhìn chung, mạng có tính tổng quát hóa cao.

53

Dự báo cho 24 giờ tới cho sai số cao, nguyên nhân chủ yếu là do bộ số liệu học không đầy đủ. Dữ liệu thu thập được từ ngày 01/07/2011 đến 21/05/2012 không đảm bảo đủ cho huấn luyện.

Đồ thị phụ tải dự báo khớp với đồ thị phụ tải thực tế. Như vậy có thể khẳng định mô hình dự báo đưa ra trong luận văn hoàn toàn có thể đưa vào dự báo trong thực tế.

Hệ thống có khả năng dự báo cho tương lai tốt.

Với phương án mà tôi đề xuất là: Với mỗi lần xây dựng phương án mới, ta xem xét khả năng kế thừa lại những kết quả của các phương án trước đã được kiểm định là tốt. Như vậy ta có thể sử dụng xu hướng phụ tải trong quá khứ mà áp dụng vào cải tiến để tìm xu hướng cho phụ tải trong tương lai. Với phương án đề xuất như vậy đã được kiểm định là hiệu quả khá tốt.

Cần một phương án dự báo riêng cho các ngày lễ

Dạng đồ thị phụ tải của những ngày lễ thường rất khác so với dạng đồ thị phụ tải của những ngày bình thường, và cũng rất khác so với các ngày nghỉ bình thường như các ngày thứbảyvà chủ nhật. Giá trị phụ tải ở các ngày lễ thường ở mức thấp hơn so với những ngày bình thường. Điều này có thể giải thích, vì trong những ngày lễ tất cả các cơ quan, các nhà máy xí nghiệp sản xuất đều ngừng hoạt động nên mức tiêu thụ điện vào các ngày này phải giảm mạnh so với các ngày bình thường. Thứ bảy, chủ nhật thì không phải tất cả các nhà máy xí nghiệp đều nghỉ mà vẫn có một số nhà máy hoạt động nên mức phụ tải tiêu thụ của các ngày này vẫn cao hơn so với các ngày lễ.

Từ nghiên cứu và thử nghiệm chỉ ra rằng thu thập đầy đủ và chính xác số liệu là một chiến lược quan trọng trong xây dựng mô hình dự báo

Thử nghiệm trên đây cho thấy rằng dữ liệu thu thập đủ và chính xác hết sức quan trọng. Dữ liệu học không đầy đủ sẽ làm giảm khả năng tổng quát hóa của mạng. Ta cũng có thể khắc phục điều này bằng cách làm kế thừa phương án đã xây dựng trước đó, nếu có. Trong các lần thử nghiệm trên, tôi đã đưa vào nhiễu, bao gồm cả nhiễu có trên thực tế và nhiễu tự tạo, và cố gắng thiếp lập cho hệ thống học thuộc tập huấn luyện ở mức cao nhất có thể và khi thử nghiệm, kết quả cho lỗi khá cao, điều này chứng tỏ rằng nhiễu với số lượng nhiều sẽ làm giảm độ chính xác của hệ thống.

Cũng trên thử nghiệm với những bộ số liệu khác nhau, nhưng với việc loại bỏ bớt yếu tố đầu vào là nhiệt độ - tương ứng với việc thu thập thiếu thuộc tính nhiệt độ, độ chính xác của dự báo giảm đi đáng kể. Đặc biệt là nếu thu thập thiếu Pmin, Pmax, độ chính xác của dự báo bị giảm đi rất nhiều. Điều này chứng tỏ sức ảnh hưởng của Pmin, Pmax đối với dự báo ngắn hạn.

Một phần của tài liệu Xây dựng công cụ hỗ trợ dự báo, đánh giá nhu cầu phụ tải điện theo vùng (Trang 57 - 60)

Tải bản đầy đủ (PDF)

(72 trang)