Trong chương 4 đã xây dựng các mô hình dự báo phụ tải điện cho thành phố Hà Nội, với mỗi mô hình dự báo sẽ có các kết quả sai số dự báo khác nhau.
Trong quá trình tính toán với các hàm huấn luyện khác nhau, hàm trainlm cho kết quả huấn luyện tốt hơn so với các hàm huấn luyện khác.
Không có quy tắc nào để lựa chọn số lớp ẩn, thông thường với bài toán dự báo chỉ cần chọn một lớp ẩn là đủ. Các thử nghiệm trong chương này cho thấy, ới số nơron lớp ẩn bằng 20 cho kết quả sai số MAPE nhỏ nhất.
Chương này đã sử dụng mạng nơ ron với nhiều cấu trúc đầu vào khác nhau để dự báo phụ tải ngắn hạn. Các kết quả đạt được khi sử dụng các mô hình này dự báo phụ tải thành phố Hà nội như sau:
Đối với mô hình 1: Sử dụng phụ tải 24 h trước. Mô hình này cho sai số trung bình cao nhất so với ba mô hình còn lại. Tuy nhiên mô hình này không sử dụng yếu tố thời tiết và mã hóa ngày dự báo do đó sai số của mô hình không phụ thuộc vào yếu tố thời tiết.
Đối với mô hình 2: Khi thêm yếu tố thời tiết (nhiệt độ cao/thấp và trung bình của ngày trước ngày dự báo) vào dự báo, kết quả dự báo của mô hình tốt hơn so với mô hình 1.
Đối với mô hình 3: Mô hình sử dụng mã 4 bit tương ứng với 4 nơron đầu vào để phân biệt các ngày thứ 2, thứ 3 đến thứ 5, ngày thứ 6, thứ 7 và chủ nhật. Sai số mô hình này đạt được tốt so với mô hình 1 và 2.
Đối với mô hình 4: Kết hợp độ ẩm và tốc độ gió. Mô hình này cho kết quả tốt nhất trong bốn mô hình dự báo: sai số dự báo MAPE là thấp nhất.
54
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
Luận văn “Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn
hạn” đã xây dựng được các mô hình mạng nơron cho bài toán dự báo phụ tải ngắn
hạn để sử dụng cho công tác dự báo. Luận văn đã xem xét nhiều mô hình dự báo khác nhau được sử dụng trong thực tế, cũng như trong các nghiên cứu khác, như sử dụng đồ thị phụ tải của ngày hôm trước, sử dụng các yếu tố nhiệt độ/độ ẩm/tốc độ gió, sử dụng đồ thị phụ tải của ngày trước, tháng trước…
Với các mô hình đã được xây dựng trên, mô hình 34x20x24 (phụ tải 24h trước, 3 đầu vào nhiệt độ, mã hóa ngày và thông tin thời tiết), dự báo phụ tải ngắn hạn cho thành phố Hà Nội đạt kết quả tốt nhất.
Đối với mô hình lưới điện ISO-NewEngland, mô hình dự báo sử dụng phụ tải của ngày trước/tuần trước và tháng trước cho kết quả dự báo tốt nhất (kết hợp với các yếu tố nhiệt độ).
Một số nhận xét rút ra từ các nghiên cứu trên gồm có:
Tập dữ liệu dùng để học cần chiếm khoảng 60-70% tập dữ liệu mẫu để đạt được kết quả dự báo tốt nhất. Mặt khác, với mỗi tỉ lệ mẫu học/mẫu kiểm tra, cần thử nghiệm rất nhiều lần mới có thể đưa ra được kết luận chính xác về hiệu quả của mô hình.
Các thông số về thời tiết, độ ẩm nhìn chung làm tăng độ chính xác của bài toán dự báo phụ tải. Tuy nhiên, các thông số này cần được thu thập cẩn thận nhằm đạt được hiệu quả cao nhất. Trên thực tế, ngay trong một khu vực địa lý, nhiệt độ đo được có thể có những biến động nhất định. Việc đánh giá tương quan giữa nhiệt độ một điểm với nhu cầu phụ tải một khu vực là không dễ dàng.
Các thông số về loại ngày nhìn chung làm tăng độ chính xác của mô hình dự báo phụ tải.
55
Một số hướng phát triển tiếp theo của luận văn là phân loại phụ tải và dự báo nhu cầu phụ tải theo mùa. Bên cạnh đó, việc dự báo nhu cầu phụ tải cho một số ngày đặc biệt (ngày nghỉ / ngày lễ …) cũng cần có các nghiên cứu bổ sung.
56
TÀI LIỆU THAM KHẢO
[1] BKDN, Giáo trình vận hành hệ thống điện, 2009.
[2] E. A. Feinberg và D. Genethliou, “Applied Mathematics for Restructured Electric Power SystemsApplied Mathematics for Restructured Electric Power Systems,” Springer US, 2005, pp. 269-285.
[3] S. Mishra, “Short term load forecasting using computational intelligence methods,” 2008. [4] R. Engle, C. Mustafa và J. Rice, “Modeling Peak Electricity Demand,” Journal of Forecasting, p.
11:241–251, 1992.
[5] M. Peng, N. Hubele và G. Karady, “Advancement in the Application of Neural Networks for Short-Term Load Forecasting,” IEEE Transactions on Power Systems, p. 7:250–257, 1992. [6] N. Q. Nhu, “Nghiên cứu và ứng dụng mạng nơron và logic mờ cho bài toán dự báo phụ tải
điện ngắn hạn,” 2012.
[7] M. Mohandes, “Support Vector Machines for Short-Term Electrical Load Forecasting,”
International Journal of Energy Research, p. 26:335–345, 2002.
[8] B. Chen, M. Chang và C. Lin, “Load Forecasting using Support Vector Machines: A Study on EUNITE Competition 2001,” Department of Computer Science and Information Engineering,
National Taiwan University, 2002.
[9] Y. Li và T. Fang, “Wavelet and Support Vector Machines forShort-Term Electrical Load Forecasting,” Proceedings of InternationalConference on Wavelet Analysis and its
Applications, 1:399-404 2003.
[10] C. Nghĩa, “Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền Bắc,” 2007.
[11] N. L. Tráng, Quy hoạch phát triển hệ thống điện, Nhà xuất bản Khoa học và Kỹ thuật, 2006. [12] S.Valero, J.Aparicio, C.Senabre, M.Ortiz, J.Sancho và A.Gabaldon, “Comparative Analysis of
Self Organizing Maps vs Multilayer Perceptron Neural network for Short - term load forecasting,” Modern Electric power systems 2010, Wroclaw, Poland, 2010.
[13] P. H. Đ. Dục, Mạng nơron và ứng dụng trong điều khiển tự động, Nhà xuất bản khoa học và kỹ thuật, 2009.
57
[14] T. H. Linh, Mạng nơ rôn và ứng dụng trong xử lý tín hiệu, Nhà xuất bản Bách Khoa - Hà Nội, 2014.
[15] D. X. Trường, “Ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện khu vực tỉnh Sóc Trăng,” 2007.
[16] K. Methaprayoon, W.-J. Lee, S. Rasmiddatta, J. R. Liao và R. J. Ross, “Multistage Artificial Neural Network Short-Term Load Forecasting Engine With Front-End Weather Forecast,” IEEE
Transactions on Industry IEEE Transactions on Industry Applications, tập 43, pp. 1410-1416,
2007.
[17] M. T.Hagan, H. B. Demuth và M. Beale, Neural Network Design, 2002.
[18] T. K. Phúc, “Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện, giai đoạn 2,” 2008.
[19] N. D. P. Phan Xuân Minh, Lý thuyết điều khiển mờ, Nhà xuất bản Khoa học và Kỹ thuật, 2006. [20] P. Murto, “Neural Network Models For Short-Term Load Forecasting,” 1998.
[21] L. Jian và J. Z. huan, “Using Least Square Support Vector Machines in Short-term Electrical Load Forecasting,” International Conferecence on Management Science \& Engineering, pp. 14-16, September 2009.
[22] H. T. Huy, “Ứng dụng mạng nơ ron nhân tạo dự báo đồ thị phụ tải ngắn hạn hệ thống điện,” 2013.
[23] H. Hippert, C. Pedreira và R. Souza, “Neural Networks forShort-Term Load Forecasting:A Review and Evaluation,” IEEETransactions on Power Systems, p. 16:44–55, 2001. [24] I. N. England, http://www.iso-ne.com.
[25] B. C. Cường và N. D. Phước, Hệ mờ, mạng nơ ron và ứng dụng, Nhà xuất bản Khoa học và Kỹ thuật, 2006.
[26] A.G.Baklrtzls, V.Petrldls, S.J.Kiartzls, M.C.Alexladls và A.H.Malssls, “A Neural Network short term load forecasting model for the Greek power system,” IEEE Transactions on Power
Systems, tập 11, số 2, pp. 858-863, May 1996.
[27] A.Azadeh, S.F.Ghadrei và B. Nokhandan, “Short Term Load Forecasting by ANN,” IEEE Trans,
2009.
I
PHỤ LỤC
1. Tổng hợp số liệu:
Số liệu ta thu được dạng *.xls của từng năm một. Trong luận văn chọn giải pháp dùng Microsoft Access để tổng hợp số liệu các năm lại.
B1: Tạo file từ Microsoft Access “NEData.mdb”
II B3: Tiếp tục nhập số liệu của năm tiếp theo:
Sau khi nhập dữ liệu ta có file dữ liệu NEData.mdb của 5 năm từ 2010 đến 06/2014
III
2. Nhập số liệu vào trong Matlab
B1: Start\Tooboxer\Database\Visual Query Builder
IV
B3: Chọn dữ liệu từ Microsoft Access “NEData.mdb” đã tổng hợp
B4: Khai báo số liệu gồm: Date, Hour, DryBuld, DewPnt, SYSLoad từ NEData.mdb
V
B5: Chọn số liệu cho dự báo từ 01/01/2010 ÷ 30/06/2014
VI
3. Dự báo phụ tải từ Neural Network Tool
Chia bộ số liệu thành 2 phần: Phần để học (train) từ 01/01/2010 đến ngày 31/12/2013 và phần để kiểm tra (test) ngày 01/01/2014 đến 30/06/2014.
Mô phỏng mạng nơ ron nhân tạo bằng giao diện đồ họa ANN toolbox
VII
Từ tập số liệu mẫu, quá trình huấn luyện mạng chia số liệu thành 3 tập con: tập mẫu học (Training) chiếm 70% tập dữ liệu 1224 mẫu, tập kiểm tra mẫu validation chiếm 15% tập dữ liệu 2624 mẫu, tập test chiếm 15% tập dữ liệu 2624 mẫu.
VIII B3: Tiến hành quá trình học (training)
IX Chu kỳ huấn luyện mạng nơron
B4: Lưu lại mô hình mạng nơ ron sau quá trình học.
X B6: Kết quả dự báo phụ tải ngày 30/06/2014
XI
Giờ dự
báo Phụ tải thực tế Phụ tải dự báo Sai số APE (%)
1 12330 12005.883 2.629 2 11649 11223.338 3.654 3 11245 10938.419 2.726 4 11093 10743.616 3.150 5 11299 10693.562 5.358 6 11889 11175.451 6.002 7 13393 12566.409 6.172 8 15150 14470.557 4.485 9 16395 16288.553 0.649 10 17459 17653.755 1.115 11 18434 18735.723 1.637 12 19225 19546.746 1.674 13 19847 20125.488 1.403 14 20430 20588.432 0.775 15 20807 20935.306 0.617 16 21048 21066.859 0.090 17 21228 21021.461 0.973 18 21195 20951.909 1.147 19 20791 20524.818 1.280 20 20092 20043.013 0.244 21 19710 19534.794 0.889 22 18986 18513.311 2.490 23 17166 16921.706 1.423 24 15352 15741.305 2.536
Sai số trung bình MAPE (%) 2.213