Trong việc xây dựng các mô hình dự báo phụ tải, để được mô hình tốt nhất cần thực hiện nhiều bước với các thông số đầu vào thay đổi. Mô hình tốt nhất khi sai số đánh giá trên tập kiểm tra là thấp nhất. Xây dựng mô hình dự báo theo các bước sau:
Bước 1: Thay đổi các đầu vào mạng nơron để được các mô hình dự báo khác nhau.
ANN được thiết kế dựa trên các phụ tải trước đó, loại mùa, loại ngày, giờ trong ngày, các ngày trong tuần, thời tiết, nhiệt độ… là những yếu tố có ảnh hưởng đến phụ tải điện. Trong luận văn xét yếu tố phụ tải điện trong quá khứ, nhiệt độ, phân loại ngày, độ ẩm, tốc độ gió để xây dựng mô hình dự báo.
Bước 2: Tìm kiếm mô hình tốt nhất:
Đối với mỗi mô hình mạng sẽ cố định số lần lặp để đảm bảo mỗi mô hình được huấn luyện là như nhau. Thay đổi số nơron trong lớp ẩn, tương ứng với số nơron trong lớp ẩn thu được kết quả sai số khác nhau. Chọn nơron lớp ẩn với sai số nhỏ nhất. Mô hình được lựa chọn khi so sánh kết quả sai số dự báo các mô hình với nhau. Mô hình nào có sai số nhỏ nhất sẽ là mô hình được lựa chọn.
Bước 3: Tối ưu hóa mô hình.
Khi chọn đuợc mô hình mạng thích hợp, sẽ cố định số nơron lớp ẩn và thay đổi số lần lặp để tối ưu hoá sai số. Mô hình với số lần lặp có sai số thấp nhất sẽ được chọn làm mô hình dự báo cuối cùng.
Xây dựng các mô hình dự báo phụ tải điện ngắn hạn sau:
Mô hình 1: 24xNx24 với 24 đầu vào P(k-1)
44 Mô hình 2: 27xNx24
- 24 đầu vào phụ tải trước ngày dự báo: P(k-1,1)÷ P(k-1,24)
- 3 đầu vào nhiệt độ cao, thấp và trung bình trước ngày dự báo: Tmax (k-1), Tmin (k-1), Ttb (k-1)
Mô hình 3: 31xNx24
- 24 đầu vào phụ tải trước ngày dự báo: P(k-1,1)÷ P(k-1,24)
- 3 đầu vào nhiệt độ cao, thấp và trung bình trước ngày dự báo: Tmax(k-1), Tmin(k-1), Ttb(k-1)
- 4 đầu vào mã hoá dạng ngày: d1,d2,d3,d4 Mô hình 4: 34xNx24
- 24 đầu vào phụ tải trước ngày dự báo: P(k-1,1)÷ P(k-1,24)
- 3 đầu vào nhiệt độ cao, thấp và trung bình trước ngày dự báo:Tmax(k-1), Tmin(k-1), Ttb(k-1)
- 4 đầu vào mã hoá dạng ngày: d1,d2,d3,d4
- 1 đầu vào độ ẩm trước ngày dự báo: H(k-1)
- 2 đầu vào tốc độ gió trước ngày dự báo: Vtb (k-1), Vmax.
4.1.1 Mô hình dự báo phụ tải điện dùng mạng nơron (24xNx24)
Cấu trúc của mạng nơron
Số nơron lớp vào là 24, với 24 dữ liệu về phụ tải của ngày trước ngày dự báo. Số nơron lớp ra là 24, tương ứng với 24 giờ của ngày dự báo.
Lựa chọn số nơron lớp ẩn
Số nơron lớp ẩn được xác định trên phương pháp đánh giá sai số trên tập kiểm tra là thấp nhất. Khi thay đổi số nơron lớp ẩn từ 1 đến 30, chọn được số nơron tương ứng là 20 cho kết quả sai số dự báo tốt nhất.
Tập dữ liệu
Sử dụng tập dữ liệu về phụ tải và thời tiết của Hà Nội từ 01/01/2011 đến 31/12/2012 chia thành 2 tập số liệu: tập huấn luyện và tập kiểm tra. Với tập số
45
liệu năm từ 01/01/2011 đến 30/06/2012. Và tập kiểm tra từ 01/07/2012 đến 31/12/2012
Kết quả
- Đồ thị phụ tải cho ngày 08/11/2012 - Bảng sai số dự báo cho ngày 08/11/2012
46
Giờ dự
báo Phụ tải thực tế Phụ tải dự báo Sai số APE (%)
1 1014.782 1099.321 8.331 2 1015.292 971.908 4.273 3 904.462 977.018 8.022 4 929.495 955.231 2.769 5 960.378 979.058 1.945 6 1009.082 997.414 1.156 7 1065.743 1154.463 8.325 8 1605.943 1483.131 7.647 9 1581.137 1529.465 3.268 10 1559.420 1648.304 5.700 11 1812.302 1851.766 2.178 12 1692.680 1700.253 0.447 13 1371.282 1538.434 12.189 14 1419.368 1555.634 9.600 15 1707.521 1591.366 6.803 16 1695.124 1780.953 5.063 17 1888.163 1832.199 2.964 18 1923.958 2043.825 6.230 19 1883.132 1907.281 1.282 20 1737.721 1768.786 1.788 21 1531.640 1648.279 7.615 22 1508.084 1492.424 1.038 23 1310.262 1391.024 6.164 24 1101.308 1064.362 3.355
Sai số trung bình MAPE (%) 4.923
47